ТЕХНОЛОГИЯ СОЗДАНИЯ СИСТЕМ ГЕНЕРАЦИИ РЕШЕНИЙ
Кумунжиев К.В.1, Головин В.А.2
1Доктор технических наук, 2Кандидат технических наук, Ульяновский государственный университет
ТЕХНОЛОГИЯ СОЗДАНИЯ СИСТЕМ ГЕНЕРАЦИИ РЕШЕНИЙ
Аннотация
Появляется новый класс интеллектуальных информационных систем – системы генерации решений. Сегодня не существует сложившейся технологии построения систем этого класса. В статье делается попытка построить такую технологию, опираясь на собственный опыт, имеющиеся публикации и эвристические соображения.
Ключевые слова: системы генерации решений, онтологические модели.
Kumunzhiev K.V.1, Golovin V.A.2
1Doctor of Technical Sciences, 2Candidate of Technical Sciences, Ulyanovsk State University
THE TECHNOLOGY OF CREATING SYSTEMS OF GENERATION OF DECISIONS
Abstract
There is a new class of intellectual information systems – systems of generation of decisions. Today there is no developed technology of creation of systems of this class. In article attempt to construct such technology becomes, leaning on the personal experience, available publications and heuristic reasons.
Keywords: systems of generation of decisions, ontology models.
На сегодняшний день cуществует большое количество классификаций информационных систем, но для каждой из них в последнее время появилась одна общая черта – выделение особого класса программных продуктов. Речь идёт о так называемых интеллектуальных системах. Интеллектуальная поддержка различных процессов (технических, медицинских, экономических, социальных и т.д.) является целью многих научных работ настоящего времени.
Основным достижением в этой области до недавнего времени считались системы поддержки принятия решений (СППР). И действительно, лицу принимающему решение (ЛПР) подобные системы оказывают большую помощь. Как правило, СППР дают несколько вариантов решений с некоторым обоснованием на базе классических математических методов. Но анализ ситуации показывает, что мало дать ЛПР варианты решений, нужно вырабатывать одно, неоспоримое в допустимых границах (в некоторых случаях несколько альтернативных). Таким образом, можно говорить не просто о поддержки принятия решения, а о его генерации. Следовательно, появляется новый класс интеллектуальных информационных систем – системы генерации решений (СГР). На данный момент не существует сложившейся технологии построения систем данного класса. В статье делается попытка построить такую технологию, опирающуюся на собственный опыт, имеющиеся публикации и эвристические соображения.
При построении систем этого класса учитываются современные тенденции, такие как использование прецедентного моделирования, методов теории нечёткой логики и искусственного интеллекта, методологии добычи и извлечения информации (Data Mining). Таким образом, можно говорить о выделении набора «обязательных» подсистем, присущих каждой системе генерации решений: база знаний, подсистема поиска прецедента, подсистема адаптации.
Основные этапы создания СГР
Для начала необходимо произвести первичный анализ предметной области, создав её онтологическую модель. Под онтологической моделью будем понимать концептуальное описание решения задачи в предметной области с учётом её основных объектов и процессов. В общем случае такое описание будет выглядеть как достижение некой цели путём реализации стратегического плана на основе тактических методов (рис.1). В качестве цели, в зависимости от предметной области, могут выступать следующие состояния: «оправдание подзащитного» в юриспруденции, «улучшение состояния больного» в медицине, «увеличение прибыли» или «уменьшение рисков» в экономике, «уменьшение безработицы» или «увеличение уровня жизни» в социальных системах и т.п. Стратегический план представляет собой сложный комплекс, состоящий из следующих действий: анализ ситуации и оценка возможных сценариев поведения, управление имеющимися ресурсами, учёт ограничений и т.д. В зависимости от предметной области стратегиями могут быть: план лечения больного для медицины, выстраивание защиты для подозреваемого в юриспруденции, план развития в социальных системах и т.п. Выбранная стратегия реализуется посредством тактических методов, которые представляют собой конкретные механизмы и инструменты по изменению реальности. Например, назначение больному определённого препарата в медицине, привлечение свидетелей защиты в юриспруденции, принятие закона в социальных системах и т.п [2].
Рис. 1 - Онтологическая модель предметной области.
В соответствии с определёнными в ходе анализа целями функционирования СГР и разработанной онтологической моделью, необходимо выделить ряд подсистем в рамках системы генерации решений - создать функциональную структуру СГР (рис.2). В общем случае она состоит из подсистемы ввода данных (возможно использование вопросно-ответной системы или более сложного варианта – лингвистического анализатора), нескольких вычислительных модулей, хранилища данных, интерфейсного модуля.
Рис. 2 - Функциональная структура СГР.
Выбор подсистемы ввода данных зависит (как и многое другое) от конкретной предметной области. Если анализ предметной области на ранних стадиях проектирования позволил достаточно хорошо формализовать её, то предпочтение можно отдать вопросно-ответной системе; в обратной ситуации выбор делается в пользу лингвистического анализатора. В роли хранилищ данных выступают банки данных и базы знаний, используемые для хранения прецедентов, объектов предметной области, логических правил, экспертных оценок и т.д. Наличие разных интерфейсных модулей может свидетельствовать о том, что к работе с системой имеют доступ несколько категорий пользователей. Это, во-первых, непосредственно операторы СГР, во-вторых, эксперты в предметной области, в-третьих, обслуживающий персонал (техники, администраторы баз данных и т.п.). Что касается вычислительных модулей, то они могут быть весьма разнообразными – всё зависит от той функциональности и математического аппарата, которые заложены в СГР. Чаще всего это модули по обработке экспертных оценок, нахождению прецедентов, адаптации и т.д. Дополнительными модулями могут служить модуль формирования отчётов и модуль настроек безопасности, наличие которых существенно повышает удобство работы с системой.
Одним из преимуществ СГР по сравнению с теми же СППР является комбинирование различных методологий. Оно позволяет использовать сильные стороны одних методологий, нейтрализуя слабые стороны других. Так, например, использование нейронной сети резко снижает ресурсозатраты для поиска прецедентов методом «ближайшего соседа».
Вариантом такого интегрированного метода является совместное использование двух подходов - нахождение решения с помощью прецедентного моделирования и формирование решения на основе весовых коэффициентов с использованием численных методов. Далее, с помощью реализованного отдельным модулем процесса адаптации, на выходе пользователь получает готовое решение. На каждом из этих шагов разработчик системы сталкивается с проблемами, разрешить (полностью или частично) которые можно за счёт привлечения фоновых знаний о предметной области. Существуют разные способы получения информации о предметной области [1]:
- Привлечение экспертного знания. Оно может выражаться, например, в ограничениях, накладываемых на диапазоны изменения признаков объектов, или же в формулировании набора правил для разбиения базы прецедентов на классы (построение классификатора).
- Получение необходимых знаний из набора имеющихся данных методами добычи данных. Сюда относятся все методы выявления отношений в данных, в частности, кластеризация, регрессия, поиск ассоциаций. Использование методов добычи данных может выделить узкую группу показателей, от которых зависит интересующая исследователя характеристика, и представить обнаруженную закономерность в аналитической форме.
- Формирование знаний на основе обучающей выборки, представленной экспертом.
Одним из наиболее популярных в последнее время становится метод создания психологического (синдромного, характеристического) портрета для основного объекта предметной области. Портрет включает в себя ряд характеристик объекта, каждой из которых назначается вес. Очень часто для определения весов привлекают экспертов – организуется опрос и подсчёт экспертных оценок. Вычисление экспертных оценок происходит по методу анализа иерархий.
На основании полученных знаний о предметной области строятся математические модели её основных процессов и объектов. Модели могут быть теоретико-множественные, в виде графов, систем дифференциальных и интегральных уравнений - это зависит от степени формализации предметной области.
Заключение
Описанная технология создания СГР была опробована в исследовании авторов и по его результатам был создан программный комплекс «СГР по формированию предвыборной кампании». Кроме того, с использованием данной технологии ведутся разработки для других предметных областей, в том числе технических. Авторам данной статьи видится перспективным широкое использование систем генерации решений, так как они значительно эффективней, чем их предшественники СППР, и более удовлетворяют современным тенденциям развития информационных технологий.
Литература
- Карпов Л. Е., Юдин В. Н. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам, М., ИСП РАН, препринт № 18, 2006.
- Головин В.А., Кумунжиев К.В. Система поддержки генерации решений по формированию предвыборной кампании // Известия Волгоградского государственного технического университета, серия Актуальные проблемы управления, вычислительной техники и информатики в технических системах, вып.8 : межвуз. сб. науч. ст. №6(66) // ВолгГТУ. – Волгоград: ИУНЛ ВолгГТУ, 2010. – с.92-96
References
- Karpov L. E., Yudin V. N. Metodi dobichi dannih pri postroenii lokalnoy metriki v sistemah vivoda po precedentam, M., ISP RAN, preprint #18, 2006
- Golovin V.A., Kumunzhiev K. V. Sistema podderzhki generacii resheniy po formirovaniyu predvibornoy kampanii // Izvestiya Volgogradskogo gosudarstvennogo tehnicheskogo universiteta, seriya Aktualnyie problemyi upravleniya, vichislitelnoy tehniki i informatiki v tehnicheskih sistemah, vyip. 8: mezvuz. sb. nauch. st. №6(66) // – Volgograd: IUNL VolgGTU, 2010. – s.92-96