Использование компьютерных экспертных систем в документационном обеспечении управления

В.И. Берестова, доц. РГГУ

Для повышения эффективности управления в различных сферах деятельности широко применяются технологии интеллектуальных систем. Начиная с 1990-х годов, начались разработки систем, основанных на знаниях в виде экспертных систем. Экспертные системы нашли широкое применение для различных приложений. С их помощью могут решаться задачи диагностики, прогнозирования, планирования, обучения, управления при принятии решений и др.
В настоящее время большое внимание уделяется применению компьютерных экспертных систем для решения практических задач документационного обеспечения управления, управления персоналом, включая стратегическое планирование развития предприятий и управление знаниями.
Современные системы документационного обеспечения управления позволяют автоматизировать работу различных сотрудников предприятия. Учет трудовых ресурсов и управление ими – необходимая составляющая в общем планировании ресурсов любой организации. По мере роста организации для обеспечения оперативной обработки документации по личному составу и эффективной работы с персоналом возникает необходимость в средствах автоматизации. Поэтому использование экспертных систем в работе кадровых служб помогает в подборе персонала, проведении группового анализа состояния персонала, выявлении тенденций развития отдельных подразделений и организации в целом.

В статье рассматриваются вопросы использования экспертных систем в документационном обеспечении управления. Рассматриваются существующие эвристические модели баз знаний, механизмы логического вывода и объяснительной компоненты, а также модуль автоматизированного приобретения знаний у экспертов предметной области. Кратко описаны этапы создания экспертных систем в соответствии с концепцией «быстрого прототипа» и особенности внедрения и эксплуатации в документационном обеспечении управления.

Рассмотрим одно из определений экспертной системы.

Экспертная система – это комплекс программ, аккумулирующий знания специалистов в конкретной предметной области и тиражирующий этот эмпирический опыт для консультаций менее квалифицированных специалистов.

Экспертные системы могут быть как самостоятельными в виде отдельных универсальных оболочек или прикладными системами.
Экспертные системы могут выступать в роли ассистента эксперта-человека в процессах анализа вариантов решений, а также могут быть консультантами для неопытных специалистов в какой-либо предметной области. В последнем случае, экспертная система выполняет обучающую функцию. Так, например, если в медицинскую экспертную систему заложить знания и опыт высокопрофессиональных специалистов по какому-либо виду заболевания, то можно обеспечить подготовку молодых кадров. Экспертная система не только делает вывод, но также объясняет, как было получено решение. В экспертной системе также сильно развит диалог с пользователем, поэтому создается впечатление, что вы ведете беседу со специалистом. Экспертные системы применяются для слабо формализованных предметных областей, в которых данные представляются, в основном, в символьном виде. Примером таких предметных областей являются, например, медицина, юриспруденция, документоведение и др.

Для экспертных систем характерно то, что данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью и не существует однозначного алгоритмического решения. Поэтому для обработки информации применяются процедуры логического вывода и эвристического поиска решений. Эвристика – это правила, которые позволяют сделать выбор при отсутствии точных теоретических обоснований. Это категория знаний, которая основана на собственном опыте эксперта, накопленного в результате многолетней практики.

Обобщая выше сказанное, можно сказать, что особенностью экспертных систем является то, что они могут:

Экспертные системы позволяют решать следующие задачи:

Диагностика позволяет выявить "карьерно-нацеленных" работников с высоким потенциалом, а индивидуальное обучение - максимально развить в них способности к построению карьеры. Инновационный менеджмент требует максимально комплексной оценки работника, включая возможность его наилучшего использования на предприятии. Существующие традиционные психологические тесты (MMPI, Люшера, Кеттела, Айзенка и т.п.) могут только выдать личностные характеристики диагностируемого, которые не адаптированы к требованиям конкретного предприятия. Экспертные системы позволяют учитывать, как результаты психологических тестов, так и квалификационные требования к работникам конкретного предприятия. Очевидно, что еще до начала поиска кандидата необходимо максимально точно сформулировать квалификационные требования к должности. Зная квалификационные характеристики, можно определить, какими качествами должен обладать тот или иной сотрудник. С помощью экспертных систем сопоставляются личностные, профессиональные и психофизиологические качества претендента на занятие вакансии с аналогичными параметрами лучших специалистов предприятия. Такие программы позволяют достаточно эффективно (с формальной точки зрения) отбирать перспективных специалистов. Подобные системы достаточно дороги, их имеет смысл использовать только для крупных предприятий при наличии на них большого количества вакансий.

Квалификационные требования в основном опираются на функционал должности, но даже полного соответствия в ряде случаев оказывается недостаточно. Чтобы успешно трудиться в конкретной компании, профессионал должен разделять ценности корпоративной культуры, идеологию руководства. Сможет ли кандидат стать успешным сотрудником во многом зависит и от того, насколько его личностные качества созвучны особенностям коллектива. Экспертные системы позволяют руководителю видеть во-первых, как с конкретными работниками получить максимальную эффективность, во-вторых, как создать структуру, которая наилучшим образом реализует возможности подобранного персонала, и в третьих, прогнозировать развитие предприятия в целом и отдельных его подразделений.

Для решения вышеперечисленных задач используются экспертные системы, основанные на прецедентах. Чтобы иметь более полное представление об экспертных системах, рассмотрим типовую структуру таких систем.

Рассмотрим архитектуру типовой экспертной системы, представленную на рис.1

Рис.1 Архитектура типовой экспертной системы

Основными компонентами данной архитектуры являются база знаний, механизм логического вывода, объяснительная компонента и программа организации интерфейса с пользователем. Первые экспертные системы содержали только данные компоненты. Для создания более сложных систем потребовалась интеграция с базой данных посредством СУБД (система управления базой данных). В некоторых случаях, когда необходимо получение значений для базы знаний из других программ, используются дополнительные пакеты прикладных программ (ППП). В зависимости от решаемой задачи, это могут быть расчетные программы, например, расчет заработной платы для определенного сотрудника или данные, полученные из программ моделирования различных процессов либо обработки результатов эксперимента. Такие экспертные системы могут быть динамическими, если данные и знания меняются в течении времени достаточно быстро. Примером может быть экспертная система - консультант водителя или пилота во время движения. Ситуация на дороге меняется ежесекундно. Поэтому экспертная система должна быстро обрабатывать данные и учитывать их в правилах базы знаний для выдачи рекомендаций.

Что же такое знания? Существует следующее определение. Знание – это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в данной области. В экспертных системах способ представления знаний характеризуется моделью представления знаний. Модель представления знаний выбирается разработчиком экспертной системы. В данной роли выступает инженер по знаниям, который реализует модель на специальном языке представления знаний. Для того, чтобы разработать адекватную модель, инженер по знаниям работает с экспертом в данной предметной области. Это может быть не один эксперт, а несколько. Чем больше экспертов, тем более достоверной получается модель. Таким образом, формируется база знаний, представляющая в компьютере понятийную структуру предметной области.
Какие типы моделей используются в экспертных системах?

На практике нашли широкое применение эвристические модели представления знаний, такие как, продукционные, фреймовые, семантические сети.
Продукционная модель – это модель, в которой правила представляются в виде:
ЕСЛИ < условие> ТО < действие1> ИНАЧЕ< действие2 >

Правило означает, что если условие истинно, то выполняется действие 1, в противном случае действие 2. Условие – это образец для поиска в базе знаний . База знаний состоит из множества правил. Правила можно изменять достаточно легко. Модель является наглядной и простой для составления ее экспертом. Поэтому данная модель нашла широкое применение.
Модель Семантическая сеть – это ориентированный граф. Вершины графа соответствуют понятиям, а соединяющие их дуги связям между понятиями. В семантических сетях используются следующие отношения:

Фреймовая модель представления знаний была впервые предложена Марвином Минским в 1979 году. Фрейм – абстрактный образ для представления некоего стереотипа восприятия. Различают фреймы образцы или прототипы, которые хранятся в базе знаний и фреймы - экземпляры, которые создаются для отображения реальных фактических ситуаций на основе поступающих данных.
Структура фрейма может быть представлена как список свойств:
(имя фрейма:
(Имя слота 1: значение);
(Имя слота 2: значение);
……………………..
(Имя слота N: значение)).

Чтобы было более понятно, приведем пример фрейма, описывающего понятие «менеджер». Составим фрейм-прототип в соответствии с вышеприведенным описанием.
(Менеджер:
(Фамилия имя отчество: вводится с клавиатуры)
(Возраст: вводится с клавиатуры)
(Пол: вводится с клавиатуры)
(Место работы: вводится с клавиатуры)
(Заработная плата основная: берется из базы данных)
(Бонусы: расчет с помощью программы)).

Заполняя фрейм-прототип текущими данными, мы получаем фрейм-экземпляр для конкретного менеджера. Количество слотов в данном примере мало. Можно увеличивать число слотов для более полного описания образа менеджера. Можно создавать сеть фреймов, указывая в одном из слотов ссылку на другой фрейм.

Современные экспертные системы, используемые в работе кадровых служб, применяют базы знаний с механизмом логического вывода, основанном на прецедентах или CBR (Case-based-reаsoning). Вывод по прецедентам – это метод принятия решений, в котором используются знания о ранее возникавших ситуациях или случаях (прецедентах). При рассмотрении новой проблемы (текущего случая) отыскивается похожий прецедент. Вместо того чтобы каждый раз искать решение сначала, можно попытаться использовать решение, принятое в сходной ситуации, возможно, адаптировав его к текущему случаю.

После того, как текущий случай будет обработан, он вносится в базу прецедентов вместе со своим решением для его возможного последующего использования. Экспертная система обосновывает выбранное решение.

Имеются много способов представления прецедента: от записей базы данных, древовидных структур до предикатов и фреймов. Представление должно соответствовать целям системы. Проблема представления прецедента - это прежде всего проблема решения, что сохранить в прецеденте, нахождения соответствующей структуры для описания содержания прецедента и выбора способа организации и индексирования базы знаний прецедентов для эффективного поиска и многократного использования.

В таких системах одной из самых важных является проблема выбора подходящего прецедента. После того, как прецеденты извлечены, нужно выбрать "наиболее подходящий" из них. Это определяется сравнением признаков объекта в текущей ситуации и в выбранных прецедентах. Определение метода, на котором будет основываться нахождение меры сходства прецедентов, решается во время создания системы ее разработчиками. Наиболее популярным и часто используемым является метод "ближайшего соседа". В его основе лежит тот или иной способ измерения степени близости прецедента и текущего случая по каждому признаку (будь это текстовый, числовой или булевский), который пользователь сочтет полезным для достижения цели. Каждому признаку назначают вес, учитывающий его относительную ценность. Полностью степень близости прецедента по всем признакам можно вычислить. В методе ближайшего соседа, в классическом его представлении, используются только признаки текущего случая и прецедента. Но в управлении важен еще и результат воздействия, то, насколько он приближает к цели. При вводе метрики можно учесть и этот критерий. Считая, что цель должна быть достигнута за конечное число шагов, можно считать более близким прецедент, позволяющий достичь цели за меньшее число шагов.

Прецедентная экспертная система по управлению персоналом может быть наполнена различной информацией о работниках. В качестве такой информации могут выступать результаты психофизиологического обследования, профессионального тестирования, социальных проявлений работника, его потенциал, криминальные профили и т.д.

Экспертные системы высокого уровня, когда ведут оценку соответствия работника конкретной должности, просчитывают для него и все другие имеющиеся вакансии. Если человек не годится для определенной должности, система автоматически показывает, кем он может эффективно работать в данной организации. И увольнение человека для всех подобных систем - крайний случай, означающий, что ни одна имеющаяся вакансия человеку не подходит.

Одно из отличий технологий экспертных систем выражается в способности экспертных систем пояснять свои рассуждения в процессе получения решения. Очень часто эти пояснения оказываются более важными для пользователя, чем само решение. На рис.1 представлен модуль «объяснительная компонента», который реализован во многих оболочках экспертных систем. Объяснительная компонента на естественном языке объясняет полученное решение и отвечает на вопросы как и почему было получено именно такое решение. Наличие данной компоненты увеличивает доверие пользователя к системе.

Объяснение в текстовом виде может выводиться на экран и принтер.

На рис1. представлен модуль подсистемы автоматизированного представления знаний. Данный функциональный модуль присутствует далеко не во всех экспертных системах. Наличие данного модуля ускоряет процесс разработки прикладных экспертных систем.

Данный модуль автоматизирует процесс наполнения базы знаний правилами. Ввод правил осуществляется экспертом в диалоге с системой. Существуют различные методы извлечения знаний из эксперта.

Например, способ извлечение знаний, базирующийся на психологических методах. Одним из таких методов является, метод репертуарных решеток и др. Также используется метод рассуждений по прецедентам.

В так называемой концепции «быстрого прототипа» рассматриваются следующие этапы разработки экспертных систем: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация и внедрение.

На этапе идентификации определяются набор задач, цели разработки, наличие экспертов, требования пользователей.

На этапе концептуализации проводится содержательный анализ предметной области (выделение понятий и их взаимосвязей). В результате формируется поле знаний.

На этапе формализации определяются способы представления знаний, выбирается язык представления знаний или оболочка экспертной системы.

Реализация предполагает программирование всех компонентов экспертной системы и наполнение экспертом базы знаний.

На этапе тестирования инженер по знаниям совместно с экспертом проверяют работоспособность созданной версии экспертной системы. Возможны возвраты на предыдущие уровни разработки в результате отладки системы. В результате создается так называемый прототип экспертной системы. На этапе опытной эксплуатации и внедрения проверяется пригодность экспертной системы для конечного пользователя. Здесь система занимается решением всех возможных задач при работе с различными пользователями.

Целесообразно организовать работу системы на месте работы пользователей. К этому этапу следует переходить лишь после того, как система, по мнению эксперта, будет успешно решать все требуемые задачи, чтобы ошибки в решениях не создавали у пользователя отрицательное представление о системе. После успешного завершения этапа опытной эксплуатации и использования экспертной системы различными пользователями она может классифицироваться как промышленная экспертная система.

На сегодняшний день существуют отечественные разработки экспертных систем, основанных на прецедентах. Для ускорения создания экспертной системы используется компонент приобретения знаний. В настоящее время существуют либо готовые прикладные экспертные системы, ориентированные на работу в конкретной предметной области либо так называемые оболочки. Оболочки экспертных систем можно наполнять базой знаний в виде правил и базой данных для создания прикладной системы. Так в базу данных могут быть введены, например, нормативных документы, различные справочные данные, компетенции сотрудников либо описания удачных решений каких-либо производственных проблем. Таким образом, этот позволит руководителю принимать объективные решения.