CC BY
8ОЦЕНКА ВЫБОРА СТРАТЕГИЙ ПРИ УПРАВЛЕНИИ ЗНАНИяМИ1
ASSESSMENT SELECTION OF STRATEGIES IN KNOWLEDGE MANAGEMENT
ОДОБРЕНО 01.09.2019 ОПУБЛИКОВАНО 30.12.2019 УДК 004.852 DOI 10.12737/2305-7807-2020-77-83
ДМИТРИЕВА С.В.
Канд. экон. наук, доцент, ФГАОУ ВО «Санкт-Петербургский государственный университет аэрокосмического приборостроения», г. Санкт-Петербург
DMITRIEVA S.V.
Candidate of Economic Sciences, Associate Professor, Department of Management, Saint-Petersburg State University of Aerospace Instrumentation, St. Petersburg
e-mail: DSV949@yandex ru
Аннотация
Среди множества методов анализа управления знаниями необходимо сделать выбор между несколькими конкурирующими методологиями и приемами. В работе предложено использовать методы машинного обучения для оценки стратегий управления знаниями. Вследствие огромной информации по данной тематике основные выводы получены с применением нормативной документации по оценкам стратегий. Решены задачи по выбору оценок с использованием нейронных сетей и оценке эффективности стратегии с помощью гибридной нейронечеткой системы. База примеров, необходимая для обучения нейронных сетей, была сформирована посредством метода Монте-Карло, а ее качество проверялось через использование главных компонентов. Проверка работы нейронной сети в виде персептрона показала ее пригодность для оценки стратегии управления знаниями. Также эффективность выбранной оценки определялась с применением нейронечеткой системы типа ANFIS, которая продемонстрировала возможность получения количественной балльной оценки.
Ключевые слова: управление знаниями, машинное обучение, влияющие на стратегии факторы, формирование базы примеров, нейросетевой выбор оценки стратегий, нейронечеткая оценка эффективности.
Abstract
It is necessary to choose between several competing methodologies and techniques among the many methods of knowledge management analysis. The paper proposes using machine learning methods to evaluate knowledge management strategies. Due to the vast information on this subject, the main conclusions were obtained using the normative documentation on strategy evaluations. The tasks of choosing a strategy are solved using neural networks. Evaluation of the effectiveness of the strategy was found using a hybrid neurofuzzy system. The base of examples necessary for training neural networks was formed using the Monte Carlo method, and its quality was checked through the use of the principal components. Testing the work of the neural network in the form of a perceptron showed its suitability for choosing a knowledge management strategy. The effectiveness of the chosen strategy was evaluated using an ANFIS type system, which demonstrated the possibility of obtaining a quantitative scoring.
Keywords: knowledge management, machine learning, factors influencing strategies, building a base of examples, neural network choice of evaluation strategies, neurofuzzy evaluation of effectiveness.
ПОЛУЧЕНО 13.08.2019
1. ВВЕДЕНИЕ
Знания играют важную стратегическую роль, поэтому в различных компаниях управление знаниями (УЗ) должно быть выполнено с целью использования и превращения знаний в конкурентные преимущества. Эффективный менеджмент знаний, в основном, начинается с выбора правильной стратегии УЗ. Выбор наиболее пригодной для предприятия стратегии УЗ зависит от различных целей, наличия ресурсов и даже предпочтений компаний.
Управление знаниями часто рассматривается как многомерный и междисциплинарный процесс, который иногда приводит к фрагментарному диалогу по указанной теме. Этот ресурс можно определить как процесс, который помогает организациям найти, выбрать, организовывать, распространять и передавать важную информацию и опыт [1]. Знания в любой организации необходимы для устранения возникающих проблем, стратегического планирования и принятия решений. Существует огромное множество определений процесса УЗ, которые, по существу, характеризуют этот процесс как системный подход к сбору, обработке и организации специальных знаний предприятия для
бизнес-функций и решения [2]. Не рассматривая историю становления процесса УЗ, укажем лишь основные факторы, помогающие приступить к цели данной работы.
На любом предприятии существует континуум данных, информации и знаний. В 1980-х гг. стали популярными концепция данных и система управления ими. В 1990-х гг. информационная система представлялась наиболее важным аспектом для бизнеса. Теперь наступила эра знаний. Данные, в основном, являются структурированными, фактическими и числовыми. Информация — фактическая, но неструктурированная и, главным образом, текстовая. С другой стороны, знание является логичным, абстрактным и необходимым для поддержки деловых решений. Данные состоят из фактов, изображений или звука. При объединении данных с интерпретацией и значением появляется информация. Информация представляет собой отформатированные, отфильтрованные и обобщенные данные, которые в сочетании с действием и применением становятся знаниями.
Сами знания представляют собой не только важную ценность, но и порождают мультипликативный эффект по отношению к другим компонентам производства. Среди множества возможных определений знаний обратимся к тем,
1 Работа выполнена при поддержке гранта № 18-010-00338, предоставленного РФФИ.
которые указаны в нормативных документах [3, 4]. Так, в [3] подчеркивается, что знания определяются объемом восприятий и навыков, которые придуманы людьми. При этом объем знаний увеличивается пропорционально поступающей информации. В [4] приводится несколько расширенная трактовка этого термина, в частности, знание характеризуется совокупностью данных и информации, которая дополняется экспертным мнением, профессиональными навыками и опытом. Результатом этого является новый ценный актив, который можно применять в процессе принятия решений.
Термин «Управление знаниями» в обоих нормативных документах заменен на «Менеджмент знаний», трактуемый как «силы и средства, с помощью которых сообщества в организации могут собирать знания, постоянно совершенствовать и наиболее эффективным образом делать их доступными для тех, кто в них нуждается, чтобы полученные знания могли бы творчески использоваться всеми в своей повседневной работе». Несмотря на столь неудачное определение, не делающее чести разработчикам стандарта, смысл менеджмента знаний достаточно понятен: надо уметь приобретать знания и пользоваться ими в интересах организации. В этой связи важной задачей является выбор стратегии менеджмента знаний и оценка выбранной стратегии. Но поскольку каждая организация руководствуется своими целями при выборе стратегии, основное внимание в данной работе уделим оценке стратегий.
Далее статья структурируется следующим образом. Сначала дается понятие о машинном обучении, методы которого используются при решении поставленной задачи. Затем формируются возможные виды показателей эффективности принятых стратегий, определяются факторы, от которых зависят оценки эффективности. В дальнейшем генерируется посредством метода Монте-Карло база примеров, необходимая для обучения нейронной сети. Последняя в этой задаче используется для выбора приемлемого показателя эффективности стратегий. В завершающей части для формирования количественной (балльной) оценки эффективности используется нейронечеткая система.
2. методология
2.1. Машинное обучение
Исследовательская работа с любыми данными подразумевает построение модели по наблюдениям и ее последующее применение при классификации, прогнозировании и т.п. Под машинным обучением (machine learning) подразумевается класс методов искусственного интеллекта (ИИ), характерной чертой которых является не прямое решение задачи, а обучение в процессе решения. Основная проблема с использованием методов машинного обучения сводится к выработке решения по оценке принадлежности наблюдаемого объекта к тому или другому классу. Методы машинного обучения, которые применяются для работы с данными, являются подмножеством ИИ.
По определению, данному в [5], машинное обучение — это метод, который формирует модель из данных. Здесь данные означают информацию: документы, аудио, изображения и т. д. Таким образом, модель — это конечный продукт машинного обучения, который подходит для задач, связанных с интеллектом, в частности, в ситуациях, где физические законы или математические уравнения не дают возможности построить модель. Процесс построения модели из обучающих данных показан на рис. 1.
Вертикальные линии на рис. 1 указывают на процесс обучения, а горизонтальные — на использование модели. Не-
Рис. 1. Определение модели из обучающих данных (из [5])
обходимо подчеркнуть, что данные для построения модели и ее применения различаются.
Машинное обучение учит компьютеры делать то, что естественно для человека: учиться на собственном опыте. Алгоритмы машинного обучения используют вычислительные методы, чтобы «изучать» информацию непосредственно из данных, не полагаясь на заранее определенное уравнение в качестве модели. Алгоритмы адаптивно улучшают свою производительность по мере увеличения числа образцов, доступных для обучения [6].
Ниже кратко описаны некоторые методы машинного обучения, которые используются в этой работе [5, 6].
2.2. Предобработка — метод главных компонент
Метод главных компонент (ГК) — один из самых важных и мощных методов для предварительной обработки данных. Цель введения ГК заключается в объяснении дисперсии наблюдаемых данных через линейную комбинацию исходных данных [7]. При наличии исходных переменных х1, х2, ..., х/ большая доля дисперсии данных может быть описана малым числом новых переменных (главных компонентов): Z1, Z2, ..., Z/, линейно связанных с исходными наблюдениями. Однако при таком переходе остается такое же количество ГК /, как и число исходных переменных. Следующий шаг заключается в выборе таких первых Р главных компонент (Р < /), которые сохраняют высокую долю кумулятивной дисперсии исходных данных.
Этот метод позволяет представить многопризнаковые объекты в пространстве меньшей размерности, выявить между ними сходство и различие по набору признаков, сформировать предварительные выводы о наличии групп (классов) объектов.
2.3. Нейронные сети
Нейронная сеть (НС) — это «черный ящик», который отражает ситуацию с полностью неизвестным процессом, но в наличии есть наблюдения (примеры). Здесь известны входы и выход, но требуется база примеров, по которой обучается сеть. НС в какой-то степени имитирует механизм работы мозга. В общем случае НС представляет собой машину, моделирующую способ обработки мозгом конкретной задачи [8]. Такая сеть реализуется с помощью электронных компонентов или моделируется программой, выполняемой на компьютере. Благодаря своим возможностям обучения и обобщения нейронные сети могут быть выражены как математическое отображение архитектуры мозга человека.
Поясним принцип нейросетевой технологии на однослойной сети с R входами и 5 нейронами в слое (рис. 2). В этой сети каждый элемент входного вектора р соединен с каждым
входным нейроном через матрицу весов W [9]. Нейрон с индексом I имеет сумматор, на который поступают взвешенные входы и смещения для формирования I -го скалярного выхода и(г). Различные п(0 объединяются вместе, образуя 5-й элемент входного вектора п, которые являются аргументами функции активации f. В итоге на выходе сети формируется выходной вектор-столбец а.
Входы Слой нейронов
]
V._J
Рис. 2. Однослойная сеть (из [9])
Принцип работы сети остается неизменным за исключением того, что выходы скрытого слоя являются входами выходного. После сбора данных и формирования базы примеров вопрос выбора типа сети решается достаточно просто, так как многослойная НС прямого распространения является «рабочей лошадью» (workhorse) в нейросетевых методах. В рассматриваемой задаче используется НС с двумя слоями (скрытым и выходным). Работа НС определяется тем, насколько хорошо она обобщает: иными словами, насколько правильно она предсказывает результаты классификации на тех данных, которые не были использованы в процессе обучения.
Далее в работе будут использоваться нейронные сети в виде многослойного персептрона (МСП) и радиально-ба-зисной функции (РБФ), поэтому кратко укажем различия между ними.
Сети на РБФ являются альтернативой МСП. Структурно эти два вида сетей эквивалентны. Обе НС имеют один скрытый слой с нелинейной функцией активации и выходной слой, содержащий один или больше нейронов с линейными функциями активации. Подобно МСП радиально-базисные сети обладают универсальной аппроксимирующей способностью.
Важное отличие между сетями на РБФ и МСП — это путь входного сигнала u в функции активации:
- Для МСП входной сигнал равен wrx, т.е. скалярному произведению вектора весов и входного вектора;
- Для сети на РБФ входной сигнал u равен расстоянию между входным вектором x и центром определенной функции активации с или Uj = /(||x — Cj ||).
2.4. Гибридные сети
Гибридная сеть, объединяющая принципы нейронньх сетей и нечеткой логики, представляет собой многослойную нейронную сеть специальной структуры без обратных связей, в которой используются обычные (не нечеткие) сигналы, веса и функции активации. Главная идея, используемая в модели гибридных сетей, заключается в том, чтобы применить существующую выборку данных для определения параметров функций принадлежности, которые лучше всего соответствуют конкретной системе нечеткого вывода. Для нахож-
дения параметров функций принадлежности используются известные процедуры обучения нейронных сетей. Сущность нейронечеткой системы состоит в определении параметров нечетких систем посредством методов обучения, принятых в нейронных сетях [10].
Механизм нечеткой логики может быть реализован с использованием алгоритма типа Мамдани (Mamdani) или Су-гено (Sugeno). Основное различие между системами вывода Мамдани и Сугено заключается в способе получения четкого выхода. В алгоритме Мамдани четкое значение выхода получается посредством дефаззификации выходного нечеткого множества. В алгоритме Сугено на выходе формируется взвешенное среднее значение.
Система Adaptive Network-Based Fuzzy In/erence System (ANFIS) реализует систему нечеткого вывода Сугено в виде пя-тислойной нейронной сети прямого распространения сигнала.
Назначение слоев следующее:
- первый слой — термы входных переменных;
- второй слой — антецеденты (посылки) нечетких правил;
- третий слой — нормализация степеней выполнения правил;
- четвертый слой — заключение правил;
- пятый слой — выходная переменная.
На рис. 3 изображена ANFIS-сеть с двумя входными переменными и двумя нечеткими правилами.
слой 1
слой 4
Рис. 3. Архитектура сети ANFIS с двумя входами (из [10])
3. результаты
Учитывая, что каждая организация самостоятельно выбирает стратегию УЗ, цель работы сводится к разработке методологии оценки этой стратегии. В стандарте [4] указываются показатели, которые могут служить оценкой эффективности вложений в менеджмент знаний (МЗ). К ним относятся:
- стратегическая эффективность инвестиций (СЭИ);
- организационная эффективность инвестиций (ОЭИ);
- эффективность программ по менеджменту знаний (ЭП).
Факторами, оказывающими влияние на эти показатели, служат следующие переменные: Х1 — сокращение времени на формирование выгодных предложений; Х2 — привлечение новых стратегических партнеров; Х3 — ускорение внедрения инноваций; Х4 — увеличение объема выгодных заказов; Х5 — повышение степени удовлетворенности требований сотрудников организации; Х6 — увеличение объема инновационной продукции (услуг) в результате совместной работы сотрудников; Х7 — использование передового опыта; Х8 — удовлетворение ожиданий клиентов; Х9 — рост числа посещений веб-сайта; Х10 — число применений конкретного МЗ-приложения; Х11 — формирование/повышение уровня активности онлайн-сообществ.
На разные показатели указанные факторы влияют по-разному, например, критерий СЭИ в наибольшей степени зависит от факторов Х1 — Х4; на показатель ОЭИ, главным образом, воздействуют переменные Х5 — Х8; на последний показатель ЭП влияют параметры Х9 — Х11.
Для создания базы примеров, на которых обучается нейронная сеть, возможно использование двух подходов:
- применение реальных данных;
- использование «игрушечных» наборов данных.
В машинном обучении важно научиться правильно применять игрушечные наборы данных [11,12] , так как обучение алгоритма на реальных данных сопряжено с трудностями и может закончиться неудачей. Игрушечные наборы данных играют решающую роль для понимания работы алгоритмов. При наличии простой синтетической выборки данных достаточно просто оценить, обучился алгоритм нужному правилу или нет. На реальных данных получить такую оценку сложно. Здесь воспользуемся методом Монте-Карло для формирования синтетической выборки данных. Разыгранный методом Монте-Карло набор данных представляет собой матрицу, состоящую из 12 столбцов (11 исходных факторов плюс название показателя) и 30 строк, определяющих по 10 наблюдений для каждого из трех показателей. При генерации факторов допустили, что каждый из них распределен по равномерному закону в диапазоне от 0 до 10 баллов. Тем факторам, которые в большей степени влияли на оцениваемый показатель, присваивались большие веса. Фрагмент смоделированной базы примеров, занесенный в программу Statistica, показан на рис. 4.
Метод главных компонент (ГК) позволяет сократить размерность пространства признаков, совершая в рассматриваемом случае переход от 11 исходных признаков до двух агрегированных показателей (для представления на плоскости). На рис. 5 показаны все 30 наблюдений-строк исходной матрицы данных, представленные в плоскости первых двух ГК.
Подчеркнем, что наблюдениями здесь являются показатели оценки эффективности вложений в менеджмент знаний, указанные выше. Как видно из рис. 5, наблюдения образуют 3 непересекающихся кластера, в каждом из которых находятся по 10 точек, отображающих разыгранные показатели. Таким образом, здесь осуществлен переход к сокращенному признаковому пространству: от 11 исходных признаков до двух агрегированных в виде ГК1 и ГК2.
Потеря информации при таком переходе определяется через собственные числа матрицы корреляций исходных признаков. Фрагмент значений собственных чисел показан в табл. 1.
Таблица 1
Значения собственных чисел
Соб. зн. % общей Кумулятивно Кумулятивно
1 4,441144 40,37404 4,44114 40,3740
2 3,971667 36,10606 8,41281 76,4801
3 0,574039 5,21853 8,98685 81,6986
4 0,491619 4,46927 9,47847 86,1679
5 0,390728 3,55208 9,86920 89,7200
Иде» «ыс: Таблице длимых!" (I2v ' 90i)
3
i
Varl
2 Var2
3
УмЗ
J
ум
5
Var5
6
УМ
1
Vsri
vsre
9
V»|9
10 VarM
11
Varll
1! VatlJ
T.iiaooi 9.S3843B 9.162966 6.129«1 7.1.10172 7.4S735 7.JB4642 УЫ9К 6.(20151 7.200S4S 2.126136
6102722 3.BJ3657 6 5SJ33S
6 6S«U
7 3723S6 7 422407 7 215013 7 DiMiS S 26M91 9 0Wi24 3 393597
8,366937 6.057JB5
е.эб01К
6.S7611i 8.?14iJj SS4122J 9,902629 S.SOSKi $.390011 ¡.40SW7 0.345714
9595423 7.6236BB 6.1616» 6.0Ж61 7.J294S7 7 844071 9 226661 6.213762 7.i«529l 9.102S54 4.K6676
3 350566
4 651334 1 2МШ
3 7W296
5 №1907
4 M5064 4 961903 3.SM23S l J50902 1.S10S49 7 445235
2.39B572 S.7191HS J.2002(11 1.3 ЮЯЗ J.465529 J.040193 3.76395 S.17S1M
imm
3 3S02 9.37351b
3,76622В 0 M6953 5.293566 6.137049 5.035117 3,671377 4.731407
зяа«
6.734Э06 9.746527
1 670565 4 32JS84. 0 6ЯМ6 S.OiWOO 4.057741 0 05S577 1 У083 0.270272 S.lWl32 4 94136S 7 36oaai
0.262215 3.284463 3.61076? 1.996W1 3.040925 3 046433 J 0213&2 113S&5E i.9S21ir 3.024ei: 4.616730
5.465092 5.306742 1.0916 0.330247 г.300079 5.017547 3.2G0109 2.43171S 4.101136 4.257696 5.0315B6
2 0ВКЮ1 СЭИ
3 615094 СЭИ О Я2401 СЭИ О 06W27 СЭИ 0 331939 СЭИ
2 31439 СЭ11
2 262296 СЭИ
о бггиз сэи
4 41Ш6 СЭИ
3 316091 СЭИ 2 974022 ОЭИ
Рис. 4. Фрагмент базы примеров
Ё -ё "2
-5
Проекция наблюдений на факторную плоскость [ 1 х 2; Набп. с суммой квадр. косинусов > 0 00
-3
-2
-1 0 1 Фактор 1: 40,37%
I Проекция наблюдений на Факторную плоскость ' \ /I I
о а да <Р 2 Б
25 Я о °27 о 2S о оэ
235 о о 5
о
13 о
17 о 1515 flo о 16 о V 2Е> о 2
Рис. 5. Наблюдения в плоскости первых двух ГК
Результаты: Таблица данных!
N Архитектура Произвол... Контр про... Тест. прои... Ошибка о... Ко
1 РБФ 3:3-6-3:1 0,812500 0,714286 1,000000 0,281308 о,;
2 РБФ 4:4-6-3:1 1,000000 1,000000 1,000000 0,108700 0,1
3 МП 7:7-6-3:1 1,000000 1,000000 1,000000 0,000019 0,(
4 МП 9:9-12-3:1 1,000000 1,000000 1,000000 0,000004 0,(
5 МП 11:11-12-3:1 1,000000 1,000000 1,000000 0,000000 0,(
Н
ок
Отмена
Опции
Наоките ОК для сохранения мгти V
БЩЕ[ИТа Б - - - О Бу К
панепь.
Рис. 6. Сохраненные после обучения сети
Как видно из табл. 1, сумма значений собственных чисел, соответствующих двум первым ГК, составляет 76%, поэтому потеря информации равна 24%. Однако за все надо платить: потеряв четверть информации, приобрели возможность вместо 11-мерного пространства оперировать в двумерном. Кроме того, расположение точек, отображающих наблюдения, свидетельствует о достоверном характере сгенерированных значений. Такая смоделированная база данных необходима в дальнейшем для обучения нейронной сети.
Теперь с помощью нейронных сетей оценим возможность выбора показателей для оценки выбранных стратегий. В программе Statistica сконструируем сети двух типов: многослойный персептрон и радиально-базисную сеть. Обучение сетей проведем на том же игрушечном наборе данных, дополненных столбцом с указанием вида показателей стратегии. На рис. 6 показаны пять лучших сохраненных сетей, две из которых представляют собой сети на радиально-базис-ных функциях, а три — многослойный персептрон.
Как следует из рис. 6, только одна НС с номером 5 имеет топологию, соответствующую рассматриваемой задаче: число нейронов во входном слое равно числу признаков. Архитектура этой сети показана на рис. 7.
Теперь следует проверить работу НС, подавая на вход сети вектор наблюдений (строку данных) и регистрируя выход сети (тип показателя). Сначала протестируем сеть, подавая на ее вход те данные, которые она «видела» при обучении (рис. 8).
Рис. 7. Архитектура отобранной сети
На рис. 8 в столбце «Вход» приведены данные (первая или одиннадцатая строки из таблицы на рис. 4), которые подаются на вход сети. Как видно из рис. 8, при подаче на вход сети «виденных» ею при обучении данных, сеть правильно классифицирует наблюдения, присваивая им показатели СЭИ или ОЭИ.
Теперь подадим новые данные, которые сеть еще не видела. Результат классификации новых данных показан на рис. 9.
Обратимся к задаче оценки эффективности стратегий, которую решаем с помощью системы ANFIS в программе МаЛаЬ 2018Ь. Разделив выборку на две части: обучающую
Вход
Уаг1 7,528001
Уаг2 6,402722
УагЗ 8,385937 Прогноз наблюден
Уаг4 Уаг5 Уагб 9,596423 3,350566 2,398572 Уаг12.5
1 СЭИ1
Уаг7 3,766228
Уаг8 1,676565
УагЭ 0,262215
УагЮ 5,485092
Уаг11 2,086001
Рис. 8. Тестирование
в™
Уаг1 2,826136
Уаг2 3,393597
УагЗ 0,345714
Уаг4 Уаг5 Уагб 4,756676 7,445235 9,373516 9,748527 Прогноз наблтдЕ
Уаг12.5
Уаг7 1 03 И1
Уаг8 7,360881
УагЭ 4,816736
УагЮ 5,091586
Уаг11 2,974822
нейронной сети
Вход
Уаг1 5,000000
Уаг2 4,000000
УагЗ 3,000000
Уаг4 Уаг5 Уагб 2,000000 1,000000 6 000000 Прогноз наЗлвде!
Уаг12.5
Уаг7 5,000000 1 ОЭИ]
Уаг8 4,000000
Уаг9 3,000000
УагЮ 2,000000
Уаг11 1,000000
Вход
Уаг1 1,000000
Уаг2 2,000000
УагЗ Уаг4 3,000000 4,000000
Прогноз наблюден
Уаг5 5,000000 Уаг12.5
Уагб 6,000000 1 ЗП1
Уаг7 7,000000
УагЗ УагЭ 8 000000
9,000000
УагЮ 10,0000..
Уаг11 11,0000..
Рис. 9. Работа нейронной сети
(21 вариант) и тестовую (9 вариантов), загрузим их в программу (рис. 10).
второй определяет число функций принадлежности для каждой переменной; третий — сформированное число правил (всего 21); четвертый — выходные значения, соответствующие каждому правилу; пятый — выход системы.
Результаты тестирования нейронечеткой системы показаны на рис. 12, где имеется 9 пар точек: тестовые данные и результаты, полученные системой ANFIS. Средняя ошибка тестирования составляет 2,7 ед.
Рис. 10. Загруженные обучающая и тестовая выборки
При генерации системы нечеткого вывода возможны два варианта выбора такой системы:
- опция решетчатого разбиения (Grid partition). Здесь функции принадлежности нечетких термов равномерно распределяются внутри универсума данных;
- опция субтрактивной кластеризации (Sub. clustering). При таком приеме число кластеров определяется во время работы, используя исходное распределение данных.
Здесь был выбран второй вариант вследствие более простой структуры системы. Сформированная система ANFIS показана на рис. 11.
Как видно из рис. 11, система имеет 5 слоев: первый, состоящий из 11 узлов, соответствует входным параметрам;
Рис. 12. Результаты тестирования
Теперь, обратившись к нечеткой части системы ANFIS, можно через опцию просмотра правил оценить эффективность стратегии (здесь выбрана 20-балльная шкала). На рис. 13 приведен фрагмент рисунка, отображающего такой результат: при подаче на вход системы значений одиннадцати признаков, указанных над столбцами-входами, система оценивает данный вариант показателя эффективности стратегии примерно в 14 баллов.
Рис. 11. Система ANFIS
Рис. 13. Иллюстрация работы системы
4. ЗАКЛЮЧЕНИЕ
Таким образом, показано, что для оценки показателей эффективности выбранных стратегий при управлении знаниями можно использовать методы машинного обучения, позволяющие построить модель процесса. В частности, продемонстрировано использование нейронной сети в виде персептрона для выбора вида показателей эффективности стратегий, нейронечеткой системы для получения количественной оценки эффективности.
Дальнейшие работы в этом направлении должны включать анализ возможных стратегий менеджмента знаний, отбор доминирующих факторов, применение методов машинного обучения для выбора стратегий.
Автор благодарит проф. Кричевского М.Л. за помощь при подготовке данной статьи.
ЛИТЕРАТУРА
1. Nadali A., Nosratabadi H, Pourdarab S. ANP-FIS Method for Determining the Knowledge Management Strategy. International Journal of Information and Education Technology, 2011, Vol. 1, No. 2, p. 107-113.
2. Ratnaparkhi P.S., Butey P.K. Summary: Smart Decision Making Using Fuzzy Logic For Knowledge Management System. International Journal of Computer Engineering and Technology, 2014, Vol. 5, No. 10, p. 41-50.
3. ГОСТ Р 53894-2016. Менеджмент знаний. Термины и определения. Москва: Стандартинформ, 2016.
4. ГОСТ Р 57127-2016. Менеджмент знаний. Руководство по наилучшей практике. Москва: Стандартинформ, 2016.
5. Kim P. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence., Soul-t'ukpyolsi, Seoul, 2017.
6. Alpaydin E. Introduction to Machine Learning. MIT Press Cambridge, Massachusetts, 2010.
7. Jolliffe I. T. Principal component analysis. Springer, New York, 2002. p. 519.
8. Haykin S. 2009. Neural Networks and Learning Machines. NY, Pearson Education. pp: 937.
9. Neural Network Toolbox™. User's Guide. The MathWorks, Inc., MA, 2015. pp: 410.
10. Mewada K.M., Sinhal A., Verma B. (2013) Adaptive Neuro-Fuzzy Inference System (ANFIS) based software evaluation. International Journal of Computer Science 10(1): 244—250
11. Рамсундар Б., Заде Р.Б. TensorFlow для глубокого обучения. М.: BHV, 2019, 250 с.
12. Шакла Н. Машинное обучение и TensorFlow. Санкт-Петербург: Питер, 2019. 336 с.
REFERENCES
1. Nadali A., Nosratabadi H., Pourdarab S. ANP-FIS Method for Determining the Knowledge Management Strategy. International Journal of Information and Education Technology, 2011, Vol. 1, No. 2, p. 107-113.
2. Ratnaparkhi P.S., Butey P.K. Summary: Smart Decision Making Using Fuzzy Logic For Knowledge Management System. International Journal of Computer Engineering and Technology, 2014, Vol. 5, No. 10, p. 41-50.
3. GOSTR 53894—2016. Menedzhment znanij. Terminy i oprede-leniya [GOST R 53894-2016. Knowledge management. Terms and Definitions]. Moscow: Standartinform Publ., 2016.
4. GOSTR 57127—2016. Menedzhment znanij. Rukovodstvo po nai-luchshejpraktike [GOST R 57127-2016. Knowledge management. Best Practice Guide]. Moscow: Standartinform Publ., 2016.
5. Kim P. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence., Soul-t\'ukpyolsi, Seoul, 2017.
6. Alpaydin E. Introduction to Machine Learning. MIT Press Cambridge, Massachusetts, 2010.
7. Jolliffe I.T Principal component analysis. Springer, New York, 2002. p. 519
8. Haykin S. 2009. Neural Networks and Learning Machines. NY Pearson Education. pp: 937.
9. Neural Network Toolbox™. User\'s Guide. The MathWorks, Inc., MA, 2015. pp: 410.
10. Mewada K.M., Sinhal A., Verma B. (2013) Adaptive Neuro-Fuzzy Inference System (ANFIS) based software evaluation. International Journal of Computer Science 10(1): 244-250
11. Ramsundar B., Zade R.B. TensorFlow dlya glubokogo obucheniya [TensorFlow for deep learning]. Moscos: BHV Publ., 2019. 250 p.
12. Shakla N. Mashinnoe obuchenie i TensorFlow [Machine Learning and TensorFlow]. St.-Petersburg: Piter Publ., 2019. 336 p.
