exam18 4

Технологии экспертных систем и систем поддержки принятия решений.

Реферат к лекции 18 (34) Аналитические и экспертные системы

Выполнил: Белобородов Д.М., ИДБ-19-05

Проверила: Чуйко В.М., ИДБ-19-05

📃 Краткий теоретический обзор

👤 Экспертная система

Экспертная система (ЭС) — в общем смысле — это компьютерная система, имитирующая способность эксперта-человека принимать решения и использующая для этого базу экспертных знаний. Помимо базы знаний, экспертная система включает в себя вторую подсистему: механизм вывода. Если база знаний содержит в себе факты и правила, то механизм вывода применяет эти правила к известным фактам для получения новой информации.

Экспертные системы ориентированы на тиражирование опыта высокопрофессиональных специалистов в тех областях деятельности человека, где качество решений существенно зависит от уровня экспертизы или компетенции экспертов. [1]

При рассмотрении понятия экспертной системы, стоит отметить основные отличия от других систем и прикладных программ. В частности, главным отличием ЭС от СППР является то, что экспертные системы манипулируют знаниями, а системы поддержки принятия решений — данными.

Основные особенности экспертных систем:

• компетентность — быстро- и легко-достижимый экспертный уровень суждений;
• символьное рассуждение — манипуляция символами для решения математических задач;
• глубина — работа в узкой предметной области с использованием сложных правил;
• самосознание — способность рассуждать, оперируя полученными данными. [2]

📊 Система поддержки принятия решений

Система поддержки принятия решений (СППР, DSS) — это информационная система, помогающая лицам, принимающим решения посредством содержания простого интерфейса, применения технологий моделирования, датамайнинга и сбора данных, а также обладающая гибкими настройками и хорошим качеством реализации. [3]

Основными особенностями или характеристиками, при которых целесообразно применение СППР, можно назвать:

• Сложность в принятии решений.
• Необходимость в точной оценке различных альтернатив.
• Необходимость предсказательного функционала.
• Необходимость мультипотокового входа (для принятия решения нужны выводы на основе данных, экспертные оценки, известные ограничения и т.п.) [4]

Структура СППР является широким понятием и было предложено различных классификаций. Однако, требования и атрибуты СППР хорошо ложатся в 4 сегмента:

1. Качество.
2. Организация.
3. Ограничения.
4. Модель.

Ниже представлена схема, описывающая соотношение требований и этих сегментов. [4]

💻 Примеры использования

👤 Экспертная система

Применение экспертных систем так или иначе всегда связано с искусственным интеллектом, реализованном в какой-либо форме для конкретной области применения.

На протяжении всей истории ЭС были созданы множество самых разных экспертных систем, предназначенных для различных областей. Из таких "исторических" систем, можно выделить "первые" экспертные системы, которые положили основу для всех будущих разработок:

• DENDRAL (1965 г.) — система, помогающая определить возможную структуру молекулы на основе химической формулы и масс-спектрограммы.
• MYCIN (1970-е г.) — диагностика и лечение инфекционных заболеваний крови.
• PROSPECTOR (1974-1983 гг.) — предсказание месторождений на основе геологических данных.

Все эти системы так или иначе получили своих идейных наследников. Например, идея системы PROSPECTOR предсказания месторождений на основе геологических данных, может быть реализована гораздо более эффективно, при использовании современных технологий распознавания изображений, а также нейронных сетей для самообучения. База экспертных знаний такой системы состоит из множества образцов камней и грунта, содержащий так же информацию об их составе. После обучения на этой базе знаний, экспертная система будет способна определять состав камней и грунта очень быстро и эффективно, по сравнению с экспертом-человеком. Что, в свою очередь позволит быстро и точно находить нужные месторождения.

Также стоит отметить систему MYCIN, главной особенностью которой был подход к представлению и рассуждению при принятии решений. В 1980-х годах была представлена «оболочка» этой системы под названием E-MYCIN, которая была больше ориентирована на решение задач диагностики. В свою очередь, это побудило разработку "Knowledge Engineering Environment", которая предоставляла среду и широкий инструментарий для разработки и развертывания различных систем знаний [5].

Технологию экспертных систем можно разделить на 4 основных компонента, каждый из которых подробно разобран ниже [7]. Их взаимодействие отображено на рисунке:

1. Интерфейс пользователя.

Используется для ввода информации и команд в экспертную систему и получения выходной информации из нее. Команды включают в себя параметры, направляющие процесс обработки знаний. Информация обычно выдается в решения — значений, присваиваемых определенным переменным, и, при необходимости, объяснения решения, которые разделяют на два вида:

• Объяснения, выдаваемые по запросам. Пользователь в любой момент может потребовать от экспертной системы объяснения своих действий.
• Объяснения полученного решения проблемы. После получения решения пользователь может потребовать объяснений того, как оно было получено. Система должна пояснить каждый шаг своих рассуждении, ведущих к решению задачи.

Эта технология включает четыре метода ввода информации: меню, команды, естественный язык и собственный интерфейс. Пользовательский интерфейс должен быть интуитивно понятным и простым в освоении.

2. База знаний.

Содержит факты, описывающие проблемную область, а также логическую взаимосвязь этих фактов. Центральное место в базе знаний принадлежит правилам. Правило определяет, что следует делать в данной конкретной ситуации, и состоит из двух частей: условия, которое может выполняться или нет, и действия, которое следует произвести, если условие выполняется.

Все используемые в экспертной системе правила образуют систему, которая может, в среднем, содержать несколько тысяч правил.

Все виды знаний в зависимости от специфики предметной области и квалификации проектировщика (инженера по знаниям) с той или иной степенью адекватности могут быть представлены с помощью одной либо нескольких семантических моделей. К наиболее распространенным моделям относятся логические, продукционные, фреймовые и семантические сети.

3. Интерпретатор.

Осуществляет обработку базы знаний (мышление) в определенном порядке. Технология работы интерпретатора сводится к последовательному рассмотрению совокупности правил (правило за правилом). Если условие, содержащееся в правиле, соблюдается, выполняется определенное действие, и пользователю предоставляется вариант решения его проблемы.

Кроме того, во многих экспертных системах вводятся дополнительные блоки: база данных, блок расчета, блок ввода и корректировки данных. Блок расчета необходим в ситуациях, связанных с принятием управленческих решений. При этом важную роль играет база данных, где содержатся плановые, физические, расчетные, отчетные и другие постоянные или оперативные показатели. Блок ввода и корректировки данных используется для оперативного и своевременного отражения текущих изменений в базе данных.

4. Модуль создания системы.

Служит для создания набора (иерархии) правил. Существуют два подхода, которые могут быть положены в основу модуля создания системы: использование алгоритмических языков программирования и использование оболочек экспертных систем.

Для представления базы знаний специально разработаны языки Лисп и Пролог, хотя можно использовать и любой другой алгоритмический язык.

Оболочка экспертных систем представляет собой готовую программную среду, которая может быть приспособлена к решению определенной проблемы путем создания соответствующей базы знаний. В большинстве случаев использование оболочек позволяет создавать экспертные системы быстрее и легче в сравнении с программированием.

📊 Система поддержки принятия решений

При рассмотрении примеров использования СППР, стоит понимать, что такие системы не являются чем-то совершенно новым, что используется только в крупных бизнесах и научных исследованиях. На самом деле можно сказать, что все, что предоставляет рациональные, измеримые и научные данные, помогающие лидерам принимать обоснованные решения, является СППР.

Применение DSS можно разделить на 5 основных типов, каждый из которых будет рассмотрен далее по-отдельности. [6]

1. Повседневные СППР

Существует множество примеров повседневного использования СППР обычными людьми. Например, планирование маршрута с помощью GPS определяет самый быстрый и лучший маршрут между двумя точками путем анализа и сравнения нескольких возможных вариантов. Многие системы GPS также включают в себя функции учета трафика, которые отслеживают состояние на дорогах в режиме реального времени, позволяя автомобилистам избегать заторов. Фермеры используют инструменты планирования урожая, чтобы определить лучшее время для посадки, удобрения и сбора урожая. У большинства систем есть общая черта: решения повторяются и основаны на известных данных. Однако они не безошибочны и могут принимать неправильные или иррациональные решения, что обнаружили многие первые пользователи GPS.

2. СППР, использующие исторические данные

Под "историческими данными" здесь подразумеваются не далекие данные из прошлого (хотя и они могут быть использованы в правильном контексте), а данные, которые содержат информацию о прошлых показателях, помогающую выделить области, требующие внимания. Сюда относятся:

• Описательная аналитика: такие показатели, как результаты продаж, оборачиваемость запасов и рост доходов.
• Диагностическая аналитика: диагностическая информация, которая копает немного глубже, чтобы выявить результаты и объяснить причины прошлой производительности, измеряемой описательной аналитикой.
• Бизнес-аналитика (Business Intelligence, BI): Хотя решения BI в значительной степени основаны на исторических данных, они позволяют пользователям разрабатывать и выполнять запросы, которые используются для руководства и поддержки принятия решений.
• Панели ERP: настраиваемые пользователем панели, которые позволяют менеджерам отслеживать различные показатели производительности.

3. Ручные и гибридные СППР

К "ручным" СППР относятся такие активности, как SWOT-анализ, в ходе которого команды определяют сильные и слабые стороны своей организации, а также выявляют угрозы, стоящие перед организацией, и потенциальные возможности для дальнейшего роста. Результаты SWOT-анализа — это действенные решения для продвижения организации вперед. Другие ручные инструменты включают матрицы решений, анализ Парето и анализ затрат и выгод.

Гибридные решения СППР включают в себя использование анализа электронных таблиц, которые используют возможности Excel для расчета, анализа, сравнения вариантов и оценки сценариев «что, если».

Хотя ручные и гибридные решения СППР относительно медлительны и громоздки, в умелых руках они являются мощными инструментами поддержки принятия решений, и многие организации полагаются именно на них.

4. СППР, помогающие предсказать будущие тренды

Такие СППР предоставляют методы, позволяющие с определенной степенью уверенности прогнозировать будущие тенденции и изменения, которые повлияют на компанию или бизнес. Например, эти инструменты могут прогнозировать данные о будущем спросе на продукт, его устаревании и возврате, основываясь на прошлых показателях, внешних данных и отзывах рынка.

Это называется предсказательной аналитикой и лежит в основе другого типа инструментов СППР, которые помогают предсказать, что произойдет в ближайшем будущем. Предсказательная аналитика использует комбинацию интеллектуального анализа данных, статистических инструментов и алгоритмов машинного обучения для определения вероятности наступления определенных событий. Банки используют эти методы для обнаружения мошенничества, страховые компании используют их для оценки рисков, а фирмы по заказу такси определяют цены на билеты в зависимости от спроса.

5. СППР, основывающиеся на данных

Являются самым распространенным и эффективным видом СППР. Такие системы определяют наилучшее решение на основе определенных критериев. Они устраняют субъективность и предвзятость в процессе принятия решений. Кроме того, они могут оценить множество альтернативных сценариев и определить лучший из них.

Обычный подход состоит в том, чтобы разработать математическую модель бизнеса, посмотреть, как он принимает решения, и использовать программное обеспечение для оптимизации, чтобы определить результаты различных сценариев. Этот метод основан на предписывающей аналитике и является чрезвычайно мощным. Хотя некоторые считают, что моделировать следует только процесс принятия решений, разработка полной модели организации повышает универсальность и точность с точки зрения финансовых результатов.

Существует два подхода к оптимизации: основанные на правилах и модели оптимизации. Модели, основанные на правилах (эвристика), хорошо работают, когда возможные результаты могут быть в значительной степени предопределены, например, при оценке страхового риска. С другой стороны, модели оптимизации более адаптируемы, могут решать более сложные задачи и иметь дело с многочисленными ограничениями и компромиссами.

---

Общая структура технологии СППР представлена на рисунке ниже. Эта структура показывает технологии и элементы, включаемые в систему поддержки принятия решений. Каждый элемент или технология подробно описаны далее. [8]

1. База данных

Играет в информационной технологии поддержки принятия решений важную роль. Данные могут использоваться непосредственно пользователем для расчетов при помощи математических моделей. Как правило, выделяют 4 основных источника данных:

1. Данные, поступающие от информационной системы операционного уровня. Чтобы использовать их эффективно, эти данные должны быть предварительно обработаны. Причем обработка может происходить как с помощью СУБД, так и за переделами СППР. Во втором случае создается специальная база данных, которая будет более надежная и быстрая для доступа.
2. Прочие внутренние данные, например данные о движении персонала, инженерные данные и т.д., которые должны быть своевременно собраны, введены и поддержаны.
3. Данные из внешних источников. В числе необходимых внешних данных следует указать, например, данные о конкурентах, национальной и мировой экономике. В отличие от внутренних данных внешние данные обычно приобретаются у специализирующихся на их сборе организации.
4. Данные из документов, включающих в себя записи, письма, контракты, приказы и т.п. Если содержание этих документов будет записано в памяти и затем обработано по некоторым ключевым характеристикам (поставщикам, потребителям, датам, видам услуг и др.), то система получит новый мощный источник информации.

Стоит отметить, что система управления данными должна обладать следующими возможностями:

• составление комбинаций данных, получаемых из различных источников, посредством использования процедур агрегирования и фильтрации;
• быстрое прибавление или исключение того или иного источника данных;
• построение логической структуры данных в терминах пользователя;
• использование и манипулирование неофициальными данными для экспериментальной проверки рабочих альтернатив пользователя;
• обеспечение полной логической независимости этой базы данных от других операционных баз данных, функционирующих в рамках фирмы.

Из технологий, которые помогают в анализе и выработке предложений на основе данных из БД, можно выделить следующие методы:

• Информационный поиск — процесс поиска неструктурированной задокументированной информации.
• Интеллектуальный анализ данных (Data Mining) — совокупность методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.
• Рассуждение на основе прецедентов — метод решения новых проблем на основе уже известных решений.
• Эволюционные вычисления и генетические алгоритмы — использование модели процессов естественного отбора для нахождения наилучшего предложения.
• Нейронные сети.

2. База моделей

Целью создания моделей являются описание и оптимизация некоторого объекта или процесса. Использование моделей обеспечивает проведение анализа в системах поддержки принятия решений. Модели, базируясь на математической интерпретации проблемы, при помощи определенных алгоритмов способствуют нахождению информации, полезной для принятия правильных решений.

Использование моделей в составе информационных систем началось с применения статистических методов и методов финансового анализа, которые реализовывались командами обычных алгоритмических языков. Позже были созданы специальные языки, позволяющие моделировать ситуации типа "что будет, если ?" или "как сделать, чтобы?". Такие языки, созданные специально для построения моделей, дают возможность построения моделей определенного типа, обеспечивающих нахождение решения при гибком изменении переменных.

Существует множество типов моделей и способов их классификации, например:

• По цели использования модели подразделяются на оптимизационные, связанные с нахождением точек минимума или максимума некоторых показателей (например, управляющие часто хотят знать, какие их действия ведут к максимизации прибыли или минимизации затрат), и описательные, описывающие поведение некоторой системы и не предназначенные для целей управления (оптимизации).

• По способу оценки модели классифицируются на детерминистские, использующие оценку переменных одним числом при конкретных значениях исходных данных, и стохастические, оценивающие переменные несколькими параметрами, так как исходные данные заданы вероятностными характеристиками.

• По области возможных приложений модели разбираются на специализированные, предназначенные для использования только одной системой, и универсальные — для использования несколькими системами.

• Математические модели состоят из совокупности модельных блоков, модулей и процедур, реализующих математические методы. Сюда могут входить процедуры линейного программирования, статистического анализа временных рядов, регрессионного анализа и т.п. ? от простейших процедур до сложных ППП. Модельные блоки, модули и процедуры могут использоваться как поодиночке, так и комплексно для построения и поддержания моделей.

3. Система управления интерфейсом

Эффективность и гибкость информационной технологии во многом зависят от характеристик интерфейса системы поддержки принятия решений. Интерфейс определяет: язык пользователя; язык сообщений компьютера, организующий диалог на экране дисплея; знания пользователя.

Язык пользователя - это те действия, которые пользователь производит в отношении системы путем использования возможностей клавиатуры; электронных карандашей, пишущих на экране; джойстика; "мыши"; команд, подаваемых голосом, и т.п. Наиболее простой формой языка пользователя является создание форм входных и выходных документов. Получив входную форму (документ), пользователь заполняет его необходимыми данными и вводит в компьютер. Система поддержки принятия решений производит необходимый анализ и выдает результаты в виде выходного документа установленной формы.

Совершенствование интерфейса системы поддержки принятия решений определяется успехами в развитии каждого из трех указанных компонентов. Интерфейс должен обладать следующими возможностями:

• манипулировать различными формами диалога, изменяя их в процессе принятия решения по выбору пользователя;
• передавать данные системе различными способами;
• получать данные от различных устройств системы в различном формате;
• гибко поддерживать (оказывать помощь по запросу, подсказывать) знания пользователя.

📒 Список использованных источников

1. Expert system
2. Особенности экспертных систем
3. Decision support system
4. Интеллектуальные системы поддержки принятия решений — краткий обзор
5. MYCIN
6. Five Decision Support System Examples You Need to Know
7. Информационная технология экспертных систем и примеры их внедрения
8. Информационная технология поддержки принятия решений и примеры их внедрения