Каждый день мы принимаем множество решений. Они варьируются от несущественных решений о том, какие кроссовки надеть, что съесть на обед, до случайных жизненно важных решений, таких как брать или не брать ипотечный кредит, сменить карьеру или мигрировать в новую страну. Ни один человек не является экспертом во всех областях, и поэтому мы принимаем наиболее обоснованные решения, какие только можем, с любыми знаниями, которые у нас есть, и информацией, которую мы можем получить. К сожалению, общеизвестно, что экспертные знания по решениям, которые влекут за собой серьезные последствия, ограничены, и только меньшинство людей может позволить себе доступ, причем примеры варьируются от юридических консультаций, финансового планирования до медицинских заключений. К счастью, с наступлением информационного века озера знаний, которые когда-то были доступны только избранным, теперь стали доступны любому, у кого есть смартфон и подключение к Интернету. Потратив час на поиск в Google информации об отпуске, любой человек, разбирающийся в компьютерах, сможет избежать дорогостоящих комиссионных агентств при бронировании поездок.
Однако, прежде чем мы заменим наших семейных врачей на WebMD, важно понять, что не все решения легко принять, имея только необработанную информацию. Сложность лежащих в основе процессов, а также локальная чувствительность обстоятельств каждого человека требует выводов при принятии решений. Вывод, который может быть выполнен только избранными людьми с достаточным знанием предметной области. В этом и заключается беспроигрышный вариант приложений, где наличие человеческого опыта не может удовлетворить растущий спрос на качественные консультации на рынках. В таких условиях становится коммерчески выгодным внедрение интеллектуальных стратегий автоматизации принятия решений для эффективного расширения возможностей людей-экспертов.
В этой статье мы исследуем три общих подхода к автоматизации принятия решений в порядке возрастания сложности:
- Эмпирическое рассуждение
- Объективно-ориентированное мышление
- Оптимизация с учетом рисков
Эмпирическое рассуждение
Если это сезон дождей, выращивайте зерновые. В противном случае выращивайте картофель.
Экспертную систему, использующую этот подход, можно рассматривать как непосредственную автоматизацию человека-эксперта. Сама модель принятия решений принимает одну из двух форм: механизм, основанный на правилах, или модель, управляемая данными.
В механизме, основанном на правилах, эксперт-человек записывает принципы своих советов в виде программы. Пользователи вводят свои обстоятельства в модель, движок передает их через запрограммированный консультативный процесс, прежде чем завершить рекомендацию. Структура рекомендательных правил варьируется в зависимости от приложения и обычно представляется в виде блок-схемы или матрицы оценок. Эвристические компоненты консультативного процесса должны быть объективно выражены. Конструкция этого движка зависит от контекста и обычно требует обширной автоматизации от одного варианта использования к другому.
Методы определения модели принятия решений, основанные на данных, являются альтернативой подходу, основанному на правилах. Вместо систематизации принципов рекомендаций модель обучается на исторических консультациях с экспертом-человеком. Преимущество по сравнению с механизмом на основе правил заключается в том, что построение модели не зависит от контекста. Однако сложность модели масштабируется вместе со сложностью соответствующих принципов рекомендаций, что может потребовать моделей глубокого обучения для достижения достойной производительности. Таким образом, наличие данных консультаций будет определять осуществимость этого подхода.
В любом случае процесс принятия решения сводится к черному ящику с точки зрения пользователя, при этом весь процесс кажется независимым от результата решения. Здесь пользователи делают неявное базовое предположение, что выходная рекомендация является оптимальной. Таким образом, качество автоматизированной системы рекомендаций может в лучшем случае работать не хуже, чем у человека.
Объективно-ориентированное мышление
Выращивайте зерновые в сезон дождей, потому что это позволит максимизировать урожай при меньших затратах на орошение.
Отсюда мы переходим к сфере нормативной теории принятия решений, которая анализирует результаты решений или определяет оптимальные решения с учетом ограничений и допущений. Следовательно, в объективно-ориентированном мышлении цель смещается от попытки подражать человеку-эксперту к оптимизации лежащего в основе объективного результата. Здесь формулировка проблемы определяет характер результата, который является объективной мерой успеха решения.
Подобно модели принятия решений, сама модель процесса принимает одну из множества форм, начиная от эмпирических моделей и заканчивая проверенными научными исследованиями и моделями, управляемыми данными. Предикторы с точечной оценкой дают ожидаемый результат данного решения, а вероятностные предикторы обеспечивают меры неопределенности относительно ожидаемого результата для данного решения.
Имея возможность прогнозировать результаты, можно внедрить стратегию оптимизации для повторения комбинаций параметров решения с целью достижения наилучшего возможного результата в рамках выполнимых ограничений.
Успех этой системы принятия решений зависит от прогностической эффективности модели процесса. Для решений машинного обучения требования к данным переходят от консультаций экспертов к историям процессов. Несмотря на независимость от человеческих рекомендаций, рациональность, ориентированная на результат, дает возможность превзойти человеческие советы и избежать проблем с противоречивыми принципами рекомендаций. Кроме того, можно установить петлю обратной связи с оперативными пользовательскими данными, что со временем может улучшить прогностическую эффективность модели процесса.
Оптимизация с учетом рисков
Количество осадков за последние сезоны колебалось, неопределенность урожая зерна больше, чем терпит фермер. Вместо этого фермер должен выращивать картофель со стабильной урожайностью за счет более низкой ожидаемой урожайности.
Объективные результаты имеют два слоя неопределенностей: неопределенности процесса и косвенные неопределенности. Неопределенности процесса описывают изменчивость результата от одной реализации к другой, даже если все решения и обстоятельства остаются неизменными. Это остаточные отклонения, которые модель процесса не может объяснить. Использование предиктора точечной оценки предполагает, что эти остатки пренебрежимо малы и ими можно пренебречь, в то время как вероятностные предикторы дают некоторую оценку неопределенности. Косвенные неопределенности представляют собой изменчивость результата из-за изменчивости некоторых косвенных входных данных. Типичными примерами такого воздействия риска являются переменные среды, которые влияют на объективный результат.
Статистические описания косвенных переменных и их попарных корреляций определяют подверженность исхода факторам риска. На основе этой модели неопределенности стратегии моделирования могут быть включены для выполнения прогнозов результатов по нескольким мыслимым сценариям, чтобы обеспечить оценку распределения результатов. Если используются вероятностные модели процессов, могут применяться стратегии статистической кумуляции для объединения как косвенных, так и технологических неопределенностей в глобальное распределение для заданного набора исходных данных для принятия решения.
Теперь, когда каждый набор входных данных для принятия решения обеспечивает распределение вместо точечной оценки ожидаемого результата, необходимо установить критерий принятия решения для объективной оценки одного решения по сравнению с другим. Простые меры корректировки риска включают расчет отношения средних значений к стандартному отклонению, например коэффициенты Шарпа и Сортино, применяемые при оптимизации финансового портфеля. Более продвинутые решения, основанные на поведенческой экономике, учитывают предпочтения пользователя в отношении риска, определяя оптимальный набор решений как тот, который максимизирует полезность человека.
Несмотря на это, оптимизатор ищет в пространстве параметров набор аргументов решения, который оптимизирует определенный критерий, предоставляя наиболее рациональный курс действий с учетом всех подверженностей риску.
Вывод
В условиях растущего связанного мира системы поддержки принятия решений вместо консультативных услуг, вероятно, станут общей темой усилий по цифровой трансформации в различных отраслях. В этой статье представлены три концептуальных подхода, каждый из которых дает рекомендации с разной степенью рациональности. Чтобы определить, какой из них подходит, мы должны рассмотреть следующее:
- Сложность консультативных принципов
- Сложность процесса, который необходимо оптимизировать
- Доступность и характер исторических/оперативных данных
- Масштабируемость решений на основе правил
- Доступность и применимость эмпирических моделей процессов
- Важность факторов риска
Хотя концептуальный обзор этих подходов направлен на создание шаблона абстракции для планирования проектов автоматизации принятия решений, на практике нет ничего необычного в использовании гибридных концепций для учета вычислительных ограничений и ограничений времени выхода на рынок. Таким образом, приведенный выше список соображений не является исчерпывающим. Возможно, необходима система принятия решений, чтобы предписать, какой подход/комбинация подходит для наших проектов.
Будущие возможности
- Межвременной выбор
- Гибридные концепции
