CC BY
35Разработка методов и инструментов поддержки принятия управленческих решений на основе искусственного интеллекта
Сомов Андрей Георгиевич,
аспирант Высшей школы управления и бизнеса, Института промышленного менеджмента экономики и торговли, Санкт-Петербургский политехнический университет Петра Великого, somovspb@yandex.ru
В эпоху глобальной конкуренции и технологического лидерства вперед выходят новейшие инновационные разработки, основанные на методах искусственного интеллекта. Методы искусственного интеллекта в сфере поддержки принятия эффективных управленческих решений позволяют быстро анализировать большие объемы информационных данных, корректировать, формировать и восполнять информационные базы данных, при наличии неполных или частично отсутствующих экономических данных. Также, методы искусственного интеллекта обеспечивают построение экономической модели, включающей в себя обычно большое количество взаимосвязанных экономических параметров, которая дает возможность выявлять неявные закономерности и тренды, скрытые в экономических данных, позволяет скорректировать уже построенную экономическую модель согласно поступающим новым экономическим данным (т.е. реализован механизм постоянного дообучения модели). Что дает возможность прогнозировать поведение экономической системы и ее параметров, используемых в экономической модели и тем самым проактивно реагировать на внешние вызовы и повышать эффективность и устойчивость развития организации. Это определяет актуальность данной статьи посвященной поддержке принятия эффективных управленческих решений в деятельности хозяйствующего субъекта с использованием искусственного интеллекта.
Ключевые слова: искусственный интеллект, метод поддержки принятия управленческих решений, нейронные сети, экономические параметры, прогнозирование, восполнение информационной базы
Введение
В современной экономике, на фоне становления цифровой экономики, нарастает динамика научно-технического развития и остро встает вопрос повышения эффективности экономической деятельности хозяйствующих субъектов. Одним из ответов на этот вызов является разработка комплекса методов и инструментов, реализованных и внедренных на практическом уровне, которые обеспечивают поддержку принятия эффективных управленческих решений. Данный комплекс методов и инструментов с необходимостью отвечает за анализ и мониторинг текущей экономической ситуации, постановку целей и задач деятельности хозяйствующего субъекта и их своевременную корректировку, за выбор критерия оптимальности принимаемых решений. Также он обеспечивает поиск альтернативных вариантов решения поставленной задачи и выбор наиболее оптимального решения, за реализацию и внедрение выбранного решения в жизнь, а также за мониторинг и проактив-ную адаптацию процесса реализации решения с течением времени.
Рассмотрим методику поддержки принятия управленческих решений на основе искусственного интеллекта состоящую из трех этапов: разработка алгоритма формирования и восполнения информационной базы, разработка общей экономической модели внедрения инновационного продукта, разработка алгоритма прогнозирования потребности внедрения инновационного продукта.
Разработка алгоритма формирования и восполнения информационной базы
Основанная роль алгоритма формирования и восполнения информационный базы данных заключается в подготовке полной таблицы данных для проведения моделирования при создании экономической модели. Запрос на создание данного алгоритма возникает из-за следующих начальных проблем моделирования, имеющихся на сегодняшней день в экономических базах данных: неполнота информации (пропуски или отсутствие информации), некорректность информации (ошибки в данных - «выбросы», нулевые значения и др.), устаревшая информация (экономические данные зачастую устаревшие на 2-3 года или более на текущий момент проведения исследования).
Рассмотрим работу разработанного алгоритма по формированию восполнению информационной базы. На первом этапе алгоритма выбирается перечень мест внедрения инновационного продукта, далее определяются прямые или косвенные параметры для каждого конкретного места внедрения (т.е. для мест внедрения у которых отсутствуют прямые параметры подбираются начальные косвенные экономические параметры). Проводится первичная коррекция прямых экономических данных, устраняются выбросы, нули данных и небольшие пропуски в данных, при помощи классических методов аппроксимации временных рядов или при использовании нейронных сетей (на данном этапе нейронные сети предпочтительны при первичной коррекции данных если объем анализируемых данный относительно большой, для малого объёма информационных данных предпочтительней использовать классические методы аппроксимации). Если же присутствуют
X X
о
го А с.
X
го т
о
м о м
Сл>
м см
0
см ^
01
о ш т
X
3
<
т О X X
большие пропуски в таблице прямых экономических данных или есть отсутствующие целые строки в данных, то в рамках составленного алгоритма (рисунок 1) подбирается первичный набор косвенных экономических параметров с помощью которого обучается нейронная сеть (данные косвенные параметры также в свою очередь проходят через процедуру первичной коррекции данных), далее создается циклический процесс (цикл) перебора косвенных экономических параметров для нейросетевой модели, пока ошибка результата моделирования не удовлетворит заданным оптимальным условиям ^<0.8-0.9). На следующем этапе экономические данные экстраполируются до текущего момента времени (на текущий год), т.к. обычно имеющиеся данные устаревшие на 2-3 года или более. Экстраполяция данных в данном алгоритме (рисунок 1) проводится стандартными методами эконометрики ^НМ) или методом нейронных сетей (нейронные сети предпочтительны при экстраполяции данных если объем анализируемых данный относительно большой, для малого объёма информационных данных предпочтительней использовать классические методы экстраполяции), которые обучаются на имеющихся (устаревших) временных рядах и после обучения дают прогноз данного временного ряда вперед на 2-3 года.
за того, что перебор всех имеющихся характеристик не дает нужной точности моделирования, то принимается решение о выборе самой лучшей (оптимальной) модели из всех экспериментов по моделированию, либо проводится разбиение (группировка) таблицы исходных данных на группы (обычно две или три) и далее проводится тот же цикл перебора и обучения модели для каждой из групп данных.
Разработка общей экономическое модели по внедрению инновационного продукта
Днилимми
ГфорМИртИММ
имбир,««питии (нН |й] II.])
1
СОГПИНИИ М№ГОП*|Ж1ЛрИЧВЯМ
вдели (боли 20 цк и 13 выщнык
пдряыггрой]
Подбор нптсмиот нябора парам ггрпп дли «прямы*»
Г ^ параметр®! ^^л 1
1 1 1
Проведение обучения нсоэдаиис В
МШ<>1МрНИИТ)и1Ч1*1ХНЙ молкли
(ММОДйй: NN1
1 1 1
Корректировка начального набора _
насаснпл параметров при неудачном
моден ирешнии (при нгиЕмодимопи}
1
Проверка и иоррешрйми изм лчильн
1фор*!НриЙа1 (МиЙ И ДО! ЮЛИ*? 1П0Н
информационной
(выбросы (|роф, МНГ1 МОК\ пул», мВплиныл пропуски длины! [методы:
NN. ГрГДЧРР, ГОСТИИ« 1ИЙЧРНИЯ родя,
ЭКЛДООЛМДО ДМНЫЯ в(1й№!|1НЬМ
рядов до шуидо гад* 1для потений актуальной № данный
1ШМ№1 НифирМаОрИ ji.iL БД(Й}ыЧ№
не 1>3 года (мчи боям! «пятдьвдют)) (методы клаггнч
^пгткьшцин, АЙ1МА, NN - дли ййЛЫНйГО шины йремённык рАДОВ}
Квчсствениюе дополнение И Е дли ырдл дли ноторык
ииобще 1нм донник (с учеши ишибки моделирования)
Рис. 1 - Алгоритм формирования и восполнения информационной базы с использованием методики искусственного интеллекта
Аналогичная последовательность действий повторяется для ветки алгоритма с изначально выбранными косвенными параметрами (когда нет возможности подобрать прямые экономические параметры мест внедрения инновационного продукта). Далее исходя из результатов моделирования (работы алгоритма) принимается решение убрать или добавить косвенный экономический параметр и снова с новым набором данных запускается цикл обучения модели. Если же возникает ситуация не достижения искомой точности моделирования из-
Рисунок 2- Алгоритм создания экономической модели по внедрению инновационного продукта
Для разработки общей экономической модели по внедрению инновационного продукта используется предварительно сформированная и восполненная информационная база. При этом входными данными модели обучения нейронной сети являются только косвенные параметры потенциальных мест внедрения инновационного продукта. Поэтому для подготовки к созданию общей экономической модели необходимо дополнить состав косвенных входных параметров модели (т.е. для тех внедрения инновационного продукта для которых имеются прямые параметры в рамках этом модели необходимо в циклическом процессе подобрать соответствующие косвенные параметры). Для этого, подбираются первичные косвенные параметры, для тех мест внедрения, для которых, не были подобраны эти параметры на этапе формирования информационной базы (рисунок 2). Далее, аналогично алгоритму формирования и восполнения информационной базы, для этих начальных косвенных параметров проводится коррекция данных, экстраполяция данных до текущего года, далее выполняется обучение нейронной сети по этим первичным косвенным параметрам, осуществляется циклический перебор косвенных параметров модели, пока ошибка моделирования не удовлетворит
заданным условиям. Таким образом, мы получаем «окончательный» набор косвенных параметров, который полностью (с точностью ошибки моделирования) соответствует прямым параметрам потенциальных мест внедрения продукта. Далее создается общая экономическая модель с помощью обучения нейронной сети по данным входным и выходным параметрам, при этом входными параметрами модели являются «окончательный» набор косвенных параметров (более 20-ти) полученный на этапе формирования и восполнения информационной базы и на этапе подготовки к созданию общей модели. Выходными параметрами модели при обучении являются полученные потенциальные места внедрения инновационного продукта (только прямые параметры). Также в процессе обучения общей модели проводится корректировка «окончательного» набора косвенных параметров, если результат моделирования показывает не удовлетворительный результат (см. рисунок 2).
Разработка алгоритма прогнозирования потребности внедрения инновационного продукта с использованием предварительно разработанной общей экономической модели
Для проведения прогнозирования потребности внедрения инновационного продукта согласно разработанному алгоритму (рисунок 3) проводится экстраполяция косвенных экономических параметров, отобранных в процессе разработки общей экономической модели, до необходимого года (на 2030 год). В качестве методов экстраполяции косвенных параметров используются методы эконометрики ^1МА) и метод нейронных сетей (нейронные сети предпочтительны при экстраполяции данных если объем анализируемых данный относительно большой, для малого объёма информационных данных предпочтительней использовать классические методы экстраполяции ^1МА)).
Экстраполяция денных временных
рядов в будущн на 5 - 7 Л1Т -2027,2030 (йды (методы: классич. экстраполяция, АР)МЛ, NN - для большого массива оремсилых рядов (модель разбиения временных рядов)}
Корректи ровна модели прогнозирования при ошибке
Корректировка модели прогнозирования при выявлении новых
мест внедрения инноыцио много
Рисунок 3- Алгоритм прогнозирования потребности внедрения инновационного продукта с использованием предварительно разработанной экономической модели
Рассмотрим подробнее методику прогнозирования временных рядом при помощи нейронной сети (альтернатива методу ARIMA при больших объемах данных временных рядов). Необходимым условием является наличие временного ряда достаточной длинны временного ряда. Основным этапом данной методики является подготовка и разбиение данных перед обучением их нейронной сетью. Данные подготавливаются следующим образом: берется первые десять лет ряда (пусть с 1981 по 1990 годы), причем данные за первые пять лет (с 1981 по 1985) располагаем в виде столбца (X)- это будут входные данные для обучения нейронной сети. Данные за вторые пять лет (с 1986 по 1990) также располагаем в виде второго столбца (У) - это будет выходной столбец данных обучения нейронной сети. Далее действуем аналогично для следующих десяти лет временного ряда (с 1990 по 2000), разбивая данные на два столбца и присовокупляя их снизу к уже полученным столбцам. И так далее, в результате (для 200 стран) мы получаем два столбца длинной около 1000 строк (X, У). Для получения результата прогнозирования нейронной сетью, после обучения данной сети на таблице входных и выходных данных (X, У), мы уже на вход обученной сети (X) подаем выходной столбец (У) и автоматически получаем прогноз всей совокупности временных рядов (для 200 стран) на пять лет вперед. При применении аналогично шага еще раз получаем прогноз временного ряда на десять лет вперед.
При этом надо заметить, что при прогнозировании данных при помощи алгоритма (рисунок 3), в случаи получения не совсем оптимальных результатов прогнозирования (большая изначальная ошибка моделирования) необходимо будет вернуться на один шаг назад, чтобы воспользоваться группировкой стран в группы со сходными экономическими параметрами, что улучшает сходимость моделирования и улучшает точности модели.
Выводы
Посредством разработки алгоритма формирования и восполнения информационной базы с использованием методики искусственного интеллекта, с использованием экономических баз данных и методики искусственного интеллекта, предложено решение часто встречающегося базисного вопроса - неполных, некорректных, отсутствующих и устаревших начальных (исходных) данных об исследуемом экономическом объекте.
Разработанная экономическая модель по внедрению инновационного продукта с использованием технологии нейронных сетей, на основе сформированной и восполненный информационной базы - показала широкие возможности по использованию данной модели в области прогнозирования поведения экономической системы в будущем, быстрое реагирование модели при получении новых данных, анализ паттернов модели (при сравнении с другими моделями), возможности классификации (кластеризации) экономических параметров модели, устойчивость модели при поступлении новых входных данных модели и др.
Разработанный алгоритм прогнозирования потребности внедрения инновационного продукта с использованием предварительно разработанной экономической модели (п.3), дает возможность заглянуть в будущее поведение экономической системы, при этом гибко адаптируется при поступлении новых или уточненных данных и перестраивает (улучшает) прогноз.
Литература
1. Дуболазов В. А., Сомов А. Г. Расчет эффективности вывода на зарубежный рынок продукта с высокой инновацион-
X X
о
го А с.
X
го т
о
м о
м «
ной составляющей с использованием нейронных сетей // Бизнес. Образование. Право. 2019. № 2 (47). С. 27-32. DOI: 10.25683/VOLBI.2019.47.269
2. World Bank Open Data, URL: https://worldbank.org/, (дата обращения: 25.04.2023).
3. Хайкин С. Нейронные сети: полный курс. - М.: ИД «Ви-льямс», 2016. - 1104 с.
4. K.P. Murphy, Machine Learning: A Probabilistic Perspective. Cambr., Mass., MIT Press (2012)
5. Social Progress Index, URL: http://www.socialprogressindex.com/ (дата обращения: 11.08.2022).
6. The Observatory of Economic Complexity, Export, import of X-ray systems, URL:http://atlas.media.mit.edu/ (дата обращения: 19.08.2022).
Development of methods and tools to support management decision-making
based on artificial intelligence Somov A.G.
Peter the Great St. Petersburg Polytechnic University JEL classification: C01, C02, C1, C4, C5, C6, C8
In the era of global competition and technological leadership, the latest innovative developments based on artificial intelligence methods are coming forward. Artificial intelligence methods in the field of support for effective management decision-making allow you to quickly analyze large amounts of information data, correct, form and replenish information databases, in the presence of incomplete or partially missing economic data. Also, artificial intelligence methods provide the construction of an economic model, which usually includes a large number of interrelated economic parameters, which makes it possible to identify implicit patterns and trends hidden in economic data, allows you to adjust an already built economic model according to incoming new economic data (i.e., a mechanism for continuous training of the model is implemented). This makes it possible to predict the behavior of the economic system and its parameters used in the economic model and thereby respond in advance to external challenges and increase the efficiency and sustainability of the organization's development. This determines the relevance of this article dedicated to supporting of effective management decisions in the activities of an economic entity using artificial intelligence.
Keywords: artificial intelligence, management decision support method, neural networks, economic parameters, forecasting, replenishment of the information base
References
1. Dubolazov V. A., Somov A. G. Calculation of the efficiency of bringing a product with a high innovative component to the foreign market by using neural networks. Business. Education. Right. 2019. No. 2 (47). pp. 27-32. DOI: 10.25683/VOLBI. 2019. 47. 269
2. World Bank Open Data, URL: https://worldbank.org/, (date accessed: 25.04.2023).
3. Haykin S. Neural networks: full course. - Mos.: "Williams", 2016. - 1104p.
4. K.P. Murphy, Machine Learning: A Probabilistic Perspective. Cambr., Mass., MIT Press (2012)
5. Social Progress Index, URL: http://www.socialprogressindex.com/ (access date: 11.08.2022).
6. The Observatory of Economic Complexity, Export, import of X-ray systems, URL:http://atlas.media.mit.edu/ (access date: 19.08.2022).
fO СЧ
о
es
о ш m
X
<
m О X X
