Россия, г. Ростов-на-Дону, Ростовская государственная экономическая академия

В статье мы предлагаем систему поддержки принятия решений “EIS-Manager", которая использует нечетко-нейронную технологию. Она предназначена для того, чтобы помощь менеджерам в управлении знаниями, которые стали критическим фактором интеллектуального преимущества. Система может выявлять ситуации кризиса и извлекать значимые модели из данных.

В наши дни фирмы имеют дело с растущей сложностью и неопределенностью внешней среды. Возникает множество сложных вопросов: как фирмы должны изменяться, для того чтобы лучше адаптироваться и изменять эти внешние условия; как они могут гарантировать организационную выживаемость в сложном, неопределенном и взаимосвязанном мире. Хорошо известные научные методы решения организационных проблем требуют формализации и полной информации. В результате чего, они не могут учесть большое количество факторов неопределенной и качественной природы [1]. Достижения искусственного интеллекта и современные компьютеры позволяют изменить эту ситуацию. Модели нейронных сетей способны учиться на примерах, а нечеткая логика позволила использовать нечеткие лингвистические модели, имеющие широкую описательную способность. Комбинируя хорошо известные формальные модели с новыми нейронными и нечеткими моделями, мы можем получить инструмент, который будет более адекватным организационной практике как сложной адаптивной системе (CAS).

В нашей статье мы предлагаем систему поддержки принятия решений (DSS) “EIS-Manager”, которая использует нечетко-нейронную технологию. Она предназначена для помощи менеджерам в процессах управления знаниями, которые стали критическим фактором интеллектуального преимущества [2].

Особенность нашей системы состоит в двухуровневой структуре и нечетко-нейронной технологии. Первый уровень предназначен для помощи менеджерам в вопросах внутренней эффективности бизнес-процессов. Он содержит ряд функциональных модулей, каждый из которых содержит свою базу знаний. Каждый из них может рассматриваться как отдельная нечеткая экспертная система. Первый модуль содержит экспертно определенные диагностические правила и критерии, связанные с функциональными моделями бизнес-процессов. Таким образом, экспертная система может определять ситуации кризиса [3]. Как только ситуация кризиса обнаружена, запускается второй модуль экспертной системы, который пытается найти причины кризиса. В этот момент менеджер может экспериментировать с моделью, проигрывая разные варианты решений с целью приобретения новых знаний о ситуации. Последняя подсистема первого уровня предназначена для извлечения знаний из данных.

Наличие этой функции дает возможность DSS извлекать новые значимые модели из статистических данных. Мы используем многослойную нейронную сеть прямого распространения и алгоритм обратного распространения в качестве основного инструмента извлечения знаний. Такое решение позволяет использовать зашумленные и короткие ряды данных, которые чаще встречаются в практике бизнеса. Извлеченные из данных модели могут быть добавлены в нечеткую базу знаний как (нечеткая ассоциативная память) [4]. Также, обученная нейронная сеть может быть использована для генерации данных и обучения полиномиальных моделей, которые значительно проще интерпретируются.

Второй адаптивный уровень помогает менеджерам в вопросах изменения организации в ответ на изменение внешней среды. Как указано выше, на этом уровне лицо принимающее решение разрабатывает модели, которые описывают внешнюю и внутреннюю среду фирмы. Модели внешней среды могут быть представлены сценариями, маркетинговыми моделями и т.д. В любом случае, каждая из них может быть представлена как подмножество нечетких лингвистических моделей. Модели внутренней среды описывают бизнес-процессы фирмы. Мы используем DEFx спецификацию в качестве стандартной формы представления функциональных, информационных и событийных моделей.

Одной из основных функций адаптивного уровня системы является мониторинг, который позволяет оценить приспособленность фирмы к ее внешней среде. “Кривые адаптации” дают возможность менеджерам видеть насколько успешна – как приспособлена – фирма в обслуживании реальных потребностей или желаний потребителей. Мы предлагаем представлять адаптивные кривые как нечеткое множество потребительских потребностей с функцией принадлежности, зависящей от их удовлетворения.

Литература