Pojęcie modułowości

4.1 Hybrydowość

4.1.1 Pojęcie hybrydowego systemu wspomagania decyzji

Hybrydowy KBS [83] charakteryzuje się możliwością przetwarzania różnych typów wiedzy wyrażonej przez różne techniki reprezentacji wiedzy wykorzystującej różne metody wnioskowania i agregacji czyli łączenia informacji o wielu zróżnicowanych wielkościach i przedstawianie np. za pomocą łącznego wskaźnika. Przesłanką projektowania i implementacji struktur (systemów informatycznych) hybrydowych jest prowadzenie analiz ekonomicznych z wykorzystaniem wzajemnie się uzupełniających, do tej pory oddzielnie rozważanych metod, np. ilościowych i jakościowych, algorytmów genetycznych i wnioskowania, konekcjonistycznej i regułowej reprezentacji wiedzy, symulacji i wizualizacji itp. Wydaje się że hybrydowym może być także system wspomagania decyzji wspierającym przetwarzanie opinii zespołu ekspertów (architektura tablicowa, grupowe podejmowanie decyzji itp.), co powinno prowadzić do agregacji poszczególnych modeli decyzyjnych w celu podjęcia bardziej optymalnej (lub umotywowanej) decyzji – np. poprawnej diagnozy o wiarygodności kredytowej przedsiębiorstwa. Ze względu na złożoność strukturalną, zadaniową i metodologiczną hybryd systemy wspomagania decyzji, które stanowią dla nich platformę informatyczną także cechują się znacznym stopniem złożoności komunikacyjnej, funkcjonalnej i strukturalnej.

4.1.2 Pojęcie modułowości

Modułowość i abstrakcja polegające na konceptualizowaniu typów danych, procesów

obliczeniowych i komunikacji w formie procedur są odpowiedzią projektantów systemów na złożoność, wielkość i cechę nieprzewidywalności dotyczących dziedziny problemowej wymagającej zastosowania systemów komputerowych. Często jedynym sposobem jest opracowanie

specjalizowanych modułów (posiadających własną reprezentację wiedzy i metod rozwiązywania

problemu) dla każdego aspektu problemowego. Modułowość polega na delegowaniu poszczególnym

modułom (względnie inteligentnym agentom) pewnych wycinków, etapów, czy wyodrębnionych

procesów związanych z rozwiązywaniem problemów. W takiej sytuacji można zaprojektować odpowiednio proste ale zróżnicowane i specjalizowane moduły których utrzymanie jest prostsze i tańsze. Zalety modularności polegają na wykorzystaniu upraszczania [26] i rozproszonego przetwarzania informacji. Wynika stąd potrzeba komunikowania się między poszczególnymi modułami, aby zapewnić koordynowanie (moduł czy agent funkcjonuje na podstawie znanej mu lokalnej perspektywy) działań poszczególnych modułów w celu znalezienia kompromisowych rozwiązań (uniknąć optymalizacji lokalnych zadań, bez uwzględniania głównego zadania).

4-2 4.1.3 Przesłanki hybrydowości

Ze względu na złożoność przedmiotu badań (wiele komponentów, procesów, danych),

różnorodność stosowanych metod analizy, systemów inteligentnych (w tym tradycyjnych: badań

operacyjnych, systemów eksperckich, analizy systemowej, symulacji itd. oraz soft computing: logiki rozmytej, sieci neuronowych, algorytmów ewolucyjnych, zbiorów przybliżonych, case-based reasoning, inteligentnych agentów, wizualizacji danych itd.) i prowadzenie jej w dynamicznych

warunkach, poszukuje się nowych sposobów prowadzenia badań będących syntezą już dostępnych metod i technik. Oczekuje się, że dzięki syntezie metod ich zalety będą się potęgowały, wady

zanikały a oprócz tego osiągnięty zostanie efekt synergiczny. Wydaje się, że w tym celu należy zastosować nowoczesne techniki informatyczne a przede wszystkim opracować nowe metody odwzorowania przedsiębiorstwa lub przynajmniej wykorzystać dostępny model (symulacyjny) badanego systemu – przedsiębiorstwa. Aby synteza i jej pozytywny efekt czyli synergia przybrały postać konkretu, założyć należy zintegrowanie (za pomocą technik komputerowych) dotychczas oddzielnie wykorzystywanych technik analitycznych. Taką integrację różnorodnych technik można porównać z krzyżowaniem różnorodnych osobników w celu uzyskania potomstwa wykazującego zwiększoną jakość działania. Według Kopalińskiego [152] przejawem synergii takiej struktury jest

heterozja czyli „wigor mieszańców, zwiększona żywotność i wybujałość zwierząt i roślin

pochodzących z krzyżówek form genetycznie odmiennych”. W przyrodzie heterozja dotyczy

najczęściej tylko pierwszego pokolenia a jej przyczyną jest „wysoki stopień heterozygotyczności

tego pokolenia, z czym wiąże się niska frekwencja genów kodujących cechy niekorzystne dla rośliny (naddominacja alelli jednego genu, lub współdziałania dominujących alleli różnych genów)” [226]. W przyrodzie obserwuje się zanikanie tego zjawiska w dalszych pokoleniach – stąd wniosek, że podtrzymać można je przede wszystkim w sposób sztuczny, przemyślany. Efektem heterozji (nazywanej w przypadku przemyślanych zabiegów hybrydyzacją) jest hybryd (hybryda) czyli mieszaniec wykazujący zwiększoną żywotność i płodność. W przypadku systemów nieorganicznych pozytywnie oceniany będzie hybryd (hybryda) – artefakt (program komputerowy, metoda) wykazujący zwiększoną użyteczność, jakość rozwiązań itp. Ultsch [309] używa określenia hybryda w kontekście

form hermafrodytowych tworzonych poprzez fuzję lub krzyżowanie. Uwaga: dodawanie funkcji do systemu (modelu, organizmu, organizacji) nie wystarczy aby system wynikowy nazwać hybrydą:

dołączenie do komputera urządzenia peryferyjnego nie czyni go automatycznie hybrydą, gdyż do zaistnienia zjawiska heterozji niezbędne jest „wymieszanie”, wzajemne oddziaływanie cech a nie ich dodawanie. Poszczególne techniki w systemach hybrydowych przeważnie uzupełniają się, ale mogą także ze sobą konkurować.

4-3

Hybrydowość nie jest uniwersalnym lekarstwem na wszystkie problemy i o jej zastosowaniu należy decydować wtedy gdy istnieje uzasadnione przekonanie, że dzięki niej dowiemy się czegoś

nowego (aspekt jakościowy) lub rozwiązanie osiągnięte zostanie w krótszym czasie, mniejszym kosztem lub charakteryzować będzie się większą dokładnością lub pewnością. Za hybrydowością

przemawia jednak sformułowana przez Wolperta i Macready’ego [326] hipoteza No Free Lunch Theorem (NFL). Na jej podstawie dowodzi się, że żaden z algorytmów (bez dodatkowej wiedzy dziedzinowej) nie może być „najlepszy” we wszystkich problemach. Jeśli dany algorytm w pewnej

grupie problemów uzyskuje przewagę (tzn. jest lepiej do nich dobrany) to jest taka grupa innych

problemów w której przewagę wykaże inny algorytm. W kontekście algorytmów przeszukiwania przestrzeni rozwiązań, w tym algorytmów ewolucyjnych i w szczególności genetycznych, Dembski [56] twierdzi że „ewolucja niczego nie poszukuje a darwinizm nie jest algorytmem poszukiwania rozwiązań”. Ho i Pepyne [117] formułują NFL następująco: „bez obecności szczególnych założeń strukturalnych, żaden algorytm optymalizacji nie może średnio działać lepiej niż ślepe wyszukiwanie”.

Systemem hybrydowym wg G. i R. Kilgourów z University of Otago [146] można nazwać

system (komputerowy) który korzysta z więcej niż jednej techniki rozwiązania problemu. Poszczególne techniki rozwiązywania problemów (nie tylko z zakresu sztucznej inteligencji) to: sieci neuronowe (z uczeniem nadzorowanym i uczeniem bez nadzoru), regresja, agregacja danych, logika rozmyta, algorytmy genetyczne, systemy eksperckie (z reprezentacją wiedzy opartą na regułach), drzewa decyzyjne, algorytmy grupowania (najbliższego sąsiada, k-najbliższych sąsiadów, średniej minimalnej odległości - MMD, drzewa minimalnego, algorytmy iteracyjne korzystające z pojęć zbiorów przybliżonych i rozmytych), sztuczne życie, symulacja.

4-4