Скоринговая система на основе информационно-когнитивного моделирования

На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 2).

Отметим, что в АСК-анализе и его программном инструментарии интеллектуальной системе «Эйдос» используется два способа расчета матриц условных и безусловных процентных распределений:

1-й способ: в качестве используется суммарное количество признаков по классу;

2-й способ: в качестве используется суммарное количество объектов обучающей выборки по классу.

Затем на основе таблицы 2 с использованием частных критериев, приведенных таблице 3 рассчитываются матрицы системно-когнитивных моделей (таблица 4).

Таблица 2

Матрица условных и безусловных процентных распределений

Таблица 3

Различные аналитические формы частных критериев знаний

математический модель информация интеллект

Обозначения к таблице 4:

i - значение прошлого параметра;

j - значение будущего параметра;

N_ij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M - суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

N_i - количество встреч i-м значения прошлого параметра по всей выборке;

N_j - количество встреч j-го значения будущего параметра по всей выборке;

N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

I_ij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

Ш - нормировочный коэффициент (Е.В.Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

P_i - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

P_ij - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.

Таблица 4

Матрица системно-когнитивной модели

Суть этих методов в том, что вычисляется количество информации в факте наличия или определенной степени выраженности того или иного личностного свойства о том, что обладающий им кандидат будет проявлять определенную степень успешности профессиональной деятельности, работая на той или иной должности. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о респондентах, полученную с помощью различных тестов и других различных источников.

На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями), решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений, а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели.

Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время используется два интегральных критерия.

Интегральные критерии и принятие управляющих решений

Задача принятия управляющих решений представляет собой обратную задачу прогнозирования. Если при прогнозировании на основе значений факторов, воздействующих на объект управления, определяется в какое состояние он под их воздействием перейдет, но при принятии решений наоборот, по желательному (целевому) состоянию объекта управления определяется система значений факторов, обуславливающих переход объекта в это целевое состояние.

Не все модели обеспечивают решение обратной задачи прогнозирования. Для этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать обобщенные образы в будущих состояний объекта управления. Как влияет на поведение объекта управления одно значение фактора отражено в системно-когнитивных моделях. Как влияние система факторов определяется с помощью интегральных критериев. В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:

- сумма знаний;

- резонанс знаний.

1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе значений факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний:

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид, где M:

- количество градаций описательных шкал (признаков);

- вектор состояния j-го класса;

- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид где M:

- количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

- вектор состояния j-го класса;

- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор)

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.

Система «Эйдос» обеспечивает построение информационно-измерительных систем в различных предметных областях. В системе «Эйдос» реализовано большое количество программных интерфейсов, обеспечивающий автоматизированный ввод в систему данных различных типов: текстовых, табличных и графических.

Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его системно-когнитивной модели.

Всем этим и обусловлен выбор АСК-анализа и его программного инструментария интеллектуальной системы «Эйдос» в качестве инструментария решения поставленной проблемы.

Выводы

Интересующая нас система на логическом уровне в полной мере спроектирована. Далее необходимо произвести её реализацию на программном уровне и разработать численные модели.

Далее рассмотрим численный пример обработки исходных данных, который в настоящее время находится в процессе реализации на сайте. Данный численный пример реализован локально в системе «Эйдос».

Разработка сайта

Исходные данные для синтеза моделей по сути представляют собой фрагмент годового отчета фирмы (таблица 5):

Таблица 5

Исходные данные

В таблице 6 все использованные исходные данные приведены полностью. Единственное, что выходные данные клиентов (Ф,И,О и др.) из первой графы заменены условными наименованиями в целях соблюдения закона о защите конфиденциальной информации.

Даталогическая модель.

На старте проектирования приложения была разработана логическая модель базы данных, которая состоит из 3 основных таблиц: (таблицы 6, 7 и 8).

В реляционных БД даталогическое или логическое проектирование приводит к разработке схемы БД, то есть совокупности схем отношений, которые адекватно моделируют абстрактные объекты предметной области и семантические связи между этими объектами. Основой анализа корректности схемы являются так называемые функциональные зависимости между атрибутами БД.

Некоторые зависимости между атрибутами отношений являются нежелательными из-за побочных эффектов и аномалий, которые они вызывают при модификации БД. При этом под процессом модификации БД мы понимаем внесение новых данных в БД или удаление некоторых данных из БД, а также обновление значений некоторых атрибутов.

Таблица 6

Сущность «Clients»

В таблице Clients записаны идентификаторы клиентов и заказанных ими услуг.

Таблица 7

Сущность «Client_info»

В таблицу Client_info заносятся данные, полученные в результаты беседы с самим клиентом.

Таблица 8

Сущность «Service»

Рисунок 3 Главная страница сайта

На главной странице сайта клиент оставляет о себе данные, необходимые для связи с ним.

Даталогическая модель данных представляет собой модель данных, которые должны быть описаны и обработаны в области приложения (например, данные производственной зоны, системы учета или всей информации компании) и их отношения друг к другу.

В информатике, особенно в области разработки информационных систем, модели данных и их действия (моделирование данных) служат для поиска и определения структуры данных, подлежащих обработке в системах (в частности, для хранения данных).

Вышеупомянутая модельная градация, основанная на процессе разработки, и в частности обозначения моделей, не применяется на практике и на практике. Таким образом, другие термины часто используются в литературе, в публикациях и в обычном использовании; В частности, часто используется только термин «модель данных».

Инфологическая модель.

Инфологическая модель - это описание предмета, основанная на анализе семантики объектов и явлений, не ориентированная на будущее использование программного обеспечения и технических ИТ-инструментов.

Вне проецируемой базы данных. В соответствии с терминологией в русской литератур...