Статья Павла Голубева в блоге компании Open Data Science на Хабре. Целью статьи было сделать краткий обзор принципов построения Интеллектуальных Систем Поддержки Принятия Решений (ИСППР), роли машинного обучения, теории игр, классического моделирования и примеров их использования в СППР.
Существет несколько определений ИСППР, которые, в общем-то, крутятся вокруг одного и того же функционала. В общем виде, ИСППР — это такая система, которая ассистирует ЛПР (Лицам, Принимающим Решения) в принятии этих самых решений, используя инструментарии дата майнинга, моделирования и визуализации, обладает дружелюбным (G)UI, устойчива по качеству, интерактивна и гибка по настройкам.
Зачем нужны СППР:
- Сложность в принятии решений
- Необходимость в точной оценке различных альтернатив
- Необходимость предсказательного функционала
- Необходимость мультипотокового входа (для принятия решения нужны выводы на основе данных, экспертные оценки, известные ограничения и т.п.)
Существует несколько способов классификации СППР, например, по области применения:
- Бизнес и менеджмент (прайсинг, рабочая сила, продукты, стратегия и т.п.)
- Инжиниринг (дизайн продукта, контроль качества…)
- Финансы (кредитование и займы)
- Медицина (лекарства, виды лечения, диагностика)
- Окружающая среда
Несмотря на такое многообразие вариантов классификаций, требования и атрибуты СППР хорошо ложатся в 4 сегмента:
- Качество
- Организация
- Ограничения
- Модель
На схеме показано, какие именно требования и в какие сегменты ложатся:
Существует несколько подходов к тому, как архитектурно представить СППР. Несмотря на разнообразие подходов, делаются попытки создать некую унифицированную архитектуру, хотя бы на верхнем уровне.
Действительно, СППР вполне можно разделить на 4 больших слоя:
- Интерфейс
- Моделирование
- Data Mining
- Data collection
А уж в эти слои можно напихать какие угодно инструменты:
А где тут машинное обучение и теория игр?
Да практически везде! По крайней мере в слое, связанном с моделированием.
С одной стороны, есть классические домены, назовем их «тяжелыми», вроде управления цепями поставок, производства, запасов ТМЦ и проч. В тяжелых доменах наши с вами любимые алгоритмы могут привнести дополнительные инсайты для зарекомендовавших себя классических моделей. Пример: предиктивная аналитика по выходам из строя оборудования (машинное обучение) отлично сработается с каким-нибудь FMEA анализом (классика).
С другой стороны, в «легких» доменах, вроде клиентской аналитики, предсказании churn, выплаты кредитов — алгоритмы машинного обучения будут на первых ролях. А в скоринге, например, можно совмещать классику с NLP, когда решаем выдавать ли кредит на основе пакета документов (как раз-таки document driven СППР).
Кроме простого ML, в СППР отлично ложится и Deep Learning.
Некоторые примеры можно найти в ВПК, например в американской TACDSS (Tactical Air Combat Decision Support System). Там внутри крутятся нейронки и эволюционные алгоритмы, помогающие в определении свой-чужой, в оценке вероятности попадания при залпе в данный конкретный момент и прочие задачки.
В немного более реальном мире можно рассмотреть такой пример: в сегменте B2B необходимо определить, выдавать ли кредит организации на основе пакета документов. Это в B2C вас оператор замучает вопросами по телефону, проставит значения фич у себя в системе и озвучит решение алгоритма, в B2B несколько посложнее.
Теория игр, в свою очередь, гораздо лучше подойдет для ИСППР, созданных для принятия стратегических решений.
Искать победителя в битве ML vs ToG бессмысленно. Слишком разные подходы к решению задачи, со своими плюсами и минусами.
Скорее всего, через лет 10 мы перестанем жестко хардкодить модели, и начнем вместо этого повсеместно обучать компьютеры в создаваемых симулируемых средах. Наверное, по этому пути и пойдет реализация ИСППР.
Если же посмотреть на более близкую перспективу, то будущее ИСППР за гибкостью решений. Ни один из предложенных способов (классические модели, машинное обучение, DL, теория игр) не универсален с точки зрения эффективности для всех задач. В хорошей СППР должны сочетаться все эти инструменты + RPA, при этом разные модули должны использоваться под разные задачи и иметь разные интерфейсы вывода для разных пользователей. Этакий коктейль, смешанный, но ни в коем случае не взболтанный.
Источник: Блог компании Open Data Science, 28 мая — Интеллектуальные системы поддержки принятия решений — краткий обзор