Ситник В.Ф. Системи підтримки прийняття рішень

Подождите немного. Документ загружается.

рового глузду») у цій сфері. Евристики також містять у собі

знання про те, як кваліфіковано і ефективно розв'язувати

задачі. як спланувати кроки для розв'язування комплексної

проблеми, як удосконалювати продуктивність тощо. Як

правило, евристики відображають особливості того, як

людина розв'язує задачу, не користуючись строгими

формальними прийомами, математичними моделями й

алгоритмами. В експерних системах для формалізації

професійних знань людини, що стосуються способів

розв'язання задач у специфічній проблемній галузі, широко

використовують ті евристики, якими користуються

професіонали-експерти.

З концепцією евристичних знань тісно взаємопов'язані

ключові в орієнтованих на знання СППР терміни — «інженер

зі знань» та «інжиніринг знань». Інженер зі знань (Knowledge

engineer)— фахівець зі штучного інтелекту, відповідальний за

технічну сторону розроблення експертної системи. Інженер зі

знань тісно працює з експертом прикладної галузі, щоб

оволодіти знаннями експерта-людини для відображення їх у

базі знань. Інжиніринг знань (Knowledge engineering) —

технічна дисципліна, яка містить інформацію про

інтегрування знань у комп'ютерних системах для того, щоб

розв'язувати складні проблеми, які, зазвичай, потребують

високого рівня знань.

Корпоративні знання є активом організацій, але ефективне

управління цими засобами потребує інвестицій, зокрема,

витрат грошей і залучення трудових ресурсів, виходячи з того,

що: знання пов'язані зі створенням документів і їх рухом в

обчислювальній системі; збільшення обсягів знань

відбувається через їх редагування, інтегрування і

відокремлення; потрібне розроблення підходів до класифікації

знань і нових вкладень до них; необхідна інфраструктура

технології оброблення інформації й додатків для поділу знань;

нагальною є також потреба у навчанні службовців стосовно

створення, поділу і використання знань. Усі ці процеси

потрібно організовувати і керувати ними, що входить до

складу функцій управління знаннями.

Управління знаннями (Knowledge management) — це поділ,

установлення доступу і вибирання неструктурованої

інформації про «людський досвід» між взаємозалежними

особами або між членами робочої групи. Управління

знаннями включає в себе розпізнавання групи людей, які

мають потребу в спільному використанні знань, розроблення

технологічної підтримки, яка дає можливість поділяти знання,

і створення процесу для передання й розповсюдження знань.

На даний час розроблені численні засоби комп'ютерної

підтримки управління знаннями, тобто спеціалізоване

програмне забезпечення.

Програмне забезпечення управління знаннями (Knowledge

management software) — програмне забезпечення, яке

уможлив-

390

пює накопичення і управління неструктурованою інформацією в

пізних електронних форматах. Програмне забезпечення може до-

помагати в нагромадженні знань, їх класифікації, використанні,

дослідженні, відкритті або в організації зв'язку між структурними

одиницями знань. До продуктів даного типу, зокрема, належать

системи управління електронними документами (EDMS).

Немало фірм здійснили кількісну оцінку вартості управління

знаннями. За деякими оцінками, витрати на управління інтелек-

туальним капіталом становлять від 7 до 10 відсотків доходу. Але в

той час, як управління знаннями дороге, очевидним є той факт, що

втрати від неуцтва і дурості більші. Скільки коштує організації те,

коли головні службовці забувають, як швидко і правильно вико-

нувати завдання, або які втрати зумовлені рішенням, прийнятим на

основі помилкових знань? Втрати за цих обставин мають критичне

значення для організацій, що стало спонукальним мотивом для роз-

роблення орієнтованих на знання СППР, англомовною назвою яких

є «Knowledge-Driven DSS», що дослівно можна перекласти як

СППР, котрі управлять знаннями (запускають знання).

9.1.4. Моделі подання знань в

інформаційних системах

Знання в базі знань подаються в певному вигляді, тобто в

певних інформаційних одиницях знань і зв'язках між ними. Форма

подання знань істотно впливає на характеристики і властивості

інформаційних систем, тому це є однією з найважливіших проблем,

характерних для систем, орієнтованих на знання. Оскільки логічні

висновки і дії над знаннями в інформаційних інтелектуальних

системах проводяться програмовано, то знання не можуть бути

подані безпосередньо в звичайному вигляді, тобто в якому вони

використовуються людьми (наприклад, у розмовній чи текстовій

формі). У зв'язку з цим розробляються формальні моделі подання

знань.

За розроблення специфічних моделей подання знань намага-

ються дотримуватися таких вимог:

1) подання знань має бути однорідним (одноманітним). Одно-

рідна презентація знань приводить до спрощення механізму

управління логічними висновками і управління знаннями взагалі;

2) подання знань має бути зрозумілим експертам і користувачам

системи. В іншому разі утрудняються набуття знань та їх

оцінювання.

391

Відомі чотири основні типи моделей описання знань у

базах знань:

— логічні, основою яких є формальна модель, тобто

формальний опис деякою логічною мовою структури об'єкта;

— продукційні, що грунтуються на використанні правил

(про-дукцій);

— фреймові, тобто форми подання знань, в основу яких по-

кладені фрейми, кожен з яких складається зі слотів. Фреймова

форма подання знань визначається рекурсивно;

— моделі у вигляді семантичної мережі, тобто мережі, у

вершинах якої містяться інформаційні одиниці, а дуги

характеризують відношення і зв'язки між ними.

Мова, що використовується для розроблення систем на

основі цих моделей, називається мовою подання знань. Відомі

такі мови подання знань:

• логічна мова подання знань, в основу якої покладено чис-

лення предикатів першого порядку. Виразами цієї мови є

синтаксично правильні формули даного числення, через які

виражаються всі записані в системі декларативні й процедурні

знання;

• продукційна мова, основними одиницями якої є продукції

(правила);

• фреймова мова, у котрій для подання і маніпулювання

знаннями використовується фреймова модель подання знань.

На даний час найвідомішими фреймовими мовами є FRL

(Frame Representation Language) і KRL (Knowlenge

Representation Language).

Характеристики названих моделей подання знань описані в

літературі зі штучного інтелекту. Частково вони будуть

розглянуті пізніше в контексті створення орієнтованих на

правила СГІПР.

9.2. Орієнтовані на знання системи

підтримки прийняття рішень

9.2.1. Загальна характеристика орієнтованих

на знання систем підтримки прийняття

рішень

Широковідоме твердження «знання — сила» в

організаціях справджується лише тоді, коли знання спільно

використовуються службовцями та іншими учасниками

бізнес-процесів. Причому важливість розподілення знань за

створення рішень

392

сьогодні розуміє більшість людей. Єдиний спосіб спільно

використовувати знання — створити комп'ютеризовані

системи, які можуть збирати і зберігати знання, що описують

події, їх імовірності, правила і зв'язки (відношення).

Спеціалізоване програмне забезпечення може оброблювати

такі знання і допомагати менеджерам у створенні рішень. Як

уже зазначалося, цим системам відповідає термін «орієнтовані

на знання системи підтримки прийняття рішень». Досить

часто застосовуються й інші назви (синоніми) СППР даного

типу: СППР, що керують знаннями (Knowledge-Driven DSS);

рекомендаційні СППР (Suggestion DSS); СПРП, що

ґрунтуються на правилах (орієнтовані на правила СППР)

(Rule-Based DSS); інтелектуальні СППР (Intelligent DSS). Слід

зауважити, загальноприйнятної термінології в цій галузі ще не

вироблено, оскільки процес дослідження й розроблення цього

типу СППР бурхливо розвивається.

Орієнтовані на знання СППР забезпечують менеджерів

відповідними рекомендаціями. Домінуючими їхніми

компонентами є «здобування» знань (knowledge discovery) та

механізми їх запам'ятовування. Створюючи такі системи,

зазвичай, використо-вуть оболонку розроблення експертних

систем і інструментальні засоби дейтамайнінгу (Data Mining).

Аналітики бізнесу та виконавці виявляють зв'язки

(відношення) в дуже великих базах даних із застосуванням

дейтамайнінгу і в результаті аналізу можуть розпізнати нові

відношення й нові знання.

Орієнтовані на знання системи підтримки прийняття

рішень зберігають і застосовують різні знання для розв'язання

багатьох специфічних бізнесових проблем. Ці проблеми

включають необхідність конфігурації таких задач як,

наприклад, визначення платоспроможності позичальника

перед наданням йому кредиту, виявлення обману

(шахрайства, підробки) і оптимізація інвестицій. Вони дають

змогу вдосконалити узгодженість у прийнятті рішень,

проводити в життя політику і регламентування, передавати

набутий досвід недосвідченим штатним працівникам і

зберігати важливі результати експертиз (експертні знання) для

компаній, якщо штатні експерти звільняються або

відмовляються надавати експертні послуги.

У принциповому відношенні орієнтована на знання СППР

має такі самі компоненти, що і звичайна СППР, тобто

елементи моделювання та керування даними, користувацький

інтерфейс, засоби телекомунікацій (керування поштою та

повідомленнями). Проте вона містить і додаткові компоненти

— базу знань і машину (механізм) висновків. На рис. 9.2

зображена спрощена схема орієнтованої на знання СППР.

393

Рис. 9.2. Спрощена схема орієнтованої на знання

СППР

Машина логічного висновку (Inference Engine) — це

програмне забезпечення, яке імітує виконання функцій

мислення. У малих системах цей компонент інколи називають

командним процесором (shell) експертної системи. Машина

логічного висновку використовує знання, які містяться в базах

знань, щоб продукувати висновки. Для цього вона застосовує

ряд правил, які створюються розробником.

Основою орієнтованих на знання СППР є механізм (середо-

вище) розроблення, що включає програмне забезпечення для

створення та підтримки бази знань і машини висновків, а

також експерт домена (проблемної галузі). Експертом домена

є особа, яка має знання та досвід у проблемній галузі, для якої

розробляється специфічна система. Він тісно співпрацює з

інженером знань, щоб відобразити знання експерта в базі

знань. Цей процес особливо часто використовується для

відображення в комп'ютерному форматі правил та

інформаційних відношень.

Можна виділити низку характеристик, які є загальними для

орієнтованих на знання СППР:

1. Цей вид програмного забезпечення допомагає

менеджерам у розв'язуванні проблем.

2. Такі системи використовують накопичені знання у

вигляді правил, фреймів або ймовірної (правдоподібної)

інформації.

3. Люди взаємодіють із системою, коли виконують

завдання.

4. Орієнтовані на знання СППР грунтуються на

рекомендаціях, отриманих з людських знань, і застосовуються

для розв'язання невеликого кола завдань.

5. Орієнтовані на знання СППР (експертні системи також)

не «думають» на відміну від людини-експерта.

Орієнтовані на знання СППР відрізняються від відоміших і

поширених орієнтованих на моделі СППР способами подання

й оброблення знань. Орієнтовані на знання СППР

намагаються імітувати процеси міркування людини в той час,

як орієнтовані на моделі СППР мають послідовність

заздалегідь визначених інструкцій для

394

реагування на події. Для порівняння орієнтованих на знання СППР

і орієнтованих на моделі СППР ми маємо запам'ятати такі

формули:

Орієнтовані на знання СППР = База знань + Машина логічного

висновку.

Орієнтовані на моделі СППР = Дані + Кількісні моделі.

Розроблення орієнтованих на знання СППР має починатися з

орієнтованої на рішення діагностики, і, якщо аналіз здійснимості

дасть позитивний результат, то тоді команда проектувальників по-

винна завершити процес розроблення СППР швидким макетуван-

ням. Багато орієнтованих на знання СППР будують, використовую-

чи середовище розроблення правил і командний процесор експерт-

ної системи. Інженер зі знань співпрацює з експертом проблемної

галузі, щоб виявити правила і відношення. Тестування й перевірка

правильності системи може включати використання попередніх

прикладів і випадків з даної проблемної галузі.

Є кілька загальних підходів до швидкого макетування для роз-

роблення орієнтованих на знання СППР. Можна виділити такі ста-

дії: ідентифікація домена; концептуалізація; формалізація; реачі-

зація; тестування. Ці п'ять стадій є надзвичайно взаємопов'язаними

і взаємозалежними. Ітеративний процес продовжується до

затвердження на прийнятному рівні орієнтованих на знання СППР.

9.2.2. Технології експертних систем

у системах підтримки прийняття рішень

Як уже зазначалося, підґрунтям для розроблення та

функціонування орієнтованих на знання СППР є технологія екс-

пертних систем та засоби добування знань. Відомо, що основна

концепція експертних систем (ЕС) базується на припущенні, що

знання експерта можуть бути записані в комп'ютерній пам'яті і

потім застосовані іншими, коли з'являється в цьому потреба.

Оскільки з проблематики побудови та використання експертних

систем є достатня кількість літературних джерел, у тому числі й

україномовних, то є резон розглянути цей тип інформаційних си-

стем у контексті створення орієнтованих на знання СППР, зокрема,

дати відповідь на запитання:

1. Що таке технологія експертних систем?

2. Яке співвідношення між технологіями ЕС і СППР?

3. Чи є експертна система різновидом СППР?

Для отримання відповіді на ці запитання потрібно охарактери-

зувати експертні системи з погляду підтримки створення рішень,

395

проаналізувати схему функціонування експертних систем з

виділенням модулів, однакових (спільних) з орієнтованими на

знання СППР, і на цій підставі дійти необхідних висновків.

Загальна характеристика

експертних систем

Потреба в тому, щоб явно подавати людські знання,

є центральним питанням за розроблення експертних систем.

Основані на знаннях (інтелектуальні) інформаційні системи

або експертні комп'ютерні системи мають здатність показати

вражаючу, а інколи приголомшуючу продуктивність щодо

розв'язання проблем у порівнянні з людиною, що не є

експертом. Вони роблять це за допомогою використання

обширних баз знань, поєднаних зі спеціалізованим

евристичним доведенням. Цей підхід привів до розроблення

систем, які мають низку переваг, зокрема:

• у деяких типах проблем, як наприклад, у діагностиці

дефектів, терапії, селекції, вони можуть розв'язати низку

проблем інколи краще, ніж людина;

• вони можуть надати організаціям можливість краще

управляти важливими ресурсами менеджменту, професійних

знань і досвідом, забезпечуючи їх нагромадження та

зберігання, централізовану підтримку і зручний розподіл;

• вони можуть відповідати на прості запитання і

пояснювати, те, як вони розв'язують проблеми. Дуже часто

пояснення того, як був досягнутий розв'язок, набагато

важливіше, ніж сам розв'язок.

Однак експертні системи нині мають багато обмежень і

недоліків. З погляду підтримки створення рішень головний їх

недолік полягає в тому, що вони не забезпечують підтримку

рішень, оскільки сама експертна система створює

рішення, відтворюючи логіку людини-експерта. ОПР може

приймати або не приймати дані рішення залежно від поточної

ситуації і діючих факторів, не урахованих експертною

системою. На відміну від цього, СППР допомагає ОПР

створювати рішення. Звідси випливає, що експертна система

не є додатком систем підтримки прийняття рішень.

Перерахуємо деякі інші обмеження та недоліки експертних

систем:

• експертні системи, зазвичай, працюють тільки у вузько

визначених проблемних доменах, їхній рівень розуміння

середовища, в якому вони функціонують, є деякою мірою

поверхневим;

• ці системи до тепер не володіють здатністю «здорового

глузду», як інструментальні засоби вони, зазвичай, не здатні

обміркову-

396

вати проблему багатьма способами або на різних рівнях. Вони

не знають, що їм невідомо про що-небудь, котре доречне

стосовно проблеми;

• експертні системи не можуть самі навчатися;

• успішні експертні системи можуть привести до реальних

змін у методиці людини щодо виконання своїх завдань. Це

може потребувати суттєвих організаційних і технологічних

змін, які можуть стати на перешкоді повного успіху системи,

навіть якщо вона досконала в технічному відношенні.

Незважаючи на ці обмеження, багато корпорацій

розробили додатки експертних систем як експериментальних,

так і діючих.

Компоненти технології експертних

систем, які застосовуються в

орієнтованих на знання СППР

На рис. 9.3 наведена схема функціонування

експертної системи. Модель експертної системи, як видно з

рисунка, складається з чотирьох головних частин:

1) інтерфейсу користувача, що дає можливість

користувачеві взаємодіяти з експертною системою;

2) бази знань, яка містить нагромаджені знання щодо роз-

в'язування специфічної проблеми;

3) машини логічного висновку (inference engine), яка

забезпечує здатність міркування та інтерпретує зміст баз

знань;

4) механізму (середовища) розроблення (development

engine), який використовують експерт та інженер зі знань для

створення експертної системи.

Охарактеризуємо стисло ці компоненти експертної

системи.

ІНТЕРФЕЙС КОРИСТУВАЧА. Інтерфейс користувача дає

змогу менеджеру вводити інструкції (команди) та інформацію

(зображені на рис. 9.3 суцільною стрілкою) в експертну

систему і отримувати відповідні розв'язки чи пояснення

(пунктирна стрілка), Інструкції уточнюють параметри, які

уможливлюють експертній системі здійснювати процес

міркування. Інформація подається у вигляді значень, які

присвоюються конкретним змінним. Інтерфейс користувача

надає механізми введення інформації в експертну систему і

виведення з неї.

БАЗИ ЗНАНЬ. Бази знань містять як факти, що описують

проблемну галузь, так і способи подання знань, які описують

те, як підбираються факти для певної логічної послідовності.

Термін проблемний домен (problem domain) використовується

для описування проблемної галузі.

397

Рис. 9.3. Схема функціонування експертної

системи Інструкції і інформація —>

Розв'язки і пояснення --------->

Знання

Поширеною методикою подання знань є використання

правил. Правило описує, як діяти у заданій ситуації. Воно

складається з двох частин: умови (condition), яка може або не

може бути істиною і дії (action), яка виконується тоді, коли

умова істинна. Прикладом правила є:

ЯКЩО ЕКОНОМІЧНИЙ ІНДЕКС > 1.20 І СЕЗОННИЙ ІН-

ДЕКС > 1.30, ТО ПЕРСПЕКТИВА ЗБУТУ = «ВІДМІННА»

Усі правила, які містяться в експертній системі,

називаються набором правил (rule set). Кількість правил може

змінюватися від дюжини для простої експертної системи до

500, 1000 або навіть 10 000 для складних EC.

МЕХАНІЗМ ВИСНОВКУ. Механізм або машина висновку

є частиною експертної системи, яка виконує доведення

(здійснює міркування) за допомогою використання змісту баз

знань у специфічній послідовності (прямій, зворотній,

змішаній). Ці послідовності будуть розглянуті окремо.

МЕХАНІЗМ РОЗРОБЛЕННЯ. Четвертою головною

частиною експертної системи є механізм (середовище)

розроблення, який використовується для створення

експертної системи. Коли меха-

398

нізм висновку складається з правил, то цей процес

призначений лля побудови множини правил.

Використовуються два основні підходи до створення EC:

мови програмування і оболонки експертної системи (expert

system shell).

Оболонки EC забезпечили доступність засобів штучного

інтелекту фірмам, які не мають необхідних ресурсів, щоб

розробити свої системи, використовуючи мови

програмування. У галузі бізнесу вони є найпоширенішим

способом створення експертних систем на основі знань.

9.2.3. Методи оброблення правил

в орієнтованих на правила СППР

Використання машин логічного висновку з

правилами є найпоширенішим середовищем розроблення

орієнтованих на знання СППР. Правила легкі для розуміння і

пояснень, коли знання зберігаються у вигляді правил. З

погляду розробника модифікація і супровід баз знань

здійснюються просто, можна легко об'єднувати також

імовірні знання з правилами. Однак є певна кількість основ-

них обмежень щодо використання цього підходу для

розроблення СППР, зокрема, комплексні знання важко

подавати з використанням правил. Розробники орієнтованих

на знання СППР, зазвичай, використовують середовище

розроблення, яке ґрунтується на правилах, але ці правила

застосовуються не для всіх додатків (прикладом може бути

розглянута раніше СППР PLEXSYS). Розглянемо докладніше

методи реалізації механізму логічних висновків — невід'ємної

частини СППР, що грунтується на правилах.

Протягом консультації механізм висновків досліджує

правила баз знань по одному, і, коли умова правила

правильна, то специфічна дія приймається. У термінології

експертних систем вважається, що правило активізується

(fired— запалюється) тоді, коли дія (акція) приймається. Для

дослідження правил використовують два головні методи

механізму висновку: пряме доведення (forward reasoning) або

пряма продукція і зворотне доведення (reverse reasoning) або

зворотна продукція.

Пряме доведення

У прямому доведенні (міркуванні вперед), яке ще

називається прямим формуванням ланцюжка (forward

chaining), правила досліджуються одне за одним у певному

порядку. Цей порядок міг би бути послідовністю, в якій

правила були введені в

399