CC BY
112УДК 519.711.3
И.Ю. Закалин
МЕТОДЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
Ежедневно люди принимают решение. В политике, при управлении предприятия, в интернете, в ходе военных действий, при покупке квартиры или нового смартфона, и ещё во многих других случаях. Занимаются этим люди очень давно. Но осознали люди то, КАК они принимают решения совсем не давно - вскоре после Второй мировой войны. Как оказывается, схема процесса принятия решения не зависит от области деятельности, в которой принимается решений. А значит, правила принятия решений общие для всех предметных областей.
Прежде всего, принятие решений это ВЫБОР. Принять решение -это значит выбрать определенный вариант из некоторого множества. Приведем пример. Необходимо принять решение - купить ли себе новый смартфон? Здесь перед нами два варианта: 1) Купить, 2) Не покупать. Здесь выбирается один наилучший вариант. А что, если выбирать новый смартфон, опираясь на характеристики данного устройства. Могут возникнуть трудности с выбором. У одного смартфона лучше процессор, у второго камера, у третьего экран больше и т.д. И какой же выбрать? Система поддержки принятия решений будет очень кстати при выборе.
Ключевые слова: информация, решение, технологии.
Нынешние информационные системы интеллектуальной поддержки процессов разработки и реализации решений в управленческой сфере (Системы поддержки принятия решений - СППР) представлены в варианте системы, предельно адаптированными к решению задач повседневной управленческой деятельности, являются инструментом, предназначенная для того, чтобы оказать помощь лицам, принимающим решения (ЛИР). С помощью систем поддержки принятия решений может производиться выбор решений некоторых неструктурированных, а также слабоструктурированных задач, в том числе и многокритериальных. При этом под многокритериальностью понимается оценка принимаемых решений не по одному, а по совокупности нескольких показателей (или критериев) рассматриваемых в один момент времени. Информационная трудность заключается в необходимости учета довольно массивных объемов данных, которую практически невозможно выполнить без помощи современного вычислительного оборудования. В данных условиях число возможных решений, обычно, довольно велико, и выбор наилучшего из них без всестороннего анализа скорее всего приведет к серьезным ошибкам.
Система поддержки решений СППР решает две основные задачи:
- Просмотр множества вариантов решений и выбор лучшего (оптимизация),
- упорядочение возможных решений по предпочтительности (ранжирование).
В обеих задачах первым и наиболее принципиальным моментом является выбор совокупности критериев, на основе которых в дальнейшем будут оцениваться и сопоставляться возможные решения (альтернативы). Система поддержки принятия решений помогает пользователю сделать такой выбор.
Условно СППР можно классифицировать по методам решения определенных проблем: Методы принятия решений на основе информационных технологий, методы принятия решений в условиях недостаточной информации, Методы принятия решения с использованием принципа Большинства, Методы принятия решения с использованием принципа Парето, Методы принятия решения с использованием многоцелевой оптимизации, методы принятия решения с использованием принципа Байеса и методы принятия решения в динамической постановке. В данной научной статье я хотел бы уделить внимание одной классификации. А именно: Методы принятия решений на основе информационных технологий.
Для поддержки принятия решений на основе информационных технологий, в системе поддержки принятия решений используются большое количество методов.
1. Информационный поиск;
© Закалин И.Ю., 2018.
Научный руководитель: Агеев Юрий Дмитриевич - доктор технических наук, заведующий кафедрой, МГИМО, Россия.
2. Интеллектуальный анализ данных;
3. Извлечение знаний в базах данных;
4. Рассуждение на основе прецедентов;
5. Имитационное моделирование;
6. Генетические алгоритмы;
7. Искусственные нейронные сети;
8. Методы искусственного интеллекта.
Информационный поиск - это наука о поиске и поиск неструктурированной информации. Процесс поиска включает в себя последовательность операций, направленных на сбор, обработку и предоставление необходимой информации заинтересованным лицам. В общем случае поиск информации состоит из четырех этапов;
1) уточнение информационной потребности и формулировка запроса;
2) установление совокупности возможных держателей информационных источников;
3) извлечение информации из выявленных информационных источников;
4) ознакомление с полученной информацией и оценка результатов поиска.
Различают поиск: полнотекстовый - осуществляется полный поиск по документу; по метаданным - по неким атрибутам документа, поддерживаемым системой (название документа, дата создания, размер, автор и т.д.); по изображению - по содержанию изображения.
Информационный поиск осуществляется следующими методами: адресный - поиск по информации указанной в запросе; семантический - процесс поиска документов по их содержанию; документальный - процесс поиска в хранилище информационно-поисковой системы первичных документов или в базе данных вторичных документов, соответствующих запросу пользователя; фактографический -процесс поиска фактов, соответствующих информационному запросу.
Интеллектуальный анализ данных - это нахождение скрытых связей среди переменных в больших объемах необработанных данных. ИАД делится на задачи классификации, моделирования и прогнозирования. В первые термин введен в 1989 году Григорием Пятецким-Шапиро.
ИАД включает в себя методы и модели статистического анализа и машинного обучения. Инструменты ИАД позволяют проводить анализ данных предметными специалистами (аналитиками), не владеющими соответствующими математическими знаниями.
Интеллектуальный анализ данных решает ряд задач:
1. Классификация
2. Кластеризация
3. Сокращение описания
4. Ассоциация
5. Прогнозирование
6. Анализ отклонений
7. Визуализация
Извлечение знаний в базах данных - это процесс обнаружения полезных знаний в базах данных. Эти знания могут быть выделены в виде закономерностей, правил, прогнозов, связей между элементами данных и др. Главным инструментом поиска знаний при извлечении в базах данных являются аналитические технологии data mining, реализующие задачи классификации, кластеризации, регрессии, прогнозирования, предсказания и т.д. Процесс извлечения знаний в базах данных включает в себя выполнение последовательности операций, необходимых для поддержки аналитического процесса. К ним относятся: консолидация данных; подготовка анализируемых выборок данных (в том числе обучающих); очистка данных от факторов, мешающих их корректному анализу; трансформация - оптимизация данных для решения нужной задачи; анализ данных; интерпретация и визуализация результатов анализа, их применение в бизнес-приложениях.
Рассуждение на основе прецедентов - еще один из методов поддержки принятия решений с помощью информационных технологий. Прецедент - случай, имевший место ранее и служащий примером или оправданием для последующих случаев подобного рода. Вывод на основе прецедентов является подходом, позволяющим решить новую задачу, используя или адаптируя решение уже известной задачи. Как правило, такие методы рассуждений предусматривают четыре основных этапа, образующие так называемый цикл рассуждения на основе прецедентов, или CBR-цикл. Существует целый ряд методов извлечения прецедентов и их модификаций: метод ближайшего соседа (nearest neighbor); метод извлечения прецедентов на основе деревьев решений; метод извлечения прецедентов на основе знаний; метод извлечения с учетом применимости прецедентов. Помимо рассмотренных методов для извлечения прецедентов могут успешно применяться и другие методы, например, аппарат искусственных нейронных сетей.
Имитационное моделирование —метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью, описывающей существующую систему, с которой проводятся эксперименты с целью получения информации об данной системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).
К имитационному моделированию прибегают, когда:
• дорого или невозможно экспериментировать на реальном объекте;
• невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;
• необходимо сымитировать поведение системы во времени.
Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами или другими словами — разработке симулятора (англ. simulation modeling) исследуемой предметной области для проведения различных экспериментов.
Имитационное моделирование можно разделить на 3 подхода:
Агентное моделирование — довольно новое направление в имитационном моделировании, использующееся для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении её отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.
Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960-х годах.
Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно -следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.
Генетический алгоритм - это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путем последовательного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Генетический алгоритм является разновидностью эволюционных вычислений. Его отличительная особенность состоит в акценте на использование оператора "скрещивания", который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе. Генетические алгоритмы служат главным образом для поиска решений в очень больших, сложных пространствах поиска.
Искусственные нейронные сети - это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Первой такой моделью мозга был перцептрон. Впоследствии эти модели стали использовать в практических целях, как правило, в задачах прогнозирования. С точки зрения машинного обучения нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т.п. С математической точки зрения обучение нейронных сетей - это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования нейронная сеть - способ решения проблемы эффективного параллелизма, а с точки зрения искусственного интеллекта она является основой философского течения кон-
нективизма и главным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.
Искусственный интеллект - это направленность науки в сферу компьютерных технологий с целью сделать возможным компьютер мыслить, как человек. При этом методы реализации не обязаны быть биологически правдоподобны. Но проблема состоит в том, что неизвестно, какие вычислительные процедуры мы хотим называть интеллектуальными. Ученые исследовали только некоторые механизмы интеллекта, поэтому под интеллектом в пределах этой науки имеют в виду только вычислительную часть способности достигнуть целей в мире. Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР.
В заключении хотелось бы сказать, что методов поддержки принятия решений очень много. Есть как сложные математические, там и более простые, не требующие особых познаний в математике. Все они хороши по-своему в определенной сфере. Не один метод поддержки принятия решений не гарантирует 100% защиту от ошибок, они только позволяют свести вероятность ошибки к минимуму. Окончательное решение принимает всегда непосредственно лицо принимающее решение.
Библиографический список
1. Ларичев О.И. Теория и методы принятия решений. - М.: Логос, 2000 (рекомендовано Министерством образования РФ в качестве учебника для студентов ВУЗов).
2. Поддержка принятия решений; ЛКИ - Москва, 2008. - 128 с.
3. Грешилов А. А. Математические методы принятия решений; МГТУ им. Н. Э. Баумана - Москва, 2012
4. Катулев А. Н., Северцев Н. А. Математические методы в системах поддержки принятия решений; Высшая школа - Москва, 2012
5. Интернет источник: https://studwood.ruy
ЗАКАЛИН ИГОРЬ ЮРЬЕВИЧ - магистрант, Одинцовский филиал МГИМО, Россия.
