Лекция 1

Системы поддержки принятия решений

Классификация инструментальных средств формирования решений

В области создания систем искусственного интеллекта разработаны информационные технологии и системы, предназначенные для поддержки принятия решений. Наиболее популярными названиями таких систем являются: экспертные системы, системы поддержки принятия решений, интеллектуальные системы, советующие системы. Общей чертой перечисленных систем является использование в них знаний специалистов высшей категории – экспертов.

Известные сегодня информационные технологии, реализующие указанный принцип позволяют классифицировать системы принятия решений по способу отражения в них знаний. Ниже приведена возможная классификация СППР.

^{Системы поддержки принятия решенй}

^{Системы, воспроизводящие осознанные мыслительные действия человека}

^{Системы, воспроизводящие неосознанные мыслительные действия человека}

^{Расчетно-диагностические системы}

^{Экспертные системы}

^{Системы, ориентированные на естественно-языковые средства}

^{Системы, основанные на нейронных технологиях}

^{Системы рачетного характера}

^{Системы оценочного характера}

^{Системы диагностического харатера.}

Многие современные системы поддержки принятия решений (СППР) строятся на концепции хранилищ данных.

Создание хранилища данных включает следующие аспекты: извлечение данных из их источников, преобразование и согласование данных, анализ, представление.

Основными источниками данных служат операционные базы данных информационных систем предприятия. Другими важными источниками являются внешние источники. В отличие от внутренних данных внешние приобретаются у специализированных организаций, занимающихся сбором информации. Кроме того, источниками данных могут быть различного рода документы (договоры, контракты, приказы, письма и т.п.).

В словарь метаданных хранилища данных, заносятся характеристики источников данных. Словарь метаданных содержит информацию о периодичности обновления данных и их согласованности во времени. Используя словарь метаданных, системы управления данными своевременно извлекают данные из имеющихся источников, преобразовывают их в единый формат и сочетают так, чтобы они были удобны для проведения анализа.

Логическая структура данных. хранилища данных радикальным образом отличается от структур данных операционных информационных систем. Поскольку информация, циркулирующая в обычных информационных системах предприятия, не предназначена последние для выработки решений, то ее следует привести к тому виду, который позволит выполнять специализированные запросы. Данные, перемещаемые из операционных баз должны храниться в хранилище данных в оптимальном для выполнения таких запросов виде. С этой целью, прежде, чем поместить в хранилище, выполняют операцию преобразования данных.

Несмотря на колоссальный объем информации, перемещаемой из различных источников в хранилище, довольно не просто извлечь именно те сведения, которые необходимы и достаточны для принятия решения. Информация разрознена, распределена по различным базам данных как внутри предприятия, так и во внешних источниках. Мало того, данные могут быть недостоверными и противоречивами. Чтобы из такой информации выбрать нужные сведения, требуется ее переосмысление. Именно поэтому и осуществляют операцию преобразования данных.

Преобразование данных предшествует операции анализа. Анализ информации может осуществляться с применением различных методов и моделей обработки данных. Имитационное моделирование позволяет построить гипотетические сценарии развития событий и оценить возможные последствия.

Современные инструментальные средства, применяемые при анализе и обработки данных, используют, как правило, не реляционную модель, а многоразмерную модель. В таких моделях данные представляются в виде “гиперкубов”. В качестве размерностей могут выступать, например, время, имя компании, подразделения компании, объем выпускаемой продукции, цена и т.п.

Многие инструментальные средства, применяют объектно-ориентированные модели данных, а также смешанные представления, т.е. используют не одну модель данных, а несколько.

Информационное хранилище создается с учетом предметной ориентации данных, историчности и неизменяемости во времени. Хранимые данные стуктурированы. С целью экономии времени обработки запросов пользователя обеспечивается многоуровневое хранение информации. Сложность многоуровневой организации хранилища требует поддержки целостности данных, т.е. соответствия данных вышележащих уровней данным нижележащих уровней. Как правило, предусматриваются и согласовываются структуры данных и метаданных, как в целом для системы, так и для каждой решаемой автономной задачи.

Сбор информации и обеспечение ее хранения не являются конечной целью создания СППР. Известно, что для принятия решения мало собрать информацию и организовать ее хранение. Нужно уметь воспользоваться имеющейся в вашем распоряжении информацией, т.е. на основании результатов ее анализа делать те или иные выводы. Известно также, что обладая одной и той же информации разные люди могут делать различные выводы, даже прямо противоположные. Нестандартность мышления позволяет часто принимать далеко не очевидные и не стандартные решения. Поэтому вопросам аналитического анализа информации отводится особое место.

Аналитиков интересуют не только и не столько вопросы одномерного (одноаспектного) характера, сколько многомерные вопросы. Поэтому СППР поддерживают реализацию сложных запросов, содержащих несколько аспектов анализа. Например, запрос может содержать ограничения на временной период, перечень анализируемых рисков, услуг, правовые ограничения и т.п. Безусловно, запрос любой степени сложности можно сформировать заранее. Однако процесс принятия решения характерен именно тем, что не возможно описать все множество возможных запросов из за их непредсказуемости. Мало того, констатация фактов является только началом любой анализа. Да и отнесение к фактам тех или иных утверждений может вызвать сопутствующие им вопросы.

Пример.

Рассмотрим два события – рост заработной платы и повышение уровня жизни.

Возникает вопрос, как связаны между собой эти события. Рост заработной платы – необходимое условие повышения уровня жизни? Является рост заработной платы достаточным условием повышения уровня жизни? Другими словами, имеется ли причинно-следственная связь между этими событиями? Очевидно, что дать ответ на данный вопрос довольно трудно. Для полного ответа требуются дополнительные сведения.

Другой пример.

Пусть показатели финансовой деятельности компании свидетельствуют об устойчивом положении ее на рынке (валовая прибыль на протяжении последних двух лет неуклонно возрастает, сальдо доходов и расходов положительно, чистая прибыль превышает намеченные уровни). Достаточно ли этих данных для принятия решения о увеличении выпуска продукции компании? Для эксперта, разумеется, не достаточно. Многие же специалисты среднего звена управленческого аппарата дадут на данный вопрос положительный ответ.

Таким образом, сами по себе данные, содержащиеся в информационном хранилище, целесообразно преобразовать в знания, т.е. из них нужно извлечь знания.

Операция извлечения знаний занимает важное место в процессе подготовки принятия решения.

Как известно, при создании баз знаний экспертных систем также приходится решать вопрос извлечения знаний. Однако при этом речь идет о передаче знаний эксперта инженеру по знаниям, а в нашем случае – знания извлекаются из хранилища данных. Поэтому имеются принципиальные отличия процессов извлечения знаний в системах поддержки принятия решений и системах, основанных на знаниях.

Основное отличие заключается в том, что наполнение базы знаний ЭС осуществляет эксперт совместно с инженером по знаниям. Без помощи последнего, как показывает практика, эксперт не в состоянии создать модель предметной области. Как ни странно, при моделировании предметной области эксперту мешает глубина его познаний.

В реальном мире существуют сотни типов отношений между отношениями (временные, пространственные, причинно-следственные и др.). Реальная предметная область представляет собой сложную систему. Любая ее модель отражает исследуемую часть реального мира с той или иной степенью точности. В процессе создания модели приходится упрощать имеющие место взаимосвязи между объектами реального мира. Такое упрощение легче сделать аналитику, чем эксперту. Аналитик воспринимает конкретную предметную область в упрощенном виде, он лучше владеет методологией разработки сложных систем. Поэтому-то и включают в коллектив разработчиков систем, основанных на знаниях, как экспертов, так и инженеров по знаниям.

В принципе мышление по своей природе диалогично. Об этом говорили еще древнегреческие исследователи (Платон). Диалогичность мышления подтверждает утверждение, гласящее о том, что в начале было слово.

Инженер по знаниям в диалоге с экспертом выясняет его знания о рассматриваемой предметной области, т.е. сам приобретает необходимые ему знания. В процессе диалога он пытается создать модель предметной области. Если ему не хватает для этого каких-то сведений, он задает вопросы эксперту и заново строит искомую модель. Зачастую эксперт не отдает себе отчета в том, что его рассуждения на самом деле не так просты, как он преподносит их инженеру по знаниям. Он, например, далеко не всегда поясняет, почему одно событие влечет за собой другое. Чтобы выявить причинно-следственные связи между теми или иными явлениями, аналитик вынужден снова обращаться с вопросами к эксперту. Таким образом, процесс построения модели предметной области носит итеративный характер.

Процесс извлечения знаний в СППР не обладает описанными особенностями. В то же время средства извлечения знаний, используемые в них, позволяют получить из хранилища данных более глубокие знания, чем обычные средства обработки транзакций и оперативной аналитической обработки. На основании таких знаний можно выявить полезные для обоснования решения имеющие место закономерности. В принципе эти закономерности можно получить, сформировав необходимую последовательность запросов и выполнив их. Однако применяемые с этой целью методы в СППР значительно расширяют спектр возможных вариантов и позволяют быстрее обследовать огромные массивы информации, которые могут достигать сотен гигабайт.

Процесс анализа данных и выявление скрытых закономерностей с использованием специального математического и программного аппарата в теории систем, основанных на знаниях, называют формированием знаний. По традиции этот термин употребляют в области инженерии знаний. К данной области относится разработка систем обучения и самообучения, включающих модели, методы и алгоритмы обучения. Такие системы позволяют выявить причинно-следственные зависимости между структурированными объектами баз данных в условиях не полной информации.

В последние годы проблеме поиска закономерностей, присущих данным, находящимся в БД, уделяется значительное внимание со стороны исследователей в области искусственного интеллекта.

Достижения в данной области науки способствовали появлению программных средств извлечения знаний и применению их в процессе принятия решений. Современные средства извлечения знаний используют различные методы выявления скрытых закономерностей в данных. В первую очередь это – индуктивные методы обучения, статистические методы, методы нечеткой логики, нейросетевые технологии.

Обучение и самообучение.

В средствах извлечения знаний, использующих обучение на примерах (индуктивное), применяется основополагающий принцип теории распознавания образов – описание некоторого множества объектов через значимые признаки его элементов. Каждый элемент множества задается некоторой матрицей признаков, служащей его идентификатором. В процедурах распознавания (идентификации) используются, как правило, специальные математические функции.

На примере обучающей выборки из множества возможных решений строится искомый вывод. Входное множество примеров должно отражать исследуемую предметную область. Примеры представляются в виде матрицы показателей, столбцами которой являются атрибуты рассматриваемой области. Один из столбцов этой матрицы принимается в качестве целевого (например, увеличение трудовых ресурсов).

В процессе получения вывода по образцам происходит анализ матриц показателей и их обобщение. На основании полученных результатов формируются правила проблемной области, которые представляются

Лекция 2

Основные положения теории принятия решений.

Каждому человеку приходится ежедневно принимать решения. Анализируя ту или иную проблему, мы рассматриваем возможные средства ее решения и выбираем среди них наилучший с нашей точки зрения, тем самым принимаем решение.

В современной психологии считается, что принятие решения и сознательное поведения субъекта в данной ситуации по существу представляют один и тот же процесс. В реальности неожиданные вопросы, на которые необходимо дать ответы, возникают тогда, когда нарушен привычный для принимающего решение лица ход событий. Привычные для него действия становятся невозможными. Говорят: появилась проблема. Эта проблема и заставляет вполне сознательно применять те или иные средства для ее разрешения. Наличие проблемы заставляет нас искать пути ее решения

Процесс принятия решения включает в себя определение проблемы, возможных способов ее решения и выбор лучшего из них

Определить или идентифицировать проблему - значит глубоко понять ее сущность, выявить причины невозможности применения стандартных методов решения.

Анализ сложной проблемы начинают с установления причин ее появления. Выявление последних помогает определить проблему в общем виде. Это способствует определению факторов, которые нужно учитывать при ее решении.

Для выявления причин возникновения проблемы требуется наличие той или иной информации. Увеличение объема информации не всегда приводит к повышению качества принимаемых решений. Поэтому следует уметь различать важную информацию от неуместной для решения конкретной проблемы.

После установления основных причин возникновения рассматриваемой проблемы определяют возможные пути ее решения.

Возможное действие, позволяющее решить проблему, называют альтернативой.

Наибольшую изобретательность в решении новых вопросов приходится проявлять при поиске альтернатив. Поэтому очень важно уметь мыслить не стандартно, творчески, как говорят психологи. Они различают шаблонное (нетворческое) и нешаблонное (творческое) мышление.

В процессе принятия решения отыскание альтернативных способов получения искомого ответа зависит только от лица принимающего решение. В то же время от него не зависят многие факторы, влияющие на выбор наилучшей альтернативы. Такие факторы называют объективными. Важно выявить такие факторы и оценить вероятность их появления.

В зависимости от того, известны вероятности событий (объективные или субъективные) или неизвестны, говорят, что принятие решения осуществляется в условиях определенности, неопределенности или риска.

Так, выбирая место бурения при поиске залежей нефти, вы принимаете решение в условиях неопределенности, если не обладаете информацией о характере земных пластов. Или, например, принятие решения о выпуске конкретного товара может происходить при отсутствии надежных сведений о возможном количестве его потребителей.

При определении лучшей альтернативы следует руководствоваться основным правилом принятия решения: выбирай ту альтернативу, которая имеет наивысшую полезность. Отсюда вытекает, что нужно уметь определять полезности возможных альтернативных решений.

При формировании решения целесообразно построить так называемое дерево решения.

Дерево решений.

Модель процесса принятия решений удобно представлять в виде графа., а именно – в виде дерева решений. Корень дерева – это проблема, ветви дерева –возможные альтернативы ее решения. От ветвей отходят последствия принятия той или иной альтернативы в качестве искомого решения, также вероятности осуществления этих последствий. Возможные последствия называют исходами. Каждая ветвь дерева заканчивается характеристикой полезности соответствующего исхода.

Для построения дерева решения следует определить:

• множество альтернативных действий, каждое из которых указывает один из возможных способов решения рассматриваемой проблемы;

• множество объективных, т.е. не зависящих от лица, принимающего решение, событий, влияющих га исходы альтернатив, одно из которых обязательно должно осуществиться;

• множество вероятностей (вероятных оценок) появления объективных событий влияющих на исходы (результаты) альтернативных действий;

• множество исходов (результатов, последствий) альтернативных действий в зависимости от того, какое из объективных событий осуществиться;

• множество субъективных значений исходов для лица, принимающего решение, называемые так же их полезностями.

Вероятности объективных событий не всегда известны.. В этом случае ответственный за принятие решение дает свою личную вероятностную оценку возможным событиям. Такие оценки называют субъективными.

Все имеющиеся сведения представляются в виде дерева решений.

о

А о

о

альтернативы исходы и их исходы

вероятности и их

полезности

Рассмотрим примеры.

Пусть вам нужно выбрать банк, в котором ваша фирма будет хранить свои денежные ресурсы. В одном банке вы будете держать деньги под 125% годовых, в другом – под 150%. Надежность хранения денег в первом банке оценивается в 0.9, а во втором – 0.7. В качестве характеристики полезности примем годовой прирост ваших денежных вкладов. Допустим, что вы можете вложить в банк 100 тыс. рублей. Тогда в первом случае с вероятностью 0.9 на вашем счете будет 125 тыс. руб., а во втором – 150 тыс. руб. Однако вероятность этого события значительно ниже.

Дерево решения принимает следующий вид.

0.9 - 125000

о

А 0.9 125000

о 0.7 150000

0.7 150000

Еще один пример.

Много лет назад жил один купец. Он взял в долг большую сумму денег у ростовщика. Его корабль потерпел крушение, поэтому он не смог выплатить свой долг. Тогда ростовщик, старый и безобразный, предложил купцу отдать в качестве долга дочь купца, красавицу. Дочь должна стать женой ростовщика.

Несчастный отец пришел в ужас от такого предложения. Ростовщик пожалел купца и предложил бросить жребий. Пусть девушка вытащит один из двух разноцветных камней, которые положат в сумку. Если она вытащит черный камешек, то станет женой ростовщика, в противном случае – останется с отцом. В том и другом случае долг погашается. Если же девушка откажется тянуть жребий, отца бросят в долговую тюрьму, а сама она станет нищей.

После долгих раздумий, девушка приняла условия купца. Ростовщик положил в сумку два камешка. И тут девушка заметила подвох: ростовщик положил оба камня черного цвета. У нее возникла идея: разоблачить обманщика. Затем она стала обдумывать, а что если принять участие в пари, но: ответить хитростью на хитрость старика.

Какое дерево решений будет иметь место в рассматриваемом случае.

Девушка изучает последствия реализации следующих альтернатив:

• А 1 – отказ от участия в нечестном пари без объяснения причин отказа;

• А 2 – отказаться участвовать в пари и сказать почему, т.е. разоблачить ростовщика;

• А 3 – принять участие в пари на предложенных условиях;

• А 4 – принять участие в пари, но ответить своей хитростью на хитрость.

При выборе лучшей альтернативы следует предусмотреть возможность разоблачения ответной хитрости девушки. Далее. Чтобы построить дерево решений, надо оценить полезности возможных исходов. Примем, что полезности исходов выражаются так: и(С1)=и(С2)=и(С42)= - 100; и(С3)= - 50; и(С4)= - 100. Здесь С1, С2, С42 – отец в тюрьме, а девушка нищая, С3 – долг аннулируется и девушка становится женой ростовщика, С41-долг аннулируется и девушка остается свободной.

Обозначим вероятность разоблачения хитрости девушки через х, а вероятность ее неудачи (1-х).

Дерево решений принимает следующий вид.

А 1 - 100

А 2 - 100

-

А А 3 - 50

100

А4 х

О

(1-х) - 100

Альтернативы следует оценивать многоаспектно. В этом случае они становятся более реалистичными. Если проблема сложна и во внимание приходится принимать множество компромиссов, то трудно предпочесть одну альтернативу другой. В этом случае стандартные приемы формирования решения оказываются малоэффективными.

Данные примеры деревьев решений позволяют сделать следующий вывод.

Для построения дерева решений необходимо обладать информацией, которую можно разделить на отдельные группы.

Определение численных значений субъективных значений вроятностей и полезностей.

Не всегда, принимающий решение, имеет надежные объективные данные о вероятностях объективныъ событий и полезностях исходов. но даже, имея эти данные, он вынужден интерпретировать их сосвоей точки зрения, исходя из существа рассматриваемой задачи, своих интересов, опыта и возможностей. Иными словами, субъекту, как правило, приходится давать свою оценкуэлеметам дерева решения. Вычисление объективных значений вероятностй и полезностей является одним из важных аспектов в такой интерпретации.

Рассмотрим некоторые способы определения численных значений субъективных значений вроятностей и полезностей.

Если дерево решения включает события, наступление которых не зависит от ЛПР, то ему желательно знать вероятности их появления. Можно, конечно, воспользоваться статистическими данными, если они имеются. Однако по ряду причин это не всегда удается. Как поступают в данном случае?

Наиболее распространенном методом вычисления искомых вероятностей является следующий.

Пусть О событие, вероятность которого требуется вычислить. Воспользуемся каким-либо датчиком случайных чисел и выберем игру в пари.

При вычислении полезностей исходов руководствуются следующими правилами.

1. Относительно двух исходов следует или признать их равноценными, или предпочесть один друглму.

2. Если один исход предпочитают другому, то его полезность должна быть больше полезности последнего.

3. Если имеются три таких исхода, что первый из них предпочитается второму, второй – третьему, то первый исход должен также предпочитаться третьему.

4. Если имеются три таких исхода, что первый из них предпочитается второму, второй – третьему, то существует некоторое значение вероятности x, такое что субъекту, принимающему решенте, безразлично, выбтрать второй исход тлт заключать пари на получение первого исхода с вероятностью (1-х).