3.8 Евристичне прогнозування в рамках іеі-технології

Cуттєвий прогрес в інформаційних технологіях за останні роки дозволяє в рамках алгоритмічного підходу отримати практичні результати у розв’язанні задачі прогнозування науково-технічного розвитку ІСК. Для досягнення цієї мети необхідне розроблення якісно нових методів розв’язання прогностичних задач за допомогою ЕОМ шляхом моделювання окремих сторін процесу творчого мислення людини. Розв’язання цієї надскладної задачи пов’язується з розвитком евристичних методів, які орієнтовані на розроблення принципів і дослідження механізму перероблення інформації людиною на різних етапах її діяльності при прийнятті рішень. Застосування евристичних методів для цілей довгострокового прогнозування відноситься до початку 50-х років. Проведені протягом 30 років дослідження точності прогнозування, наприклад, методу експертних оцінок, відомого в літературі як "метод Дельфи", підтвердили відносно високу вірогідність прогнозування за евристичними методами [73]. У кінці ХХ-го століття з’явилися методи прогнозування, які теж використовують експертні оцінки, але спрямовані на подолання основного недоліку методу Дельфи, пов’язаного з великим навантаженням на організаторів експертизи. Найбільшої уваги серед цих методів заслуговують відомі методи QUEST і PATTER (США) і, особливо, метод групових експертних оцінок [166], який ґрунтується на таких відмінностях:

• кожен експерт створює свою інтуїтивну модель явища, що аналізується, на основі свого розуміння причинно-наслідкових зв'язків, які визначають еволюцію цього явища, що і дозволяє йому формувати наближені кількісні оцінки;

• при повідомленні експерту нової інформації він може творчо переробити її та удосконалити свою модель з метою підвищення вірогідності оцінок.

Але все ще залишається основний недолік методів евристичного прогнозування, обумовлений труднощами їх реалізації, що пов'язано як з дефіцитом кваліфікованих експертів і організаторів експертизи, так і з методологічними проблемами формалізації процесів засвоювання та подання знань і реалізації правдоподібних висновків. Природним розвитком методології евристичного прогнозування стало застосування в експертних системах ідей і методів класифікаційного прогнозування [73, 153, 158, 159]. Так, автори праці [12] пов’язують подолання існуючих методологічних ускладнень у інженерії знань саме завдяки застосуванню методів і алгоритмів навчання, розроблених у теорії автоматичної класифікації. Розглядаючи процес навчання експертної системи (ЕС) як формування бази знань, а процес екзамену як прийняття правдоподібних висновків, подамо структуру експертної системи, що навчається, у вигляді, показаному на рис. 5.3.

Рисунок 5.3  Структурна схема експертної системи, що навчається

Розглянемо процес узгодження рішень у рамках прогностичного класифікаційного аналізу за ІЕІ-технологією. Приймемо за модель прийняття рішень бінарну (двохальтернативну) інформаційну деревовидну структуру, в якій послідовно на кожному ярусі реалізується правило “якщо  то  інакше” і яка знайшла широке практичне застосування в експертних системах [12-14]. Тоді рішення будемо розглядати як кортеж елементарних рішень, які послідовно приймаються на l-му ярусі інформаційного дерева:

B_m = <b_m,1, b_m,2, …,b_m,l, …, b_m,L>, (3.8.1)

де L  кількість ярусів рішень.

Оскільки експерт приймає рішення в умовах неповної інформації, що має місце в прогностичних задачах, то інформаційне дерево слід розглядати як імовірнісний граф, елементарні рішення  як випадкові величини, а процес прийняття ефективних експертних оцінок повинен за діалектикою пізнання здійснюватися в рамках детерміновано- статистичного підходу. При цьому центральним питанням при експертних оцінках є формування правил узгодження колективної думки групи експертів. Найбільш відомими алгоритмами формування таких правил залишаються алгоритми Черчмена-Акофа [167], алгоритми побудови функцій корисності [57] та інші. Всі ці алгоритми спрямовано на розв’язання основної проблеми  отримання кількісних характеристик узгодження суджень групи експертів. Нажаль, вони мають відносно низький рівень алгоритмічної формалізації, що є стримуючим фактором широкого застосування ЕОМ у методах експертних оцінок, і тому все ще основний тягар в реалізації методів узгодження експертних оцінок лягає на плечі експертів і організаторів експертизи. З метою усунення цього недоліку, за характеристику однорідності множини допустимих рішень В приймемо функцію міри (В), яка обертається в нуль, якщо всі елементи множини В однакові, та приймає максимальне значення, коли всі її елементи різні. Цим вимогам природно задовольняє ентропійна функція:

Н((В))=  _m log₂ _m , (3.8.3)

де _m =q_m / q  емпірична частота належності реалізацій-рішень класу , де q_m  кількість реалізацій (рішень експертів), які відносяться до класу ; q  загальна кількість реалізацій допустимих рішень, які приймаються М групами експертів.

Взагалі, q_m=n + r_m, де n  кількість реалізацій класу ; r_m  кількість реалізацій класів  \ , які відносяться до класу . Отже, замість (3.8.3) маємо:

Н((В)) =  . (3.8.4)

Функцію Н((В)) можна розглядати як міру неоднорідності за максимумом функції, або міру однорідності експертних суджень за її мінімумом. При цьому розв’язання проблеми узгодження експертних суджень зводиться до обчислення на кожному кроці експертизи інформаційної характеристики (3.8.4), яка є за своєю природою мірою різноманітності, а отже, дозволяє прямо реалізувати принцип обмеження різноманітності суджень експертів, на якому ґрунтуються всі сучасні методи експертних оцінок [12, 15, 159].

Розглянемо основні етапи евристичного прогнозування науково-технічного розвитку перспективної ІСК у рамках МФСВ.

1. Формування мети прогнозу, альтернативних варіантів рішень розвитку подій і словника ознак прогнозування.

2. Формування альтернативних груп (М2) експертів-навігаторів (далі просто “навігатори”) , які є провідними спеціалістами в своїх галузях знань (n30-40). Кількість “навігаторів” у кожній групі повинна бути однаковою і визначається за методикою, розглянутою в підрозділі 3.6, за умови отримання прийнятної статистичної похибки прогнозу _Q =f(n) і можливостей організаторів у залученні експертів. При цьому обсяг n вибіркової послідовності значень ознак прогнозування залежить від кількості навігаторів у групі. Основною задачею “навігаторів” є розробка реалізацій початкових рішень розвитку подій, які є об’єктами корекції в наступних турах експертизи.

3. Директивне завдання організаторами експертизи системи нормованих допусків на ознаки прогнозування, які забезпечують прогностичну функціональну ефективність системи у відповідності з виробленою метою прогнозу.

4. Реалізується базова процедура МФСВ LEARNING для побудови оптимального чіткого розбиття множини допустимих рішень.

5. Формується лічильник турів експертизи. При l=0, де l  змінна кількості турів експертизи, формується група експертів–інформаторів (далі  інформатори), які є безпосередніми потенційними розробниками або експлуатаційниками перспективної системи, що розробляється. Максимальна кількість “інформаторів” визначається за умови доцільності та можливостей до їх залучення у організаторів експертизи. Нижньою межею кількості інформаторів є кількість навігаторів у одному класі.

6. Запуск лічильника турів експертизи: l:=l+1.

7. Проведення конференції туру, в якій інформатори мають можливість як обміну інформацією між собою, так і захисту своїх позицій у присутності навігаторів, з метою залучення на свій бік інших інформаторів.

8. Формування інформаторами реалізацій-рішень при початкових директивних контрольних допусках у вигляді структурованого двійкового вектора , де n_l кількість інформаторів в l-му турі.

9. Реалізація алгоритму екзамену, який відображає реалізації в області прогностичних класів { }, що сформовані навігаторами.

10. Ранжування класів { } за частотним критерієм міри _m=q_m /q, де q_m  кількість реалізацій інформаторів, які віднесено до класу ; q загальна кількість інформаторів.

11. Клас першого рангу, для якого міра _m максимальна, визначається основним, скорочується абетка { } за критерієм максимальної міжцентрової кодової відстані від основного класу і навігатори скорочених класів переводяться у розряд інформаторів.

12.Якщо Н_ (l) > _доп , де _доп допустиме значення міри однорідності рішень (будь-яке мале позитивне число), то виконується пункт 13, інакше  пункт 15.

13. Порівняння: М2. Якщо ТАК, то виконується пункт 6, інакше  пункт 15.

14. Застосовується алгоритм МФСВ LEARNING для розбиття класу на альтернативні класи (М2) і виконується пункт 6.

15. Приймається рішення про зупин експертизи у зв’язку з визначенням фінішного прогностичного класу , здійснюється стимулювання навігаторів та інформаторів, які вели клас , і залучення їх як провідних спеціалістів і консультантів для реалізації проекту.

Таким чином, реалізація алгоритму евристичного прогнозування в рамках МФСВ органічно пов’язується з процесом проектування і може розглядатися як етап формалізації тактико-технічного завдання на проектування перспективної ІСК.