2488

щие реакции на ее изменения;

-активность – способность генерировать цели и действовать рациональным образом для их достижения;

-базовые знания – знания агента о себе, окружающей среде, включая других агентов, которые не меняются в рамках жизненного цикла агента;

-убеждения – переменная часть базовых знаний, которые могут меняться во времени, хотя агент может об этом не знать и продолжать их использовать для своих целей;

-цели – совокупность состояний, на достижение которых направлено текущее поведение агента;

-желания – состояния и/или ситуации, достижение которых для агента важно;

-обязательства – задачи, которые берет на себя агент по просьбе и/или поручению других агентов;

-намерения – то, что агент должен делать в силу своих обязательств и/или желаний.

Иногда в этот же перечень добавляются и такие свойства, как рациональность, правдивость, благожелательность, а также мобильность, хотя последнее характерно не только для интеллектуальных агентов.

В зависимости от концепции, выбранной для организации MAC, обычно выделяются три базовых класса архитектур:

архитектуры, которые базируются на принципах и методах работы со знаниями;

архитектуры, основанные на поведенческих моделях типа «сти- мул-реакция»;

гибридные архитектуры.

Архитектуру или агентов первого типа, которые используют только точное представление картины мира в символьной форме, а решения при этом (например, о действиях) принимаются на основе формальных рассуждений и использования методов сравнения по образцу, принято определять как делиберативные. Таким образом, в данном случае мы имеем дело с «разумными» агентами и архитектурами, имеющими в качестве основы проектирования и реализации модели, методы и средства искусственного интеллекта. Таких агентов принято называть когнитивными, что не вполне правильно, так как при этом неявно предполагается, что «рассуждающие» агенты познают мир, в котором они функционируют. Представляется, что более

81

удобным и адекватным были бы термины «агент, базирующийся на знаниях» или «интеллектуальный агент», а также «архитектура интеллектуальных агентов». Первоначально идея интеллектуальных агентов связывалась практически полностью с классической логической парадигмой ИИ. Однако по мере развития исследований в этой области стало ясно, что такие «ментальные» свойства агентов, как, например, убеждения, желания, намерения, обязательства по отношению к другим агентам и т. п., невыразимы в терминах исчисления предикатов первого порядка. Поэтому для представления знаний агентов в рамках данной архитектуры были использованы специальные расширения соответствующих логических исчислений, а также разработаны новые архитектуры, в частности архитектуры типа BDI (Belief-Desire-Intention).

Принципы реактивной архитектуры (второй тип) возникли как альтернативный подход к архитектуре интеллектуальных агентов. Идея реактивных агентов впервые возникла в работах Брукса, выдвинувшего тезис, что интеллектуальное поведение может быть реализовано без символьного представления знаний, принятого в классическом ИИ. Реактивными называются агенты и архитектуры, где нет эксплицитно представленной модели мира, а функционирование отдельных агентов и всей системы осуществляется по правилам типа ситуация-действие. При этом под ситуацией понимается потенциально сложная комбинация внутренних и внешних состояний. Данный подход ведет свое начало с работ по планированию поведения роботов, которые активно велись в ИИ в 70-х годах ХХ столетия. Простым примером реализации реактивных архитектур в этом контексте можно считать системы, где реакции агентов на внешние события генерируются соответствующими конечными автоматами. Широко известным примером системы с реактивной архитектурой является планирующая система STRIPS, где использовался логический подход, расширенный за счет ассоциированных с действиями предусловий и постусловий. Позже в рамках реактивных архитектур были разработаны и другие системы, но, как правило, они не могли справиться с задачами реального уровня сложности.

Многие исследователи считают, что ни первый, ни второй подходы не дают оптимального результата при разработке агентов и MAC. Поэтому попытки их объединения предпринимаются постоянно и уже привели к появлению разнообразных гибридных архитектур. По сути дела, именно гибридные архитектуры и используются в настоящее

82

время во всех сколько-нибудь значимых проектах и системах.

1.6.3. Средства разработки

На сегодняшний день не существует языка программирования или инструментальной системы разработки, которая бы полностью соответствовала требованиям построения агентов. С точки зрения принципов распределенного объектно-ориентированного программирования (ООП) необходимость передачи методов может быть существенно сокращена в том случае, если может быть обеспечен удаленный доступ к общим методам посредством передачи ссылок на удаленные объекты, данных экземпляров этих объектов и их состояний. Однако в дополнение к концепции ООП каждый агент имеет возможность создания копий самого себя с полной или ограниченной функциональностью, обеспечивая возможность настройки на среду путем исключения неэффективных методов и замены их новыми. Традиционная для ООП схема «класс/объект» нарушается, т.к. агент имеет возможность постоянного изменения сценария поведения без его изменения в родительском классе. Многозначное наследование позволяет создавать экземпляры агентов, смешивая сценарии поведения, схемы наследования и атрибуты, определенные в родительских классах.

Система разработки, которая бы полностью соответствовала требованиям построения агентов, должна удовлетворять следующим требованиям: обеспечение перенесения кода на различные платформы, доступность на многих платформах, поддержка сетевого взаимодействия, многопотоковая обработка и некоторые другие. Чаще всего в агентных технологиях используются: универсальные языки программирования (Java); языки, «ориентированные на знания», такие, как языки представления знаний (KIF), языки переговоров и обмена знаниями (KQML, AgentSpeak, April), языки спецификаций агентов; специализированные языки программирования агентов (TeleScript); языки сценариев и scripting languages (Tcl/Tk); символьные языки и языки логического программирования (Oz).

Рассмотрим подробнее инструментарий AgentBuilder для построения MAC компании Reticular Systems, Inc. Он состоит из двух компонентов: средств разработки и окружения периода исполнения. Первый компонент ориентирован на поддержку процессов анализа предметной области создаваемой MAC и проектирование агентов с заданным поведением. Второй обеспечивает эффективную среду для

83

выполнения агентно-ориентированных программ. И тот и другой компоненты реализованы на языке Java. Агентные программы, проектируемые в рамках AgentBuilder, тоже являются Java-программами и могут исполняться на любом компьютере, где установлена виртуаль-

ная Java-машина JVM (Java-virtual machine).

Общая схема процесса проектирования и реализации агентноориентированных приложений на основе AgentBuilder ToolKit представлена на рис. 7. Этот инструментарий имеет средства для организации и предметной области создаваемой MAC, средства спецификации архитектуры агенства и поведения агентов, а также средства отладки агентных приложений и наблюдения за поведением созданных агентов.

Рис. 7. Технологическая схема процесса разработки

84

агентно-ориентированых приложений на базе AgentBuilder ToolKit

Модель «жизненного цикла» агентов, разрабатываемых в рамках AgentBuilder, включает следующие основные шаги:

-обработка новых сообщений;

-определение, какие правила поведения применимы в текущей ситуации;

-выполнение действий, специфицированных этими правилами;

-обновление ментальной модели в соответствии с заданными правилами.

Собственно ментальные модели (начальная и текущая) включают описания исходных (текущих) намерений, полаганий, обязательств и возможностей, а также спецификации правил поведения.

Данная модель получила название Reticular Agent Mental Model (RAMM) и является развитием модели Шохама, где все действия выполняются только как результат определенных обязательств. В рамках RAMM эта идея расширена до уровня общих правил поведения, которые определяют причину действия агента в каждой точке его функционирования. При этом правила поведения фиксируют множество возможных «откликов» агента на текущее состояние среды так, как это предписывается полаганиями.

Для спецификации поведения агентов в системе AgentBuilder используется специальный объектно-ориентированный язык RADL (Reticular Agent Definition Language). Правила поведения в этом языке могут рассматриваться как конструкции вида WHEN-IF-THEN.

WHEN – часть правила адресована новым событиям, возникающим в окружении агента, и включает новые сообщения, полученные от других агентов.

IF – часть сравнивает текущую ментальную модель с условиями применимости правила. Образцы в IF-части работают на намерениях, полаганиях, обязательствах и возможностях, определенных в ментальной модели.

THEN – часть определяет действия в ответ на текущие события и состояния ментальной модели и внешнего окружения. Они могут включать обновление ментальной модели, коммуникативные и внутренние действия.

В языке RADL активно используются образцы, имеются достаточно развитые средства работы с переменными и представительный набор действий, включающий формирование перформативов языка

85

KQML. Структуры данных, на которых «работает» данный язык, являются, по существу, фреймами, а сами правила – суть продукции специального вида. Язык поддержан на инструментальном уровне системой специальных языково-ориентированных редакторов.

Спецификация поведения агентов и их ментальных моделей составляет специальный файл, который используется совместно с классами и методами из библиотеки действий агентов и библиотеки интерфейсов. Этот файл интерпретируется в рамках компонента

Reticular's Run-Time Agent Engine, являющегося частью окружения периода исполнения AgentBuilder.

Оценивая подход к спецификации моделей поведения агентов, используемый в AgentBuilder, можно констатировать, что в целом это серьезная система представления и манипулирования знаниями, ориентированная на описание моделей типа RAMM. Вместе с тем в данной модели отсутствуют средства эксплицитного управления выводом, которые могли бы существенно увеличить функциональную мощность языка. Нет в модели и средств явной фиксации состояния агента, отличных от флагов и/или значений переменных. Не вполне ясно и то, как в спецификации моделей поведения могут быть учтены разные, но одновременно сосуществующие «линии поведения», что характерно для действительно интеллектуальных агентов. Не вполне обоснованным представляется и использование режима интерпретации для реализации поведения агентов.

Но в целом можно отметить, что инструментарий AgentBuilder является современным и мощным средством проектирования и реализации MAC.

2. СПЕЦИАЛЬНЫЕ НАПРАВЛЕНИЯ КОМПЬЮТЕРНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

2.1. Основные направления поддержки принятия решений в банковской сфере

Стремительное развитие бизнеса в банковской сфере, постоянное увеличение объемов обрабатываемой информации, возросшие требования к оперативности принимаемых решений требуют применения компьютерных систем поддержки принятия решений. Эти системы позволяют осуществлять компьютерную поддержку процесса принятия решения, обеспечивают руководителя мощными информацион-

86

ными возможностями, современными средствами анализа, генерируют варианты решений, помогают оценить их и выбрать наилучший.

Анализ использования систем поддержки принятия решений в банковской сфере показал, что в большинстве российских банков, несмотря на имеющиеся автоматизированные системы, специалисты продолжают использовать в своей работе различные электронные таблицы и узконаправленные подсистемы, всякий раз вводя в них данные, которые уже имеются в банковской автоматизированной банковской системе (АБС). Как отмечают Д. Осиновский, Ю. Ухова, специалисты компании «ПрограмБанк» (Москва), совершенно ясно, что такое положение дел, когда информационное программное обеспечение, призванное оказывать всестороннюю помощь в принятии правильного решения, само усложняет этот процесс, не может устраивать работников банков и, в частности, работников аналитических отделов. Им необходим удобный, адаптированный под их нужды, современный и качественный программный инструмент.

Сегодня на рынке присутствуют ряд информационноаналитических систем, которые можно в определенной степени рассматривать как системы поддержки принятия решений в банковской сфере. Рассмотрим, например, сферу кредитования. Анализ рынка КСППР, которые можно рассматривать как системы поддержки принятия кредитных решений, позволил выделить следующие разработ-

ки: SAS Credit Scoring Solution; EGAR Application Scoring; Франк-

лин&Грант; Финансы и аналитика; DM-Score; KXEN: Scoring;Forecsys Scoring Pilot. Остановимся подробнее на каждой их них.

SAS Credit Scoring Solution – система, разработанная фирмой SAS, является составной частью семейства продуктов SAS Banking Intelligence Solutions. Решение SAS Credit Scoring Solution состоит из трех основных функциональных модулей:модуль подготовки исходных данных, аналитический модуль и модуль отчетности (рис. 8, 9).

Достоинством этого продукта является множественность поддерживаемых моделей данных и простота использования. Процедуры графического проектирования позволяют администратору легко и просто строить схемы преобразования данных к требуемому виду и осуществлять контроль процесса обработки данных на всех его этапах от доступа к источникам данных до формирования итоговых массивов, пригодных для анализа процедурами data mining. Каждый из аналитических узлов формирует табличные и графические отчеты о ре-

87

зультатах обработки данных.

Рис. 8. Пример интерфейса администратора данных

SAS Credit Scoring Solution

88

Рис. 9. Аналитический модуль SAS Credit Scoring Solution

EGAR Application Scoring – система, разработанная компанией EGAR Technology, решает задачи всесторонней оценки кредитоспособности.

Система EGAR ApplicationScoring поддерживает следующие возможности скоринга: расчет рисков дефолтов, убытков и досрочного погашения; скоринг кредитных сделок со множеством объектов разной природы: созаемщиков и поручителей, объектов обеспечения; восстановление доходов по социально-демографическим характеристикам заемщика; предупреждение возможных фактов мошенничества; обеспечение скорингового тестирования: автоматическое создание обоснования принятого скорингового решения и контроль соответствия операционного процесса бизнес-целям кредитной организации.

Исходными данными для работы системы является информация о ранее выданных кредитах, а также статистическая или экспертная информация о покупательской способности по отдельным рынкам.

EGAR Application Scoring позволяет реалистично оценивать кредитоспособность физического лица исходя из его социальнодемографической принадлежности, а также динамики экономических показателей, независимо от наличия и состояния кредитной истории заемщика. При этом полученный результат учитывает конкретный тип кредитного продукта, предлагаемого заемщику, и особенности локального рынка кредитования, например города или региона.

Система EGAR ApplicationScoring обеспечивает настройку процедуры скоринга в соответствии с бизнес-целями кредитной организации путем прямого учета ее требований по риск-менеджменту и параметров кредитных продуктов (рис. 10).

Франклин&Грант. Финансы и аналитика – комплексное про-

граммное решение компании «Франклин&Грант. Финансы и аналитика», предназначенное для автоматизированного скоринга заемщиков и управления кредитным риском портфеля розничных кредитов.

Система скоринга, входящая в состав решения, позволяет оценивать кредитный риск заемщика на основании уникальной модели, адаптивной к данным. Модель скоринга физических лиц может базироваться на анкетных данных заемщиков, экспертных знаниях менеджмента банка, численных оценках, полученных на статистике «плохих» и «хороших» кредитов, численных оценках, построенных на объективной региональной и отраслевой информации.

Динамический контроль качества модели с системой алертов и

89

интеллектуальный модуль адаптации обеспечивают своевременную актуализацию модели скоринга при изменении социально-эконо- мических условий в стране и регионах, портрета заемщика, кредитной политики банка. Система скоринга обеспечивает поддержку принятия решения по установке уровня отсечения, разделяющего «хороших» и «плохих» заемщиков, в соответствии с кредитной политикой банка, политикой в области управления рисками на основе балансировки доходности и принимаемого риска.

Учет особенностей регионов, отраслевой специфики занятости заемщиков позитивно влияет на точность скоринговой оценки, а также является основой для управления портфелем ссуд и для аллокации капитала между разными кредитными программами банка в разных регионах. Решение разработано с использованием модульного подхода на основе трехуровневой архитектуры «клиент-сервер», позволяющего гибко интегрировать систему скоринга в информационную инфраструктуру кредитной организации.

Рис. 10. Функциональная схема решения EGAR Loans

DM-Score – это решение компании DM-Dcore, предназначенное для аналитической поддержки работы банка на рынке услуг розничного кредитования. Благодаря гибкости процесса внедрения, система dm-Score может эффективно применяться и для решения других задач розничного кредитования, специфичных для конкретного банка. Схематично устройство системы dm-Score изображено на рис. 11.

90