Szakértői rendszerek

A számítógép szerepe a döntésekben

Figyelem! Kérjük, az értelmezésénél a megjelenés időpontját (1999. május 1.) vegye figyelembe!

Megjelent a Cégvezetés (archív) 14. számában (1999. május 1.)

 

Ma még a hazai vállalati vezetők a különféle szövegszerkesztő és táblázatkezelő számítógépes programok bűvöletében élnek. Leginkább az adatbázis-kezelő programcsomagok (vállalati információs rendszerek stb.) kedveltek, már természetesen ott, ahol ilyenek vannak és működnek. Vezetőink egyelőre csak ritkán használnak menedzseri döntéseket támogató szakértői rendszert.

 

Képes-e a számítógép az ember, a vezető helyett döntéseket hozni? A válasz igen is, meg nem is. Látszólag igen, hiszen a szakértői rendszert erre találták ki. A döntés szabályait azonban a felhasználóknak kell valamilyen módon – esetleg szintén számítógépes segítséggel – megalkotni! Tehát nem a gép dönt, hanem – olykor közvetve ugyan, de – mindig az ember! Már az is emberi elhatározás, hogy a szakértői rendszerre bízzuk a döntést!

A szakértői rendszerek viszonylag friss hajtásai a számítógépes szoftvereknek, ismertségük – és elismertségük – azonban egyre növekszik. Remekül beváltak például az orvosi diagnosztikában, de éppúgy alkalmazzák őket jogi problémák megoldásának gyorsítására is és az élet számos egyéb területén. Az ilyen rendszereket leginkább az Egyesült Államokban használják, de világszerte növekszik elterjedtségük.

Amit a rendszer tud

Sokféle szakértői program van, azonban mindegyik alkalmas arra, hogy a bevitt – vagy a korábbi döntési tapasztalatok alapján a rendszer segítségével megalkotott – döntési szabályok alapján bizonyos kérdésekben döntéseket javasoljon. Ennek megértéséhez azt kell kiderítenünk, hogyan is döntünk. Dr. Baracskai Zoltán és dr. Berki Sándor, a BKE Vezetőképző Intézet tanárai rámutattak: döntéseinket nem a matematikai logika törvényeinek megfelelően hozzuk. Cselekedeteinket nem egyenletek és képletek irányítják, mint Moldova György egyszeri focistáiét. Nem úgy kerékpározunk, hogy közben bonyolult fizikai képletekből származó egyenleteket oldunk meg, mondjuk az optimális pedálozási erő vagy a kormány megfelelő dőlési szögének meghatározásához – ha így tennénk, igencsak hamar földet érnénk. Vagyis: lehet, hogy ki tudjuk számolni kerékpározás közben az egyensúly kialakulásának összetevőit, de ez semmi összefüggésben nincs azzal, hogy közben haladunk.

A 70-es években Twersky és Kahneman közgazdászok is számos bizonyítékot hoztak arra, hogy az emberi viselkedés nem valamiféle hasznossági függvényhez igazodik. Szerintük az emberek általában korlátozott számú szabály alapján döntenek. Ha ez valóban így van, akkor viszont elegendő a szabályokat megtalálnunk és számítógépre tennünk ahhoz, hogy a gép is meghozhassa ezeket a döntéseket.

A szakértői rendszerek tovább is mennek: segítenek megtalálni azokat a szabályokat, amelyek alapján a döntés valójában megtörténik. Ez ugyanis messze nem azonos azzal, amit mi hiszünk a döntés mikéntjéről! Az emberi tudás nem minden összetevője fejezhető ki szavakkal, ugyanakkor a döntésekben erre a hallgatólagos tudásra is támaszkodunk. A szakértői rendszer alkalmas arra, hogy a már meghozott döntésekben a döntéshozó által figyelembe vettnek tekintett tényezőkből a döntések ismert kimenetele alapján kiszűrje azokat, amelyeket a döntéshozó valóban felhasznált. Ez megvilágítható Baracskai Zoltán professzor egy példájával: ha például meg akarunk vásárolni a család részére valamilyen eszközt, tárgyat, a megkérdezettek fel tudják sorolni, mik azok a szempontok, amelyeket a döntéskor – véleményük szerint – figyelembe vesznek:

– anyós véleménye – az én vágyam – vételár – stílus – használhatóság – minőség – kényelem – méret – beszerezhetőség – márka – szobatisztaság – élettartam – fenntartási költség – gyerekek véleménye – feleség véleménye – szomszéd – szín.

Valójában azonban – hacsak nem ülünk le kiszámolni az egyes tényezők súlyát, majd ezek alapján korrekt matematikai módszerekkel kiszámolni a legjobb megoldást (bár akkor is komoly problémát okozna például meghatározni, hogy vajon a vételár hány forintos csökkenésével ellensúlyozható az anyós nemleges hozzáállása) – nem igazán tudjuk, hogyan is mérlegelünk, miközben döntünk. Viszont vannak korábban már meghozott döntéseink, amelyeknek ismert a kimenetele, és az összeválogatott szempontok alapján értékelni lehet a terméket. Vagyis tudjuk, milyenek voltak azok, amiket megvettünk, és milyenek, amiket nem.

Képes a választásra

Ha elég sok ilyen esetet összegyűjtünk, a szakértői rendszer alkalmas a döntésekben valójában szerepet játszó tényezők kiválasztására. Az ismertetett példánál maradva a rendszer az iménti listát mindössze néhány tényezőre redukálta:

minőség – csúcs vagy nem
márka – keleti vagy sem
anyós véleménye – tiltja vagy sem
ár – magas vagy kedvező
az én vágyam – erős vagy sem.

Tehát valójában lényegesen kevesebb szempont játszott szerepet a döntésekben, mint azt eredetileg gondoltuk. Az első lista azt tartalmazza, ahogy a racionális elképzelés szerint döntenünk kellene, a második pedig azt, amelyek alapján valójában cselekszünk.

Még egy jelenség megfigyelhető: az eredetileg megadott (itt nem ismertetett) 3-4 féle követelményszintből (például minőség: csúcs, jó, közepes, gyenge) csak kettő maradt, vagyis mindig bizonyos határ alatt vagy felett gondolkodunk.

Ha így már sikerült megalkotnunk a döntési szabályokat egy adott helyzetre, akkor elérkeztünk a szakértői rendszer következő felhasználási területéhez: a gép által már ismert szabályok alapján új döntéseket hozhatunk, ehhez elég az új döntési helyzetet, illetve a megvenni szándékozott árut a már ismert tényezők segítségével jellemezni (minősége: jó; anyós véleménye: mellette van stb.).

Veszélyesnek tűnhet, ha a döntéseket ilyen módon automatizáljuk, erre legalább két példa is van. Egyrészt a környezet folyamatosan változik, beléphetnek olyan új tényezők, amelyeket a korábbi döntések során nem vettünk – nem vehettünk – figyelembe. A másik veszély is könnyen érthető: az igazán kiugró sikereket gyakran épp a szokásoktól eltérő döntések eredményezik, és erre ez a szabályrendszer nincs felkészülve. A totó jól példázza ezt a helyzetet: ha a papírforma érvényesül, akkor sokan nyernek, így alacsony a nyerhető összeg, igazán sokat akkor lehet nyerni, ha valami nem a papírforma szerint történik, és mi pont ezt találtuk el. A szakértői rendszer mégis hasznos. A gyakorlati életben pontosan akkor vesszük a legnagyobb hasznát, amikor a számítógépnek nagy mennyiségű azonos tevékenységet kell elvégezni nagyon rövid idő alatt (jelen esetben dönteni kell), vagy ha túl nehéz, nagy, egyszerre átláthatatlan méretű feladatot kell megoldani. És természetesen az az információ sem elhanyagolható, amelyet a "következtetőgép" rendszer használata során nyerünk az emberi döntések mibenlétéről. Ugyanakkor felesleges a használata jól strukturált feladatok megoldásához, hiszen ezeket valóban ki lehet – és ki is kell – számolni.

Jól alkalmazhatók a szakértői rendszerek, ha

  • marketing döntési dilemmák (a vállalat célrendszere, piac, termék),
  • fejlesztési ötletek értékelésének dilemmái,
  • humán döntési dilemmák

állnak előttünk. Ezenkívül a rendszer bizonyos műszaki területeken segíthet dönteni – például minőségbiztosítási kérdésekben az Ishikawa diagramok alapján felépített "következtetőgép" segítségével. Nem valószínű azonban, hogy sok hasznát vennénk a termelési vagy pénzügyi dilemmák megoldásában.

Hagyományos programcsomag Szakértői rendszer
adatot kezel tudást kezel
algoritmust alkalmaz heurisztikát vagy szabályokat alkalmaz
ismétlődő eljárásokon halad keresztül következtetett eljárásokon halad keresztül
nagy adatbázisokra épül tudásbázisokra épül

Önmagában semmi!

A szakértői rendszer számítógépes programcsomag. Ugyanakkor több is annál: számítógépre alapozott komplex felhasználói rendszer. A program önmagában semmit sem tud és semmit sem tesz, ahhoz hogy döntési szabályok keletkezzenek, elengedhetetlen az emberek, a szakértők jelenléte. Az ő tudásuk alapján áll össze ugyanis a rendszer, a programok csak a tudás gépre vitelének eszközei.

Napjainkban hazánkban a szakértői rendszerek még nem túl elterjedtek, a számítógépes rendszert hallva a többség rendszerint legfeljebb valamilyen ügyességnövelő, úgynevezett felhasználói programra (szövegszerkesztők, táblázatkezelők) gondol vagy arra az iszonyatos adattömegre, amit például egy VIR (vállalati információs rendszer) zúdít nap nap után az asztalára. A szakértői rendszer azonban valami egészen más: újabb lépés a mesterséges intelligencia kifejlesztéséhez vezető úton. A tudás – és a döntések – szempontjából nemcsak az adatok, az információk lényegesek, hanem a köztük fennálló viszonyok is.

A rendszer összetevői Nigel Bryant amerikai kutató munkája alapján:

  • Tudásgyűjtés
  • Tudásbázis
  • Következtető- (és tudásgeneráló) gép
  • Felhasználói interface

A tudásbázis a következőket takarja:

döntési szempontok – például felfogóképesség -
ismérvek – például gyors, közepes, lassú -
"ha ... akkor" döntési szabályok -
tények

A döntés alapját képező "ha ... akkor" szabályokat megalkothatjuk magunk is, de a már meglevő tapasztalatok (ismert ismérvek és döntés eredménye) alapján a rendszer is képes ilyet generálni. A szempontokat és ismérveket azonban mindenképp nekünk kell öszszegyűjtenünk alapos megfontolás alapján. Mint a korábban ismertetett példában láttuk, a tényleges (valóban használt) döntési szabályok általában nem ölelik fel a teljes szempontrendszert. (Eltérően például az orvostudománytól, ahol igenis minden lehetséges esetet számba kell venni – épp az a cél, hogy az orvos a diagnózis felállításánál az összes, a tudomány által addig feltárt lehetőséget figyelembe vehesse. A szakértői rendszer alkalmazásának ebben az esetben az a jelentősége, hogy megsokszorozza az orvos tudását, és fáradhatatlanul [mivel gép] az orvos rendelkezésére bocsássa.)

Ha sikerült kiépíteni a döntéseket megfelelően leíró szempont- és szabályrendszert, akkor az így létrehozott tudásbázis alkalmas a további döntések megalapozására. Ehhez minősíteni kell a döntési helyzetet a megadott szempontok szerint (hozzájuk rendelni az ismérveket), és a gép a számára már ismert szabályok alapján javaslatot tesz a döntésre. A gép természetesen nem fogja megmondani, mely döntések jók és melyek rosszak, mindössze azt tudja közölni, hogy a bevitt (vagy a korábbi tapasztalatokból leszűrt) döntési szabályok alapján hogyan döntöttünk volna.

Előnyök és korlátok

Érdemes röviden kitérni a szakértői rendszerek – és különösen a tudásgeneráló – alkalmazásának lehetséges buktatóira és előnyeire:

Ad hoc döntések: ha a döntéseim helyett véletlen válaszokat adok meg, bizonyos – elég csekély – eséllyel így is kaphatunk döntési szabályokat. Más szóval általában egy tapasztalathalmazban nincs garantálva, hogy a döntéseit valamilyen logika szerint hozták.

Egyszerű logika feltételezése: a létrehozott – többnyire egyszerű – szabályrendszer azt sugallja, hogy a döntések hátterében valamilyen egyszerű logika van. Ez nincs mindig így!

Az esetek kis száma: az összes jellemző kombinációinak száma igen nagy. Még ha igen sok tapasztalatunk van is, ezek lényegében véletlen minták.

Ellentmondások a tapasztalatban: valószínűleg előfordulnak olyan esetek, amelyeknek bár a jellemzőik azonosak, eltérő döntési jellemzőjük van. A szabálykereső algoritmusnak ez semmilyen problémát nem okoz ugyan, mégis azt sugallja, hogy a tapasztalat mögött nincsenek is szigorú szabályok.

Hiányzó tulajdonságok: habár a szabálykeresést nagyon sok tulajdonsággal indíthatjuk el, semmi nem garantálja, hogy a legfontosabb is az eszünkbe jutott, és megadtuk az értékeit.

Hiányzó fokozatok: elképzelhető, hogy egy adott tulajdonság azért nem kerül bele a szabályokba, mert valamelyik fokozatába egyébként fontos jellemzőket mostunk össze.

Téves/hiányzó adatok: lehet, hogy valamelyik jellemzőt, akár csak egy tapasztalatnál rosszul adtunk meg, vagy nem ismertük, és máris kiesett a szabálykeresés látóköréből.

Esetleges döntési képtelenség: az eljárás során a tapasztalattól függően kialakulhat az a helyzet, hogy az eseteket nem tudja már mi alapján megkülönböztetni. Ennek kétféle oka lehet: vagy valamelyik jellemző volt ismeretlen, vagy a beadott döntés volt ellentmondásos. Ilyen esetekben a megtalált döntési szabály csak statisztikusan képes döntést reprodukálni.

Az algoritmus lokális maximumkereső jellege: egy adott tapasztalatmennyiség elvileg többféle szabályrendszerrel leírható. Ezek közül kapunk egyet, és nem is biztos, hogy a leghatékonyabbat.

Csapatmunka: ha a tapasztalati esetek és így a döntések több embertől származnak, könnyen előfordulhat, hogy mindenki lényegében ugyanazon egy tulajdonság alapján dönt, ez azonban – a különböző preferenciák miatt – a megjelenő szabályokban esetleg még csak nem is szerepel.

Döntéstámogatás a gyakorlatban

Ahhoz, hogy igazán megérthessük a program használatának, egyúttal interaktív jellegének előnyeit, néhány példát is látnunk kell. Vázlatosan tekintsünk át néhány alkalmazást.

1. Orvosi diagnosztika

A példa nem tartalmi, csak formai jellegű. Az igen gondosan és széleskörűen, nagy szakértői bázis felhasználásával összeállított szakértői rendszer tudásbázisa elérhető az orvosi rendelőben, az orvos asztalán álló számítógépről. A rendszer kérdéseket tesz fel az orvosnak, amelyre egyszerűen szavakkal kell válaszolnia, például:

  • Vannak-e a páciensnek kiütései? Amennyiben a válasz: igen, a rendszer újabb kérdést tesz fel: van-e láza?

Az orvos erre is válaszol, és a válaszoktól függően egyre újabb és újabb kérdéseket kap, amelyek egyre szűkítik a számba vehető betegségek körét. Ugyanakkor azonban a gép "figyelme" minden eshetőségre kiterjed, legyen az akár valamilyen igen ritka és kevéssé ismert trópusi betegség, akár egyszerű kanyaró. A széles körű orvosi tudás valamennyi eddig ismert (és a rendszerbe beépített) ismerete a gépben van! Azt pedig nem nehéz belátni, hogy orvosokból álló csoport tudása egyszerre nagyobb, mint külön-külön egy-egy szakemberé.

2. Vállalatvezetés – humánpolitikai döntések

Képzeljük el – napjainkban ez hazánkban nem is nehéz -, hogy egy vállalatnál valamely súlyos piaci probléma következtében drasztikusan csökkenteni kell a termelést, és el kell küldeni a vállalat dolgozóiból 200 főt. Egy héten belül döntést kell hozni, ki legyen aki marad, és kitől kell megválni. A klasszikus módszer szerint (amit sajnos nagyon gyakran alkalmaznak, holott minden szempontból a legrosszabb) kiszámoljuk, hány százaléka ez a vállalat összes dolgozóinak, majd egységenként előírjuk ezt az arányt mint elküldendőt. Így az amúgy is éppen létszámhiányos területről éppúgy elküldünk szakembereket, mint a kevésbé leterhelt osztályokról! A jó megoldás a termelés csökkenésétől várható tevékenységmódosulások elemzésére épülő racionalizálás lenne, ugyanakkor a kiszabott határidő rövidsége ezt nem teszi lehetővé. Mit tegyünk tehát, hogy helyesen döntsünk, és lehetőleg a jobb szakembereket válogassuk ki itt maradásra?

Ebben a döntési helyzetben is segítségül hívhatjuk a szakértői rendszert. A vállalat sorsáról való döntésekben kompetens szakemberek összedugják a fejüket, és kialakítanak egy olyan szempontrendszert, amely tükrözi a vállalat dolgozókkal szembeni igényeit. Ebben a listában a képzettségtől kezdve a munkabíráson át a munkához való hozzáállásig minden érték felvonultatható a hozzá tartozó skálákkal együtt (általában 3-5 skálaérték elegendő). A konkrét listát az adott vállalat tevékenységi köre, mérete, kultúrája egyaránt befolyásolja az összeállításban részt vevő szakembereken keresztül. Ezután a szakértőcsoport egyszerű "ha ... akkor ..." döntési szabályok meghatározásával befejezi a tudásbázis kialakítását.

Ezután a szakértői rendszer készen áll a döntési javaslatok megtételére. Sorban minősítjük a dolgozókat, azaz válaszolunk a rendszer kérdéseire:

  • Szakmai képzettsége: szakirányú, egyéb.
  • Munkabírása: kiváló, jó, közepes, gyenge

és így tovább. A rendszer javaslata például – amely, ne feledjük el, a bevitt döntési szabályok alapján áll elő:

  • inkább ne tartsunk rá igényt.

Így válogatva a dolgozók között valószínűleg sikerül a megadott határidőn belül olyan megoldást találnunk, amit – ha a válogatási rendszert ismertettük velük – az érintett dolgozók is megértenek, és a vállalati érdekeket is messzemenően figyelembe vettük.

A használat indokai
Fontos tulajdonságok keresése: az algoritmus megkeresi a leginformatívabb tulajdonságokat. Ez számunkra is informatív.
Tulajdonságok számának csökkentése: kezelhetőbbé válik egy probléma, ha nem kell olyan sok jellemzővel foglalkoznunk.
A tapasztalatok rostálhatósága: nem feltétlenül kell az összes tapasztalatunkat bevinni, elég azokat, amelyek – mondjuk – szerencsés kimenetelűek voltak. Így azokat a szabályokat kaphatjuk, amelyek a jó esetekre működnek.
A tapasztalatok összeboronálhatósága: ha több helyről származó tapasztalatra futtatjuk a szabálykeresőt, olyan szabályokat kapunk, amelyek valamennyire mindenkinek a tapasztalatára érvényesek.
Hallgatólagos tudás: a konkrét tapasztalatban rejlő hallgatólagos tudást feltárja.
 

Figyelem! Kérjük, az értelmezésénél a megjelenés időpontját (1999. május 1.) vegye figyelembe!