- •3. Экспертные системы (эс) - основная разновидность интеллектуальных систем. Функциональные возможности и области применения.
- •4. Интеллектуальные информационные системы поддержки решений.
- •5. Прикладная ииспр для поддержки банковских решений при оценке кредитоспособности заёмщика. Архитектура системы и характеристика функциональных блоков.
- •Анализ финансового состояния заемщика.
- •Подсистема анализа залоговых средств
- •Подсистема учета кредитной истории
- •8. Прикладная ииспр для расчета производственной программы предприятия и календарного планирования. Основные модели производства. Назначение ииспр.
- •9. Интеллектуальные технологии решения задач управления в экономике.
- •11. Идея и метод принятия решений средствами инженерии квантов знаний.
- •12. Процесс подготовки и принятия решений.
- •17. Содержательная и формальная постановка задачи принятия решений (зпр) на основе теории ожидаемой полезности. 3 основных класса зпр.
- •18. Инженерия знаний для принятия решений в экономике и бизнесе. (лр Бизнес логика и лр КвантБ)
- •19. Интеллектуальные базы данных в экономике и бизнесе.
- •20. Оперативная аналитическая обработка данных olap. Система data mining.
- •21. Бд и хранилища данных в экономике и бизнесе.
- •22. Имитационные модели, эвристические модели, эвристическое программирование.
- •25.Классификация информационных систем ис, как сппр по месту и виду использования в экономике и бизнесе.
11. Идея и метод принятия решений средствами инженерии квантов знаний.
Существующие искусственные нейронные сети и методы инженерии знаний (И З), основанные на логических, продукционных, фреймовых и др. моделях знаний, недостаточно эффективны из-за несовершенства способов представления и машинного способа манипулирования ими. Тем не менее, знаниеоориентированное направление остается актуальным в моделировании интеллектуальных умений человека успешно принимать решения в различных условиях неопределенности, благодаря человеческой интуиции и знаниям.
В этом направлении профессором И.Б. Сироджа предложен квантовый подход к инженерии знаний, реализованный посредством разработанного метода разноуровневых алгоритмических квантов знаний (δ-РАКЗ-метод) для принятия идентификационных и прогнозных решений в условиях δ-неопределенности. Эти условия предлагается определить параметром δ , значения которого конкретизируют суть вводимых типов неопределенностей соответствующей комбинацией следующих ограничений.
Данные об объекте принятия решений (ОПР) имеют разнотипный характер (измерены в количественных и качественных шкалах) и полученны в неполных объемах из разных источников (книги, справочники, техническая документация, эксперты, измерения и т.п.);
Информация о предметной области и ОПР не всегда достоверна, неполна и неточна;
Данные носят преимущественно статистический характер с неизвестными законами распределения характеристик (признаков) ОПР;
Преобладает лингвистический (качественный) и нечеткий характер описания предметной области и свойств ОПР;
Критерии качества принятия решений заданны неявно и неизвестны по количеству и конкретно какие информативные признаки ОПР, доставляющие оптимум критерия качества;
Неизвестны правила принятия идентификационных и прогнозных решений, а также индуктивные принципы их построения путем обучения компьютера по выборочным знаниям и экспериментальным данным;
Невозможно непосредственно построить правила принятия указанных решений с помощью известных стандартных вычислительных методов.
Комбинация ограничений {(1), (5)-(7)} определяет условия t-неопределенности, , при которых используются достоверные (точные) t-кванты знаний, а точнее tk-знания. Комбинации ограничений {(1), (2), (5)-(7)}, отвечает условиям π- неопределенности , когда показатели достоверности событий не точны и оцениваются приближенно, и применяются приближенные -кванты, т.е. k-знания.
Аналогично, при и ограничениях {(1), (3), (5)-(7)} выполняются условия v-неопределенности, при которых используются вероятностные vk-знания, а при и ограничениях {(1), (2), (4)-(7)} имеем условия -неопределенности и применяем нечеткие k-знания.
Идея квантового подхода к ИИ кроется в новой формализованной структуризации (автоматическом квантовании) информации для компьютерного воспроизведения умозаключений и рассуждений средствами математической логики и теории алгоритмов. Понятие δ – кванта знаний, т.е. δk – знания определяется аксиоматически как алгоритмическая структура 0-го, 1-го и 2-го уровней сложности, которая описывает конкретное событие порцией (квантом) информации в виде высказывания и содержит три составляющие: содержательную (семантика), информационную (символы) и процедурную (операторы, алгоритмы). Если квантовому событию можно поставить в соответствие число, то имеем δk -знания 0-го уровня, если кортеж чисел (вектор) или матрицу, то δk-знания имеют 1-й или 2-й уровень соответственно, независимо от типа условий δ-неопределенности. При этом посредством δРАКЗ-метода реализуется алгоритмизация δРАКЗ-моделей представления знаний и дедуктивного вывода следствий из посылок, опираясь на базу δ-знаний (БδkЗ), которая строится индуктивно при обучении на примерах.
Предложенная идея реализуется на основе концепции инженерии квантов знаний (ИКЗ), которая базируется на разработанном δРАКЗ-методе принятия решений [7] и представлена общей схемой на рис 3.1.
Рис 3.1. Общая концептуальная схема инженерии квантов знаний
Согласно концептуальной схеме ИКЗ первоначально строится БδkЗ как система импликативных и/или функциональных закономерностей для конкретной предметной области посредством индуктивного вывода из выборочных обучающих δk-знаний в форме таблиц эмпирических данных (ТЭД) и сценарных примеров обучающих знаний (СПОЗ). Искомые решения (следствия) в форме новых δk-знаний дедуктивно выводятся из БδkЗ по наблюдаемым δk-знаниям (посылкам). Автоматическое квантование разнотипной информации и машинное манипулирование δk-знаниями обеспечивается алгоритмическими и операторными средствами δРАКЗ-метода [7] в условиях δ-неопределенности.