Статьи по экономическим темам
  • Регистрация
1 1 1 1 1 1 1 1 1 1 Рейтинг 0.00 (0 Голоса)

ТЕХНОЛОГІЇ ШТУЧНОГО ІНТЕЛЕКТУ ТА ГІБРИДНИЙ ПІДХІД В ОРІЄНТОВАНИХ НА ЗНАННЯ СППР (на прикладі нафтогазовидобувної компанії).

Максимальне забезпечення України власними паливно-енер­гетичними ресурсами є принциповим завданням економіки України. Основним фактором збільшення вітчизняного видобутку нафти та газу є підвищення ефективності управління знаннями з використанням технологій штучного інтелекту, методів видобу­вання даних тощо. Застосування орієнтованих на знання інтелектуальних систем підтримки прийняття рішень (ІСППР) як ключового інструменту політики управління знаннями дасть змогу ефективно управляти комплексом інтегрованих процесів нафтогазовидобувної компанії: розвідкою та підрахунком запасів, розробкою; видобуванням, маркетингом, розміщенням інфраструктури та розпорядженням нафтою та газом.

З моменту народження комп’ютерної технології її намагаються використати для розв’язання все більш складних задач. Найбільш розвинуті на сьогодні методи основані на формалізованих алгоритмах. Однак у сучасній практичній діяльності більшість актуальних задач, які потребують автоматизації, є погано формалізовані (невизначеність вхідної інформації чи/або наслідків дій). Виділяють наступні особливості неформалізованих задач: алгоритм розв’язання задачі невідомий чи не може бути використаний через обмеженість ресурсів комп’ютера; задача не може бути визначена у числовій формі; цілі задачі не можуть бути виражені в термінах точно визначеної цільової функції.

Народження науки про штучний інтелект (ШІ) та неможливість розв’язувати неформалізовані задачі класичними методами теорії управління, оптимізації та системного аналізу обумовлено кількома факторами:

·  будь-який проектувальник складних інформаційних систем стикається з комплексом проблем, які погано піддаються розв’я­занню традиційними методами (через неповноту знань про навко­лишнє середовище, неминучі погрішності, непередбачуваність реальних ситуацій), що вимагає використання адаптивних інтелектуальних систем, які здатні налаштовуватися на зміну «правил гри» і самостійно орієнтуватися у складних умовах;

·  проектувальник не може врахувати та звести у загальну систему рівнянь всю сукупність зовнішніх умов, особливо за наявності багатьох активних гравців. «Прокляття розмірності» стає реальним стримуючим фактором при розв’язанні багатьох складних задач. Отже, самоадаптація системи в процесі динамічного моделювання у «наближених до бойових умовах» є майже єдиним способом розв’язку в таких випадках.

Для розв’язання неформалізованих і важко формалізованих задач традиційно використовуються два основних підходи:

¨ заснований на правилах (rule-based), характерний для експертних систем. Він базується на описі предметної області у вигляді набору правил «якщо …, то …» і правил виводу. Шукане знання представляється в цьому випадку теоремою, істинність якої доводиться за допомогою побудови ланцюжка висновків. При цьому підході, проте, необхідно заздалегідь знати весь набір закономірностей, що описують предметну область;

¨ заснований на прикладах (case-based), коли треба лише мати достатню кількість прикладів для настроювання адаптивної системи з заданим ступенем достовірності. Нейронні мережі є класичним прикладом такого підходу.

У практиці розвитку інформатики є тільки одна категорія інформації, в якій первісно закладені принципи відсутності помилок, модернізованості та розвитку, мобільності тощо — це знання. У загальному вигляді під знаннями, що використовуються в системах штучного інтелекту, зазвичай розуміють особливим чином організовані дані, поняття, відомості, що утворюють базу знань. За визначенням Л. Т. Кузіна, «це відомості, що відображають закономірності, які існують у предметній області та дозволяють виводити нові факти, що мають місце в даному стані проблемного середовища, але не зафіксовані в базі даних, а також прогнозувати потенційно можливі стани».

Як згадано раніше, один з 2 підходів до розв’язання неформалізованих задач полягає у виділенні знань та створенні бази знань (БЗ). Знання зберігаються у БЗ, у конкретній стандартній формі, що дає можливість їх легкого визначення, модифікації та доповнення.

Знання експерта і орієнтованої на знання системи підтримки прийняття рішень (СППР) належить до певної предметної області. Знання щодо розв’язання визначених специфічних проблем називається областю знання. Область знання повністю входить до предметної області. А простір між областю знання та предметною областю символізує, що в СППР чи експерта немає повного знання про всі проблеми певної предметної області.

У БЗ мають бути наявні знання: першого роду (загальновідомі факти, явища, які визнані й опубліковані), другого роду (набір емпіричних правил та інтуїтивних висновків, якими керуються спеціалісти в умовах невизначеності та неповноти інформації, як правило, не опубліковані). У БЗ переважно містяться знання 1-го роду, але мають бути і знання 2-го роду, якщо ж вони відсутні, то це означає поганий вибір експертів, які не вміють формулювати свої набуті евристики чи не хочуть ними ділитися. Крім того, знання поділяють на факти, правила, метадані (знання про знання). Знання у БЗ поділяють також на інтенсіональні (абстрактні) — концептуальні знання про об’єкти предметної області та зв’язки між ними; екстенсіональні (конкретні) — кількісні характеристики інтенсіональних знань, тобто база даних. Виділяють наступну класифікацію знань за представленням:

·  декларативні знання (факти, тобто класи об’єктів і зв’язки між ними. Моделювання ПО потребує повного опису всіх можливих її станів. Розв’язування задачі в цьому випадку ґрунтується на пошуку в множині можливих станів ПО);

·  процедурні знання чи правила (набір певних процедур перетворення знань як даних. Немає потреби зберігати інформацію про всі можливі стани предметної області, достатньо лише мати опис початкового стану та процедур, що генерують всі необхідні стани на базі початкового).

Форма подання знань справляє значний вплив на характеристики та властивості системи. Подання знань має бути однорідним, зрозумілим і експертам і користувачам системи.

Виділяють 4 моделі подання знань:

— логічна модель (знання подають у системі логіки предикатів першого порядку. Перевагами є одиничність теоретичного обґрунтування та можливість реалізації системи формально точних визначень та висновків. Однак при розв’язанні складних задач виразити евристику у системі чіткої логіки дуже складно, тому основні досягнення у теорії БЗ пов’язані з використанням нелогіч­них моделей представлення знань);

— продукційна модель (заснована на використанні правил типу «Якщо—То». Переваги: легкість створення та розуміння окремих правил; легкість доповнення та модифікації; простота механізму логічного виводу. Недоліками є: неясність взаємовідношень між правилами; складність оцінки цілісного образу знань; низька ефективність обробки; відмінність від людської структури знань; відсутність гнучкості логічного виводу. Процедура вирішення конфлікту та інформація про послідовність використання правил продукції є ядром стратегії управління продукційної системи. Існує ряд прийомів вибору потрібного правила з конфліктного набору — упорядкування продукції (зазначається послідовність використання правил); задання параметрів, що свідчать про вік даних (насамперед активізуються правила, які є найбільш «свіжими»); використання насамперед правил з найбільшим списком умов);

— фреймова модель (модель пам’яті людини та його свідомості. Заснована на понятті фрейму — структури даних для подання деякого концептуального об’єкта. Має широкі можливості та гнучкість);

— модель семантичної мережі (тобто система знань, яка має сенс у вигляді цілісного образу мережі, вузли якої відповідають поняттям та об’єктам, а дуги — відношенням між об’єктами. Одним із обмежень семантичної мережі є нездатність чітко уявити широкий діапазон умов, який легко представити правилами продукції, для усунення цього використовують незалежну структурно-успадковану мережу, яка об’єднує переваги семантичних мереж і правил продукції).

Завершуючи розгляд засобів подання знання про світ, варто відмітити, що в цілому жоден із них не має таких переваг, які б дозволили зовсім ігнорувати інші. Обрання того чи іншого засобу значною мірою залежить від конкретної предметної області задач, що розв’язуються, а також інших чинників.

Максимальний ефект в організації орієнтованих на знання процесів прийняття рішень (ПР) може бути отриманий при гнучкій і мобільній СППР, яка дозволяє максимально поєднувати процедурні апарати різних методів менеджменту і гнучко перебудовуватись на нові види інформаційної бази при зміненні методів ПР. Беззаперечну перевагу в цьому напрямі мають СППР, які базуються на гнучких методах уявлення і обробки економічної інформації, тобто інформаційні системи з застосуванням концепцій баз знань. Орієнтація на знання забезпечує подвійну перевагу: по-перше, гнучкість, змістовність і виразність знань в уявленні складної і неструктурованої системи; по-друге — мобільність та коректність БЗ при переході до нових методів ПР і необхідності адаптації до нових умов.

Виходячи зі специфіки діяльності з розвідки та розробки нафти й газу та основних переваг правило-орієнтованої моделі бази знань ІСППР (пояснення пропонованого рішення; швидкість та своєчасність ППР; звільнення людини-експерта; управління невизначеністю; формалізація експертних оцінок; можливість еволюціонування бізнес-політики; відсутність протиріч та впливу суб’єктивного фактора тощо), можна зробити висновок про необхідність використання правило-орієнтованого базису БЗ для ІСППР нафтогазовидобувної компанії.

Орієнтована на знання інтелектуальна система підтримки прийняття рішень — це СППР, збудована з використанням технології штучного інтелекту (ШІ), використовує орієнтовані на знання технології експертних систем (ЕС) та інструменти видобування знань і є найбільш прогресивним напрямом розвитку СППР. Концепції ІСППР включають у себе засоби для здійснення видобування даних. За допомогою ШІ та статистичного аналізу ці засоби знаходять нову інформацію в існуючих даних. Крім того, система визначає, як відображати здобуте знання, щоб воно було зрозуміле людям. Інші СППР використовують вбудовані нейромережі, які навчаються на прикладах, щоб розпізнавати моделі/шаблони та відхилення від них.

Необхідно зауважити, що вибір найправильнішого напряму серед трійки ШІ, ЕС та СППР не є перспективним, оскільки важко знайти чітку лінію розподілу, глибину перетину і входження один до одного. Необхідно поєднання всіх трьох концепцій, що тим самим збагачує в кінцевому підсумку поняття інтелектуальної СППР. ІСППР вміють оперувати неповною або сумнівною інформацією, якісними логічними зв’язками, давати пояснення результатів, розв’язувати задачі з оцінки величезної кількості альтернатив та їх класів, що характерно для нафтогазової компанії. Саме технології ШІ дають змогу ІСППР вирішувати неструктуровані, погано структуровані або напівформалізовані класи задач вищого менеджменту компанії. Отже, поточною тенденцією є включення ШІ та ЕС у ІСППР. У огляді Департаменту торгівлі США за 1995 р. відзначається, що 70 % найбільших 500 американських компаній тим чи іншим чином використовують ШІ у своїх операціях.

Технологія ШІ використовується у СППР для допомоги у наступних питаннях: які обрати дані для аналізу чи як їх аналізувати; виконання аналізу чутливості (щоб бути впевненим, що всі аспекти проблеми розглянуті); визначення вже вивчених аспектів проблеми та співвідношення поточних знахідок з минулими аналізами та даними.

Технологія ШІ асоціюється з проблемами, які потребують експертного досвіду, де експерт не завжди доступний чи його послуги коштують дорого, де рішення повинні прийматися швидко, де існує забагато альтернатив до розгляду ОПР одночасно і де ціна помилки дуже висока. ШІ допомагає також у ситуації, коли стабільність та надійність суджень орієнтованої на знання технології є головними цілями, а не творчий підхід у процесі прийняття рішення.

ШІ грає дві ролі у СППР. По-перше, ШІ може служити як тип моделі, тобто евристичній техніці моделювання, яка маніпулює головним чином символічною інформацією. Цей тип моделювання відтворює процес міркування людиною, який особливо корисний при розв’язанні нечітких проблем чи за умови неповної інформації. Другим способом використання технології ШІ у СППР є надання інтелектуальної підтримки користувачам. З використанням технології ШІ розробники СППР можуть вбудувати технологію використання людської експертизи у процеси моделювання, оцінки альтернатив чи кінцевий аналіз для поліпшення якості рішень всіх користувачів СППР. Розробники повинні кодифікувати знання експертів, побудувати процедури для обробки цієї інформації та встановити спосіб, у який невизначеність інформації та відношень оброблятимуться.

Сьогодні найбільший потенціал і сподівання покладають на гібридні ІСППР, які є потужним інструментом розв’язання складних проблем, які не під силу «чистим» підходам. Наприклад, комбінування парадигм використання правил та прецедентів дозволяє підвищити ефективність обробки виключень, не ускладнюючи набір правил. Таким чином, кожен з компонентів займається тим, на що найкраще він орієнтований: правила мають справу з узагальненнями предметної області, а прецеденти — з окремими нетиповими випадками. Такий підхід вимагає, щоб база прецедентів була проіндексована за застосовуваними правилами. Розглянемо гібридне поєднання технологій ЕС та нейромереж у ІСППР. Збір та зберігання знань експертів найкраще виконується ЕС, але вони не пристосовуються до змін негайно. Нейромережі, з іншого боку, не є дуже добрими зберігачами експертного досвіду, але їх можна тренувати для по-
довження навчання. Нейромережі можуть переглядати великі об’єми даних та знаходити причинно-наслідкові відношення, які допоможуть їм адаптуватися до змін у своєму середовищі. Разом дві технології можуть забезпечити повноцінну підтримку в межах СППР. Комбіноване використання експертної системи й апарату штучних нейронних мереж забезпечує необхідну гнучкість і самонавчання на основі знань, у той же час, отримані від експертів знання дозволяють істотно спростити структуру нейронних мереж, зменшити число нейронів і зв’язків мережі. Нейромережевий підхід особливо ефективний у задачах експертної оцінки з тієї причини, що він поєднує у собі спроможність комп’ютера до опрацювання чисел і спроможність мозку до узагальнення і розпізнавання (наприклад, цей підхід варто використовувати в задачах оцінки активів нафтогазових компаній).

Важливим питанням є оперування невизначеністю в процесі ПР, отже, інтелектуальна СППР повинна бути здатною до оперування невизначеністю, а саме: невизначеність щодо зовнішніх об’єктів, які впливатимуть на успіх прийнятих рішень; невизначеність щодо достовірності інформації, яку використовують як основу рішень; невизначеність щодо обґрунтованості відношень, які обумовлюють ситуацію вибору. Невизначеність, яка виникає в процесі прийняття управлінських рішень розділяють також на недостатньо повне знання про предметну область; недостатню інформацію про конкретну ситуацію. Неточні методи використовують експерти, а отже і орієнтовані на знання ІСППР, з кількох причин: якщо точних методів не існує; якщо точні методи існують, але не можуть бути застосовані на практиці через відсутність необхідного об’єму даних чи неможливості їх нагромадження (через високу вартість, ризик чи відсутність часу на збір необхідної інформації). Існує 3 головних підходи до оперування невизначеністю в інтелектуальних системах: теорія ймовірності, фактори впевненості, та нечіткі множини. Висуваються наступні аргументи проти використання теорії ймовірності: теорія ймовірності не дає відповіді на питання, як комбінувати ймовірності з кількісними даними; надання ймовірності певним подіям вимагає інформації, яку ОПР просто не мають; поновлення оцінок ймовірності коштує дуже багато, оскільки вимагає великого обсягу обчислень тощо. Однак і результат використання нечітких множин часто далекий від ідеального. Дослідження засвідчили, що методи на основі нечіткої логіки менш надійні за Байєсівські. Проте, оскільки метою дослідження є орієнтовані на знання СППР, варто брати до уваги, що людині невластиво будувати судження на основі Байєсівського підходу. Принадність нечіткої логіки для проектувальників, орієнтованих на знання систем, міститься в її близькості до природної мови. Це спрощує процес інженерії знань. Отже, в орієнтованих на знання ІСППР для нафтогазовидобувної індустрії варто застосовувати нечітку логіку. Цей термін не означає невпорядкований процес роздумів, а означає оперування неточними даними та відношеннями. Люди використовують нечітку логіку регулярно, кожен раз, коли рішення не має «білих» та «чорних» розв’язків. Нечіткість надає гнучкість у підходах до розв’язання проблем, що примушує нас розглядати всі можливі варіанти. Ілюстрацією цього є те, що люди можуть приймати кращі рішення, ніж комп’ютери, через використання невизначеності у своїх умовиводах. Нечіткі множини доречно використовувати при побудові найбільш наближених до реальності моделей систем.

Подібно до технології нейромереж та систем з використанням нечіткої логіки орієнтована на знання технологія також має здатність до навчання, тобто до поліпшення характеристик системи за рахунок вдосконалення структури та нарощування бази знань. Необхідно зазначити, що на відміну від нейромереж технологія ЕС поки не може робити узагальнення ситуацій за параметрами і критеріями вибору дій, а тільки порівнює набір значень з базою прецедентів. Реалізація узагальнень у орієнтованих на знання системах можлива за використання гібридного підходу до побудови орієнтованих на знання ІСППР (використання елементів нечітких множин, нейромереж тощо).

Можна стверджувати, що в сучасних економічних умовах (глобалізація економіки та одночасна вузька спеціалізація секторів економіки, необхідність врахування при прийнятті рішення величезної кількості інформації з різних джерел, необхідність швидкої реакції, зміни бізнес-політики корпорації у відповідь на швидкі зміни світової кон’юнктури) необхідно використовувати ШІ та гібридний підхід до побудови орієнтованих на знання ІСППР. Причому їх використання є особливо ефективним у нафтогазовій галузі України, де прийняття управлінських рішень потребує складного експертного аналізу, пов’язане зі значними капітальними вкладеннями, існує багато гілок сценаріїв та вузлів прийняття рішення, а також відкриті ситуації невизначеності, специфічний галузевий ризик.

Література

1. Джексон Питер. Введение в экспертные системы: Пер. с анг. — М.: Вильямс, 2001. — 624 с.

2. Ріппа С. П. ПР в економіці на основі комп’ютерних БЗ. — Львів: Каменяр, 1997. — 268 с.

3. Ситник В. Ф. та ін. Системи підтримки прийняття рішень. — К.: Техніка, 1995. — 162 c.

4. Holsapple C. W. and Whinston A. B. Decision Support Systems:
A Knowledge - based Approach, Minneapolis, MN: West Publishing Co., 1996. — 431 p.

5. Mallach E. G. Understanding Decision Support and Expert Systems. Burr Ridge, IL: Richard D. Irwin, Inc., 1994. — 205 p.

6. Power D. J. Decision Support Systems: Concepts and Resources. DSS Hyperbook Index at DSSResources. COM, 2000. — 350 p.

7. Turban E. Decision Support and Expert Systems: Management Support Systems. (Fourth Edition) Englewood Cliffs, NJ: Prentice Hall, Inc, 1995. — 222 p.

8. Sauter V. Decision Support Systems. — Printed in United States of America, 1997. — 408 p.

9. Watson, Hugh J., Houdeshel G., Rainer RKelly. Bulding Executive Information Systems and other Decision Support Applications. New York: John Wiley & Sons Inc, 1997. — 480 p.

М. Т. Краснюк, аспірант Київський національний економічний університет.

Добавить комментарий


Защитный код
Обновить