CC BY
21
УДК 004.7; 004.8, 007.85
А.Я. КУЗЁМИН, Н.В. ГОЛОВИЙ (ГУСАРЬ), Я. ДАЮБ
РАЗРАБОТКА МОДЕЛИ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ОБЛАСТИ СЕРВИСНОГО ОБСЛУЖИВАНИЯ АВТОМАТОВ ФИНАНСОВОГО САМООБСЛУЖИВАНИЯ
Предлагается разработка модели системы поддержки принятия решений. Производится построение и интерпретация предложенной модели, а также демонстрация новизны данного подхода.
1. Введение
В последнее время в связи с плотным насыщением рынка банковских услуг автоматами финансового самообслуживания сфера управления, исследования и диагностики таких устройств привлекает к себе все больше внимания. На первый план выходит процесс борьбы между сервисными организациями за доли рынка обслуживания банкоматов, в котором уровень обслуживания и время реакции на различные кризисные ситуации играют решающую роль.
Вывод - актуальность исследования данной области очевидна, а наличие интеллектуальной системы поддержки принятия решений при управлении, эксплуатации и сопровождении автоматов финансового самообслуживания является неоспоримым достоинством.
2. Постановка задачи
Необходимо построить модель системы поддержки принятия решений в области сервисного обслуживания банкоматов, которая должна обладать широкими функциональными возможностями, предоставлять значение определенных показателей устройств и решать задачи по планированию, прогнозированию и оптимизации деятельности сервисной организации.
Система должна познавать свое окружение и адаптироваться к нему или изменять его с помощью накопленных в процессе функционирования знаний и приобретенных навыков.
3. Основные понятия
В основе построения модели системы лежит понятие ситуации как совокупности событий, условий и обстоятельств, в которых протекает исследуемый процесс.
Разнообразие ситуаций создает всю полноту функционирования системы. «... Ситуация есть принуждение к принятию решения, свобода же состоит в выборе решения » (Ч.Найшапп, 1941).
Введем понятие видов ситуаций в деятельности сервисной организации: перспективные (открывающие новые возможности развития)/деструктивные (блокирующие развитие), управляемые / неуправляемые, объективные /субъективные.
Каждая ситуация имеет специфическую структуру, т.е. набор устойчивых компонентов, характеризующих исследуемый процесс. Обозначая границы, функции и направленность процесса в определенный промежуток времени, ситуация выступает в качестве модели анализа и одновременно служит методом проектирования, позволяя описать неко-
торую совокупность условий и обстоятельств, характеризующих функционирование системы, а также определить решение проблем путем создания более оптимальных условий.
Характеристика ситуации как модели осуществляется путем выделения и анализа тех ее компонентов, которые
- являются относительно устойчивыми и существенными и определяют ее границы;
- могут быть изменены или усовершенствованы.
4. Построение модели
С учетом описанного выше мы можем представить нашу систему деятельности сервисной организации как совокупность ситуаций Ct, характеризующих состояние системы в определенный промежуток времени:
Sis = {Ct}, t=1,...,T, (1)
T - период времени процесса с фиксированными моментами t, в которые реализуются Ct, составляющие модель системы.
Каждая ситуация Ct является ассоциативным отображением множества микроситуаций, описывающих состояние компонентов системы, на ее исход:
С = {X, Y, S, U, F}; (2)
Компоненты, входящие в набор, имеют следующие назначения: X - множества входных параметров или микроситуаций (векторные); Y - множества выходных параметров или исходов (векторные); S, U - множества структур и структурных единиц, их составляющих; F - множество базисных функций, реализуемых в узловых элементах.
Обработка информации в рассматриваемой системе основана на методах дробления (грануляции) и ассоциативно-логической обработки отношений, процессов и данных [1].
Необходимость дробления связана с неопределенностью информации в реальных условиях. Предполагается, что соответствующий каждой микроситуации составной информационный объект (переменная, отображение, образ) может быть декомпозирован на некоторые элементы - гранулы. Каждая гранула является набором элементарных частиц, которые связаны вместе неопределенностью, близостью, подобностью и функциональностью.
Формально объект Oc может быть представлен совокупностью гранул, т.е.:
O0=incl_g(Gb... ,Gi,... ,Gn) ; (3)
Incl_g - отношение объединения.
Каждая из гранул обладает определенным набором атрибутов с их значениями:
Gi=has_a(Ai,.,Aj,. ,Am) ; (4)
Aj=has_v(Vi,. ,Vq,... ,Vq) , (5)
Aj - j-й атрибут гранулы Gi ; Vq - q-е значение атрибута Aj ; has_a и has_v - отношение принадлежности атрибута объекту и значения атрибуту соответственно.
В результате мы получили модель системы, представленную в виде совокупности ситуаций, состоящих на самом нижнем уровне из гранул с определенным набором атрибутов. Такая модель станет основой разрабатываемой системы поддержки принятия решений при эксплуатации автоматов финансового самообслуживания и позволит описать предметную область через совокупность объектов с их свойствами.
5. Интерпретация модели
Следующим шагом является выявления связей между составляющими ситуации гранулами.
Введем понятие юнита (Unit) как минимального обучаемого элемента, способного самостоятельно обрабатывать информацию в гранулированном виде.
Формализованная информационная модель юнита может быть представлена набором множеств
Mc = {X, Wc, Hx, Sc, Hy, BF, y}, (6)
где X = {x0, ..., xn} - множество входных параметров - микроситуаций; Wc = {w0, ..., wv} -множество регулируемых весов (m i n); Hx ={hx1, ..., hxq} - множество скрытых входных параметров, соответствующих информационным гранулам на входах; Hy = {hy1, ..., hye} -множество скрытых выходных параметров, соответствующих информационным гранулам на выходах; Sc = (s^, ..., scr) -множество связей скрытых входных и выходных информационных гранул, определяющих цепочку преобразований гранул при активизации этой связи; BF = (bf1, ..., bfk) - множество базисных функций; y - выходной параметр юнита. 50
Такая информационная модель поддерживается структурно-функциональной моделью юнита, представленной на рисунке [2].
Структурная модель юнита Здесь G - информационный гранулятор, формирующий множество Hx; Act - активатор, состоящий из множества активаторных элементов a;, i=1, ..., N, которые выполняют преобразования скрытых информационных параметров и формирование множества Hy в соответствии со связями Sc и весами Wc; DG - информационный дегранулятор, формирующий выходной параметр y; P - преобразователь, формирующий множество связей Sc и весов Wc при настройке юнита на отображение X ^ у, аппроксимирующее функцию y = F(X).
Юнит является универсальным преобразователем информации (адаптивным аппрокси-матором), имеющим n-входов и один выход. Он соответствует в модельном плане биологическому нейрону с его сетью синапсов, через которые организуются связи с другими нейронами [3].
Юниты объединяются в кластер (duster). Информационная модель кластера может быть формально представлена набором множеств (6), где X = (X1 v X2 v ... v XM) -представляет собой "склеенное" множество входов юнитов, входящих в кластер; WN, Hx, Hy - множества весов и скрытых параметров кластера; SN - множество связей кластера, объединяющее связи юнитов; BF - набор базисных функций активаторных элементов, одинаковый для всех юнитов; скалярный выход y заменен на векторный Y - объединенное множество выходных параметров кластера.
В какой-то мере кластер с частичным объединением юнитов можно считать однослойной сетью клеток с входами, параллельно подведенными к каждой клетке (от каждого входа к каждой клетке). Такое представление кластера применяется в нейроинформатике для конструирования слоистых и модульных нейросетей. В данной работе оно использовано для моделирования кластеров, реализующих поведенческие функции (отношения) с несколькими связанными параметрами, зависящими от ряда общих аргументов [1].
Юниты и кластеры являются базовыми модулями, из которых предполагается строить систему поддержки принятия решений (СППР).
6. Этапы моделирования
Рассмотрим этапы предлагаемой методики на примере исследуемой предметной области.
Этап 1 - определение цели и ее подцелей.
Цель - повышение уровня сервисного обслуживания банкоматов.
Подцели:
- уменьшение времени реакции на возникшую проблему;
- уменьшение времени, потраченного на ремонт устройства;
- оптимизация маршрута перемещения сервисного инженера;
- оптимальное размещение запасных частей на региональных складах;
- максимально быстрая доставка запасных частей с основного склада;
- прогнозирование количества необходимых запчастей на будущий период;
- прогнозирование затрат на командировки сервисным инженерам;
- построение оптимальных маршрутов доставки запчастей и передвижения инженеров.
Этап 2 - формирование ситуации, описывающей состояние предметной области.
Согласно (2) такую ситуацию можно описать совокупностью микроситуаций типа:
микроситуация 1 - описывает состояние парка устройств;
микроситуация 2 - описывает финансовые затраты предприятия в результате сервисного обслуживания (командировки, премии и т. д.);
микроситуация 3 - описывает характеристики сервисного обслуживания парка банкоматов;
микроситуация 4 - описывает деятельность департамента логистики.
Этап 3 - гранулирование микроситуаций.
Учитывая то, что каждая миктоситуация ассоциируется с объектом в некотором состоянии, проведем такие исследования.
Рассмотрим микроситуацию 1. Объектом данной микростуации является парк банкоматов O1; находящийся в состоянии Si. Опишем состояние данного объекта, используя его гранулирование. Таким образом, согласно (3) получаем представление объекта через совокупность гранул. В нашем случае такой гранулой является единица устройства, например, банкомат. После этого необходимо определить атрибуты каждой гранулы и их возможные значения.
Итак, рассмотрим гранулу G1i -автомат финансового самообслуживания. Выделим атрибуты, описывающие его состояние (4): {Aik} - параметры установки банкомата; {Aim} - параметры эксплуатации банкоматов; {A¡n} - параметры, описывающие состояние узлов и блоков; {Aip } - другие параметры.
Аналогичным образом, рассматривая микроситуацию 3, выделим объект O3= O1, находящийся, для этой микроситуации, в состоянии S3 и гранулированный на составляющие {G3i}, каждая из которых обладает следующими атрибутами: Ai1 - количество зарегистрированных заявок; A¡2 - количество просроченных заявок; A¡3 - количество невыполненных заявок; A¡4 - среднее время в ремонте; A¡5 - количество использованных запчастей; A¡6 -среднее время выполнения заявки.
В результате мы получим вектор входных параметров X для рассматриваемой ситуации, как совокупность определенных выше атрибутов, имеющий структуру S.
Этап 4 - определение комплексной целевой программы (КЦП).
На данном этапе производиться формирование совокупности мероприятий, называемых в дальнейшем «проектами», объединенных единством главной цели и общими ресурсами.
Сформируем КЦП для исследуемой предметной области:
- автоматизация процесса регистрации заявок на сервисное обслуживание;
- оптимизация распределения материальных и человеческих ресурсов;
- повышение квалификации сотрудников сервисной службы;
- оптимизация схемы логистики;
- внедрение средств моментального оповещения;
- введение дополнительных процедур по профилактике устройств;
- создание нестандартных решений по защите устройств от несанкционированного вмешательства.
Применим для полученной целевой программы процедуру гранулирования, т.е. представим каждый исход как микроситуацию, состоящую из множества объектов, обладающих определенным набором атрибутов. В результате, аналогично процедуре с входными параметрами, получим вектор выходных параметров Y, имеющий структуру U.
Таким образом, мы получили отображение множества микроситуаций, описывающих входную информацию на множество микроситуаций, описывающих исходы, т.е. выражение (2).
Этап 5 - построение зависимости между входными и выходными параметрами ситуации.
На данном этапе необходимо найти множество базисных функций, определяющих отображение множества входных параметров в исходы ситуации. Для построения такой зависимости будем использовать понятие юнитов и кластеров, описанное в п.5 настоящей статьи. В результате получим коэффициенты влияния одних параметров на другие и их структурную зависимость.
Этап 6 - вычисление показателей эффективности принятых проектов.
7. Заключение
Новизна данного подхода заключается в использовании оригинального метода, который основывается на рассмотрении исследуемого процесса как совокупности ситуаций, представленных в гранулированном виде. Это позволяет учесть сотни факторов и их прямых и обратных связей, что не под силу при "ручной" технологии поддержки решений, а также динамически оценить альтернативы принимаемого решения.
СППР, построенные таким образом, являются инструментом для оказания помощи лицу, принимающему решение, в решении таких задач:
- количественный анализ влияния внешних факторов на выбранные главную или промежуточные цели;
- определение перспективных направлений выполнения комплексной целевой программы;
- определение показателей относительной эффективности вариантов решений относительно конкретных действий (проектов), направленных на выполнение.
Таким образом, в результате проведенных исследований были разработаны теоретические и прикладные основы построения информационных технологий для автоматизации функциональных задач управления в области сервисного обслуживания банкоматов и предложена модель такой системы, которая позволит увеличить эффективность работы сервисной службы.
Предлагаемая модель используется для решения не одной, а целой совокупности проблем, возникающих при стратегическом планировании в предметной области и повседневной деятельности по управлению объектами предметной области.
Реализация данной системы предполагается с использованием механизма нейронных сетей. Однако для этого еще предстоит решить несколько задач, а именно, выбор и описание существенных параметров предметной области, выявление взаимосвязи между параметрами, оптимизация, выбор структуры и характеристик нейронной сети для реализации системы.
Несмотря на это, следует отметить, что в дальнейшем могут быть созданы интеллектуальные системы с нервно-системной организацией структуры, функций и поведения, в основе которых будут лежать рассмотренные принципы.
Список литературы: 1. Станкевич Л.А. Когнитивные нейрологические системы управления // Проблемы нейрокибернетики. Материалы XII Международной конференции по нейрокибернетике (Ростов-на-Дону, октябрь 1999), Ростов-на-Дону, 1999. 2. Ларичев О.И., Петровский А.В. Системы поддержки принятия решений. Современное состояние и перспективы их развития //Итоги науки и техники. Сер. Техническая кибернетика. Т.21. М. ВИНИТИ, 1987. 3. Мушик, Мюллер. Методы принятия технических решений. М.: Мир, 1992.
Поступила в редколлегию 18.02.2009 Куземин Александр Яковлевич, д-р техн. наук, проф. кафедры информатики, начальник инновационно-маркетингового отдела ХНУРЭ. Адрес: Украина, 61166, Харьков, пр. Ленина, 14, тел.: 8 (057) 702-15-15, e-mail: [email protected].
Головий (Гусарь) Наталья Владимировна, аспирантка кафедры информатики ХНУРЭ. Научные интересы: системный анализ данных. Адрес: Украина, 61166, Харьков, пр.Лени-на,14, тел. (057) 702 15 15, e-mail: [email protected].
Ясер Даюб, аспирант кафедры информатики ХНУРЭ. Научные интересы: системный анализ данных. Адрес: Украина, 61166, Харьков, пр.Ленина,14, тел. (057) 702 15 15, e-mail: [email protected].
