Интеллектуальная консалтинговая система выявления технологических знаний и принятия решений по их эффективному применению на основе системно-когнитивного анализа бизнес-процессов

Возникает закономерный и обоснованный вопрос о том, насколько корректным является получение образов классов путем обобщения примеров ситуаций, относящихся к различным периодам времени. Дело в том, что в этих ситуациях могут быть отражены различные закономерности предметной области, если она изменялась за время проведения исследования. Ответ на этот вопрос зависит от целей и результатов построения модели предметной области.

Например, если целью является построение модели высокой степени адекватности, то это не получится, если предметная область (моделируемый объект) обладает высокой динамичностью, но может и оказаться возможным, если моделируемый объект существенно не изменился за период исследования.

Если же целью моделирования является исследование самой динамики моделируемого объекта, то резкое понижение адекватности модели при учете в ней состояний объекта, относящихся к определенному периоду времени, указывает на то, что в этот период изменился сам характер взаимосвязей между признаками объекта (интервальными значениями влияющих на него факторов) и его состояниями.

Периодом эргодичности называется период, в течение которого характер взаимосвязей между факторами, влияющими на объект и его переходами в те или иные состояния существенно (качественно) не изменяются. Точками бифуркации называются границы периодов эргодичности, когда он один период эргодичности сменяется другим, т.е. существенно (качественно) изменяются закономерности взаимосвязи между факторами, влияющими на объект, и его переходами в различные состояния, обусловленные действием этих факторов. Таким образом, измерение степени адекватности модели в зависимости от объема исследуемой выборки (если объекты в ней упорядочены по времени) позволяет выявить границы периодов эргодичности и точки бифуркации и выявить, что их нет, не смотря на длительный период исследования (его лонгитюд).

В системе «Эйдос» есть режим _236, предназначенный специально для этой цели (рисунок 5).

Рисунок 5. Экранная форма вызова режима _152 системы «Эйдос».

Применение этого режима дало следующие результаты. В целом модель продемонстрировала высокую достоверность, составляющую 88,756%, и это означает, что за время исследования моделируемая предметная область существенно не изменилась и таким образом получение обобщенных образов классов путем многопараметрической типизации примеров, относящихся к различным периодам времени является вполне корректным (рисунок 6).

Рисунок 6. Определение границ периодов эргодичности (точек бифуркации) путем измерения зависимости достоверности модели от объема исследуемой выборки (режим _236 системы «Эйдос»)

С другой стороны все же была выявлена определенная динамика достоверности модели, которую можно разделить на три четко выраженных и визуально-наблюдаемых периода:

- 1-й период: 1999-2000 годы, по-видимому, специфика этого периода может быть выражена одним словом: «постдефолтный», когда после дефолта 1998 года система находится в состоянии неустойчивости и поиска новых закономерностей, которые еще не найдены и не сформировались,

- 2-й период: 2001 год, в этот период новые постдефолтные закономерности уже найдены и сформировались, но еще не приобрели основной вес в модели, вследствие чего ее достоверность даже несколько снижается по сравнению с предыдущей при накоплении новых данных, отражающих эти новые закономерности;

- 3-й период: с 2002-2009 годы, в этот период новые постдефолтные закономерности, сформированные в 2001 году, приобретают все больший вес в модели, вследствие чего ее достоверность монотонно повышается вплоть до 2008 года, в который она незначительно снижается, что по-видимому, отражает влияние мирового финансового кризиса, которое, однако, как видно из рисунка 6, несопоставимо менее значительное, чем влияние дефолта 1998 года.

Низкий параметр достоверности регрессии обусловлен, по мнению авторов, не ее низким соответствием фактическому ряду, а очень большим разбросом его значений в постдефолтный (1-й) период, а во 2-м и 3-м периоде согласие регрессией очень хорошее, что очевидно.

4. Измерение адекватности СИМ осуществляется последовательным выполнением режимов _21 (копирование обучающей выборки в распознаваемую), _41 (пакетное распознавание) и _62 (измерение адекватности СИМ) системы «Эйдос».

Пункты 3 и 4 удобно выполнить также с помощью режима _25 системы "Эйдос", который сначала выполняет синтез семантической информационной модели (СИМ), а затем копирует обучающую выборку в распознаваемую выборку), проводит пакетное распознавание и проверку ее адекватности, которая оказалась довольно высокой: более 90% (таблица 7).

Таблица 7 - ВЫХОДНАЯ ФОРМА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЯ АДЕКВАТНОСТИ ИСХОДНОЙ МОДЕЛИ (ФРАГМЕНТ)

5. В системе "Эйдос" реализовано несколько различных методов повышения адекватности модели:

- исключение из модели статистически малопредставленных классов и факторов (артефактов);

- исключение незначимых факторов, т.е. факторов имеющих низкую селективную силу или дифференцирующую способность;

- ремонт (взвешивание) данных, что обеспечивает не только классическую, но и структурную репрезентативность исследуемой выборки по отношению к генеральной совокупности;

- итерационное разделение классов на типичную и нетипичную части (дивизивная, т.е. разделяющая, в отличие от агломеративной, древовидная кластеризация);

- генерация сочетанных признаков, дополнение справочников классов и признаков и перекодирование исходной выборки.

Проверка адекватности модели, проведенная в режиме _25 после ее синтеза, показала, что повышение адекватности модели в нашем случае не требуется, т.к. вероятность правильного отнесения ситуации к классу, к которой она действительно относится и на неоптимизированной модели составляет 88,756%, что вполне достаточно для целей работы.

Но все же нами был применен метод повышения адекватности модели, путем итерационного разделение классов на типичную и нетипичную части (дивизивная, т.е. разделяющая, в отличие от агломеративной, древовидная кластеризация). В результате было получено следующее дерево классов (рисунок 7):

Рисунок 7 - Дерево разделения классов на типичную и нетипичную части (дивизивная кластеризация)

По результатам кластеризации можно сделать вывод о том, что различные классы обладают различной степенью вариабельности обусловливающих их факторов, т.е. одни классы являются жестко детерминированными, тогда как другие вызываются различными сочетаниями действующих факторов, что затрудняет и делает менее достоверной их прогнозирование и осуществление.

В результате проведения данной процедуры степень достоверности модели повысилась (таблица 8):

Таблица 8 - Выходная форма по результатам измерения адекватности модели, улучшенной методом дивизивной кластеризации (фрагмент)

Аналогичная информация приведена в скриншотах экранных форм (рисунок 8):

Рисунок 8. Экранные формы режима _62 системы «Эйдос» до и после повышения достоверности модели методом дивизивной кластеризации

Из сопоставительного анализа таблиц 7 и 8 и рисунка 8 можно сделать следующие выводы:

- в результате разделения классов на типичную и нетипичную части достоверность верной идентификации повысилась на 12%, достоверность верной неидентификации при этом немного понизилась, но общая (средняя) достоверность модели возросла на 3% (конечно, это небольшое повышение качества модели, однако улучшить изначально хорошую модель очень сложно);

- при прогнозировании и принятии решений целесообразно учитывать дифференциальную достоверность идентификации по классам, связанную со степенью их детерминированности;

- применение модели чаще всего обеспечивает во много раз более высокую достоверность, чем случайное угадывание или не использование модели, однако по слабодетерминированным классам это не так и их нецелесообразно учитывать при прогнозировании и рассматривать при анализе модели.

6. Решение с помощью СИМ задач прогнозирования и поддержки принятия решений, а также исследования предметной области.

6.1. Задача 2: "Разработка методики прогнозирования влияния технологических факторов на объемы производства продукции и услуг, их качество, на прибыль и рентабельность фирмы".

В системе "Эйдос" есть стандартный режим _42, обеспечивающий подсчет для каждого результата работы фирмы, представленного в распознаваемой выборке, суммарного количества знаний, которое содержится в интервальных значениях факторов о принадлежности данного результата к каждому из классов. Затем в режиме _431 все классы сортируются (ранжируются) в порядке убывания суммарного количества информации о принадлежности к ним, содержащегося в описании результата. Эта информация представляется в виде экранных форм и файлов (рисунки 9 - 10):

Рисунок 9. Пример экранной выходной формы с желательными для фирмы результатами прогнозирования (максимальная удельная прибыль)

Рисунок 10. Пример экранной выходной формы с нежелательными для фирмы результатами прогнозирования (минимальная прибыль)

Птичками "" На рисунках 9 - 10 отмечены классы, к которым данные результаты работы фирмы действительно относится.

Важно, что полученные результаты допускают наглядную графическую картографическую визуализацию [17].

Если в распознаваемой выборке представлено сразу несколько примеров результатов работы фирмы, то может представлять интерес другая форма вывода информации о результатах прогнозирования по ним, например по степени сходства с желаемым классом (высокая урожайность) (рисунок 11):

Рисунок 11. Пример экранной формы карточки прогнозирования с классом: «УРОЖАЙНОСТЬ (Ц/ГА): {59.76, 73.59}»

6.2. Задача 3: "Разработка методики поддержки принятия решений о выборе таких технологических факторов, которые бы обеспечили бы производство заданных объемов продукции и услуг заданного качества, а также заданную прибыль и рентабельность фирмы".

Данная задача является обратной по отношению к задаче прогнозирования. Если при прогнозировании по заданным интервальным значениям факторов определяется, какие результаты работы фирмы ими обусловливаются, то в задаче принятия решений, наоборот: по заданным целевым результатам работы фирмы определяется, какие интервальные значения технологических факторов детерминируют получение этих результатов, а какие препятствуют этому.

Данная задача решается во многих режимах системы "Эйдос", в частности в режиме _511, который выдает следующие формы (таблицы 9 и 10), содержащие знания об интервальных значениях технологических факторов, которые в различной степени способствует или препятствует (красным) получению заданных хозяйственно-экономических результатов.

Таблица 9 - Информационный портрет класса: урожайность (ц/га)