1. Введение
Первые системы поддержки принятия решений (СППР) были внедрены в крупные компании. Так называемые
Management Information Systems, основной задачей которых была подготовка отчетов для управленцев, были разработаны до середины 60-х годов прошлого века.
Развитие технологий и рост объема данных, ускорили процесс развития СППР. В середине 60-х годов появляются
модель-ориентированные СППР. Эта концепция получила развитие на основе теоретических исследований в области принятия решений и технических работ по созданию интерактивных компьютерных систем.
В 80-е годы прошлого века были определены
четыре компонента, присущих всем СППР:
1) языковая система – СППР может принимать все сообщения;
2) система презентаций – СППР может выдавать свои сообщения;
3) система знаний – все знания СППР сохраняет;
4) система обработки задач – программный «механизм», который пытается распознать и решать задачу во время работы СППР.
На сегодняшний день информационные технологии позволяют проектировать и разрабатывать интеллектуальные системы поддержки принятия решений (ИСППР), в основе которых лежат методы искусственного интеллекта (ИИ).
Проектирование ИСППР на основе методов ИИ является актуальной задачей с точки зрения научного и продуктового сообщества. Так, крупные компании, например, ОАО
«»газотранспортными и газодобывающими системами. ПАО «Сбер» активно разрабатывает и продвигает СППР для коллективного принятия решений, с возможностью ставить задачи, обсуждать предложения и подписывать документы (СППР «Сенат»).
Актуальность проводимых исследований по проектированию ИСППР заключается в том, что, исходя из существующих этапов жизненного цикла проекта, важным является этап – инициация. На этот этап уходит больше всего времени, так как участникам проекта необходима согласованность для достижения целей. Проведенный анализ исследований в данной области показал, что большее внимание уделяется инструментам для достижения целей, к таким относятся инструменты планирования, распределения задач и ресурсов, разделение ответственности и так далее.
Для решения сложных, технических, междисциплинарных задач, необходимо минимизировать риски несогласованности команды перед этапом инициации и сформировать такую команду, которая будет отвечать профессиональным требованиям проекта, а также личностным характеристикам друг друга для успешной совместной деятельности.
2. Методы и принципы исследования
Наиболее распространенными в применении являются такие ИСППР, как:
1. Экспертные системы, использующие знания экспертов в определенной предметной области для принятия решений. Такие системы основаны на правилах и базах знаний [1].
2. Системы поддержки принятия решений на основе данных. Системы используют анализ данных и статистические методы для предоставления информации, необходимой для принятия решений.
3. Нейронные сети – моделируют работу человеческого мозга и используются для распознавания образов, прогнозирования и других задач, связанных с принятием решений.
4. Гибридные системы – комбинация различных подходов к поддержке принятия решений, таких как экспертные системы, нейронные сети и системы на основе данных.
Последние десять лет интеллектуальные системы поддержки принятия решений проходили активное тестирование и внедрение в различных областях: медицина, юриспруденция, микро и макроэкономика, автоматизация бизнес-процессов и офиса и других. Современное состояние методов и направлений ИИ позволяет решать сложные технические и управленческие задачи [2].
Так, к управленческим задачам относятся внутренние задачи, связанные с организацией процессов или, например, жизненным циклом проекта.
Жизненный цикл проекта характеризует ограничение по времени и определяет, как скоро будут получены результаты проекта [3].
В таблице 1 приведен жизненный цикл проекта, состоящий из пяти основных этапов [4].
Жизненный цикл проекта
| Название этапа | Характеристика |
| Инициация | Большая неопределенность. Наименьшие усилия. Обсуждение и постановка целей в соответствии с ресурсами. |
| Планирование | Структурирование информации о проекте. Планирование сроков, задач, бюджета, оценка рисков. |
| Выполнение | Столкновение с ошибками и просчета, допущенными на этапе планирования и инициации. Важно своевременно получать актуальную информацию о ходе реализации и прогнозировать изменения. |
| Контроль | Совпадает с фазой «Выполнение». Обеспечивает своевременное реагирование на изменения и переработке следующих шагов. |
| Завершение | Финальная фаза ЖЦ проекта. Сдача продукта, передача документации и др. |
Достижение высоких результатов при реализации проекта с учетом ограничений во времени, внешних и внутренних рисков, требует от лица, принимающего решения, владения не только техническими компетенциями, позволяющими реализовать техническое задание, но также и управленческими для качественного и эффективного управления проектом.
Для решения управленческих задач, лицу, принимающему решение (ЛПР), необходимо учитывать и работать с:
1. Большим объемом информации.
2. Многообразием факторов, влияющих на финальное решение.
3. Изменчивостью внешней среды [5].
Развитие информационных технологий, в частности систем, построенных на базе искусственного интеллекта, позволяет оптимизировать деятельность современных предприятий, а также оказывать поддержку ЛПР для поиска и принятия эффективного решения [6].
К таким системам относятся интеллектуальные системы поддержки принятия решений, позволяющие повышать экономическую эффективность, что, в свою очередь, является ключевой задачей предприятия для сохранения конкурентоспособности и развития.
В основе современных интеллектуальных систем поддержки принятия решений (ИСППР) лежат методы машинного обучения [7]. Ключевые преимущества использования таких методов в ИСППР:
1. Работа с неструктурированными данными для оптимизации принятого решения.
2. Нахождение сложных и неочевидных зависимостей.
3. Формирование альтернатив решений на основе анализа предыдущих закономерностей и выявленных тенденций.
Отличительной особенностью задач, требующих для решения разработки и использование ИССПР, является их многокритериальность. Такие задачи требуют векторного критерия. В случае возникновения сложностей ранжирования и оптимизации альтернатив используются неформальные методы скаляризации, в основе которых лежат суждения лица, принимающего решения [8].
3. Основные результаты
Так, для решения многокритериальной задачи, связанной с повышением эффективности проектных команд внутри организации, имеющей разнообразный портфель проектов и большое количество сотрудников, предлагается рассмотреть архитектуру ИСППР для решения поставленной задачи (рисунок 1). Архитектура разработана и построена с учетом следующую аспектов и исходных данных:
1. Имеются большие массивы данных о проектах и сотрудниках. Внутри каждого массива данных множества критериев.
2. Обработка и анализ информации должны происходить по запросу лица, принимающего решение или администратора, с учетом заданных параметров.
3. Результатом работы алгоритма должен быть набор альтернативных решений с учетом запросов ЛПР, а также иных ограничивающих факторов.
Архитектура ИСППР содержит пять основных элементов:
- базы данных;
- токенизатор;
- трансформер;
- декодер;
- решение в понятной для лица, принимающего решение, форме/множество альтернативных решений.
Архитектура ИССПР
1. База данных о проектах. Входной массив информации о целях, задачах, ресурсах, времени, требуемых для реализации проекта. Данные о проектах могут быть сформированы администратором системы или лицом, принимающим решение об инициации проекта. Актуализация данных проходит в ручном режиме администратором или ЛПР. База данных позволяет сохранять и использовать информацию о проектах на следующих этапах поддержки принятия решений [9].
2. База данных о пользователях или компетентностный профиль пользователя. Массив динамических данных, получаемый путем сбора информации с помощью специализированных тестов на оценку hard и soft skills, а также дополнительная информация о пользователе: возраст, опыт работы, специальность, интересы и другое. Актуализация данных в компетентностном профиле пользователя осуществляется двумя способами:
- изменения вносятся пользователем самостоятельно;
- изменения связаны с выполнением задач в проекте (повышение или понижение уровня навыка на основе анализа процесса реализации).
3. Токенизатор. Позволяет преобразовать массив данных о проектах и компетентностных профилях в последовательность токенов (матрицу чисел), которые можно анализировать и использовать для решения задачи по повышению эффективности проектной команды. Текст разбивается на токены с учетом специальных символов, пунктуации и других особенностей языка.
4. Кодер – это часть модели, которая принимает на вход последовательность токенов (например, слов или символов) и преобразует ее в скрытые представления или эмбеддинги (векторы и матрицы чисел). Кодер обычно состоит из трансформеров, которые позволяют модели учитывать контекст и зависимости между токенами.
Трансформер – нейросеть, которая принимает на вход текст в виде матрицы чисел, его задача декодировать из чисел в текст, на выходе этой нейросети получается вероятность следующего символа/буквы.
5. Декодер принимает последовательность токенов, представляющих собой контекст на котором обучена языковая модель, и генерирует последовательность выходных токенов, представляющих сгенерированный для пользователя текст. Декодер в данном случае является нейросетью внутри всей большой архитектуры модели Mistral-Saiga 7B, способной обрабатывать последовательности данных. Декодер использует информацию из токенизатора и контекста для генерации текста с учетом грамматики и смысла [10], [11].
6. На выходе администратор системы или ЛПР получает рекомендации по своему запросу, основанные на комбинации нескольких массивов данных и результатам работы языковой модели, используемой в ИСППР.
Пошагово опишем работу ИСППР с учетом построенной архитектуры по запросу «Сформировать профиль проекта»:
1. Сбор данных. На данном этапе происходит заполнение первичных входных данных о проекте:
- Цели и задачи: Запуск мобильного приложения через 6 месяцев, увеличение пользовательской базы на 20%.
- Ресурсы: Необходимы 5 разработчиков, 2 UX/UI дизайнера, 3 тестировщика.
- Сроки и этапы: Разработка — 3 месяца, тестирование — 2 месяца, подготовка к запуску — 1 месяц.
- Бюджет: 500,000 долларов.
- Риски и ограничения: Возможные задержки в разработке, превышение бюджета, изменения требований.
- Заинтересованные стороны: Руководство компании, команда маркетинга, потенциальные пользователи.
- Исторические данные: Успешные и неудачные проекты разработки мобильных приложений в компании.
2. Предобработка данных.
- Очистка данных: Удаление некорректных и дублирующихся записей.
- Кодирование данных: Преобразование описательных данных в числовую форму с помощью one-hot encoding и word embeddings.
- Нормализация данных: Нормализация числовых данных, таких как бюджет и сроки, с помощью Min-Max нормализации.
3. Формирование векторов.
- Вектор характеристик проекта: [6 месяцев, 500,000 долларов, 5 разработчиков, 2 UX/UI дизайнера, 3 тестировщика, задержки, превышение бюджета, изменения требований, 20% увеличение пользовательской базы, данные об исторических проектах]
4. Применение модели случайного леса.
- Обучение модели: Модель обучена на данных о прошлых проектах, включая их успешность или неудачу.
- Оценка вероятности успеха: Модель предсказывает вероятность успешного выполнения проекта на основе введенных данных.
5. Формирование профиля проекта.
- Сводный профиль: Модель выдает профиль проекта с вероятностью успеха и ключевыми рекомендациями.
- Визуализация данных: Диаграммы, показывающие распределение ресурсов, предполагаемые риски и другие важные метрики.
6. Формирование ответа
- Ответ после обработки данных: «Проект имеет высокую вероятность успеха при условии соблюдения установленных сроков и бюджета. Рекомендуется обеспечить регулярный мониторинг прогресса и управление рисками. Потенциальные риски включают задержки в разработке и превышение бюджета, что может быть смягчено регулярными оценками и пересмотром планов».
7. Вывод ответа
- Ответ представлен для ЛПР в текстовом виде с возможностью визуализации ключевых метрик проекта.
4. Обсуждение
Таким образом, разработанная архитектура интеллектуальной системы поддержки принятия решений позволит:
1. Сократить время на принятие управленческого решения в области формирования эффективной проектной команды.
2. Формировать альтернативные решения: проектные команды формируются неограниченное количество раз, в зависимости от заданных требований и полученных результатов от ИССПР.
3. Задавать параметры для решения, в зависимости от входных условий ЛПР или администратора.
4. Вносить изменения в сформированные решения, исходя из экспертности ЛПР или администратора.
5. Осуществлять автоматизированный процесс обновления компетентностного профиля пользователя и проектной команды на основе их деятельности при выполнении проекта.
6. Формировать рекомендации и индивидуальные траектории развития как для каждого участника, так и для проектной команды.
5. Заключение
В работе рассмотрены существующие СППР и приведена новая архитектура интеллектуальной системы поддержки принятия решений на основе современных моделей для решения сложных задач с множеством входных критериев и условий. Такая архитектура позволит системе поддержки принятия решений быть динамичной во времени, что означает постоянную актуализацию данных и формирование решений на основе большого массива данных. Это делает архитектуру уникальной, в сравнении с существующими СППР, в основе которых лежат традиционные инструменты и методы сбора, обработки и анализа данных.