REDEFINICJA IDEI INTELIGENTNYCH SYSTEMÓW WSPOMAGANIA DECYZJI

Transkrypt

1 REDEFINICJA IDEI INTELIGENTNYCH SYSTEMÓW WSPOMAGANIA DECYZJI Wiesław Wolny, Piotr Zadora 1. Wprowadzenie Systemy wspomagania decyzji (SWD) to bardzo pojemny definicyjnie termin. Został on spopularyzowany przez Keena i Scott Mortona (Keen & Scott Morton, 1978). ChociaŜ pierwsze prace o tej tematyce powstały przeszło dziesięć lat wcześniej. Zwykle definiuje się je bardzo ogólnie. Przykładowo: System wspomagania decyzji to system informatyczny, który dostarcza informacje w danej dziedzinie przy wykorzystaniu analitycznych modeli decyzyjnych z dostępem do baz danych w celu wspomagania decydentów w skutecznym działaniu w kompleksowym i źle ustrukturalizowanym środowisku (Klein & Methlie, 1992). Z kolei (Spraque & Carlson, 1982) zdefiniowali systemy wspomagania decyzji jako interaktywne oparte na komputerach systemy pomagające decydentom wykorzystać dane i modele dla rozwiązania źle ustrukturalizowanych problemów. Obecnie najpopularniejszą formą systemów wspomagania decyzji wydają się być systemy określane mianem Business Intelligence (BI). DuŜe szanse realizacji celów stawianych przed systemami wspomagania decyzji, a nawet poszerzenia ich zakresu leŝą w badaniach naukowych w dziedzinie sztucznej inteligencji. Technologia sztucznej inteligencji w dziedzinie zarządzania słuŝyć powinna między innymi usprawnieniu pra-

2 cy poprzez dostarczanie informacji ułatwiających proces podejmowania decyzji. Wykorzystanie wiedzy w postaci baz wiedzy pozwoliło rozszerzyć moŝliwości systemów wspomagania decyzji. Tym samym wydzielono nową klasę SWD, nazwaną inteligentnymi systemami wspomagania decyzji (ISWD). Systemy wspomagania decyzji umoŝliwiają tworzenie modeli, budowanie scenariuszy, wykorzystanie algorytmów numerycznych. Poprzez połączenie ich z typowymi dla systemów sztucznej inteligencji rodzajami decyzji, klasyczny model SWD moŝna rozszerzyć w następujących kierunkach: porada ekspercka w specyficznym obszarze problemu; wyjaśnianie wyników wnioskowania; inteligentne wspomaganie decyzji; pomoc przy formułowaniu zapytań; inteligentne wspomaganie w procesie budowy modelu. Celem inteligentnych systemów wspomagania decyzji jest zrealizowanie synergii pomiędzy systemami wspomagania decyzji i metodami sztucznej inteligencji. System taki powinien łączyć moŝliwości modelowania SWD i przetwarzania symbolicznego, właściwego dla sztucznej inteligencji. Systemy wspomagania decyzji posiadały bezpośredni dostęp do baz danych w firmie oraz, na własny uŝytek, bardzo często zakładały własne zbiory danych waŝne z ich punktu widzenia. Współczesne inteligentne systemy wspomagania decyzji to nie tylko dostęp do danych i modeli. Nastąpił znaczny rozwój w dziedzinie przetwarzania analitycznego danych (Online Analitycal Processing - OLAP), hurtowni danych oraz

3 wspomaganego metodami sztucznej inteligencji odkrywania wiedzy w bazach danych (Data Mining). 2. Klasyczne pojęcie ISWD Oprócz klasycznego widzenia procesu decyzyjnego istnieje takŝe rozumienie tego procesu jako opartego na wiedzy. To podejście zakłada, Ŝe decyzja składa się z fragmentów wiedzy opisujących istotę działania, które jest konieczne do podjęcia. Decyzja moŝe być reprezentowana za pomocą fragmentu wiedzy opisowej. W tym ujęciu, podejmowanie decyzji identyfikuje się jako proces tworzenia nowego, wcześniej nieistniejącego fragmentu wiedzy. Powstaje nowa wiedza poprzez przekształcenie i łączenie ze sobą fragmentów istniejącej wiedzy. W tym znaczeniu system wspomagania decyzji ułatwia przeprowadzanie takich przekształceń podobnie jak maszyna ułatwia produkowanie dóbr materialnych. Takie ujęcie bliskie jest sztucznej inteligencji, a w szczególności dziedzinie systemów ekspertowych. W latach osiemdziesiątych liczne grono autorów podejmowało problem łączenia systemów ekspertowych z systemami wspomagania decyzji. Między innymi były to prace Sroki (Sroka, 1994), Stanka (Stanek, 1994), Klein i Methlie (Klein & Methlie, 1992). Integracja ta opisywana była z uŝyciem róŝnych nazw między innymi: SE-SWD, czy Inteligentny SWD. Jej celem było rozszerzenie skuteczności systemów wspomagania decyzji oraz wykorzystanie SWD do rozwiązywania złoŝonych problemów. Integracja ta miała umoŝliwić połączenie systemów ekspertowych z bazą modeli lub z całym SWD.

4 Inteligentny system wspomagania decyzji definiowano w tym ujęciu jako narzędzie informatyczne wspomagające proces podejmowania decyzji złoŝonych i słabo ustrukturalizowanych w ramach określonej klasy, umoŝliwiające: wspomaganie analizy procesu decyzyjnego; projektowanie doskonalszych narzędzi uczenia się podejmowania decyzji; rozwój łatwego dialogu; wspomaganie doboru elementów systemu do kreowania rozwiązań; gromadzenie i rozszerzanie wiedzy dostarczanej z modeli i metod symbolicznych w bazie wiedzy, bazie danych, hurtowni danych i Web (Kisielnicki & Sroka, 2001). Wiedzę dotyczącą danej dziedziny i wiedzę o charakterze metodologii podejmowania decyzji z tej dziedziny moŝna gromadzić za pomocą takich form, jak modele oraz bazy wiedzy lub łącząc obie te formy Inteligentny system wspomagania decyzji moŝe doradzać, w jaki sposób strukturyzować sytuację decyzyjną, rozwiązać problem i jak zastosować rozwiązanie. W ISWD moŝliwości SWD zostały rozszerzone, dzięki nowym elementom, takimi jak baza wiedzy, system zarządzania bazą wiedzy, mechanizm wnioskowania, mechanizm wyjaśniania i dodatkowe narzędzia systemowe. Prace nad taką koncepcją inteligentnych systemów wspomagania decyzji, zaowocowały min. podejściem opartym na paradygmacie wyraźnego oddzielenia metod rozwiązywania problemu od wiedzy o problemie paradygmatu szeroko stosowanego w konstrukcji systemów ekspertowych. Kluczowa zasada procesu rozwiązywania problemów opiera się bowiem na mentalnej reprezentacji zewnętrznego problemu decyzyjnego. Model sytuacji decyzyjnej konstru-

5 owany jest w umyśle decydenta, następnie, poprzez przetwarzanie symboli, operując na tak skonstruowanym modelu, otrzymywane jest rozwiązanie problemu. Stosunkowo szybko okazało się jednak, iŝ proponowane, w ramach tej koncepcji, rozwiązania nie spełniają pokładanych w nich oczekiwań i są zbyt trudne do implementacji. Komputery nie były wstanie rozwiązać problemów, nawet tych, które dla człowieka wydają się być problemami trywialnymi. 3. Nowe koncepcje ISWD Pierwsza generacja systemów ekspertowych oparta była na jednolitej strukturze wiedzy heurystycznej wiedzy ekspertów. Proces pozyskiwania wiedzy oparty był na stosunkowo prostych zasadach współpracy pomiędzy ekspertem, a tzw. inŝynierem wiedzy (Mulawka, 1996). Zadaniem inŝyniera wiedzy było zakodowanie (najczęściej w postaci reguł działania) informacji o sposobie rozwiązywania problemów przez eksperta (Gołuchowski, 1997). Druga generacja systemów ekspertowych koncentruje się na identyfikacji wielu, róŝnych typów wiedzy i wykorzystaniu jej, do budowy efektywnego procesu rozwiązywania problemów (Klein & Methlie, 1992). Na uwagę zasługuje tu oddzielenie np. wiedzy sterującej procesem (control knowledge) od wiedzy o istocie dziedziny (domain knowledge) oraz organizacja wiedzy w wielopoziomowe struktury. Współcześnie inteligentne systemy wspomagania decyzji definiuje się w czterech aspektach: języka; moŝliwości prezentacyjnych; przetwarzania wiedzy; rozwiązywania problemów (Holsapple, 2004).

6 W aspekcie językowym rozpatruje się komunikaty jakie ISWD moŝe przyjąć i przetworzyć. Aspekt prezentacyjny opisuje te komunikaty, które system moŝe wygenerować na zewnątrz. W aspekcie przetwarzania wiedzy opisuje się zasoby wiedzy systemu. Cechą wspólną wymienionych trzech pierwszych aspektów jest odnoszenie się do reprezentacji gromadzonej informacji. Dopiero rozpatrywanie systemów wspomagania decyzji jako narzędzia rozwiązywania problemów doprowadza do traktowania ich w sposób całościowy. Przekładając to na system pojęć stosowanych podczas projektowania systemów informatycznych, czwarty aspekt sprowadza się do tworzenia modułu nadzorującego pracę pozostałych. Taki moduł bywa często nazywany silnikiem ISWD. Jednym z kierunków rozwoju wzmacniającym rolę ISWD we współczesnej organizacji jest łączenie ze sobą róŝnych metod przetwarzania, wnioskowania i poszukiwania wiedzy rozwijanych rozłącznie w ramach Sztucznej Inteligencji w jeden spójny hybrydowy system doradczy. Znane są dwa ogólne podejścia do tworzenia takich systemów hybrydowych: CI - Computational Intelligence oraz SC - Soft Computing (Rudas, 2004). System jest zgodny z podejściem CI lub obliczeniowo inteligentny, gdy przetwarza wyłącznie niskopoziomowe dane numeryczne, zawiera elementy rozpoznawania wzorców, nie posługuje się wiedzą w sensie określonym w ramach Sztucznej Inteligencji i dodatkowo wykazuje się na zewnątrz zdolnością do dostosowywania się, odpornością na błędy obliczeniowe, szybkością w zbliŝonym do ludzkiego sposobie reagowania i ilości popełnianych pomyłek na zbliŝonym do ludzkiego poziomie. Te kryteria wypełniane są przez systemy inkorporujące następujące metody:

7 sieci neuronowe, algorytmy genetyczne, logikę rozmytą, programowanie ewolucyjne i symulacje Ŝycia. Drugie podejście (SC) jest kolejnym krokiem rozwojowym w teorii budowy systemów hybrydowych wykorzystujących metody sztucznej inteligencji. Zakłada ono, Ŝe tworzone systemy doradcze przetwarzają dodatkową informację ustrukturalizowaną, a więc o określonej budowie, hierarchii i semantyce. NaleŜy przy tym podkreślić róŝnicę pomiędzy podejściem SC rozumianym jako miękkie, a całym spektrum klasycznych metod technik obliczeniowych (programowania matematycznego, analizy numerycznej, analizy funkcyjnej, logiki binarnej) i zaliczanych do Hard Computing twardego przetwarzania. Podejście SC koncentruje się na tworzeniu systemów przetwarzających wiedzę i poza klasycznymi metodami występującymi juŝ w podejściu CI wykorzystuje elementy teorii uczenia maszynowego, teorii chaosu i wnioskowania probabilistycznego. Jako definicję inteligentnych systemów wspomagania decyzji moŝna przyjąć, iŝ są to systemy, w których do rozwiązania problemu stosowane są róŝne techniki sztucznej inteligencji. Oczywiście naturalnym kierunkiem rozwoju inteligentnych systemów wspomagania decyzji jest równieŝ integracja z konwencjonalnymi technikami przetwarzania danych (języki programowania obiektowego) oraz systemami baz i hurtowni danych. Najczęściej wymieniane podstawowe techniki sztucznej inteligencji, stanowiące komponenty w aplikacjach inteligentnych, obejmują: systemy ekspertowe, sieci neuronowe, systemy odkrywania wiedzy, logikę rozmytą, algorytmy genetyczne oraz systemy wnioskujące na podstawie przypadków (CBR). Z kolei w dziedzinie technologii baz danych, najistot-

8 niejsze znaczenie mają hurtownie danych, analityczne przetwarzanie danych (OLAP) oraz wspomagane metodami sztucznej inteligencji, odkrywanie wiedzy w bazach danych (Data Mining). 4. Podsumowanie Tradycyjne rozumienie inteligentnych systemów wspomagania decyzji wydaje się obecnie zbyt wąskie. Współcześnie ISWD moŝna i naleŝy rozumieć w znacznie szerszym kontekście. Nie tylko jako integrację systemów wspomagania decyzji i systemów ekspertowych, ale jako integrację wielu technik sztucznej inteligencji, baz i hurtowni danych oraz analitycznego przetwarzania danych w celu dostarczenia informacji decyzyjnej. Integracja ta odbywa się nie tylko na poziomie zastosowanej technologii, ale coraz częściej dotyczy kontekstu prowadzonej działalności biznesowej. Twórcy inteligentnych systemów wspomagania decyzji zmuszeni są brać pod uwagę nie tyle bieŝące procesy biznesowe, lecz nowozdefiniowane rodzaje aktywności gospodarczej mające cechę powtarzalności i uwzględniające moŝliwości maksymalnie szybkiego przesyłania danych o wzrastającym w czasie stopniu komplikacji i zawartości treściowej (od prostych komunikatów alfanumerycznych, do strumieni audio/wideo wysokiej jakości). W takich warunkach szczególne trudne staje się dostarczanie warstwie zarządczej informacji przydatnych do szybkiego podejmowania trafnych decyzji. W konsekwencji duŝe znaczenie powinno być nadawane funkcjonalności udostępnianej przez ISWD zbudowane w modelu hybrydowym i łączące wielorakie technologie symulacyjne, przetwarzania wiedzy i komunikacyjne.

9 Literatura 1. Gołuchowski J. (1997). Inteligentne systemy diagnoz ekonomicznych. Katowice: Wydawnictwo Uczelniane AE katowice. 2. Holsapple C. W. (2004). Decision Support Systems. W: Encyclopedia of Information Systems. Elsevier Inc. 3. Keen P. G., & Scott Morton M. S. (1978). Decision Support Systems: An Organizational Perspective. Reading, MA: Addison- Wesley. 4. Kisielnicki J., & Sroka H. (2001). Systemy informatyczne biznesu. Warszawa: Agencja Wydawnicza "Placet". 5. Klein M., & Methlie L. B. (1992). Expert Systems. A Decision Support Approach with Applications in Management and Finance. Addison-Wesley Publishing Company. 6. Mulawka J. J. (1996). Systemy ekspertowe. Warszawa: WNT 7. Rudas I. J. (2004). Hybrid Systems, w: Encyclopedia of Information Systems. Elsevier Inc.. 8. Spraque R. H., & Carlson E. D. (1982). Building Effective Decision Support Systems. Englewood Cliffs NJ: Prentice Hall. 9. Sroka H. (1994). Systemy Ekspertowe - komputerowe wspomaganie decyzji w zarządzaniu i finansach. Katowice: AE Katowice. 10. Stanek S. (1994). Systemy bazujące na wiedzy w formułowaniu strategii organizacji. Katowice: Wydawnictwo Uczelniane AE Katowice.

10 Informacje o autorach dr Wiesław Wolny dr Piotr Zadora Katedra Informatyki Akademia Ekonomiczna ul. Bogucicka Katowice Polska Numer telefonu (fax) +48/32/ wolny@ae.katowice.pl zadora@ae.katowice.pl