«Ю.Ф.Тельнов Интеллектуальные информационные системы Москва 2004 Тельнов Ю.Ф. Интеллектуальные информационные системы / Московский государственный университет экономики, статистики и информатики. – М.: МЭСИ, 2004. –с. © ...»

34. Тельнов Ю.Ф., Диго С.М., Полякова Т.М. Интеллектуальные системы обработки данных: Учебное пособие.- М.: МЭСИ, 1989.-102с. :ил.

35. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике:

Учебное пособие /2-изд. – М.: СИНТЕГ, 1999. – 214 с.

36. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. / Пер с англ.

Ю.А. Зуева М.:Мир, 1992 – 237 с. :ил.

37. Уотерман Д. Руководство по экспертным системам. / Пер. с англ.; Под. ред.

Стефанюка В.Л. – М.: Мир, 1989. – 388 с. :ил.

38. Davenport T.H. Some Principles of Knowledge Management. Apr, 1996.

http://www.netobjects.com 39. Durkin J. Expert Systems: a view of the field // IEEE Expert, 1996, № 2, p. 56- 40. Harmon P. The intelligente software development tools market // Part I. Intelligent Software Strategies. – 1995, Vol. 11, №2. p. 1-12.

41. Harmon P. The intelligente software development tools market // Part II. Intelligent Software Strategies. – 1996, Vol. 12, №3. p. 1-16.

Глава 1. Классификация интеллектуальных информационных систем 42. Martinson, F.R. Schindler. Organizational visions for technology assimilation: the strategic road to knowledge-based systems success // IEEE Transactions on engineering management, 1995, Vol 42, №1, p 10-18.

43. O’Leary D.E. Using AI in Knowledge Management: Knowledge Bases and Ontologies. // IEEE Intelligent Systems. 1998, №3. p.34-39.

44. Ross R.G. The Business Rule Book. Classifying, Defining and Modelling Rules. Data Base Research Group, Inc. – 1997, 394 p.

45. K.D. Althoff, E. Auriol, R. Barletta, M. Manago, «A Review of Industrial Case-Based Reasoning Tools» // AI Intelligence, 1995.

46. R. Lopez de Mantaras, E. Plaza, «Case-Based Reasoning: an overview» // AI Communications, № 10, 1997, pp. 21-29.

47. B. Bartsch-Sporl, M. Lenz, A. Hubner, «Case-Based Reasoning – Survey and Future Directions», Knowledge-Based Systems, Survey and Future Directions, Springer Verlag, Berlin, Heidelberg, № 4, 1999.

Глава 2. Технология создания экспертных систем Слабая формализуемость процесса принятия решений, его альтернативность и нечеткость, качественная и символьная природа используемых знаний, динамичность изменения проблемной области – все эти характерные особенности применения экспертных систем обусловливают сложность и большую трудоемкость их разработки по сравнению с другими подклассами ИИС. Поэтому в дальнейшем вопросы проектирования и реализации интеллектуальных информационных систем будут рассматриваться для класса экспертных систем.

Извлечение знаний при создании экспертной системы предполагает изучение множества источников знаний, к которым относятся специальная литература, базы фактуальных знаний, отчеты о решении аналогичных проблем, а самое главное опыт работы специалистов в исследуемой проблемной области – экспертов. Успех проектирования экспертной системы во многом определяется тем, насколько компетентны привлекаемые к разработке эксперты и насколько они способны передать свой опыт инженерам по знаниям. Вместе с тем, эксперты не имеют представления о возможностях и ограничениях ЭС.

Следовательно, процесс разработки ЭС должен быть организован инженерами по знаниям таким образом, чтобы в процессе их итеративного взаимодействия с экспертами они получили весь необходимый объем знаний для решения четко очерченных проблем. Этапы проектирования экспертной системы представлены на рис. 2.1.

На начальных этапах идентификации и концептуализации, связанных с определением контуров будущей системы, инженер по знаниям выступает в роли ученика, а эксперт – в роли учителя, мастера. На заключительных этапах реализации и тестирования инженер по знаниям демонстрирует результаты разработки, адекватность которых проблемной области оценивает эксперт. На этапе тестирования это могут быть совершенно другие эксперты.

На этапе тестирования созданные экспертные системы оцениваются с позиции двух основных групп критериев: точности и полезности.

С точностью работы связаны такие характеристики, как правильность делаемых заключений, адекватность базы знаний проблемной области, соответствие применяемых методов решения проблемы экспертным. Поэтому конечные оценки системе ставят специалисты в проблемной области – эксперты. Полезность же экспертной системы характеризуется степенью удовлетворения требований пользователя в части получения необходимых рекомендаций, легкости и естественности взаимодействия с системой, надежности, производительности и стоимости эксплуатации, способности обоснования решений и обучения, настройки на изменение потребностей. Оценивание экспертной системы осуществляется по набору тестовых примеров, как из предшествующей практики экспертов, так и специально подобранных ситуаций. Результаты тестирования подлежат статистической обработке, после чего делаются выводы о степени точности работы экспертной системы.

Следующий этап жизненного цикла экспертной системы – внедрение и опытная эксплуатация в массовом порядке без непосредственного контроля со стороны разработчиков и переход от тестовых примеров к решению реальных задач. Важнейшим критерием оценки становятся соотношение стоимости системы и ее эффективности. На этом этапе осуществляется сбор критических замечаний и внесение необходимых изменений. В результате опытной эксплуатации может потребоваться разработка новых специализированных версий, учитывающих особенности проблемных областей.

На всех этапах разработки инженер по знаниям играет активную роль, а эксперт – пассивную. По мере развития самообучающихся свойств экспертных систем роль инженера по знаниям уменьшается, а активное поведение заинтересованного в эффективной работе экспертной системы пользователя-эксперта возрастает. Описание приемов извлечения знаний инженерами знаний представлено в таблице 2.1.

1. Наблюдение Инженер наблюдает, не вмешиваясь, за тем, как эксперт решает реальную задачу 2. Обсуждение задачи Инженер на представительном множестве задач неформально 3. Описание задачи Эксперт описывает решение задач для типичных запросов 4. Анализ решения Эксперт комментирует получаемые результаты решения задачи, детализируя ход рассуждений 5. Проверка системы Эксперт предлагает инженеру перечень задач для решения (от 6. Исследование системы Эксперт исследует и критикует структуру базы знаний и работу механизма вывода 7. Оценка системы Инженер предлагает новым экспертам оценить решения разработанной системы Первые два этапа разработки экспертной системы составляют логическую стадию, не связанную с применением четко определенного инструментального средства. Последующие этапы реализуются в рамках физического создания проекта на базе выбранного инструментального средства. Вместе с тем, процесс создания экспертной системы, как сложного программного продукта, имеет смысл выполнять методом прототипного проектирования, сущность которого сводится к постоянному наращиванию базы знаний, начиная с логической стадии. Технология разработки прототипов представлена в таблице 2.2.

Прототипная технология создания экспертной системы означает, что простейший прототип будущей системы реализуется с помощью любого подручного инструментального средства еще на этапах идентификации и концептуализации, в дальнейшем этот прототип детализируется, концептуальная модель уточняется, реализация выполняется в среде окончательно выбранного инструментального средства. После каждого этапа возможны итеративные возвраты на уже выполненные этапы проектирования, что способствует постепенному проникновению инженера по знаниям в глубину решаемых проблем, эффективности использования выделенных ресурсов, сокращению времени разработки, постоянному улучшению компетентности и производительности системы.

Пример разработки экспертной системы гарантирования (страхования) коммерческих займов CLUES (loan-uderwriting expert systems) [21] представлен в таблице 2.3. Эта система создавалась в интегрированной среде ART группой разработчиков в составе одного менеджера проекта, двух инженеров по знаниям, двух программистов, ответственных за сопряжение ЭС с существующей информационной системой и аналитическим инструментом, одного контролера качества. Сложность созданной системы: 1000 правил, 180 функций, 120 объектов. Эффективность: при оценке 8500 кредитов в месяц годовая экономия на обработке информации составляет 0,91 млн. долл., при 30000 кредитов – 2, млн. долл. При этом в 50% случаев система принимает самостоятельные решения, в остальных случаях дает экспертам диагностику возникающих проблем. Время оценки кредита сократилось с 50 минут до 10-15 минут. Перечисленные показатели эффективности позволили компании Contrywide расширить сферу своей деятельности во всех штатах США и увеличить оборот с 1 млрд. долл. в месяц в 1991 году до 5 млрд. долл. в 1993 году.

Концептуализация Формализация Опытная эксплуатация Коммерческий 1500 – 3000 1,5 – 3 года 2 – 5 млн.$ Этап идентификации проблемной области включает определение назначения и сферы применения экспертной системы, подбор экспертов и группы инженеров по знаниям, выделение ресурсов, постановку и параметризацию решаемых задач.

Начало работ по созданию экспертной системы инициируют руководители компаний (предприятий, учреждений). Обычно необходимость разработки экспертной системы в той или иной сфере деятельности связана с затруднениями лиц, принимающих решение, что сказывается на эффективности функционирования проблемной области. Эти затруднения могут быть обусловлены недостаточным опытом работы в данной области, сложностью постоянного привлечения экспертов, нехваткой трудовых ресурсов для решения простых интеллектуальных задач, необходимостью интеграции разнообразных источников знаний. Как правило, назначение экспертной системы связано с одной из следующих областей:

• обучение и консультация неопытных пользователей;

• распространение и использование уникального опыта экспертов;

• автоматизация работы экспертов по принятию решений;

• оптимизация решения проблем, выдвижение и проверка гипотез.

Февраль – апрель 1992г. Интервьюирование экспертов Апрель – май 1992г. Моделирование и создание первого прототипа Май – июнь 1992г. Кодирование (реализация) Июнь – сентябрь 1992г. Внутреннее тестирование. Системная интеграция Сентябрь – декабрь 1992г. Альфа-тестирование на известных примерах Декабрь – январь 1993г. Бета-тестирование на реальных примерах Февраль 1993г. Внедрение в отрасли розничной торговли (20% кредитов) Май 1993г. Внедрение в потребительский сектор (10% кредитов) Август 1993г. Внедрение в отрасли оптовой торговли (35% кредитов) Февраль 1994г. Внедрение в корреспондентскую сеть (35% кредитов) Сфера применения экспертной системы характеризует тот круг задач, который подлежит формализации, например, «оценка финансового состояния предприятия», «выбор поставщика продукции», «формирование маркетинговой стратегии» и т.д. Обычно сложность решаемых в экспертной системе проблем должна соответствовать трудоемкости работы эксперта в течение нескольких часов. Более сложные задачи имеет смысл разбивать на совокупности взаимосвязанных задач, которые подлежат разработке в рамках нескольких экспертных систем.

Ограничивающими факторами на разработку экспертной системы выступают отводимые сроки, финансовые ресурсы и программно-техническая среда. От этих ограничений зависит количественный и качественный состав групп инженеров по знаниям и экспертов, глубина прорабатываемых вопросов, адекватность и эффективность решения проблем.

Обычно различают три стратегии разработки экспертных систем (таблица 2.4) [20]:

• широкий набор задач, каждая из которых ориентирована на узкую проблемную область;

• концентрированный набор задач, определяющий основные направления повышения эффективности функционирования экономического объекта;

• комплексный набор задач, определяющий организацию всей деятельности экономического объекта.

Назначение Автоматизация Требования к разработчи- Эксперты-пользователи Стоимость Низкая на проект Высокая на проект Высокая на проект Риск Диверсифицированный Концентрированный Концентрированный DuPont du Nemours DEC, ЭС конфигуриро- Среда разработки инОболочка Insight Plus вания компьютеров формационной системы Примеры Сотни экспертных сис- XCON, продажи XSEL ART-Enterprise После предварительного определения контуров разрабатываемой экспертной системы инженеры по знаниям совместно с экспертами осуществляют более детальную постановку проблем и параметризацию системы. К основным параметрам проблемной области относятся следующие:

• класс решаемых задач (интерпретация, диагностика, коррекция, прогнозирование, планирование, проектирование, мониторинг, управление);

• критерии эффективности результатов решения задач (минимизация использования ресурсов, повышение качества продукции и обслуживания, ускорение оборачиваемости капитала и т.д.);

• критерии эффективности процесса решения задач (повышение точности принимаемых решений, учет большего числа факторов, просчет большего числа альтернативных вариантов, адаптивность к изменениям проблемной области и информационных потребностей пользователей, сокращение сроков принятия решений);

• цели решаемых задач (выбор из альтернатив, например, выбор поставщика или синтез значения, например, распределение бюджета по статьям);

• подцели (разбиение задачи на подзадачи, для каждой из которых определяется своя цель);

• исходные данные (совокупность используемых факторов);

• особенности используемых знаний (детерминированность / неопределенность, статичность / динамичность, одноцелевая / многоцелевая направленность, единственность / множественность источников знаний).

На этапе построения концептуальной модели создается целостное и системное описание используемых знаний, отражающее сущность функционирования проблемной области. От качества построения концептуальной модели проблемной области во многом зависит насколько часто в дальнейшем по мере развития проекта будет выполняться перепроектирование базы знаний. Хорошая концептуальная модель может только уточняться (детализироваться или упрощаться), но не перестраиваться.

Результат концептуализации проблемной области обычно фиксируется в виде наглядных графических схем на объектном, функциональном и поведенческом уровнях моделирования:

• объектная модель описывает структуру предметной области как совокупности взаимосвязанных объектов;

• функциональная модель отражает действия и преобразования над объектами;

• поведенческая модель рассматривает взаимодействия объектов во временном аспекте.

Первые две модели описывают статические аспекты функционирования проблемной области, а третья модель – динамику изменения ее состояний. Естественно, что для различных классов задач могут требоваться разные виды моделей, а следовательно, и ориентированные на них методы представления знаний. Рассмотрим каждую из представленных видов моделей.

Объектная модель отражает фактуальное знание о составе объектов, их свойств и связей. Элементарной единицей структурного знания является факт, описывающий одно свойство или одну связь объекта, который представляется в виде триплета:

Предикат (Объект, Значение).

Если предикат определяет название свойства объекта, то в качестве значения выступает конкретное значение этого свойства, например:

профессия («Иванов», «Инженер»).

Если предикат определяет название связи объекта, то значению соответствует объект, с которым связан первый объект, например:

работает («Иванов», «Механический цех»).

В качестве важнейших типизированных видов отношений рассматриваются следующие:

«род» – «вид» (обобщение);

«целое» – «часть» (агрегация);

«причина» – «следствие»;

«цель» – «средство»;

«функция» – «аргумент»;

«ассоциация»;

«хронология»;

«пространственное положение» и др.

Так, отношения обобщения («род» – «вид») фиксируется на уровне названий классов объектов, например:

есть-подкласс (Инженеры, Личности).

Под классом объектов понимается совокупность объектов с одинаковым набором предикатов (свойств и связей). Класс объектов часто описывается в виде n-арного реляционного отношения, например:

личности (ФИО, Профессия, Подразделение,... ).

Если объекты обладают частично пересекающимся набором предикатов, то осуществляется более сложная классификация объектов: класс объектов по значениям какоголибо свойства (признака) разбивается на подклассы таким образом, что класс объектов содержит общие для подклассов свойства и связи, а каждый из подклассов отражает специфические свойства и связи, например:

личности (ФИО, Год рождения, Профессия, Подразделение,.. ) инженеры (ФИО, ВУЗ, Оклад,... ) рабочие (ФИО, Разряд, Тарифная ставка,... ) При этом подклассы объектов автоматически наследуют общие свойства и связи вышестоящих классов, а совокупность взаимосвязанных по отношению обобщения классов объектов образует иерархию наследования свойств.

Отношение агрегации классов объектов («целое» – «часть») отражает составные части объектов, которое можно представить в бинарном виде на именах двух классов объектов:

есть-часть (Оборудование, Цех);

есть-часть (Рабочие, Цех).

Аналогично представляются другие семантические отношения:

• причина-следствие (Задолженность, Банкротство);

• аргумент-функция (Спрос, Цена);

• средство-цель (Покупка акций, Прибыль);

• ассоциация (Производство, Обслуживание);

• хронология (Отгрузка, Поставка);

• пространственное положение (Сборка, Технический контроль).

Обычно объектное знание представляется графически средствами ER-моделей (модель «Сущность – Связь») – см. [15].

Функциональная модель описывает преобразования фактов, зависимости между ними, показывающие, как одни факты обpазуются из дpугих. В качестве единицы функционального знания определим функциональную зависимость фактов в виде импликации:

означающей, что факт В имеет место только в том случае, если имеет место конъюнкция фактов или их отрицаний А1, А2,..., Аn, например:

сбыт (Товар, «Слабый») и прибыль (Товар, «Ничтожная») и потребители (Товар, «Любители нового») и число_конкурентов (Товар, «Небольшое») -- > жизненный_цикл (Товар, «Выведение на рынок»).

Функциональную зависимость фактов можно трактовать как отражение следующих отношений фактов:

• «Причина» – «Следствие»;

• «Средство» – «Цель»;

• «Аргумент» – «Функция»;

• «Ситуация» – «Действие».

В качестве термов конъюнкции фактов могут выступать более сложные логические условия.

Функциональная модель строится путем последовательной декомпозиции целей, а именно: для цели определяются подцели, для которых в свою очередь устанавливаются подцели и так дальше, пока в качестве подцелей не окажутся исходные факты (процесс декомпозиции «сверху» – «вниз»). Каждой цели (подцели) соответствует некоторая задача (подзадача), которая не может быть решена, пока не будут достигнуты ее нижестоящие подцели (решены подзадачи). Таким образом, функциональная модель отражает в обобщенной форме процесс решения характерных для нее задач.

Обычно функциональные зависимости фактов представляются графически в виде деревьев целей или графов «И»–«ИЛИ» (рис. 2.2), в которых каждый зависимый факт представляет собой целевую переменную – корневую вершину, а определяющие его факты-аргументы – cвязанные с корнем подчиненные вершины, условие конъюнкции (совместности анализа факторов) обозначается пересекающей дугой, а условие дизъюнкции (независимости влияния на цель факторов) никак не обозначается, причем если какой-либо факт-аргумент, в свою очередь, определяется другими фактами-аргументами, то он становится подцелью.

СТРАТЕГИЯ ПРОИЗВОДСТВА

Поведенческая модель отражает изменение состояний объектов в результате возникновения некоторых событий, влекущих за собой выполнение определенных действий (процедур). Состояние объекта – это изменяющиеся во времени значения некоторого свойства.

Набор действий, связанный с некоторым событием, составляет поведение объекта, которое выражается в виде правил или процедур. Задача определения поведенческой модели заключается в определении связей событий с поведением объектов и изменением их состояний.

Как правило, событие отражается в форме сообщения, посылаемого объекту. Пример поведенческой модели в виде диаграммы потоков событий представлен в таблице 2.5.

СОБЫТИЕ ПОВЕДЕНИЕ СОСТОЯНИЕ

На этапе формализации базы знаний осуществляется выбор метода представления знаний. В рамках выбранного формализма осуществляется проектирование логической структуры базы знаний.

Рассмотрим классификацию методов представления знаний с точки зрения особенностей отображения различных видов концептуальных моделей, а именно: соотношения структурированности и операционности, детерминированности и неопределенности, статичности и динамичности знаний (рис. 2.3).

Рис.2.3. Классификация методов представления знаний Так, объектные методы представления знаний в большей степени ориентированы на представление структуры фактуального знания, а правила – операционного.

• Логическая модель реализует и объекты, и правила с помощью предикатов первого порядка, является строго формализованной моделью с универсальным дедуктивным и монотонным методом логического вывода «от цели к данным»;

• Продукционная модель позволяет осуществлять эвристические методы вывода на правилах и может обрабатывать неопределенности в виде условных вероятностей или коэффициентов уверенности, а также выполнять монотонный или немонотонный вывод;

• Семантическая сеть отображает разнообразные отношения объектов;

• Фреймовая модель, как частный случай семантической сети, использует для реализации операционного знания присоединенные процедуры;

• Объектно-ориентированная модель, как развитие фреймовой модели, реализуя обмен сообщениями между объектами, в большей степени ориентирована на решение динамических задач и отражение поведенческой модели.

Логическая модель предполагает унифицированное описание объектов и действий в виде предикатов первого порядка. Под предикатом понимается логическая функция на N – аргументах (признаках), которая принимает истинное или ложное значение в зависимости от значений аргументов. Отличие заключается в том, что для объектов соответствующие реляционные отношения задаются явно в виде фактов, а действия описываются как правила, определяющие логическую формулу вывода фактов из других фактов. Пример фрагмента базы знаний подбора претендентов на вакансии в языке логического программирования ПРОЛОГ представлен на рис. 2.4. (Обозначения: «:-» – «если», «,» – «и», «.» – «конец утверждения»).

vibor (Fio,Dolgnost) :pretendent (Fio, Obrazov, Stag), vacancy (Dolgnost, Obrazov, Opyt), pretendent («Иванов», «среднее» 10).

pretendent («Петров», «высшее», 12).

vacancy («менеджер», «высшее», 10).

vacancy («директор», «высшее», 15).

Рис. 2.4. Пример фрагмента базы знаний на языке ПРОЛОГ Механизм вывода осуществляет дедуктивный перебор фактов, относящихся к правилу по принципу «сверху – вниз», «слева – направо» или обратный вывод методом поиска в глубину. Так, в ответ на запрос vibor(X,Y) получим: X=«Петров», Y=«менеджер».

Правила могут связываться в цепочки в результате использования одинакового предиката в посылке одного и в заключении другого правила.

Для логической модели характерна строгость формального аппарата получения решения. Однако полный последовательный перебор всех возможных решений может приводить к комбинаторным взрывам, в результате чего поставленные задачи могут решаться недопустимо большое время. Кроме того, работа с неопределенностями знаний должна быть запрограммирована в виде самостоятельных метаправил, что на практике затрудняет разработку баз знаний с помощью логического формализма.

Продукционные модели используются для решения более сложных задач, которые основаны на применении эвристических методов представления знаний, позволяющих настраивать механизм вывода на особенности проблемной области и учитывать неопределенность знаний.

В продукционной модели основной единицей знаний служит правило в виде: «если, то », с помощью которого могут быть выражены пространственно-временные, причинно-следственные, функционально-поведенческие (ситуация – действие) отношения объектов. Правилами могут быть описаны и сами объекты: «объект – свойство» или «набор свойств – объект», хотя чаще описания объектов фигурируют только в качестве переменных («атрибут – значение») внутри правил. В основном продукционная модель предназначена для описания последовательности различных ситуаций или действий и в меньшей степени для структурированного описания объектов.

Продукционная модель предполагает более гибкую организацию работы механизма вывода по сравнению с логической моделью. Так, в зависимости от направления вывода возможна как прямая аргументация, управляемая данными (от данных к цели), так и обратная, управляемая целями (от целей к данным). Прямой вывод используется в продукционных моделях при решении, например, задач интерпретации, когда по исходным данным нужно определить сущность некоторой ситуации или в задачах прогнозирования, когда из описания некоторой ситуации требуется вывести все следствия. Обратный вывод применяется, когда нужно проверить определенную гипотезу или небольшое множество гипотез на соответствие фактам, например, в задачах диагностики.

Отличительной особенностью продукционной модели является также способность осуществлять выбор правил из множества возможных на данный момент времени (из конфликтного набора) в зависимости от определенных критериев, например, важности, трудоемкости, достоверности получаемого результата и других характеристик проблемной области. Такая стратегия поиска решений называется поиском в ширину. Для ее реализации в описание продукций вводятся предусловия и постусловия в виде:

где: импликация С -- > D представляет собственно правило;

А – предусловие выбора класса правил;

B – предусловие выбора правила в классе;

Е – постусловие правила, определяющее переход на следующее правило.

В предусловиях и постусловиях могут быть заданы дополнительные процедуры, например, по вводу и контролю данных, математической обработке и т.д. Введение предусловий и постусловий позволяет выбирать наиболее рациональную стратегию работы механизма вывода, существенно сокращая перебор относящихся к решению правил.

Сами правила могут иметь как простой, так и обобщенный характер. Простые правила описывают продукции над единичными объектами, обобщенные правила определяются на классах объектов (аналогично правилам языка ПРОЛОГ).

Для обработки неопределенностей знаний продукционная модель использует, как правило, либо методы обработки условных вероятностей Байеса, либо методы нечеткой логики Заде.

Байесовский подход предполагает начальное априорное задание предполагаемых гипотез (значений достигаемых целей), которые последовательно уточняются с учетом вероятностей свидетельств в пользу или против гипотез, в результате чего формируются апостериорные вероятности:

где: P(H ) – априорная вероятность гипотезы Н;

P( H ) = 1 P( H ) – априорная вероятность отрицания гипотезы Н;

P(E ) – априорная вероятность свидетельства Е;

P( H / E ) – апостериорная (условная) вероятность гипотезы Н при условии, что имеет P( H / E ) – апостериорная (условная) вероятность отрицания гипотезы Н при условии, P( E / H ) – вероятность свидетельства гипотезы Е при подтверждении гипотезы Н;

P( E / H ) – вероятность свидетельства гипотезы Е при отрицании гипотезы Н.

Найдем отношения левых и правых частей представленных уравнений:

или где: О(Н) – априорные шансы гипотезы Н, отражающие отношение числа позитивных проявлений гипотезы к числу негативных;

О(Н/Е) – апостериорные шансы гипотезы Н при условии наличия свидетельства Е;

Ls – фактор достаточности, отражающий степень воздействия на шансы гипотезы Аналогично выводится зависимость:

где: О(Н / E ) – апостериорные шансы гипотезы Н при условии отсутствия свидетельства Е;

Ln – фактор необходимости, отражающий степень воздействия на шансы гипотезы при отсутствии свидетельства Е.

Шансы и вероятности связаны уравнениями:

Отсюда апостериорная вероятность гипотезы рассчитывается через апостериорные шансы, которые в свою очередь получаются перемножением априорных шансов на факторы достаточности или необходимости всех относящихся к гипотезе свидетельств в зависимости от их подтверждения или отрицания со стороны пользователя. Свидетельства рассматриваются как независимые аргументы на дереве целей.

Рассмотрим использование байесовского подхода на примере оценки надежности поставщика. Фрагмент подмножества правил представляется следующим образом:

Если Задолженность = «есть», То Финансовое_состояние = «удовл.» Ls = 0.01, Ln = Если Рентабельность = «есть», То Финансовое_состояние = «удовл.» Ls = 100, Ln = 0. Пусть оцениваемое предприятие является рентабельным и без задолженностей.

Априорная вероятность удовлетворительного финансового состояния любого поставщика составляет 0.5. Тогда расчет апостериорных шансов и вероятности удовлетворительного финансового состояния осуществляется по формулам:

Для байесовского подхода к построению продукционной базы знаний характерна большая трудоемкость статистического оценивания априорных шансов и факторов достаточности и необходимости.

Подход на основе нечеткой логики. Более простым, но менее точным методом оценки достоверности используемых знаний является применение нечеткой логики, в которой вероятности заменяются на экспертные оценки определенности фактов и применения правил (факторы или коэффициенты уверенности). Факторы уверенности могут рассматриваться и как весовые коэффициенты, отражающие степень важности аргументов в процессе вывода заключений. Итоговые факторы уверенности получаемых решений главным образом отражают порядок достоверности результата, а не его точность, что вполне приемлемо во многих задачах.

Факторы уверенности измеряются по некоторой относительной шкале, например, от 0 до 1 (100). В отличие от теории вероятностей сумма факторов уверенностей некоторых альтернативных значений необязательно составляет 1. Предполагается, что оценка факторов уверенностей исходных данных задается пользователем при описании конкретной ситуации, а факторы уверенности применения правил определяются инженерами знаний совместно с экспертами при наполнении базы знаний. Факторы уверенности правил в системе GURU задаются после служебного слова cf. Например, Если Предприятие = «малое»

То Надежность = «есть» cf Фактор уверенности можно определить и как степень принадлежности некоторого элемента подмножеству объектов, обладающих некоторым свойством. Например, определяется степень принадлежности (фактор уверенности принадлежности) предприятия подмножеству предприятий с высоким уровнем рентабельности.

Нечетким множеством называется совокупность упорядоченных пар, составленных из элементов и степеней их принадлежности некоторому подмножеству универсального множества, выделяемому по некоторому свойству. Например, нечеткими множествами могут быть подмножества предприятий с неудовлетворительной, удовлетворительной, хорошей, отличной рентабельностью.

Нечеткое множество определяется математически как множество пар вида:

где: х – элемент универсального множества Х, А(х) – степень принадлежности элемента х подмножеству универсального множества Х, определяемому свойством А.

Нечеткое множество можно также задать с помощью функции принадлежности АХ[0,1], которая вычисляет степень принадлежности элемента х подмножеству А на интервале от 0 до 1.

Один и тот же элемент универсального множества в силу нечеткости может одновременно принадлежать нескольким подмножествам или нечетким множествам. Например, одно и то же предприятие на некотором интервале значений рентабельности (рис.2.5) может относиться и к классу предприятий с неудовлетворительной рентабельностью, и к классу предприятий с удовлетворительной рентабельностью. Множество допустимых значений принадлежностей элемента нескольким нечетким множествам определяет лингвистическую переменную (нечеткую переменную в терминологии системы GURU). Например, для рентабельности предприятия 6,7% получается оценка в виде лингвистической переменной:

{«неудовлетворительно» cf 66, «удовлетворительно» cf 33}.

Присвоение значений лингвистической переменной на интервалах значений элементов может быть задано с помощью продукционных правил. Например:

Если Коэф. рент. > 5 и Коэф. рент. = А То Заказ.Отложить(КодПокупателя, КодПродукта, Дата, Количество);

Иначе Заказ.Выполнить(КодПокупателя, КодПродукта, Дата, Количество);

Заказ.Состояние = «Оформлен».} 2.5. Выбор инструментальных средств реализации экспертной системы На этапе реализации экспертной системы происходит физическое наполнение базы знаний и настройка всех программных механизмов в рамках выбранного инструментального средства, а при необходимости и допрограммирование специализированных модулей программного инструмента.

Особенности реализации экспертной системы во многом определяются характером инструментального средства, в качестве которого могут выступать программные оболочки (shells), генераторы (интегрированные среды), языки представления знаний (языки программирования). Так, оболочки имеют реализованные механизмы вывода, накопления, объяснения знаний, диалоговый компонент, что, с одной стороны, упрощает разработку программной части экспертной системы, поскольку не требуется программирование, а с другой стороны, усложняет разработку базы знаний вследствие возможного несоответствия формализма системы требованиям структуры. Использование языков представления знаний таких как: язык логического программирования PROLOG, язык функционального программирования LISP, язык объектно-ориентированного программирования SmallTalk, язык продукционных правил OPS5 и др. повышает гибкость разрабатываемой системы и одновременно увеличивает трудоемкость разработки.

Наиболее приемлемыми инструментальными средствами для создания экспертных систем являются генераторы или интегрированные среды разработки, например, G2 (фирма Gensym, дистрибьютор фирма ArgusSoft), ART-Enterprise (фирма Inference, дистрибьютор фирма Весть-Метатехнология), Nexpert Objects (дистрибьютор ТОРА Центр), GURU (фирма MDBS), которые позволяют настраивать программные средства на особенности проблемных областей, при необходимости предоставляют возможность программировать на встроенных языках четвертого поколения и осуществлять эффективный экспорт/импорт данных с другими инструментальными средствами.

Среди отечественных разработок следует отметить экспертную оболочку ЭКО (ArgusSoft) и программный комплекс SIMER – MIR (Исследовательский центр искусственного интеллекта ИПС РАН), который предоставляет инструментальные средства как автоматизации разработки, так и поддержки экспертных систем.

Инструментальные средства создания и поддержки экспертных систем являются дорогостоящими продуктами и стоят от тысяч до десятков тысяч долларов. Однако для готовых баз знаний инструментальные средства могут поставляться в исполнительской версии (RUN-TIME) на порядок дешевле.

В последнее время активно стал развиваться рынок проблемно и предметно ориентированных систем. Причем цена предметно-ориентированных систем может быть на порядок выше универсальных, преимущество же их заключается в более простой адаптации к конкретной предметной области, а следовательно, и в сокращении затрат на разработку.

Например, интеллектуальная система для разработки финансовых приложений Cogensys Judgment Software (Cogensys Corp) стоит 200 тыс. долл.

Среди специализированных инструментальных средств интеллектуальных систем основной удельный вес занимают экспертные системы реального времени, позволяющие динамически управлять непрерывными процессами (70% рынка). Бесспорным лидером в разработке экспертных систем реального времени является фирма Gensym с инструментальным средством G2 (дистрибьютор в России – фирма ArgusSoft), имеющая внедрения в таких компаниях как IBM, NASA, General Electric, Nissan и др. [5]. На базе G2, в свою очередь, созданы такие проблемно-ориентированные комплексы, как GDA для решения задач диагностики, ReThink и eSCOR для моделирования бизнес-процессов на различных уровГлава 2. Технология создания экспертных систем нях абстракции, NeurOnline для поддержки нейронной сети, Operations Expert для управления телекоммуникациями и др.

В процессе жизненного цикла разработки экспертной системы инструментальные средства могут сменять друг друга по мере расширения базы знаний. Так, на этапе проектирования прототипа требуется его быстрая разработка в ущерб производительности, в то время как на этапе разработки промышленной версии на первый план выходит обеспечение эффективности функционирования.

На выбор инструментальных средств экспертной системы, в основе которых лежит определенный метод представления знаний, основное влияние оказывает класс решаемых задач (проблемных областей) и соответственно характер полученной концептуальной модели, определяющий множество требований в части отображения объектов, действий над объектами, методов обработки неопределенностей, механизмов вывода (таблица 2.6.) [19]:

Инструментальные средства, в свою очередь, характеризуются определенными возможностями по реализации этих требований. В таблице 2.7. представлено выполнение требований для наиболее популярных инструментальных средств [5,8,9] (цифрой показывается номер места в упорядоченной последовательности).

Тогда сущность алгоритма выбора инструментальных средств сводится к наложению требований проблемной области к формализмам знаний на возможности инструментальных средств и определению наилучших по заданным ограничениям (таблица 2.8).

Матрица «Метод представления знаний – Классы задач»

Описание метода Описание объектов:

Действия:

Неопределенность:

Вывод:

Матрица «Метод представления знаний – программное средство»

Описание метода Описание объектов:

Действия:

Неопределенность:

Вывод:

Матрица «Класс решаемых задач – Программное средство»

Этапы создания экспертных систем: идентификация, концептуализация, формализация, реализация, тестирование, внедрение.

Прототип экспертной системы – это расширяемая (изменяемая) на каждом последующем этапе версия базы знаний с возможной модификацией программных механизмов. Различают прототипы: демонстрационный, исследовательский, действующий, промышленный, коммерческий.

Этап идентификации проблемной области – определение требований к разрабатываемой ЭС, контуров рассматриваемой проблемной области (объектов, целей, подцелей, факторов), выделение ресурсов на разработку ЭС.

Этап концептуализации проблемной области – построение концептуальной модели, отражающей в целостном виде сущность функционирования проблемной области на объектном (структурном), функциональном (операционном), поведенческом (динамическом) уровнях.

Объектная модель – отражение на семантическом уровне фактуального знания о классах объектов, их свойств и отношений. Элементарная единица объектного знания – это триплет: «объект – свойство (отношение) – значение» или двухместный предикат.

Функциональная модель – отражение зависимостей фактов, определяющих условия образования одних фактов из других. Элементарная единица функционального знания – импликация фактов.

Дерево целей (граф «И»-«ИЛИ») фиксирует зависимость целевого предиката (переменной) от множества факторов – определяющих предикатов (переменных).

Дерево решений фиксирует зависимость значений целевого предиката от комбинации значений факторов.

Поведенческая модель – отражение выполняемых действий над объектами (фактами) в зависимости от происходящих во времени событий.

Этап формализации базы знаний – выбор метода представления знаний, в рамках которого проектируется логическая структура базы знаний. Методы представления знаний различаются характером представления объектного, функционального, поведенческого видов знаний и реализацией неопределенностей, т.е. ориентацией на определение структуры объектов или действий над ними, детерминированность или неопределенность, статику или динамику проблемной области.

Метод представления (модель) знаний – это совокупность средств структурирования и обработки единиц знаний. Методы представления знаний различаются характером представления объектного, функционального, поведенческого видов знаний и реализацией неопределенностей, т.е. ориентацией на определение структуры объектов или действий над ними, детерминированность или неопределенность, статику или динамику проблемной области.

Логическая модель – это модель, в которой область определения предиката задается либо перечислением фактов, либо в виде импликаций (правил).

Продукционная модель – факты – значения переменных, операции над фактами – правила. Правила выбираются из конфликтных наборов с помощью задаваемых эвристических критериев: приоритетов, достоверности, стоимости и т.д.

Простые правила – обрабатывают отдельные значения переменных.

Обобщенные правила – обрабатывают классы объектов.

Правила, управляемые данными:

Правила, управляемые событиями:

Обработка неопределенностей знаний основана на использовании условных вероятностей или нечеткой логики.

Семантическая сеть отражает как объектное, так и операционное знание в виде двухместных предикатов (бинарных отношений). Различают типизированные отношения «род» – «вид», «целое» – «часть», «причина» – «следствие» и др.

Фреймовая модель – это семантическая сеть с N-арными отношениями и присоединенными процедурами. Используются механизмы наследования свойств по иерархии классов объектов и вызова процедур в зависимости от происходящих событий.

Объектно-ориентированная модель предусматривает инкапсуляцию процедур (методов) в структуры данных классов объектов, к которым разрешен доступ только через эти методы. Механизм наследования свойств распространяется и на методы, обеспечивая свойство полиморфизма процедур.

Этап реализации ЭС представляет отображение структуры базы знаний в среде выбранного инструментального средства, а также настройка и/или доработка программных механизмов. Различают программные оболочки, инструментальные среды и языки представления знаний; универсальные инструментальные, проблемно-ориентированные и предметно-ориентированные инструментальные программные средства.

Алгоритм выбора инструментального средства. Требования класса решаемых задач в части реализации объектов, операций и неопределенностей налагаются на возможности инструментальных средств по представлению выявленных особенностей знаний, в результате чего формируется ранжированный список инструментальных средств.

Этап тестирования оценивает экспертную систему с позиции двух основных групп критериев: точности и полезности. Точность работы: правильность заключений, адекватность базы знаний проблемной области, соответствие методов решения проблемы экспертным.

Полезность: ответы на запросы пользователя; удобство интерфейса; объяснение получаемых результатов; надежность, адаптирумость, производительность и стоимость эксплуатации.

Этап внедрения и опытной эксплуатации – это переход от тестовых примеров к решению реальных задач.

1. Буч Г. Объектно-ориентированное проектирование с примерами применения:

Пер. с англ. – М.: Конкорд, 1992. – 519с.

2. Ин Ц., Соломон Д. Использование Турбо-Пролога. Пер. с англ. – М.: Мир, 1993.

– 608с.

3. Марселлус Д. Программирование экспертных систем на ТУРБО ПРОЛОГЕ.

Пер. с англ. – М.: Финансы и статистика, 1994. -256с.

4. Нечеткие множества в моделях управления и искусственного интеллекта/ Под ред. Поспелова Д.А. – М.: Наука, 1986 – 312 стр.

5. Попов Э.В., Шапот М.Д., Кисель Е.Б., Фоминых И.Б. Статические и динамические экспертные системы. – М: Финансы и статистика, 1996. -320с.

6. Построение экспертных систем / Под ред. Ф. Хейес-Рот, Д.Уотерман, Д.Ленат / Пер. с англ. – М.: Мир, 1987. – 441 с.

7. Представление и использование знаний / Пер. с япон.; Под ред. Х.Уэнo, М.Исидзука. – М.: Мир, 1989. – 220 c.

8. Рыбина Г.В. Особенности современных подходов к построению экспертных систем // Труды международного конгресса «Искусственный интеллект в XXI веке». – М.:

Физматлит, 2001, том 1. –383 – 390с.

9. Системы управления базами данных и знаний: Справочное издание/ Наумов А.Н., Вендров А.М., Иванов В.К. и др./ Под ред. Наумова А.Н. – М.: Финансы и статистика, 1991 – 180 стр.

10. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. Пер. с англ. – М.: Финансы и статистика, 1990.- 319с.

11. Тельнов Ю.Ф., Скорова А.А., Андреева Н.В. Проектирование баз знаний. Учебное пособие. – М.: МЭСИ, 1992. – 100с.

12. Тельнов Ю.Ф., Диго С.М., Полякова Т.М. Интеллектуальные системы обработки данных. Учебное пособие. – М.: МЭСИ, 1989. – 102с.

13. Уотерман Д. Руководство по экспертным системам. / Пер. с англ.; Под. ред.

Стефанюка В.Л. – М.: Мир, 1989. – 388 с.

14. Форсайт Р. Экспертные системы: принципы и примеры. / Пер. с англ – М.: Радио и связь, 1987.

15. Цикритзис Д., Лоховски Ф. Модели данных. /Пер. с англ. – М.: Финансы и статистика, 1985. – 344с.

16. Шлеер С., Меллор С. Объектно-ориентированный анализ: Моделирование мира в состояниях. Пер. с англ. – Киев: Диалектика, 1993. – 240с.

17. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры /Пер. с англ. – М.: Финансы и статистика, 1987. – 191 с.

18. Decision support systems. Putting theory into practice. Edited by R.H. Sprague, H.

Watson. Prentice-Hall, 1993. -437p.

19. Gevarter W.B.. The Nature and Evaluation of Commertial Expert Systems. Building Tools.- Computer, May, 1987. p 24-41.

20. Martinson, F.R. Schindler. Organizational visions for technology assimilation: the strategic road to knowledge-based systems success. IEEE Transactions on engineering management, 1995, Vol 42, No 1, p 10-18.

21. Talebzadeh, Mandutianu S., Winner C.F. Countrywide Loan-Underwriting Expert System. AI Magazine, 1995, april, p. 51-64.

Глава 3. Реализация экспертных систем экономического Глава 3. Реализация экспертных систем экономического 3.1. Особенности экспертных систем экономического анализа Архитектура экспертной системы экономического анализа (особенности формирования базы знаний, выбора методов логического вывода, пользовательского интерфейса) во многом зависит от целей и глубины анализа: внешнего (для сторонних организаций) или внутреннего (для самого предприятия).

Целью внешнего анализа предприятия является определение общего состояния предприятия, т.е. интерпретация его экономического положения с точки зрения выявления возможностей эффективного взаимодействия с ним внешних организаций. Таким анализом занимаются банки при выдаче кредитов, инвесторы при размещении своего капитала, фирмы-партнеры при осуществлении закупочно-сбытовой или подрядной деятельности.

Наиболее зарекомендовавшим себя методом внешнего анализа, интегрирующим множество различных экономических показателей предприятия, служит рейтинговый метод, который формирует «снизу-вверх» интегральную оценку финансового состояния предприятия.

Примером экспертной системы внешнего анализа является система оценки кредитоспособности предприятия EvEnt (рис.3.1) [11], в которой общая оценка кредитоспособности суммируется из оценок отдельных факторов с учетом их весовой значимости на общую оценку по формуле:

где: Oij – оценка влияния j-го фактора на i-й вышестоящий фактор по некоторой числовой шкале, Wij – вес (коэффициент) влияния j-го фактора на i-й фактор.

Глава 3. Реализация экспертных систем экономического Рис 3.1. Оценка кредитоспособности предприятия Правила базы знаний оценивают отдельные факторы, реализуя так называемый дизъюнктивный (независимый) подход к построению правил. Примеры правил имеют следующий вид:

IF: Управление = «удовлетворительно»

THEN: Фин.состояние += «удовлетворительно» cf IF: Финансовая структура = «удовлетворительно»

THEN: Фин.состояние += «удовлетворительно» cf IF: Ресурсы = «удовлетворительно»

THEN: Фин.состояние += «удовлетворительно» cf

IF: Качество управления = «удовлетворительно»

THEN: Управление += «удовлетворительно» cf IF: Структура управления = «удовлетворительно»

THEN: Управление += «удовлетворительно» cf Глава 3. Реализация экспертных систем экономического В качестве весов в данном примере используются факторы уверенности, поэтому вместо формулы при разработке аналогичной системы может применяться формула объединения факторов уверенности для дизъюнкции (см. § 2.4).

В результате внедрения системы EvEnt для 80 % ситуаций решения формируются без экспертов. Если раньше на оценку предприятия экспертом банка требовалось в среднем 2-3 недели, то после внедрения экспертной системы основные затраты стали связываться со сбором и вводом исходных данных в течение 2-3 дней, а собственно оценка предприятия занимает порядка 20 минут. При этом стоимость экспертизы в среднем сократилась с 10000 долларов до 1000 долларов.

В качестве метода внешнего анализа может применяться также метод классификации ситуаций, когда по множеству признаков классификации, в качестве которых в данном случае выступает множество показателей деятельности предприятия, последовательно строится дерево решений, отражающее эту классификацию. В случае индуктивного вывода дерево решений строится по обучающей выборке автоматически.

Пример классифицирующего дерева решений для оценки кредитоспособности предприятий, построенного в системе индуктивного вывода ИЛИС [5] по обучающей выборке из 100 реально оцененных в одном из банков предприятий, представлен на рис.3.2.

В обучающей выборке в качестве классифицирующих признаков использовались коэффициенты автономии, мобильности, отношения собственных и заемных средств, покрытия, абсолютной ликвидности, ликвидности, а также качественные признаки репутации и величины. Классообразующим признаком является признак «Класс кредитоспособности»

(1 – высший класс, 5 – низший класс). В результате обобщения примеров обучающей выборки часть признаков была формально отброшена: коэффициенты мобильности, ликвидности и величина предприятия, причем по различным ветвям дерева решений наблюдалась различная последовательность классификации. Для каждой отдельной ветки дерева решения строится правило, в котором все признаки классификации последовательно связываются в конъюнкцию (&) факторов левой части правила (так называемый конъюнктивный подход), например:

IF: Кпокрыт. >=1.55 & Kпокрыт. < 2 & Pепутац=3 & Kсоб.заем. >= 0.625 & Kсоб.заем. < 0.75 & Kавтоном. >= 0.375 & Kавтоном. < 0. THEN:Кред.сп = Ограничения метода классификации ситуаций (конъюнктивного подхода) по сравнению с рейтинговым методом (дизъюнктивным подходом) при использовании правил принятия решений связаны с необходимостью жесткого задания всех признаков классификации по соответствующему пути дерева решения. Отсутствие хотя бы одного из признаков может привести к неудаче логического вывода.

Для внутреннего экономического анализа свойственен поиск направлений повышения эффективности деятельности предприятия, т.е. диагностика узких мест и определение рекомендаций по их устранению. В основе диагностики лежит метод последовательной декомпозиции «сверху-вниз» или дезагрегации «целое – часть», когда проблема последовательно разбивается на подпроблемы, пока на каком-либо уровне не станет ясным, какая подпроблема в действительности имеет место. Примером применения декомпозиционного метода к построению экспертных систем служит система внутреннего финансового анализа FINEX (рис.3.3) [11].

Глава 3. Реализация экспертных систем экономического [(3)покрыт] 0.8-1.15 [(20)покрыт] 0.8-0.95===>[(71) кред.сп..5] 1.15-1.55 -- [( 37 )абс.ликв] 0.09-0.21===>[(105) кред.сп..3] Рис.3.2. Дерево решений «Определение класса кредитоспособности»

В случае применения экспертной системы внутреннего финансового анализа FINEX экспертиза осуществляется автоматически на основе введенных данных финансовой отчетности. При этом анализ финансовых показателей выполняется последовательно по принципу «сверху-вниз» и «слева-направо» в соответствии с деревом взаимосвязи показателей. В случае обнаружения некоторого «узкого места» (неудовлетворительного значения показателя) может быть включен диалоговый режим работы экспертной системы, в котором система последовательно опрашивает пользователя на предмет качественной оценки тех или иных процессов, причем вопросы задаются в порядке, зависящем от предыдущих ответов.

Для проведения комплексного экономического анализа предприятия возможно комбинированное применение различных методов структурной организации баз знаний, интегрируемых в рамках одной информационно-аналитической системы. Примером такой комплексной системы может служить Интегрированная консультирующая система (InteГлава 3. Реализация экспертных систем экономического grated Consulting System – ICS), разработанная фирмой SRI International с целью анализа конкурентных возможностей и планирования стратегии производства в отрасли, характеризуемой высокой степенью дифференциации продуктов [11].

Система ICS отличается от других аналогичных информационно-аналитических систем возможностью интеграции методов количественного и качественного анализа, в которой отражаются знания о технологиях, производителях, рынках. Система ICS внедрена в компании полипрофиленовой промышленности, действующей в 97 регионах с видами продуктов и 24 технологическими процессами.

Программная реализация системы ICS (архитектура системы представлена на рис.

3.4) выполнена в виде комбинации экспертных систем и аналитико-алгоритмических процедур, использующих совместно глобальную базу данных, которая включает знания о предметной области в шести фреймах («рынок», «технология», «компания», «рыноктехнология», «компания-рынок», «технология-компания»). Обмен текущими результатами выполняемых работ программных компонентов осуществляется через доску объявлений.

Рис.3.4. Архитектура интегрированной консультирующей системы ICS Глава 3. Реализация экспертных систем экономического Интегрированная консультирующая система ICS выполняет следующие функции:

• Определение потенциальных возможностей (долей рынка) конкурентов на рынке (экспертная система «Анализ конъюнктуры рынка»).

• Определение потенциальных возможностей (долей на рынках) компании (экспертная система «Анализ возможностей предприятия»).

• Получение возможного распределения долей рынков предприятия (оптимизационная модель).

• Уточнение распределения долей рынков предприятия с учетом эвристических правил (экспертная система «выбор стратегии производства»).

• Выбор конкурентной стратегии поведения на рынке в части захвата или отдачи доли рынка (экспертная система «выбор маркетинговой стратегии»).

Первые две функции реализуются аналитическими экспертными системами, которые основаны на применении рейтингового метода, в частности для получения взвешенных оценок используются метод анализа иерархий Саати. Две последние функции, требующие проведения анализа складывающихся рыночных ситуаций, основаны на применении экспертных систем с классифицирующими правилами.

3.2. Экспертная система анализа финансового состояния предприятия Рассматриваемый в учебном пособии исследовательский прототип экспертной системы «Финансовый анализ предприятий» реализован в среде интегрированного ППП Интерэксперт (GURU) с использованием рейтингового, классификационного и декомпозиционного подходов [3]..

Функциями экспертной системы финансового анализа предприятия являются:

• Ввод и проверка правильности составления бухгалтерской отчетности;

• Анализ финансового состояния предприятия;

• Анализ результатов финансово-хозяйственной деятельности предприятия и диагностика эффективности использования ресурсов.

В ходе ввода и проверки бухгалтерской отчетности осуществляется логический контроль зависимостей различных статей баланса предприятия, отчета о финансовых результатах и их использовании, справки к этому отчету и приложений к балансу. При этом правила логического контроля выполняются последовательно по декомпозиционному методу.

Анализ финансового состояния предприятия предполагает комплексную рейтинговую и классификационную оценку платежеспособности и финансовой устойчивости предприятия.

Анализ результатов финансово-хозяйственной деятельности предусматривает оценку важнейших показателей рентабельности и оборачиваемости капитала. Диагностика эффективности использования ресурсов сводится к поиску отклонений в использовании основных и оборотных средств от нормативных значений с последующей декомпозицией анализа.

Общая схема оценки различных показателей в процессе анализа финансового состояния предприятия, реализованная в структуре базы знаний экспертной системы, представлена в виде дерева целей, связывающего цели финансового анализа со значениями финансовых показателей (рис. 3.5). Реализация набора правил в среде ППП ИНТЕРЭКСПЕРТ (GURU) для данного дерева целей приводится в приложении 2.

Глава 3. Реализация экспертных систем экономического Рассмотрим более подробно реализацию данной экспертной системы. Оценка финансового состояния предприятия может быть одной из следующих:

• отличной (оптимальный, но редко встречающийся результат, абсолютно устойчивое финансовое состояние, все показатели удовлетворяют нормальным ограничениям, ухудшения финансового состояния по сравнению с предыдущими периодами деятельности не отмечено);

• хорошей (нормальное финансовое состояние, чаще встречающийся результат, большинство показателей удовлетворяют нормальным значениям, платежеспособность предприятия в таком случае гарантирована);

• удовлетворительной (часто встречающийся результат), большинство показателей удовлетворяют нормальным значениям или имеют место незначительные отклонения, может быть отмечена тенденция к ухудшению финансового состояния, финансовая устойчивость удовлетворительная);

• неудовлетворительной:

а) в допустимых пределах (большинство показателей не удовлетворяет нормальным значениям, однако не замечено тенденции к общему ухудшению финансового состояния, могут быть лишь отдельные незначительные ухудшения по отдельным показателям, возможно постепенное улучшение положения);

б) кризисной (предприятие на грани банкротства: баланс абсолютно неликвиден, финансовые показатели не удовлетворяют нормальным значениям, необходимы немедленные меры по санации предприятия).

Рис.3.5. Дерево целей оценки финансового состояния предприятия При проведении экспертизы необходимо учитывать ряд факторов, оказывающих влияние на финансовое состояние предприятия:

- уровень и состав (по срокам погашения) обязательств;

- уровень и состав (в разрезе ликвидности) собственных средств;

- общая тенденция развития предприятия (изменения в структуре отчетности по сравнению с предшествующими периодами деятельности);

- особенности вида деятельности (отрасли) предприятия;

- общеэкономические факторы (например, уровень инфляции).

Так, для получения итоговой оценки финансового состояния требуется выделить промежуточные этапы анализа (подцели):

- оценка ликвидности – это анализ платежеспособности предприятия с точки зрения краткосрочной перспективы, оценка средств предприятия, достаточных для уплаты Глава 3. Реализация экспертных систем экономического долгов по всем краткосрочным обязательствам и одновременного бесперебойного осуществления процесса производства и реализации продукции;

- оценка финансовой устойчивости представляет собой анализ с точки зрения долгосрочной перспективы, оценку финансовой обеспеченности бесперебойного процесса деятельности в перспективе и степени зависимости предприятия от внешних кредиторов и инвесторов. Финансовую устойчивость предприятия определяет соотношение основных и оборотных средств (запасов и затрат) и величин собственных и заемных источников их формирования.

При нахождении значений сформулированных подцелей и оценке финансового состояния в целом следует принимать во внимание, что невозможно точно установить, насколько удовлетворительными (неудовлетворительными) являются те или иные значения показателей. Кроме того, сами нормативные значения некоторых финансовых показателей, на основании которых строятся выводы, зависят от множества обстоятельств: структуры баланса, особенностей деятельности предприятия, экономической ситуации в стране.

Поэтому, несмотря на то, что все возможные исходы решения проблемы могут быть описаны, они оцениваются с некоторой степенью уверенности (достоверности). При этом задача оценки финансового состояния предприятия приобретает нечеткий характер.

Оценка ликвидности (платежеспособности) получается как по обобщенным показателям (финансовым коэффициентам) в результате их проверки на соответствие нормативным ограничениям, так и на основе соотношений статей актива и пассива баланса (ликвидности баланса). Для оценки такого баланса кроме простого (приближенного) метода группировки существует более точный метод нормативов-скидок. При расчете показателей платежеспособности используются следующие формулы:

1) Финансовые коэффициенты ликвидности:

а) коэффициент абсолютной ликвидности (Кал):

где: D – денежные средства и краткосрочные финансовые вложения;

Kt – краткосрочные кредиты и заемные средства;

Rp – расчеты и прочие пассивы;

Ko – ссуды, не погашенные в срок.

б) коэффициент ликвидности (Кл):

где: Ra – денежные средства, расчеты и прочие активы.

в) коэффициент покрытия (Кп):

где:

Sf – расходы будущих периодов;

Ra – денежные средства, расчеты и прочие активы.

Глава 3. Реализация экспертных систем экономического Оценка коэффициентов ликвидности для промышленных предприятий осуществляется на основе проверки ограничений.

Коэффициент абсолютной ликвидности:

- Кал 0,2 и 0,7 и 1,0 – «удовлетворительно» с уверенностью 30%.

Коэффициент ликвидности:

- Кл 0,6 и 0,8 и 1,0 – «удовлетворительно» с уверенностью 40%.

Коэффициент покрытия:

- Кп 1,0 и 2,0 и 3,0 – «удовлетворительно» с уверенностью 50%.

2) Ликвидность баланса:

а) Расчет ликвидности баланса простым методом:

- наиболее ликвидные активы - быстрореализуемые активы - медленнореализуемые активы где: Sf – расходы будущих периодов, FT – долгосрочные финансовые вложения, RTa – расчеты с участниками (учредителями);

- наиболее срочные пассивы - краткосрочные пассивы - долгосрочные и среднесрочные пассивы где: КT – долгосрочные и среднесрочные кредиты и заемные средства, RTp – расчеты за имущество;

Глава 3. Реализация экспертных систем экономического б) Расчет ликвидности баланса методом нормативов скидок:

где: Г – готовая продукция;

Для обоих методов оценки ликвидности баланса рассчитываются платежные излишки/недостатки по следующим формулам:

- платежный излишек/недостаток наиболее ликвидных активов:

- платежный излишек/недостаток быстрореализуемых активов - платежный излишек/недостаток медленнореализуемых активов В общей оценке платежеспособности наибольшее значение придается оценке ликвидности баланса по сравнению с оценкой коэффициентов ликвидности, например, факторы уверенности назначаются в соотношении 2 к 1. В оценке ликвидности баланса метод нормативов-скидок играет уточняющую роль, он лишь немного увеличивает хорошие значения и уменьшает плохие значения ликвидности.

Оценку баланса ликвидности можно представить в виде следующей матрицы («+» – избыток, «-» – недостаток):

Оценка финансовой устойчивости формируется из оценок трехкомпонентного показателя типа финансовой ситуации, определяющего покрытие основных и оборотных средств собственными и заемными финансовыми источниками, а также оценок коэффициентов устойчивости по сравнению с нормативными значениями. Основное влияние на финансовую устойчивость при этом оказывает оценка трехкомпонентного показателя Глава 3. Реализация экспертных систем экономического примерно в соотношении 2 к 1. При расчете показателей финансовой устойчивости используются следующие формулы:

1) Трехкомпонентный показатель типа финансовой ситуации:

- излишек/недостаток собственных оборотных средств:

- излишек/недостаток собственных, долгосрочных и среднесрочных заемных средств:

- излишек/недостаток общей величины основных источников формирования запасов и затрат:

Полученное значение трехкомпонентного показателя может характеризовать состояние финансовой устойчивости как:

- абсолютно устойчивое: запасы минимальны, если - нормальное: нормальные величины запасов, если - неустойчивое: избыток запасов, если Такое состояние можно восстановить путем привлечения долгосрочных и среднесрочных кредитов и заемных средств или обоснованным снижением уровня запасов;

- кризисное: чрезмерная величина неподвижных и малоподвижных запасов, если В этом случае денежные средства, краткосрочные ценные бумаги и дебиторская задолженность не покрывают даже кредиторской задолженности и просроченных ссуд.

2) Коэффициенты финансовой устойчивости предприятия:

- коэффициент автономии:

В – итог актива и пассива баланса;

где:

- коэффициент соотношения заемных и собственных средств:

- коэффициент маневренности:

Глава 3. Реализация экспертных систем экономического - коэффициент обеспеченности запасов и затрат собственными источниками финансирования:

Оценка коэффициентов финансовой устойчивости для промышленных предприятий осуществляется на основе проверки ограничений:

Коэффициент автономии:

- Ка 0,2 и 0,5 – «удовлетворительно» с уверенностью 100%.

Коэффициент соотношения заемных и собственных средств:

- Кз/с < 0,7 – удовлетворительное значение с уверенностью 100% - Кз/с >= 0,7 – неудовлетворительное значение с уверенностью 100% Коэффициент маневренности:

- Км = 0,5 – удовлетворительное значение с уверенностью 100%;

- Км 0,5 – неудовлетворительное значение с уверенностью 100%.

Коэффициент обеспеченности запасов и затрат собственными источниками финансирования:

- Коб 0,6 и 0,8 – удовлетворительное с уверенностью 80%.

Оценки показателей платежеспособности и финансовой устойчивости корректируются в зависимости от оценки тенденции развития предприятия (динамики значений показателей). При этом производится сравнение показателей отчетного периода со средней величиной этих показателей за предшествующий период деятельности предприятия с учетом инфляционных процессов. В случае улучшения значений показателей коэффициент уверенности удовлетворительной оценки увеличивается, предположим, на 10%, а в случае ухудшения коэффициент уверенности соответственно уменьшается.

Проверка ограничений на значения отдельных показателей и их последующая оценка задается в виде правил базы знаний в следующей форме:

Если: < посылка > То: < заключение > Уверенность < значение >, То: Ликвидность баланса = «Удовлеворительная» Уверенность В случае независимого воздействия на оценку некоторой целевой переменной нескольких показателей (соответственно нескольких правил, оценивающих эту переменную) коэффициент уверенности (КУ) итоговой оценки формируется рейтинговым методом по формуле нормализованного сложения:

КУрез i = КУрез i-1 + КУфактора i – КУрез i-1* КУфактора i/ (КУрез 1 = КУфактора 1) Глава 3. Реализация экспертных систем экономического Например, коэффициент уверенности оценки ликвидности на основе значений финансовых коэффициентов ликвидности рассчитывается следующим образом:

Кал = 1,1 --> Ликвидность коэф-в = «Удовлетвор.» Уверенность Кл = 1,5 --> Ликвидность коэф-в = «Удовлетвор.» Уверенность Кп = 3,1 --> Ликвидность коэф-в = «Удовлетвор.» Уверенность Влияние нескольких факторов на оценку некоторого показателя финансового состояния можно также представить в виде правил базы знаний, в посылке которых находится конъюнкция данных факторов, например:

IF: Ликвидность коэф-в = «Удовл.» AND Ликвидность баланса = «Удовл.»

THEN:Платежеспособность = «Удовл.» cf IF: Ликвидность коэф-в=«Неудовл.» AND Ликвидность баланса=«Удовл.»

THEN:Платежеспособность = «Удовл.» cf IF: Ликвидность коэф-в=«Удовл.» AND Ликвидность баланса=«Неудовл.»

THEN:Платежеспособность = «Удовл.» cf IF: Ликвидность коэф-в=«Недовл.» AND Ликвидность баланса=«Недовл.»

THEN:Платежеспособность = «Неудовл.» cf IF: Платежеспособность=«Удовл.» AND Финанс.устойчивость = «Удовл.»

THEN:Финансовое состояние = «Удовл.» cf IF: Платежеспособность=«Неудовл.» AND Финанс. устойчивость=“Удовл»

THEN:Финансовое состояние = «Удовл.» cf IF: Платежеспособность=«Удовл.» AND Финанс. устойчивость =«Неуд.»

THEN:Финансовое состояние = «Удовл.» cf IF: Платежеспособность=«Неудовл.» AND Финанс.устойчивость=«Неуд.»

THEN:Финансовое состояние = «Неудовл.» cf Объединение коэффициентов уверенности значений показателей для таких правил осуществляется следующим образом:

- из коэффициентов уверенности посылки правила выбирается минимальный;

- коэффициенты уверенности посылки и заключения правила объединяются по формуле:

Например, коэффициент уверенности удовлетворительного финансового состояния предприятия на основе значений платежеспособности и финансовой устойчивости рассчитывается следующим образом:

Платежеспособность = «Удовл.» Уверенность Финанс. устойчивость = «Неудовл.» Уверенность _ _ Финансовое состояние = «Удовл.» Уверенность Решение задачи оценки финансового состояния предприятия с помощью экспертной системы сводится к выборке из базы знаний на основе известных исходных данных взаимосвязанной цепочки правил логического вывода заключения (рис.3.5).

THEN:Рентабельность тек.активов += «Удовл.»

THEN: Рентабельность тек.активов += {«Удовл.» cf 70, “Неудовл.» cf 30} THEN: Рентабельность тек.активов += {«Удовл.» cf 30, «Неудовл.» cf 70} THEN:Рентабельность тек.активов += «Неудовл.»

В приведенных правилах: Рта – показатель рентабельности текущих активов предприятия, Рта пред. – показатель рентабельности текущих активов предприятия за прошлый период, Рта отр. – показатель рентабельности текущих активов по отрасли.

Сформированное качественное значение показателя фиксируется в специальной переменной «Финансово-хозяйственный результат». В случае неудовлетворительного значения того или иного показателя экспертная система осуществляет переход на анализ следующего уровня дерева показателей по функции KNOWN, например:

IF: Рентабельность тек.активов = «Неудовлетв.»

AND KNOWN («Оборачиваемость тек.активов») AND KNOWN(«Рентабельность реал. продукции») THEN:Финасово-хозяйственный результат+= «Рентабельность тек.активов неудовлеворительна»

IF: Рентабельность тек.активов = «Удовлетв.»

THEN:Финасово-хозяйственный результат+= «Рентабельность тек.активов удовлеворительна»

IF: Оборачиваемость тек.активов = «Неудовлетв.»

AND KNOWN(«Оборачиваемость гот.продукции») AND KNOWN(«Оборачиваемость матер. запасов») THEN:Финасово-хозяйственный результат+= «Оборачиваемость тек.активов неудовлеворительна»

IF: Оборачиваемость тек.активов = «Удовлетв.»

THEN:Финасово-хозяйственный результат+= «Оборачиваемость тек.активов удовлеворительна»

Глава 3. Реализация экспертных систем экономического Переход на следующий уровень анализа обеспечивается в результате использования функции «KNOWN», которая заставляет искать значение заданной в скобках переменной.

По мере просмотра дерева целей в переменной «Финансово-хозяйственный результат» последовательно накапливаются диагностические сообщения о неудовлетворительности значений тех или иных показателей, которые в конце работы экспертной системы распечатываются для более глубокого анализа.

Внешний экономический анализ проводится внешними для предприятия субъектами: инвесторами, кредиторами, партнерами, поставщиками, аудиторами, налоговыми и таможенными службами, страховыми организациями и т.д. Для внешнего анализа используются интерпретирующие экспертные системы.

Внутренний экономический анализ проводится внутри предприятия для выявления путей повышения эффективности деятельности. Для внутреннего анализа используются диагностические экспертные системы.

Для интерпретации данных используются рейтинговый или классификационный методы. Чем больше признаков (факторов) оценки ситуации, тем предпочтительнее рейтинговый метод по сравнению с классификационным.

Рейтинговый метод – получение суммарной оценки ситуации по ряду независимых признаков, при этом используется дизъюнктивный подход к построению правил.

Этот метод неточный, гибкий.

Классификационный метод – ситуации классифицируются как различные комбинации значений признаков, при этом используется конъюнктивный подход к построению правил. Этот метод точный, жесткий.

В основе диагностики экономической ситуации лежит метод декомпозиции «сверху-вниз» или дезагрегации «целое – часть». Переход от цели к анализу подцелей производится в случае отклонений цели от нормативного значения.

1. Банковское дело. / Под ред. О.И.Лаврушина. – М.: Банковский и биржевой научно-консультативный центр,1992. – 428с.

2. Крейнина М.Н. Анализ финансового состояния и инвестиционной привлекательности акционерных обществ в промышленности., строительстве и торговле. – М.: АО «ДИС», «МВ-Центр», 1993. – 256 с.

3. Морозова Е.В., Семушкина Н.В., Тельнов Ю.Ф. Реализация экспертной системы финансового анализа и планирования деятельности предприятия в условиях неопределенности используемых знаний // Пятая национальная конференция с международным участием «Искусственный интеллект – 96». Сб. научных трудов. – Казань, 1996, с. 210-212.

4. Нечеткие множества в моделях управления и искусственного интеллекта. / Под ред. Поспелова Д.А. – М.: Наука, 1986. – 312 стр.

5. Попов Э.В., Шапот М.Д., Кисель Е.Б., Фоминых И.Б.. Статические и динамические экспертные системы, М: Финансы и статистика, 1996. – 320 с.

6. Системы управления базами данных и знаний: Справочное издание/ Наумов А.Н., Вендров А.М., Иванов В.К. и др., под ред. Наумова А.Н. – М.: Финансы и статистика, 1991. – 180 с.

Глава 3. Реализация экспертных систем экономического 7. Стоянов Е.А., Стоянова Е.С. Экспертная диагностика и аудит финансовохозяйственного положения предприятия. – М.: Перспектива,1992. – 90 с.

8. Тельнов Ю.Ф., Скорова А.А., Андреева Н.В. Проектирование баз знаний. Учебное пособие. – М.: МЭСИ, 1992. – 100с.

9. Шеремет А.Д, Сайфулин Р.С. Методика финансового анализа предприятия. – М.: ИНФРА, 1996. – 176 с.

10. Humpert, P. Holey. Expert systems in finance planning. Expert Systems, May 1988, Vol 5, No 2, p. 78 – 100.

11. Management expert systems. / Ed. by C.J.Ernst. Addison-Wesley, 1988. -210 p.

12. Talebzadeh, S. Mandutianu, C.F. Winner. Countrywide Loan-Underwriting Expert System. AI Magazine, 1995, april, p. 51-63.

Глава 4. Реализация экспертных систем инвестиционного проектирования Инвестиционное проектирование, как правило, сводится к решению следующих задач:

• определение целей инвестирования капитала, • оценка рынка и выбор типов инвестиций, • проектирование портфеля инвестиций, • мониторинг портфеля инвестиций.

Первая задача является аналитической и предполагает оценку финансового состояния инвестора, в частности, выявление свободных финансовых ресурсов, оценку допустимой степени риска при заданной структуре и ликвидности капитала, необходимой степени доходности и срочности для реализации поставленных инвестором целей, которыми могут быть: поддержание стабильного финансового положения, завоевание лидирующего положения на рынке, максимизация текущей прибыли, сочетания различных целей.

Для выполнения всестороннего анализа целей инвестора осуществляются финансовые расчеты, после которых выполняется набор правил, интерпретирующий полученные финансовые показатели. В зависимости от определенного рейтинга инвестора и намерений ему выдаются рекомендации относительно степени риска, доходности и срочности инвестиций.

Во второй задаче исследуется состояние рынка капитала на текущий момент времени, прогнозируется его развитие и возможность участия на нем инвестора. Свободные денежные средства могут быть вложены в различные активы: государственные облигации, депозиты коммерческих банков, акции и облигации коммерческих структур, недвижимость, валюту, драгоценные металлы и т.д. Каждое инвестиционное средство (финансовый инструмент – ФИ) имеет свою тенденцию развития, характеризуется определенными условиями вклада и получения дохода. На этом этапе ставится задача определить набор типов инвестиций, наилучшим образом соответствующих сформированным целям инвестирования и ограничениям инвестора.

Третья задача проектирования портфеля инвестиций подразумевает выбор для каждой из рекомендуемых форм инвестиций конкретных видов и определение их наиболее эффективных сочетаний. На выбор видов инвестиций в случае предполагаемой покупки акций и облигаций коммерческих структур решающее воздействие оказывает отраслевая принадлежность и характеристики конкретных предприятий-эмитентов.

Выбор отраслевой направленности инвестиций предусматривает анализ коммерческой информации о рентабельности, объемах спроса и предложения, уровне конкуренции, характеристик этапа жизненного цикла выпускаемой продукции. Также анализируется информация в разрезе предприятий-эмитентов: рентабельность, доля рынка, конкурентоспособность, финансовая устойчивость и др. Естественно, что в этих условиях экспертная система должна иметь доступ к базам данных коммерческой информации и вычислять совокупный рейтинг предполагаемых инвестиций. Для построения диверсифицированных портфелей инвестиций важно так подбирать состав портфеля, чтобы в среднем он удовлетворял определенным требованиям доходности, риска и срочности с учетом налогообложения и инфляционных процессов.

Глава 4. Реализация экспертных систем инвестиционного проектирования Четвертая задача предполагает динамическое регулирование состава портфеля инвестиций (мониторинг), исходя из потребностей инвестора и изменения текущей ситуации на рынке капиталов. В рамках определенного процентного соотношения безрисковых и рисковых финансовых инструментов портфеля конкретные виды инвестиций динамически изменяются.

Формирование и управление портфелем инвестиций относится к задачам синтеза решений, зависящих от множества факторов, которые не могут быть заданы заранее каким-либо конечным множеством. Вследствие этого для экспертных систем проектирования инвестиций, относящихся к классу синтезирующих ЭС, характерны следующие особенности:

• взаимосвязанность процессов решения задач, в которых отдельные этапы итеративно связаны между собой;

• множественность источников знаний, рассматривающих процесс принятия решения с различных точек зрения;

• использование интегрированных баз данных, определяющих массовый характер многовариантных выводов решений;

• автоматическая качественная интерпретация объемных количественных данных, содержащихся в базе данных;

• сочетание формализованных и эвристических методов решения задач, когда эвристические методы упрощают перебор вариантов, уточняют полученные формализованными методами решения или восполняют пробелы в знаниях;

• изменение характера • построения диалога «человек-ЭВМ» в сторону большей активности пользователя, варьирующего своими целями и ограничениями.

4.2. Экспертная система определения целей и типов инвестиций В [14] описывается экспертная система инвестиционного проектирования, созданная с помощью генератора экспертных систем Intelligence Service (Франция), которая осуществляет функции определения целей инвестирования и выбора наиболее подходящих типов инвестиционных средств. Рассмотрим реализацию этой экспертной системы с точки зрения применения методов выбора типов инвестиционных средств, удовлетворяющих требованиям пользователя и, прежде всего, в части доходности и риска, которые являются практически общими для всех подобных систем.

Каждый тип инвестиционных средств (продукт), как правило, характеризуется определенным профилем в части доходности, риска, срочности, типа дохода и т.д. Суть правил экспертной системы заключается в объективном выявлении профиля инвестора (на что он может претендовать) и сопоставлении полученного профиля с профилем инвестиционного средства. При полном или частичном совпадении клиенту выдается список подходящих типов инвестиционных средств.

Экспертная система может работать в двух режимах:

• автономном, когда клиент доверяет экспертной системе выбор видов инвестиционных средств;

• ручном, когда клиент с помощью экспертной системы проверяет конкретный тип инвестиционного средства.

Глава 4. Реализация экспертных систем инвестиционного проектирования Решение задачи инвестиционного проектирования разбивается на следующие этапы:

• Определение целей инвестиции;

• Определение возможностей размещения инвестиций;

• Выбор типа инвестиций.

Каждый из этих этапов реализуется в виде самостоятельного набора правил (базы знаний). Переход от одного этапа решения к другому управляется метаправилами, содержащимися в специальном наборе правил.

Так, для запуска набора правил, определяющего цели инвестиции, должна быть выполнена проверка следующего метаправила:

IF: KNOWN(«Цели_ инвестиции_определены») = false /*не известны */ THEN: Consult Purpose_of_investment /* выполнить набор правил «Определение целей инвестиции» */ Набор правил «Purpose_of_investment» содержит следующие правила:

IF: KNOWN(«Налоговые льготы») = true AND KNOWN(«Тип_рынка») = true AND KNOWN(«Финансовое_основание») = true AND KNOWN(«Тип_дохода») = true THEN:Определение_целей_инвестиции = true IF: KNOWN(«Налоговые льготы») = false THEN:PUTFORM Налоговые_льготы;

GETFORM Налоговые_льготы IF: KNOWN(«Тип_рынка») = false THEN:PUTFORM Тип_рынка;

Суть этих правил заключается в следующем: последовательно проверяется известность значений переменных о требуемых налоговых льготах, типе рынка, типе получаемого дохода, финансовом основании клиента. В случае неизвестности значений, клиенту выдается список возможностей (Putform), из которых он выбирает конкретные варианты (Getform).

В результате выполнения набора правил «Purpose_of_investment» цели инвестиции становятся известными, и управление возвращается в набор метаправил. Тогда выполняются метаправила запуска набора правил определения возможностей размещения инвестиций:

IF: Цели_ инвестиции_определены = true /* определены */ THEN:Consult Possibility /*выполнить набор правил «Определение возможностей размещения инвестиций»*/ IF: Цели_ инвестиции_определены = false /* не определены*/ THEN:Output «Цели инвестора не определены, конец консультации»

Аналогично при выходе из набора правил «Purpose_of_investment» в наборе метаправил проверяются значения переменной «Возможности_размещения_инвестиций_определены»:

Глава 4. Реализация экспертных систем инвестиционного проектирования IF: Возможности_размещения_инвестиций_определены = false THEN:Output «Возможности размещения инвестиций IF: Возможности_размещения_инвестиций_определены = true /*да*/ AND Требуется_установить_профиль_клиента = true /* да*/ THEN:Consult Prove_profile_klient /* выполнить набор правил «Определение профиля клиента»*/.

Переменная «Требуется_установить_профиль_клиента» принимает истинное значение в том случае, если у клиента отсутствует интерес к какому-либо конкретному типу инвестиционных средств:

IF: Интерес_клиента=false /* не определен */ THEN:Требуется_установить_профиль_клиента = true /* да*/ В противном случае у клиента запрашивается, какой конкретно его интересует тип инвестиционного средства, и переменная «Требуется_установить_профиль_клиента» устанавливается в ложное значение:

IF: Интерес_клиента=true /*определен */ AND KNOWN(«Инвест_средство_клиента») = true /* известно*/ THEN:Требуется_установить_профиль_клиента = false /* нет*/ При ложном значении переменной «Требуется установить профиль клиента» и известности конкретного требуемого клиентом инвестиционного средства при условии, что предварительно установлены возможности размещения инвестиций, набор правил «Prove_profile_klient» выполняется с целью доказательства возможности инвестиций в конкретный тип инвестиционного средства:

IF: Инвест_средство_клиента = «краткоср.сбережения»AND Определение_возможностей_размещения_инвестиций=true AND Требуется_установить_профиль_клиента =false THEN:Consult Prove_profile_klient to test “Краткоср_профиль” IF: Инвест_средство_клиента = «среднеср.сбережения» AND Определение_возможностей_размещения_инвестиций=true AND Требуется_установить_профиль_клиента =false THEN:Consult Prove_profile_klient to test «Cреднеср_профиль»

Набор правил «Prove_profile_klient» имеет корневое правило, которое выполняется в случае неизвестности профиля потребности клиента в конкретном инвестиционном средстве:

IF: KNOWN(«Краткоср_профиль») = true AND KNOWN(«Среднеср_профиль») = true AND KNOWN(«Долгоср_профиль») = true AND KNOWN(«Льготный_профиль») = true AND

KNOWN(«Профиль_недвиж») = true THEN:Профиль_клиента_определен = true Глава 4. Реализация экспертных систем инвестиционного проектирования Это правило заставляет экспертную систему выполнить проверку достижимости всех возможных профилей потребностей клиента.

Для каждого профиля выполняется некоторое подмножество правил, каждое из которых отражает зависимость профиля инвестиционного средства от сходных факторов.

Обобщенное дерево целей определения каждого из перечисленных профилей инвестиционных средств (потребностей клиента) представлено на рис.4. Финансовое_основание: отличное, достаточное, недостаточное.

Тип_дохода: совокупный доход, текущая прибыль.

Допустимый риск: низкий, средний, относительно высокий, высокий.

Отношение_к_рынку: финансовый_рынок, рынок_недвижимости,...

Отношение_к_налоговым_льготам: заинтересованное, безразличное.

Перечисленные факторы участвуют в правилах в различных комбинациях, причем не обязательно все. Правила могут быть также скорректированы с учетом таких факторов, как возраст, социальный статус, семейное положение инвестора.

IF: Отношение_к_рынку = «Недвижимость» AND Тип_дохода = «Совокупный доход» AND Допустимый_риск = «Средний риск в течение длительного Финансовое_основание = «Отличное» AND Сумма_инвестиции >= Средний_размер_инвестиции THEN:Профиль_недвижимость = true IF: Отношение_к_рынку =«Финансовый рынок» AND Тип_дохода = «Текущая прибыль» AND (Допустимый_риск »Средний риск в период более 3 мес.»

OR Допустимый_риск «Высокий риск в период более 3 мес.») AND Финансовое_основание = «Достаточное»

AND Сумма_инвестиции >= Средний_размер_инвестиции Глава 4. Реализация экспертных систем инвестиционного проектирования Правила, определяющие финансовое основание клиента, имеют следующий вид:

IF: Сбережения >= Нормативный_уровень AND Портфель инвестиций = «есть» AND THEN:Финансовое_основание = «отличное»

IF: Сбережения >= Нормативный_уровень AND (Портфель инвестиций = «есть» OR THEN:Финансовое_основание = «достаточное»

IF: Сбережения < Нормативный_уровень THEN:Финансовое_основание = «недостаточное»

4.3. Экспертная система формирования портфеля инвестиций Одной из первых экспертных систем в области формирования портфелей инвестиций является система Plan-Power (1986) [13], архитектура которой включает три основные подсистемы (рис.4.2):

1. Диагностика существующей ситуации и целей;

2. Разработка плана инвестиций (портфеля);

3. Оформление плановой документации.

Пользователь вводит следующую информацию:

• Персональные данные;

• Финансовое положение;

• Цели инвестиции;

• Допустимую степень риска;

• Ожидаемый доход;

• Предполагаемую срочность инвестиций.

Исходная информация о ситуации клиента вводится во фреймы базы знаний. Для этого пользователю может быть задано до 80 страниц вопросов посредством специальных экранных форм (реально значительно меньше, так как целые разделы вопросов в зависимости от намерений пользователя могут быть опущены, а другие ответы могут быть получены по умолчанию). В базе знаний динамически поддерживается множество фреймов, описывающих инвестиционные продукты (средства). Во фреймах базы знаний отражается также макроэкономическая ситуация: степень инфляции, налоговые ставки, процентные ставки по кредитам, ГКО и т.д. Всего фреймовая база знаний насчитывает около 500 классов объектов с 2500 слотами и 1500 присоединенными процедурами («когданеобходимо»). Фреймы организованы в иерархическую систему с наследованием свойств.

Диагностическая подсистема анализирует финансовую ситуацию клиента, прогнозирует ее развитие в будущем и формирует список достоинств и недостатков. Далее по этим данным формируются возможные цели инвестирования, которые сопоставляются с введенными пользователем. Рекомендации системы могут быть как простыми (например, задолженность клиента слишком высока), так и сложными (например, оценка платежей, размещения активов по инвестиционным категориям, достижимость клиентом целей).

Глава 4. Реализация экспертных систем инвестиционного проектирования Подсистема планирования (планировщик) включает модули размещения активов, страхования, налоговых платежей, продажи (погашения) активов, которые в процессе планирования координируются между собой (рис.4.3).

Так, вначале формируется список возможностей, который представляет собой последовательность предполагаемых типов инвестиций. Когда некоторый пункт добавляется в этот список, он проверяется на соответствие состоянию экономики, финансовым правилам, налоговым требованиям, предпочтениям клиентов, их состоянию, выявленному на первой стадии планирования.

Экспертная система расставляет приоритеты включенным пунктам в соответствии с текущей ситуацией и целями. Эти директивы вводятся планировщиком в начале процесса.

Модель размещения активов определяет пропорции инвестиций по категориям (например, материальным активам, недвижимости, вкладам с фиксированным доходом и т.д.) с учетом статуса инвестора (например, возраста, семейного положения, социального положения).

Сформированный список абстрактных возможностей в дальнейшем детализируется на предмет конкретных инвестиций, их объемов и временных характеристик. ПространстГлава 4. Реализация экспертных систем инвестиционного проектирования во возможных решений и ограничения очень сложны. Конкретные действия должны оцениваться в свете информации, формируемой финансовыми моделями, общими принципами диверсификации активов по категориям и ограничениями, задаваемыми клиентом или планировщиком в терминах предпочтений или целей.

PlanPower решает проблему сокращения пространства возможных решений путем использования эвристик, оформляемых в виде правил. Прежде всего, возможности в списке упорядочиваются по некоторым эвристическим правилам, например, конкретные инвестиции в рамках некоторой категории упорядочиваются по степени доходности при соблюдении ограничений на заданную степень риска или, наоборот, по степени риска в рамках определенной доходности.