Управління змінами

Управління змінами важливе для успішного впрова­дження системи. Воно включає три основні фази: розморожуван­ня, просування та повторне заморожування. Розморожування, як це випливає із назви, є процесом створення клімату, сприятливо­го для змін. Воно означає розуміння того, що є потреба у змінах. Просування — це процес подання нової системи, а заморожуван­ня є процесом закріплення змін, що відбулися.

У першій фазі розробники мають працювати з організацією, щоб установити клімат, який заохочував би відверте обговорення переваг і недоліків діючої системи та давав би змогу проводити сеанси мозкової атаки для отримання розв'язків проблем і мож­ливостей удосконалення системи. В термінах СППР цей етап грунтується на розвитку цілей СППР, щоб вплинути на процес прийняття рішень, а отже, він має починатися раніше, у фазі ана­лізу проекту. Розробники хочуть оцінити фактори, які сприяти­муть або не сприятимуть впровадженню.

Наприклад, організаційний клімат сприяє впровадженню но­вої системи, якщо користувачі можуть відверто говорити про свої потреби та інтереси через відкриті канали зв'язку завдяки достат­ньому обсягу знань та досвіду роботи з системою. Однак, навко­лишнє середовище може знаходитися під впливом інших незалеж­них факторів. Наприклад, корпорація під час злиття або фінан­сових труднощів не може сприяти змінам, незважаючи на різні рівні доведення переваг та доступні комунікації. Зайняті праців­ники можуть бути так сконцентрованими на збереженні своїх по­зицій щодо зайнятості, що не зможуть зосередитися, власне, на СППР, як на її конструюванні, так і на реалізації.

Так само роль вищого керівництва в процесі впровадження СППР є важливою. Вище керівництво, яке використовує систему,

забезпечує адекватні ресурси для и використання і має великі сподівання щодо вигід від неї, створює середовище, що сприят­ливіше для впровадження, ніж це роблять старші адміністратори, які не залучені до розроблення та використання системи. Крім того, якщо має місце тісний зв'язок між розвитком СППР і стра­тегічними планами для департаменту або організації, то ймовір­ніше, що процес реалізації буде успішним, тому що керівники і користувачі відчують потребу в системі.

Друга стадія змін — це просування. В ній зусилля концентру­ються на розвитку СППР. Важливу роль відіграють технічні й управлінські ресурси. Керівництво концентрується на залученні користувачів, балансуванні впливу розробників і користувачів, реагуванні на опір та створенні середовища для ситуаційного сприйняття нових засобів. Команда користувачів та розробників установлює пріоритети для проекту, оцінює та вибирає оптима­льні рішення з низки можливих. Команда має забезпечувати зво­ротний зв'язок для всіх користувачів та шукати їхніх порад.

Кінцевою фазою змін є повторне заморожування. На цій фазі розробники мають працювати з користувачами, забезпечуючи адекватне задоволення потреб ОПР системою і розуміння ними виконання нових процедур. Це потребує розвитку організаційних зобов'язань та інституціалізації (заснування, регламентування) системи.

8.4.1.4. Інституціалізація системи

З урахуванням багатьох факторів, які протидіють ус­пішному впровадженню, розробникам разом з менеджерами по­трібно планувати поступову інституціалізацію системи. Напри­клад, форма, в якій система буде подана, буде вирішальною. Якщо незаінтересованим особам пропонується система для доб­ровільного використання, то СППР напевно не буде корисною. Добровільне використання відбудеться тільки тоді, коли особи будуть мати інтелектуальну зацікавленість до експериментів з системою, або коли потреба в системі і її можливості задовольня­ти користувацькі вимоги стануть очевидними. З другого боку, адміністратори, які наполягають на «мандатному» використанні СППР, також стикаються з потенційною невдачею. Важко узако­нити стиль прийняття рішень. Користувачі можуть насправді не використовувати систему, а тільки запозичувати зовнішній ви­гляд її затосування. Інші можуть наполегливо працювати з тією

метою, щоб знайти слабкі місця в системі і довести, що вона не варта витраченого часу.

Кращим підходом до інституціалізації системи є забезпечення стимулів для її використання. Зрозуміло, що відповідний для цього стимул буде, зазвичай, відрізнятися від додатку до додатку і від організації до організації. Однак не обов'язково, щоб сти­мули були розроблені детально, або були фінансовими. Напри­клад, стимулом може бути пробудження заінтересованості у за­безпеченні інформацією тільки від СППР, або, передусім, від СППР. Якщо система добре спроектована, то її слід потім прода­вати, виходячи з корисності в процесі прийняття рішень.

Коли мотивування системи сприяє посиленню уваги деяких осіб до СППР, то ці особи можуть допомогти іншим відчути пе­реваги використання СППР. Ентузіасти можуть демонструвати вигоди системи іншим в їх роботі чи забезпечувати неформальні стимули для її використання. Фактично, це є доказом того, що вербальний метод інституалізації системи є одним з кращих.

Пов'язаною з потребою мотивування для інституціалізації си­стеми, зазвичай, є потреба в підготовці. Оскільки не всі потен­ційні користувачі можуть бути залучені до процесу розроблення, то деякі користувачі не будуть знати, як діє СППР або чому вона функціонує в певний спосіб, і отже, вони потребуватимуть на­вчання. Ефективною формою є навчання один-на-один, що дає змогу викладачам працювати з окремими особами для отримання ними специфічних знань про роботу СППР. Зокрема, це може бу­ти урок щодо використання маніпулятора миші, або короткий огляд можливостей Інтернету, чи інших необхідних технологій, з якими незнайома певна ОПР. Викладачі мають гарантувати, що програма містить інформацію та навички, необхідні для виконан­ня специфічних завдань. Наприклад, навчання може включати ін­струкції стосовно того, як знайти нові БД, або як об'єднувати мо­делі.

8.4.2. Оцінювання впровадження системи

Питання про те, як розробник може знати, коли СППР і її впровадження буде успішним, є досить складним і неоднознач­ним. По суті, воно зводиться до вибору параметрів і методики оцінювання СППР. Як уже зазначалося раніше, оцінювання СППР має проводитися на всіх етапах її розроблення. Проте най­складніше оцінити успішність саме процесу впровадження сис-

теми. Зокрема, це оцінювання має визначати, як СППР допомагати-_ме організації добувати додаткові ресурси і як вона буде сприяти поліпшенню використання обмежених ресурсів; як СППР вплива­тиме на ефективність функціонування організації в цілому завдяки її впровадженню тощо. СППР можна оцінювати показниками почат­кових витрат або вигід для організації, але жоден із цих двох фак­торів не допомагає проектувальникам зробити систему кращою, тим більше, що як було уже доведено раніше, техніко-економічний аналіз проекту СППР проводити практично неможливо.

Узагалі, СППР має допомагати у виявленні інформаційних по­треб ОПР, бути простою у використанні, надавати можливості для проведення досліджень, забезпечувати інтелектуальну під­тримку і бути легкою для реалізації всіх її функцій. Як службова, призначена для підтримки прийняття рішень ця система має та­кож задовольняти потреби у створенні рішень, відповідати орга­нізаційним обмеженням та бути прийнятною для користувачів. Отже, щоб упровадження було успішним, розробник має спрямо­вувати зусилля на технічну і організаційну придатності СППР.

Технічна відповідність (придатність)

Якщо технічні вимоги і потреби користувачів у СППР не задовольняються, то система не буде використовуватись. Як­що система не використовується, тоді впровадження буде невда­лим. Отже, одним із можливих вимірів визначення успіху впро­вадження є рівень використання СППР, особливо в порівнянні з призначеним використанням. Разом з тим прагматичнішою оцін­кою може бути низка характеристик, відповідних інформаційним потребам користувачів, особливо в зіставленні з множиною мож­ливих властивостей інформації на виході СППР (своєчасністю, достатністю, рівнем деталізації та агрегації, резервуванням (над-лишковістю), зрозумілістю, незалежністю від упередження, на­дійністю, релевантністю для рішень, ефективністю витрат на ін­формацію, порівнюваністю, можливістю квантифікації, відповід­ністю формату). Якщо система забезпечує інформацією, яка є су­місною з потребами створення рішень за всіма вимогами до ін­формації, то вона матиме успіх.

СППР має також забезпечувати потреби у зміні моделей і що­до певних операцій для керування ними, таких, наприклад, як ін­телектуальна допомога й інтегрування моделей. Якщо система забезпечує відповідні модифікації моделей і можливості керу­вання ними, то вона буде вважатися вдалою.

Багато аспектів можуть бути протестовані індивідуально. Од­нак на відміну від взаємодіючих систем оброблення даних, СППР ніколи не може бути повністю протестована з урахуванням усіх можливих випадків, тим більше, що бувають непередбачувані обставини. Розробники не можуть передбачити всі випадки, для яких ОПР будуть використовувати систему, і тому вони не мо­жуть гарантувати, що система буде функціонувати як слід зав­жди. Тому також обов'язково деякі тести мають проводитися безпосередньо потенційними користувачами.

Щоб оцінити систему в цілому, розробник має оцінити її ко­рисність для розв'язання задач і визначити, чи полегшує система логічний аналіз проблем. По-перше, це може бути визначене ОПР за тестування системи. Необхідно мати досвідчених творців рішень протягом фази тестування. Вони мають використовувати систему і визначати, чи забезпечує вона обгрунтовані поради і пропозиції для ситуації, що розглядається. Якщо так, то функціо­нування може бути оцінене як правильне. Ознаки недостатньої ефективності СППР можуть бути виявлені, коли ОПР знайдуть помилки в порадах або незвичні кроки у здійснюваному за допо­могою СППР аналізі. Інколи ці ознаки можуть бути фактичними проблемами програмного забезпечення, якому потрібний супро­від, інколи вони пов'язані з неінтуїтивним підходом до аналізу, що може потребувати для цих цілей більше вікон допомоги або ширшого використання засобів штучного інтелекту.

Ще один шлях тестування системи — модифікований тест Тюрінга. Оригінальний тест був створений англійським ученим-комп'ютерником Аланом Тюрінгом, щоб вимірювати чи має комп'ютерна система властивості «штучного інтелекту». Тест Тюрінга потребував, щоб людина-інтерв'юер одночасно «прово­дила бесіду» з обома невидимими — людиною і комп'ютером — на певну тему. Якщо інтерв'юер не міг визначити, коли він роз­мовляв з людиною, а коли з комп'ютером, то комп'ютерна сис­тема вважалася системою «штучного інтелекту». Якщо було оче­видно, що відповідає комп'ютер, тоді тестування системи вважалося невдалим. Для цього тесту потребувалося багато лю­дей. Він є непідхожим для оцінювання СППР. Однак, модифіко­ваний тест Тьюрінга забезпечує оцінювання певної адекватності аналізу і порад, що надає система.

Мета цього тесту — визначити, чи забезпечує система потріб­ні поради і аналіз, що є сумісними з тими, які міг би зробити до­свідчений аналітик. Перед тестом експерта-аналітика просять прокоментувати рішення або пояснення для ситуації, яку ОПР

використовує для роботи з СППР. Ці людські експертні рішення _або пояснення змішуються з тими, які були згенеровані СППР. ОПР забезпечують двома рішеннями або поясненнями проблеми і просять їх порівняти. Якщо ОПР не бачать відмінностей між відповіддю людини і комп'ютера, то СППР вважається добре фу­нкціонуючою. Для цього потрібно розробити деякі форми зістав­лення результатів роботи СППР і тих, які розробив досвідчений аналітик.

Є й інші заходи, за допомогою яких проектувальники визна­чають, коли система оцінена як вдала. Деякі розробники переві­ряють, якою мірою система відповідає первинній меті. Інші ви­значають кількість разів використання системи як критерій її ефективності. Однак мають місце проблеми, пов'язані з такими оцінюваннями. По-перше, як реально виміряти використання СППР? Кількість натискань на клавіші та інші механізовані вимі­рювання показують тільки кількість разів, коли користувач ви­кликає специфічні команди. Кількість разів, коли система викли­калася, свідчить дуже мало про те, скільки і як добре СППР сприяла процесу вибору рішень. ОПР можуть викликати команди багато разів, щоб упевнитися, що команда буде виконана так са­мо кожного разу, або тому, що вони забули, що вже це робили. У таких випадках багаторазове використання може не відображати важливості системи або її невикористання для ОПР. Також, мала кількість використань може не відображати меншу важливість або недостатнє використання. Наприклад, іноді просто перегляд аналізу один раз може ініціювати творче розв'язання проблеми, що інакше буде неочевидним і не спонукатиме до прийняття від­повідного рішення.

Оскільки електронний моніторинг використання СППР може мати щойно описані недоліки та труднощі, то можливе оціню­вання системи шляхом отримання звітів про використання СППР. Якщо розробники СППР повністю довіряють користува­чам оцінити використання системи, то вони можуть отримати помилкову інформацію. Більшість ОПР дуже зайняті розв'я­занням своїх задач, щоб точно знати, як багато або як мало вони використовують інструментальний засіб типу СППР. Якщо ОПР налаштовані доброзичливо до впроваджуваної системи, то вони будуть схильними оцінювати її позитивно; якщо ж вони негатив­но сприймають таке впровадження, то і їх оцінка буде відповід­ною. Нарешті, навіть якщо ми зможемо виміряти використання точно, то воно не буде еквівалентним корисності, оскільки дове­дено, що використання системи не корелює (тобто немає тісного

зв'язку) з корисністю СППР, а отже, не забезпечує надійності вимірювання ефективності системи.

Для розв'язання цієї проблеми існують інші методи оціню­вання, що задовольняють користувача. Логіка, що є її основою, полягає в тому, що СППР можна вважати ефективною тоді, якщо вона зробить користувачів задоволеними роботою системи. Багато порад було створено для того, щоб визначати, чи задоволені кори­стувачі системою. Було проведено дослідження великої кількості підходів, які використовувались для вимірювання задоволення творців рішень від своєї СППР. Було виявлено приблизно 40 фак­торів, якими можна описати задоволення ОПР системою.

У той час, як надійне оцінювання можна було б зробити за до­помогою запитань стосовно індивідуального задоволення корис­тувачів кожним фактором, багато користувачів не бажають ви­трачати час, щоб відповідати на ці запитання. Крім того, кори­стувачі схильні до узагальнення цих факторів (як наприклад, лег­кість використання) і можуть відповідати про свій перший, останній чи типовий досвід скоріше, ніж про весь досвід загалом. Однак цей метод досить ефективний у процесі розроблення, якщо розробники використовують прототипи. Якщо користувачів опи­тують відносно специфічних технічних характеристик системи періодично (а не тільки в кінці процесу проектування), то ОПР і розробники можуть визначити компоненти системи, які функціо­нують добре, а які — гірше. Це потім приведе до кращого розроб­лення і в перспективі — до більшого задоволення від системи.

Організаційна відповідність (придатність)

Організаційна відповідність СППР може означати, що система має стати компонентом загальної системи організації. Щоб це зробити, потрібна підтримка стилю рішень користувачів і способів, якими ці стилі рішень змінюються з часом. Крім того, потрібна відповідність щодо організації, в якій СППР функціо­нує. Це має забезпечувати певні рівні захисту інформації і вико­ристовуватись згідно з корпоративною політикою, а також забез­печувати інформацією відповідно до очікувань користувачів. Так само як нові найняті працівники мають пристосовуватися до від­ділу і організації, має це робити також система. Це може означа­ти відповідність інтерфейсу користувача, відповідність готовнос­ті даних, відповідність методологій моделювання стилю прий­няття рішень в організації. Якщо система не пристосувалася до відділу, то, напевно, вона буде «страждати» так само, як найма-

_нИй працівник, що не зміг пристосуватися, а отже, вона не буде впроваджена.

Зокрема, відповідність упровадження можна оцінити визна­ченням управлінських характеристик стосовно системи; тим, як добре задовольняються інформаційні потреби менеджерів; впли­вом проекту на комп'ютерні операції фірми. Ці оцінки відобра­жують сприйняття системи. Крім того, всі вони визначаються пі­сля впровадження системи. Отже, їх не можна застосовувати для планування і до впровадження всього проекту. Кращий метод — оцінити різні типи не технічних можливостей. СППР має також пристосуватися в потрібних місцях, визначених організацією. Наприклад, уважається, що СППР буде вдалою, якщо вона: при­стосовується до методів планування організації; допомагає обду­мувати проблему звичними для ОПР способами; покращує хід роздумів ОПР про проблеми; добре пристосовується до політики створення рішень; використовує результати здійснюваних альтер­натив; ефективна щодо витрат і цінна відносно коштів; очікується, що буде використовуватися протягом тривалого часу. Інакше ка­жучи, СППР має взаємодіяти з іншими системами в організації. Навіть якщо СППР значно полегшує прийняття рішень, вона не може бути вдалою, якщо не полегшує передбачувані кроки рі­шень або іншої діяльності.

ПЕРСПЕКТИВНІ ПРИКЛАДНІ СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

Розділ 9

ЗАСОБИ ШТУЧНОГО ІНТЕЛЕКТУ

В СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

9.1. Базові засоби штучного

інтелекту і їх застосування

в системах оброблення інформації

9.1.1. Розвиток та застосування штучного інтелекту

Людей завжди інтригувала можливість створення інте­лекту у вигляді машини (штучної людини). Ставилося завдання, щоб машина як і людина могла сприймати і розуміти візуальні дії, розмовляти звичайною (природною) мовою, накопичувати знання і на цій підставі знаходити та обґрунтовувати корисні ви­сновки про навколишній світ. В історії відомі містифікації, коли в каркаси в металевих костюмах поміщали карликів, намагаю­чись видати це за «розумну машину». Проте дійсний прогрес у створенні штучного інтелекту почався з початком комп'ютерної ери. Один із перших, хто висловив можливість того, що комп'ютери могли б обробити символи також як і цифри (і у та­кий спосіб моделювати процеси розумової діяльності людини) був британський учений Алан Тюрінг (Alan Turing). 1950 року він запропонував підхід, що в даний момент відомий як «тест Тюрінга» для визначення штучного інтелекту, в якому дослідник ставить запитання як до людини, так і до комп'ютера..Якщо за­питувач не може визначити, людина чи машина забезпечила від­повідь, тоді стверджується, що штучний інтелект досягнутий.

у сучасному розумінні термін «штучний інтелект» (Artificial intelligence) можна трактувати як науковий напрям (дисципліну), _в рамках якого ставляться і розв'язуються завдання апаратного і програмного моделювання тих видів людської діяльності, які тра­диційно вважаються інтелектуальними, тобто потребують певних розумових зусиль. У Державному Стандарті України ДСТУ 2938-94 (Системи оброблення інформації. ОСНОВНІ ПОНЯТТЯ. Тер­міни і визначення) штучний інтелект визначається як «здатність систем оброблення даних виконувати функції, що асоціюються з інтелектом людини, такі як логічне мислення, навчання та само­вдосконалення».

Штучний інтелект (ШІ) як наука почав розвиватися практично зразу (через два роки) після того, як «General Electric» установив перший комп'ютер для використання у бізнесі. 1956 року в коле­джі м. Дартмут (Dartmouth) була проведена конференція, тему якої «Artificial intelligence» запропонував Джон Маккарті (John McCarthy). Учені, котрі взяли участь у конференції, узагальнили фундаментальні знання з математики, логіки і психології та ви­значили перші цілі та методології для дослідження ШІ. Термін Маккарті «штучний інтелект» опісля став популярним. Крім цього, в тому ж таки році була оголошена перша комп'ютерна програма ШІ, яку деякі фахівці вважають першою експертною системою.

Програма, що названа логіко-теоретичною (Logic Theorist), була створена Еліеном Ньюелом і Сімоном Хербертом у техноло­гічному інституті ім. Карнегі (тепер Карнегі—Мелономському університеті) та Дж. С. Шоу з корпорації «Ренд». Вона була роз­роблена, щоб розв'язувати логічні та обчислювальні задачі й до­водити теореми з підручника «Принципи математики» Вітхеда і Русселя. Принаймні в одному разі програма забезпечила лаконіч­ніше доведення, ніж було придумане людиною-математиком. Ці­каво, що в той час жоден журнал не захотів опублікувати дове­дення, яке придумане машиною.

Програма Logic Theorist мала обмежену здатність до мірку­вання, тобто виконувала тільки доведення теорем числення, про­те перші її успіхи заохотили дослідників до розроблення іншої програми — General Problem Solver, що була продемонстрована 1957 року. Цей програмний продукт мав просунуті можливості для розв'язування ребусів, завдань рівня вищої школи з мов та відповіді на запитання, які формулюються англійською мовою.

Ранні дослідження ШІ були зосереджені також на програмах для складних ігор як, наприклад, для гри в шахи. Розроблення про-

грам для шахової гри не було кінцевою метою саме по собі, а роз­глядалося скоріше як можливість підсилення розуміння того, як людина розв'язує складні проблеми. Протягом 1960—1970 років питання ШІ розроблялися значною мірою в межах дослідницьких лабораторій. У 80-х роках зростаюча кількість продуктів ШІ почала просуватися на ринок, оскільки компанії започаткували свої перші комерційні версії. Проте, як і в багатьох технологічних розробках, обіцянки щодо можливостей комерційних додатків ШІ поки що переважають їх реальну продуктивність.

9.1.2. Сімейство додатків штучного інтелекту

Протягом розвитку штучного інтелекту отримано низку додатків, котрі застосовуються в різних галузях науки і техніки. В даний момент застосування в бізнесі штучного інтелекту в основ­ному проходить у формі основаних на знаннях систем (knowledge-based systems), в яких використовуються людські знання для розв'язання проблем. Найпопулярнішим типом таких систем є експертні системи.

Експертна система — це комп'ютерна програма, в якій нама­гаються подати знання людини-експерта у вигляді евристик, це різновид інформаційних систем. Термін «евристика» походить від грецького кореня, як і слово «еврика», і означає «відкрити». Евристики не гарантують абсолютно правильні результати, як це досягається за допомогою вмонтованих у СППР стандартних ал­горитмів, але їхні пропозиції є корисними для певного проміжку часу. Оскільки експертна система призначена, головно, для кон­сультування, то акт її використання називається консультаці­єю — користувач консультується з експертною системою для отримання відповідних порад.

Експертні системи, як потенційний додаток до систем під­тримки прийняття рішень, а також інші продукти штучного ін­телекту, що мають безпосереднє відношення до СППР, будуть докладніше розглянуті окремо. Зображення на рис. 9.1 додат­ків ШІ у вигляді дерева підкреслює ту обставину, що зони їх дії перекриваються і зливаються, а деякі з них можуть бути складовими частинами інших. Коротко опишемо решту додат­ків штучного інтелекту.

Оброблення природною мовою (Natural language processing) — це найзручніший спосіб спілкування людей з комп'ютером рі-

зними розмовними мовами, наприклад, це можливість комп'ю­терної перевірки правопису і граматики. Система природної мо­ви не має жорстких синтаксичних вимог (на відміну від комп'ютерних мов). Вона забезпечує діалогову взаємодію з кори­стувачем, може настроюватися під нього, автоматично виявляти помилки, забезпечувати контекстну інтерпретацію. В інформа­ційних системах оброблення природною мэвою використовуєть­ся для пошуку інформації, модифікації даних, обчислень, статис­тичного аналізу, генерування графічних образів, забезпечення консультацій з експертною системою тощо,

Рис. 9.1. Дерево додатків штучного інтелекту

Системи візуалізації (Visualization systems) можуть подіб­но людині візуально взаємодіяти зі своїм середовищем, вико­ристовувати візуальні зображення і звукові сигнали для ін­структування комп'ютерів або інших пристроїв, як наприклад, роботів. Ці системи, що часто також називають системами розпізнавання образів (Perceptive systems?, реалізують функції технічного бачення і розпізнавання звукових сигналів (аналоги систем природної мови). Системи автоматичного розпізнаван-

ня образів у технічній літературі називають персептронами (Perceptron).

Роботи (Robotics) складаються з контрольованих комп'юте­ром пристроїв, які імітують моторну функцію людини. Термін «робот» уперше було вжито чеським письменником Карелом Ча­пеком 1920 року в соціально-фантастичній драмі «R.U.R.». Най­частіше роботів використовують для піднімання предметів і пе­реміщення їх в інше місце. Вони виконують функції машин для завантаження, пристроїв для зварювання або фарбування на складальному конвеєрі, засобів збирання частин у ціле та ін. Іх, головно, використовують для складання автомобілів і в інших подібних процесах виробництва. В СППР роботи не використо­вуються.

Нейромережі (Neural networks) — це надзвичайно спро­щені програмні або апаратні моделі нервової системи людини, що можуть імітувати такі здатності людини як навчання, уза­гальнення і абстрагування. Нейромережі знайшли широке за­стосування в системах підтримки прийняття рішень, зокрема, як засіб добування знань (інформації) в базах та сховищах даних.

Системи з навчання (Learning) містять низку операцій, які надають можливість комп'ютеру або іншому зовнішньому пристрою набувати нових знань на додаток до того, що було вже введено раніше в пам'ять фірмою-виробником або про­грамістами. Такі системи передбачають можливість навчання на базі досвіду, прикладів, аналогів, модифікації поведінки, аку­мулювання фактів. Узагалі, навчання може бути контрольова­ним, тобто через механічне запам'ятовування, та неконтрольо-ваним, наприклад, система може навчатися, використовуючи свій власний досвід. У СППР засоби навчання використову­ються дуже часто.

Апаратні засоби ШІ (Artificial intelligence hardware) — це фізичні пристрої, які допомагають виконувати функції в інших додатках штучного інтелекту. їх прикладами є апаратні засоби, які призначені для експертних систем на основі знань, нейро-комп'ютери, які використовуються для прискорення обчислень, електронна сітчатка ока та ін.

Програмні агенти (Software agents) — програмні продукти, що виконують завдання за дорученням користувача з метою по­шуку інформації в комп'ютеризованих мережах. Вони мають значний потенціал для застосування в системах підтримки при­йняття рішень.

9.1.3. Знання та їх використання в СППР

Поняття «знання» (Knowledge) у системах підтримки прийняття рішень, зокрема, орієнтованих на знання, мають ви­ключно важливе значення. Незважаючи на те, що інтуїтивно цей термін зрозумілий кожному користувачу, проте реалізація цього виду інформації потребує значних теоретичних обгрунтувань та різноманітних технологічних засобів. У загальному тлумаченні термін «знання» означає те, що будь-хто щось знає і розуміє. Інакше кажучи, це сукупність відомостей, які утворюють цілісний опис, що відповідає деякому рівню інформованості щодо певного питання, завдання, предмета тощо.

Якщо знання організоване і легке для користування, тоді воно називається структурованим, а в протилежному разі — неструк-турованіш. Знання, які неструктуровані і зрозумілі, але чітко не ви­ражені, називаються знаннями-припущеннями. В інформаційних системах важливе місце відводиться питанню нагромадження знань (Knowledge acguisition), тобто формулюванню та зберіганню знань, які отримуються від різних джерел, особливо від експертів.

Нагромаджені знання зберігаються в базах знань (Knowledge base). База знань — це ряд фактів, правил і процедур, які органі­зовуються в систему за допомогою специфічних програмних за­собів, що забезпечують пошук, зберігання, перетворення і зане­сення в пам'ять ЕОМ структурованих одиниць знань. Системи, які містять бази знань, розв'язувач (Solver) задач і користувацький ін­терфейс, часто називають інтелектуальними. Знання, нагромаджу­вані і використовувані в інтелектуальних системах, можна поділити на три типи: декларативні, процедурні та евристичні.

Декларативними називають знання, котрі записані в пам'яті інте­лектуальної системи у такий спосіб, щоб вони були безпосередньо доступними для використання після звертання до відповідного поля пам'яті. У вигляді декларативних знань записується інформація про об'єкти предметних галузей, метаправила, таблиці, словники тощо. За формою подання декларативні знання протилежні процедурним.

Процедурні знання — це такі, які зберігаються в пам'яті інте­лектуальної системи у вигляді описів процедур, за допомогою яких ці знання можна отримати. У такому вигляді записується ін­формація про способи розв'язання задач у специфічній предметній галузі, а також різні інструктивні та методичні матеріали.

Евристичні знання або просто евристики (Heuristics) — це змістовні (неформальні) розсудливі знання щодо певної приклад­ної галузі, які складаються з «правил доброго міркування» («здо-

рового глузду») у цій сфері. Евристики також містять у собі знання про те, як кваліфіковано і ефективно розв'язувати задачі. як спланувати кроки для розв'язування комплексної проблеми, як удосконалювати продуктивність тощо. Як правило, евристики ві­дображають особливості того, як людина розв'язує задачу, не ко­ристуючись строгими формальними прийомами, математичними моделями й алгоритмами. В експерних системах для формалізації професійних знань людини, що стосуються способів розв'язання задач у специфічній проблемній галузі, широко використовують ті евристики, якими користуються професіонали-експерти.

З концепцією евристичних знань тісно взаємопов'язані ключові в орієнтованих на знання СППР терміни — «інженер зі знань» та «ін­жиніринг знань». Інженер зі знань (Knowledge engineer) — фахівець зі штучного інтелекту, відповідальний за технічну сторону розроблення експертної системи. Інженер зі знань тісно працює з експертом при­кладної галузі, щоб оволодіти знаннями експерта-людини для відо­браження їх у базі знань. Інжиніринг знань (Knowledge engineering) — технічна дисципліна, яка містить інформацію про інтегрування знань у комп'ютерних системах для того, щоб розв'язувати складні проблеми, які, зазвичай, потребують високого рівня знань.

Корпоративні знання є активом організацій, але ефективне уп­равління цими засобами потребує інвестицій, зокрема, витрат грошей і залучення трудових ресурсів, виходячи з того, що: знання пов'язані зі створенням документів і їх рухом в обчислювальній системі; збі­льшення обсягів знань відбувається через їх редагування, інтегруван­ня і відокремлення; потрібне розроблення підходів до класифікації знань і нових вкладень до них; необхідна інфраструктура технології оброблення інформації й додатків для поділу знань; нагальною є та­кож потреба у навчанні службовців стосовно створення, поділу і ви­користання знань. Усі ці процеси потрібно організовувати і керувати ними, що входить до складу функцій управління знаннями.

Управління знаннями (Knowledge management) — це поділ, уста­новлення доступу і вибирання неструктурованої інформації про «людський досвід» між взаємозалежними особами або між членами робочої групи. Управління знаннями включає в себе розпізнавання групи людей, які мають потребу в спільному використанні знань, розроблення технологічної підтримки, яка дає можливість поділяти знання, і створення процесу для передання й розповсюдження знань. На даний час розроблені численні засоби комп'ютерної підтримки управління знаннями, тобто спеціалізоване програмне забезпечення.

Програмне забезпечення управління знаннями (Knowledge management software) — програмне забезпечення, яке уможлив-

пює накопичення і управління неструктурованою інформацією в пізних електронних форматах. Програмне забезпечення може до­помагати в нагромадженні знань, їх класифікації, використанні, дослідженні, відкритті або в організації зв'язку між структурни­ми одиницями знань. До продуктів даного типу, зокрема, нале­жать системи управління електронними документами (EDMS).

Немало фірм здійснили кількісну оцінку вартості управління знаннями. За деякими оцінками, витрати на управління інтелек­туальним капіталом становлять від 7 до 10 відсотків доходу. Але в той час, як управління знаннями дороге, очевидним є той факт, що втрати від неуцтва і дурості більші. Скільки коштує організації те, коли головні службовці забувають, як швидко і правильно вико­нувати завдання, або які втрати зумовлені рішенням, прийнятим на основі помилкових знань? Втрати за цих обставин мають критичне значення для організацій, що стало спонукальним мотивом для роз­роблення орієнтованих на знання СППР, англомовною назвою яких є «Knowledge-Driven DSS», що дослівно можна перекласти як СППР, котрі управлять знаннями (запускають знання).

9.1.4. Моделі подання знань в інформаційних системах

Знання в базі знань подаються в певному вигляді, тоб­то в певних інформаційних одиницях знань і зв'язках між ними. Форма подання знань істотно впливає на характеристики і влас­тивості інформаційних систем, тому це є однією з найважливі­ших проблем, характерних для систем, орієнтованих на знання. Оскільки логічні висновки і дії над знаннями в інформаційних ін­телектуальних системах проводяться програмовано, то знання не можуть бути подані безпосередньо в звичайному вигляді, тобто в якому вони використовуються людьми (наприклад, у розмовній чи текстовій формі). У зв'язку з цим розробляються формальні моделі подання знань.

За розроблення специфічних моделей подання знань намага­ються дотримуватися таких вимог:

1) подання знань має бути однорідним (одноманітним). Одно­рідна презентація знань приводить до спрощення механізму управління логічними висновками і управління знаннями взагалі;

2) подання знань має бути зрозумілим експертам і користува­чам системи. В іншому разі утрудняються набуття знань та їх оцінювання.

Відомі чотири основні типи моделей описання знань у базах знань:

— логічні, основою яких є формальна модель, тобто формаль­ний опис деякою логічною мовою структури об'єкта;

— продукційні, що грунтуються на використанні правил (про-дукцій);

— фреймові, тобто форми подання знань, в основу яких по­кладені фрейми, кожен з яких складається зі слотів. Фреймова форма подання знань визначається рекурсивно;

— моделі у вигляді семантичної мережі, тобто мережі, у вер­шинах якої містяться інформаційні одиниці, а дуги характеризу­ють відношення і зв'язки між ними.

Мова, що використовується для розроблення систем на основі цих моделей, називається мовою подання знань. Відомі такі мови подання знань:

• логічна мова подання знань, в основу якої покладено чис­лення предикатів першого порядку. Виразами цієї мови є синтак­сично правильні формули даного числення, через які виражають­ся всі записані в системі декларативні й процедурні знання;

• продукційна мова, основними одиницями якої є продукції (правила);

• фреймова мова, у котрій для подання і маніпулювання знан­нями використовується фреймова модель подання знань. На даний час найвідомішими фреймовими мовами є FRL (Frame Representa­tion Language) і KRL (Knowlenge Representation Language).

Характеристики названих моделей подання знань описані в лі­тературі зі штучного інтелекту. Частково вони будуть розглянуті пізніше в контексті створення орієнтованих на правила СГІПР.

9.2. Орієнтовані на знання системи підтримки прийняття рішень

9.2.1. Загальна характеристика орієнтованих на знання систем підтримки прийняття рішень

Широковідоме твердження «знання — сила» в органі­заціях справджується лише тоді, коли знання спільно використо­вуються службовцями та іншими учасниками бізнес-процесів. Причому важливість розподілення знань за створення рішень

сьогодні розуміє більшість людей. Єдиний спосіб спільно вико­ристовувати знання — створити комп'ютеризовані системи, які можуть збирати і зберігати знання, що описують події, їх імовір­ності, правила і зв'язки (відношення). Спеціалізоване програмне забезпечення може оброблювати такі знання і допомагати мене­джерам у створенні рішень. Як уже зазначалося, цим системам відповідає термін «орієнтовані на знання системи підтримки прийняття рішень». Досить часто застосовуються й інші назви (синоніми) СППР даного типу: СППР, що керують знаннями (Knowledge-Driven DSS); рекомендаційні СППР (Suggestion DSS); СПРП, що ґрунтуються на правилах (орієнтовані на правила СППР) (Rule-Based DSS); інтелектуальні СППР (Intelligent DSS). Слід зауважити, загальноприйнятної термінології в цій галузі ще не вироблено, оскільки процес дослідження й розроблення цього типу СППР бурхливо розвивається.

Орієнтовані на знання СППР забезпечують менеджерів відпо­відними рекомендаціями. Домінуючими їхніми компонентами є «здобування» знань (knowledge discovery) та механізми їх за­пам'ятовування. Створюючи такі системи, зазвичай, використо-вуть оболонку розроблення експертних систем і інструментальні засоби дейтамайнінгу (Data Mining). Аналітики бізнесу та вико­навці виявляють зв'язки (відношення) в дуже великих базах да­них із застосуванням дейтамайнінгу і в результаті аналізу можуть розпізнати нові відношення й нові знання.

Орієнтовані на знання системи підтримки прийняття рішень збе­рігають і застосовують різні знання для розв'язання багатьох спе­цифічних бізнесових проблем. Ці проблеми включають необхід­ність конфігурації таких задач як, наприклад, визначення плато­спроможності позичальника перед наданням йому кредиту, виявлен­ня обману (шахрайства, підробки) і оптимізація інвестицій. Вони да­ють змогу вдосконалити узгодженість у прийнятті рішень, проводити в життя політику і регламентування, передавати набутий досвід не­досвідченим штатним працівникам і зберігати важливі результати експертиз (експертні знання) для компаній, якщо штатні експерти звільняються або відмовляються надавати експертні послуги.

У принциповому відношенні орієнтована на знання СППР має такі самі компоненти, що і звичайна СППР, тобто елементи мо­делювання та керування даними, користувацький інтерфейс, за­соби телекомунікацій (керування поштою та повідомленнями). Проте вона містить і додаткові компоненти — базу знань і маши­ну (механізм) висновків. На рис. 9.2 зображена спрощена схема орієнтованої на знання СППР.

Рис. 9.2. Спрощена схема орієнтованої на знання СППР

Машина логічного висновку (Inference Engine) — це програмне за­безпечення, яке імітує виконання функцій мислення. У малих систе­мах цей компонент інколи називають командним процесором (shell) експертної системи. Машина логічного висновку використовує знан­ня, які містяться в базах знань, щоб продукувати висновки. Для цього вона застосовує ряд правил, які створюються розробником.

Основою орієнтованих на знання СППР є механізм (середо­вище) розроблення, що включає програмне забезпечення для створення та підтримки бази знань і машини висновків, а також експерт домена (проблемної галузі). Експертом домена є особа, яка має знання та досвід у проблемній галузі, для якої розробля­ється специфічна система. Він тісно співпрацює з інженером знань, щоб відобразити знання експерта в базі знань. Цей процес особливо часто використовується для відображення в комп'ю­терному форматі правил та інформаційних відношень.

Можна виділити низку характеристик, які є загальними для орієнтованих на знання СППР:

1. Цей вид програмного забезпечення допомагає менеджерам у розв'язуванні проблем.

2. Такі системи використовують накопичені знання у вигляді правил, фреймів або ймовірної (правдоподібної) інформації.

3. Люди взаємодіють із системою, коли виконують завдання.

4. Орієнтовані на знання СППР грунтуються на рекомендаціях, отриманих з людських знань, і застосовуються для розв'язання не­великого кола завдань.

5. Орієнтовані на знання СППР (експертні системи також) не «думають» на відміну від людини-експерта.

Орієнтовані на знання СППР відрізняються від відоміших і по­ширених орієнтованих на моделі СППР способами подання й обро­блення знань. Орієнтовані на знання СППР намагаються імітувати процеси міркування людини в той час, як орієнтовані на моделі СППР мають послідовність заздалегідь визначених інструкцій для

реагування на події. Для порівняння орієнтованих на знання СППР і орієнтованих на моделі СППР ми маємо запам'ятати такі формули:

Орієнтовані на знання СППР = База знань + Машина логічно­го висновку.

Орієнтовані на моделі СППР = Дані + Кількісні моделі.

Розроблення орієнтованих на знання СППР має починатися з орієнтованої на рішення діагностики, і, якщо аналіз здійснимості дасть позитивний результат, то тоді команда проектувальників по­винна завершити процес розроблення СППР швидким макетуван­ням. Багато орієнтованих на знання СППР будують, використовую­чи середовище розроблення правил і командний процесор експерт­ної системи. Інженер зі знань співпрацює з експертом проблемної галузі, щоб виявити правила і відношення. Тестування й перевірка правильності системи може включати використання попередніх прикладів і випадків з даної проблемної галузі.

Є кілька загальних підходів до швидкого макетування для роз­роблення орієнтованих на знання СППР. Можна виділити такі ста­дії: ідентифікація домена; концептуалізація; формалізація; реачі-зація; тестування. Ці п'ять стадій є надзвичайно взаємопов'я­заними і взаємозалежними. Ітеративний процес продовжується до затвердження на прийнятному рівні орієнтованих на знання СППР.

9.2.2. Технології експертних систем

у системах підтримки прийняття рішень

Як уже зазначалося, підґрунтям для розроблення та функціонування орієнтованих на знання СППР є технологія екс­пертних систем та засоби добування знань. Відомо, що основна концепція експертних систем (ЕС) базується на припущенні, що знання експерта можуть бути записані в комп'ютерній пам'яті і потім застосовані іншими, коли з'являється в цьому потреба. Оскільки з проблематики побудови та використання експертних систем є достатня кількість літературних джерел, у тому числі й україномовних, то є резон розглянути цей тип інформаційних си­стем у контексті створення орієнтованих на знання СППР, зокре­ма, дати відповідь на запитання:

1. Що таке технологія експертних систем?

2. Яке співвідношення між технологіями ЕС і СППР?

3. Чи є експертна система різновидом СППР?

Для отримання відповіді на ці запитання потрібно охарактери­зувати експертні системи з погляду підтримки створення рішень,

проаналізувати схему функціонування експертних систем з виді­ленням модулів, однакових (спільних) з орієнтованими на знання СППР, і на цій підставі дійти необхідних висновків.

Дата добавления: 2015-08-13