принцип прецедента или случая лежит в основе следующего метода какого метода

Метод кейсов (обучение методом ситуаций или прецедентов)

Этот метод предполагает использование набора учебных материалов, именуемых кейсом (буквально — частный случай, конкретное дело). В нем описывается конкретная ситуация, которая могла иметь место или реально происходила. Рассматриваются факты, решения, принятые в течение определенного времени, которые описываются не абсолютно исчерпывающе, а скорее как система ориентиров. Недостающую информацию участники обсуждения и принятия решения (включая студентов) могут домысливать и строить на основе этого прогноза.

Преподаватель играет роль супервизора и фасилитатора, он может обобщать, пояснять, обращать внимание на логические ошибки, давать ссылки на специальную литературу. В табл. 5.3 приведена схема распределения функций между студентами и преподавателем, а также критерии, позволяющие отделить метод кейсов от других методов обучения [96, с. 207].

Фазы работы с кейсом

и вспомогательные материалы для подготовки студентов.

3. Разрабатывает сценарий занятия

Составляет письменный отчет о занятии по заданной форме

Критериями, позволяющими отличить кейс от других учебных занятий, являются:

• модерация работы с кейсом. Для того чтобы максимально активизировать работу с кейсом, вовлечь студентов в процесс анализа ситуации и принятия решений, каждая подгруппа должна состоять из 3—5 человек и выбрать себе модератора (руководителя). На нем лежит ответственность за организацию работы подгруппы, распределение вопросов между ее участниками и принимаемые решения. Именно модератор делает примерно 10-минутный доклад о результатах работы его подгруппы.

Подгруппы могут работать в течение всех занятий только по одной теме (каждая по своей), или все группы одновременно работают над одним и тем же разделом кейса, конкурируя между собой в поиске лучшего решения.

Ключевым моментом для успешного обучения методом кейсов является работа модератора. Он стремится к тому, чтобы студенты научились работать в одной команде и быстро принимать решения в условиях ограниченного времени и дефицита информации. В его функции входит организация открытого обмена мнениями и создание условий для реализации возможностей каждого участника действовать в качестве эксперта, аналитика или экспериментатора. Он фиксирует все идеи, высказанные в ходе обсуждения (аналог приемов мозгового штурма), не допускает их критики, группирует высказывания и мнения о высказанных идеях, регулирует поток высказываний.

В процессе непосредственной работы над кейсом рекомендуется:

Другие подгруппы слушают и оценивают доклад модератора, а преподаватель подводит общие итоги занятия [96]. Образовательные цели метода кейсов:

Обычно кейсы готовятся в пакете, включающем в себя: вводный кейс (сведения о наличии проблемы, ситуации, явления; описание границ рассматриваемого явления); информационный кейс (объем знаний по какой-либо теме (проблеме), изложенный с той или иной степенью детальности); стратегический кейс (развитие умения анализировать среду в условиях неопределенности и решать комплексные проблемы со скрытыми детерминантами); исследовательский кейс (аналогичен групповым или индивидуальным проектам — результаты анализа некоторой ситуации представляются в форме изложения); тренинговый кейс (направлен на упрочение и более полное освоение уже использованных ранее инструментов и навыков — технических, логических и т. п.).

Другая классификация кейсов основана на учете их формы и внутренней структуры [96, с. 142]:

Вопросы к кейсу можно разделить на обучающие (направленные на закрепление полученных знаний и умений) и проблемные (направленные на развитие мышления, в том числе творческого).

Можно сформулировать систему требований к кейсам, обеспечивающим хороший обучающий эффект [96, с. 140—141]:

Источник

Кейс-метод в бизнес-обучении

Рубрика «Секреты управления персоналом»

Автор статьи Франц Желудевич

В основе появления и развития кейс-метода (case study) лежит принцип «прецедента» или «случая». Кейс-метод наиболее широко используется за рубежом в обучении экономике и бизнес-наукам. На ранней стадии своего возникновения этот метод широко применялся в курсах обучения по программе MBA. В России применять кейс-метод в обучении стали в 80-х гг., сначала в МГУ, а затем в академических и отраслевых институтах, позднее — на специальных курсах подготовки и переподготовки.

Хороший кейс, как правило, учит искать нетривиальные подходы, поскольку не имеет единственно правильного решения. Особенно ценят в методе работы с кейсами независимость мышления. В реальном бизнесе есть пять или шесть способов решить проблему. И хотя для каждой ситуации существует классическое решение, это вовсе не значит, что именно оно будет оптимальным.

Метод case study развивает:

1. Аналитические навыки.

2. Практические навыки.

3. Творческие навыки.

4. Коммуникативные навыки.

5. Социальные навыки.

6. Навыки самоанализа.

Технология конструирования кейсов

Выделяют следующие этапы создания кейсов:

I этап. Определить цель создания кейса, например обучение эффективным коммуникациям внутри предприятия. Для этого можно разработать кейс по конкретному хорошо известному предприятию, описав его коммуникации, используемые менеджерами для организации работы с персоналом внутри фирмы.

II этап. Идентифицировать цели конкретную реальную ситуацию на фирме (в секторе экономики).

III этап. Провести предварительную работу по поиску источников информации.

IV этап. Собрать информацию и данные, используя различные источники, включая контакты с фирмой.

V этап. Подготовить первичный вариант представления материала. Этот этап включает отбор, компоновку материала, определение формы презентации (видео, печатная и т.д.)

VI этап. Получить разрешение на публикацию кейса в том случае, если информация содержит данные по конкретной фирме.

VII этап. Обсудить кейс, привлекая как можно более широкую аудиторию, и получить экспертную оценку коллег перед его апробацией.

VIII этап. Подготовить методические рекомендации по использованию кейса. Разработать задания для обучающихся и возможные вопросы для ведения дискуссии и презентации кейса, описать предполагаемые действия обучающихся и преподавателя в момент обсуждения.

Информацию для создания кейса можно получить двумя путями: провести специальное исследование (field research), предусматривающее сбор финансовой и прочей информации непосредственно в компании, или поработать с открытыми источниками. Первый метод широко применяется западными бизнес-школами, а второй получил широкое распространение в России. По некоторым оценкам, себестоимость field research составляет от 500 до нескольких тысяч долларов. Как правило, в каждом западном университете или бизнес-школе на это отведена отдельная статья в бюджете, причем значительная ее часть формируется из тех доходов, которые вуз получает от продажи своих учебников и пособий студентам. Но в бюджетах российских бизнес-школ, сами понимаете, такие расходы не предусмотрены.

Основная проблема, с которой сталкиваются авторы, реализующие field research в России — закрытость нашего бизнеса. Представители компаний подчас слишком широко трактуют понятие коммерческой тайны. Зачастую авторам приходится изменять в кейсе конкретные данные, качественные показатели, цифры, взятые из финансовых документов компании, предоставившей о себе информацию. Однако общая тенденция сохраняется, демонстрируя положительную или отрицательную динамику развития предприятия или компании.

Несовершенен и кабинетный способ создания кейсов. «Кабинетные» кейсы грешат дефицитом технологической, стратегической информации, отсутствием конкретных цифр, которые можно взять только в финансовой и бухгалтерской документации компании, — а она в России, как правило, не попадает в открытые источники. Собственно, и писать кейсы у нас некому. В российских бизнес-школах в основном преподают теоретики — люди, имеющие отличную академическую подготовку, но совершенно не знакомые с реальной деловой средой. К тому же кейсы тоже надо уметь писать, это вам не сочинение в свободной форме. Специалистов, которые прошли соответствующую подготовку, — единицы. В России и Беларуси рынок кейсов находится в стадии формирования. Главная сложность заключается в нежелании или неспособности бизнес-школ платить за кейсы большие деньги. Поэтому все норовят сдуть материал бесплатно — например, одолжить у знакомого, побывавшего в какой-нибудь западной бизнес-школе, сборник практических задач и деловых игр, сделать с него нужное количество ксерокопий и использовать их в своей преподавательской практике. К сожалению, этот способ очень распространен. И пока ситуация будет оставаться таковой, рынок в нормальной цивилизованной форме не сформируется.

Технология работы с кейсом в учебном процессе

При обучении на основе кейсов можно использовать как минимум шесть форматов дискуссии:

1. Учитель–студент: Перекрестный допрос.

Дискуссия между преподавателем и вами. Ваше высказывание, позиция или рекомендация будет рассматриваться посредством ряда вопросов. Тщательному исследованию подвергнется логика ваших утверждений, поэтому будьте предельно внимательны.

2. Учитель–студент: Адвокат дьявола.

Обычно это дискуссия между учителем и вами, но иногда в ней могут участвовать и другие студенты. Учитель берет на себя заведомо проигрышную роль и просит вас (и возможно, других) занять позицию адвоката. Вы должны активно думать и рассуждать, располагать в определенном порядке факты, концептуальную или теоретическую информацию, ваш личный опыт.

3. Учитель–студент: Гипотетический формат.

Сходен с предыдущим, но есть одно отличие: учитель будет излагать гипотетическую ситуацию, которая выходит за рамки вашей позиции или рекомендации. Вас попросят оценить эту гипотетическую ситуацию. Во время дискуссии вы должны быть готовы к необходимости видоизменять свою позицию.

4. Студент–студент: Конфронтация и/или кооперация.

Дискуссия ведется между студентами. Может возникнуть как сотрудничество, так и конфронтация. Например, одноклассник может оспорить вашу позицию, предоставив новую информацию. Вы будете пытаться отразить вызов.

5. Студент–студент: «Играть роль».

Учитель может попросить вас принять на себя определенную роль и взаимодействовать в ней с другими одноклассниками.

6. Учитель–класс: «Безмолвный» формат.

Преподаватель может задать вопрос, первоначально адресовав его отдельному лицу, а потом и всему классу (так как конкретно из студентов никто не может ответить).

Не стоит полагать, что кейсы могут заменить лекции. Нельзя тратить все свое время только на разбор конкретных примеров, потому что это формирует стереотипный, предвзятый подход к решению сходных проблем, и студент будет не в состоянии подняться на более высокий уровень обобщения. Кейсы показывают, как на практике применяются экономические теории. В западных бизнес-школах разбору кейсов уделяется 30–40 % учебного времени. В школе бизнеса Чикагского университета на долю кейсов приходится 25 % времени, в бизнес-школе Колумбийского университета — 30 %, а в знаменитом Уортоне — 40 %. Лидер по количеству часов, отводимых занятиям по этому методу, — Гарвард: рядовой студент HBS за время учебы разбирает до 700 кейсов.

Границы использования кейса: этот метод обучения требует много времени и не может быть использован в многочисленной аудитории.

Структура и виды кейсов

Кейс — единый информационный комплекс. Как правило, кейс состоит из трех частей: вспомогательная информация, необходимая для анализа кейса; описание конкретной ситуации; задания к кейсу.

Виды представления кейсов: печатный, мультимедиа, видео. Разнообразны формы представления: кейс может быть оформлен в виде нескольких предложений на одной странице, может быть представлен как описание истории развития многих организаций за многие годы (рамка экономического образования), или как описание одного события в одной организации, а может быть представлен большим объемным текстом. Кейс может включать известные академические модели или не соответствовать ни одной из них. Однако следует помнить, что большие кейсы вызывают у студентов некоторые затруднения по сравнению с малыми, особенно при работе впервые.

Кейсы могут быть классифицированы по методу подготовки: Если с точки зрения места написания кейсы могут быть подготовленными в поле (т.е. на объекте — фирме или компании) или за рабочим столом преподавателя, а используемые в кейсах источники носят формальный (т.е. публичный) или неформальный (т.е. получены из первоисточника) характер, то в комбинациях указанных двух переменных образуются четыре типа кейсов: «библиотечные», «публичные», классические и «кабинетные».

В зависимости от целей обучения кейсы могут отличаться по содержанию и организации представленного в них материала: кейсы, обучающие анализу и оценке; кейсы, обучающие решению проблем и принятию решений; кейсы, иллюстрирующие проблему, решение или концепцию в целом. Конкретные ситуации кейсов, обучающих анализу и оценке, делятся, в свою очередь на внеорганизационные и внутриорганизационные.

Внеорганизационные кейсы преимущественно имеют дело с анализом и уяснением состояния окружения деловой организации, ее внешней среды. Поэтому в таких кейсах подробно описываются проблемы вокруг организации (экология, законы, реформы и т.п.). Их легко отличить от других кейсов в связи с отсутствием «глубоких» материалов о самой организации. Источниками кейса являются «библиотечные» материалы из газет, журналов и отчетов. Во внутриорганизационных кейсах упор делается на факты и события из жизни самой организации. Такие кейсы используются в курсах по организационно-управленческим проблемам и по человеческим отношениям. Очень популярными являются кейсы, обучающие решению проблем и принятию решений. Прежде всего такие кейсы предусматривают, что решение должно быть найдено на основе недостаточной или избыточной информации, фактов, данных и событий, описанных в кейсах. Тем самым обучающиеся ближе всего подводятся к реальности, учатся находить связи между имеющейся в распоряжении информацией и вырабатываемым решением. Кейсы по решениям готовятся исключительно на базе «полевых» исследований или «обобщенного» опыта. Содержательно материал в таких кейсах должен обнаруживать признаки организационной конфликтности, многовариантности методов принятия решений и альтернативности самих решений, субъективности и ролевого поведения, динамики событий и возможности реализации предложенного решения.

Возможности кейс-метода как метода отбора персонала

Кейс-метод находит все большее применение не только в качестве метода обучения, но и в качестве метода отбора персонала. Обычно анализ кейсов используется как одно из заданий при оценке кандидатов. Суть этого метода заключается в том, что группа участников проходит через разнообразные испытания, среди которых главная роль отводится решению кейсов и презентациям. За участниками ведется наблюдение, затем все действия внимательно анализируются и для каждого из них составляется заключение, содержащее оценку деловых и личностных качеств. Разбирая кейс, помните, что однозначно верного решения здесь не существует. Поэтому ваша цель — не найти определенный ответ, а продемонстрировать работодателю свои аналитические способности. Давая вам подобное задание, работодатель в первую очередь хочет узнать, как вы мыслите и как умеете применять теоретические знания на практике. Если кейс разбирается в группе, то здесь проверяются также ваши коммуникативные навыки, умение эффективно работать в команде. Поэтому здесь важно не только выработать свой вариант действий, но и выслушать своих оппонентов, убедить их в своей правоте, а если потребуется, то скорректировать свой метод решения проблемы с учетом мнения оппонентов.

Источник

Обучение по прецедентам

Машинное обучение (англ. Machine Learning ) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Различают два типа обучения. Обучение по прецедентам, или индуктивное обучение, основано на выявлении закономерностей в эмпирических данных. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.

Машинное обучение находится на стыке математической статистики, методов оптимизации и дискретной математики, но имеет также и собственную специфику, связанную с проблемами вычислительной эффективности и переобучения. Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации, интеллектуальным анализом данных (Data Mining).

Содержание

Общая постановка задачи обучения по прецедентам

Имеется множество объектов (ситуаций) и множество возможных ответов (откликов, реакций). Существует некоторая зависимость между ответами и объектами, но она не известна. Известна только конечная совокупность прецедентов — пар «объект, ответ», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость, то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов определённым образом вводится функционал качества.

Данная постановка является обобщением классических задач аппроксимации функций. В классических задачах аппроксимации объектами являются действительные числа или векторы. В реальных прикладных задачах входные данные об объектах могут быть неполными, неточными, нечисловыми, разнородными. Эти особенности приводят к большому разнообразию методов машинного обучения.

Способы машинного обучения

Так как раздел машинного обучения, с одной стороны, образовался в результате разделения науки о нейросетях на методы обучения сетей и виды топологий архитектуры сетей, а с другой, вобрал в себя методы математической статистики, то указанные ниже способы машинного обучения исходят из нейросетей. То есть базовые виды нейросетей, такие как перцептрон и многослойный перцептрон (а так же их модификации) могут обучаться как с учителем, без учителя, с подкреплением, и активно. Но некоторые нейросети и большинство статистических методов можно отнести только к одному из способов обучения. Поэтому если нужно классифицировать методы машинного обучения в зависимости от способа обучения, то, касательно нейросетей, не корректно их относить к определенному виду, а правильнее классифицировать алгоритмы обучения нейронных сетей.

Классические задачи решаемые с помощью машинного обучения

Типы входных данных при обучении

Типы функционалов качества

Практические сферы применения

Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности.

Машинное обучение имеет широкий спектр приложений:

Сфера применений машинного обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.

Источник

Большая Энциклопедия Нефти и Газа

Метод прецедента включен в программу многих бизнес-школ, и это правильно: его процедура способна помочь слушателям выработать образцы поведения для решения конкретных проблем. Просто нужно помнить о его ограниченности. [2]

Метод прецедентов ( метод аналогов) заключается в том, что конструктор отыскивает в однотипных или других машинах, ранее сконструированных и находящихся в эксплуатации, случаи применения составной части ( узла), подобной проектируемой, определяет допуск и посадку. Этот метод приемлем только в случае полной тождественности составных частей при условии, что оптимальность выбранных допусков и посадок проверена экспериментом и подтверждена производственными испытаниями. Если этих сведений нет, то нельзя гарантировать, что указанные допуски и посадки являются оптимальными. [3]

Метод прецедентов ( метод аналогов) заключается в том, что конструктор отыскивает в однотипных или других машинах, ранее сконструированных и находящихся в эксплуатации, случаи применения составной части ( узла), подобной проектируемой 1 и определяет допуск и посадку. Этот метод приемлем только в случае полной тождественности составных частей ( узлов) при условии, что оптимальность выбранных допусков и посадок проверена экспериментом и подтверждена производственными испытаниями. [4]

Общим недостатком методов прецедентов и подобия является сложность определения признаков однотипности и подобия, возможность применения дшдбочных, допусков и посадок. [6]

Общим недостатком методов прецедентов и подобия является сложность определения признаков однотипности и подобия, а следовательно возможность ошибочного выбора допусков и посадок. [7]

Применяется три основных способа регламентации конструктором качества поверхности, в том числе шероховатости: 1) по прототипу ( метод прецедентов ); 2) расчетный; 3) экспериментальный. [13]

Аналогичные решения, используемые для решения инженерных задач, могут быть заимствованы из живой природы как природные конструкции и элементы биомеханики. Метод прецедента основывается на использовании аналогии с ранее разработанными конструкциями. Новая может быть эквивалентна своему аналогу. Нередко увеличение или уменьшение размеров конструктивного исполнения приводит к новому качеству. Аналогия может не только использовать ранее существующие конструктивные решения, но и имитировать форму, цвет, звук, моделировать разные качества. [14]

Источник

Принцип прецедента или случая лежит в основе следующего метода какого метода

Л. Е. Карпов, В. Н. Юдин
Препринт ИСП РАН

2. Вывод на основе прецедентов в системах поддержки принятия решений

2.1. Концепция вывода

Вывод на основе прецедентов – это метод принятия решений, в котором используются знания о предыдущих ситуациях или случаях (прецедентах). При рассмотрении новой проблемы (текущего случая) отыскивается похожий прецедент в качестве аналога. Вместо того, чтобы искать решение каждый раз сначала, можно пытаться использовать решение, принятое в сходной ситуации, возможно, адаптировав его к изменившейся ситуации текущего случая. После того, как текущий случай будет обработан, он вносится в базу прецедентов вместе со своим решением для его возможного последующего использования в будущем. Более формальное определение дано в [Bundy 97].

Прецедент – это описание проблемы или ситуации в совокупности с подробным указанием действий, предпринимаемых в данной ситуации или для решения данной проблемы.

Описание проблемы должно содержать всю информацию, необходимую для достижения цели вывода (выбора наиболее подходящего решения). Например, если цель состоит в диагностике заболеваний, то описательная информация должна содержать симптомы больного, результаты лабораторных исследований. Если цель – выбор лечения, то понадобятся еще хронология состояния больного, сведения о возможной аллергической реакции на те или иные лекарственные средства и т. д. Все этапы примененного к больному лечения сохраняются в описании решения.

Исход как результат применения решения – это обратная связь, полученная от применения решения. Описание результата может содержать перечень выполненных операций, результат их выполнения, способ восстановления (в случае отказа), указания на то, что можно сделать, чтобы избежать отказа, результаты восстановления. Описание результата может также включать ссылки на другие прецеденты, дополнительную текстовую информацию.

Прецедент может содержать не только положительный исход. Информацию о том, что у больного не наступило улучшение самочувствия в результате примененного лечения, надо сохранять, чтобы избежать бесполезных назначений в будущем. Объяснение того, какой отказ произошел и почему, может быть использовано в будущем. Некоторые системы могут сохранять обоснование решения и даже его альтернативы.

Имеется множество способов представления прецедента: от записей в базах данных, древовидных структур – до предикатов и фреймов. Конкретное выбранное представление прецедентов должно соответствовать общим целям системы. Проблема представления прецедента – прежде всего проблема выбора информации, которую надо включать в описание прецедентов, нахождение соответствующей структуры для описания содержания прецедента, а также определения, каким образом должна быть организована и индексирована база знаний прецедентов для эффективного поиска и многократного использования.

2.2. Декомпозиция метода (основные фазы)

Рис 1. Цикл вывода на основе прецедентов

Проблема выбора подходящего прецедента является одной из самых важных в таких системах. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем, иначе говоря, поиск должен быть организован сообразно цели. Но как определить, какие именно решения считать сходными?

После того, как прецеденты извлечены, нужно выбрать «наиболее подходящий» из них. Это определяется сравнением признаков текущего случая и выбранных прецедентов. 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» (nearest neighbour) [Anand 99]. 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.

Говоря более строгим языком, вводится метрика на пространстве всех признаков, в этом пространстве определяется точка, соответствующая текущему случаю, и в рамках этой метрики находится ближайшая к ней точка из точек, представляющих прецеденты. Описанный здесь алгоритм очень прост – реально применяются некоторые его модификации. Обычно прогноз делается на основе нескольких ближайших точек, а не одной (K-nearest neighbours). Такой метод более устойчив, поскольку позволяет сгладить отдельные выбросы, случайный шум, всегда присутствующий в данных.

Каждому признаку назначают вес, учитывающий его относительную ценность. Полностью степень близости прецедента по всем признакам можно вычислить, используя обобщенную формулу вида:

где w_j – вес j-го признака, sim – функция подобия (метрика), x_ij и x_ik – значения признака x_j для текущего случая и прецедента, соответственно. После вычисления степеней близости все прецеденты выстраиваются в единый ранжированный список.

Метод прост, он может быть реализован очень эффективно, правда требует для работы большой памяти, так как в процессе нахождения значения зависимой переменной для новой записи используется вся существующая база данных.

Выбор метрики (или меры близости) считается узловым моментом, от которого решающим образом зависит поиск подходящих прецедентов. В каждой конкретной задаче этот выбор производится по-своему, с учетом главных целей исследования, физической и статистической природы используемой информации и т. п. В некоторых методах выбор метрики достигается с помощью специальных алгоритмов преобразования исходного пространства признаков.

Пусть имеются образцы X_i и X_k в N-мерном пространстве признаков. Основные метрики, традиционно используемые при выборе прецедентов, приводятся в таблице 1.

После того, как выбран подходящий прецедент, при поиске решения для целевой проблемы выполняется адаптация – модификация имеющегося в нем решения с целью его оптимизации. Невозможно выработать единый вариант для такой адаптации, так как это в большой степени зависит от предметной области. Если существуют алгоритмы адаптации, они обычно предполагают наличие зависимости между признаками прецедентов и признаками содержащихся в них решений. Такие зависимости могут задаваться человеком при построении базы прецедентов или обнаруживаться в базе автоматически.

Обратная связь, возникающая при сохранении решений для новых проблем, означает, что вывод по прецедентам по своей сути является «самообучающейся» технологией, благодаря чему рабочие характеристики каждой базы прецедентов с течением времени и накоплением опыта непрерывно улучшаются. Разработка баз прецедентов по конкретной проблеме или области деятельности происходит на естественном (русском, английском) языке, то есть не требует никакого программирования, и может быть выполнена наиболее опытными сотрудниками – экспертами, работающими в данной конкретной области.

Не стоит, однако, рассчитывать, что экспертная система будет действительно принимать решения. Принятие решения всегда остается за человеком, а система лишь предлагает несколько возможных вариантов и указывает на самый «разумный» из них с ее точки зрения.

Наименование метрики	Тип признаков	Формула для оценки меры близости (метрики)
Эвклидово расстояние	Количественные
Манхэттенская метрика	Количественные
Мера сходства Хэмминга	Номинальные (качественные)	, где n_ik – число совпадающих признаков у образцов X_i и X_k.
Мера сходства Роджерса-Танимото	Номинальные шкалы	где – число совпадающих единичных признаков у образцов X_i и X_k; , – общее число еди-ничных признаков у образцов X_i и X_k соответственно.
Расстояние Махалонобиса	Количественные	W – ковариационная матрица выборки
Расстояние Журавлева	Смешанные	, где

Таблица 1. Основные типы метрик.

2.3. Примеры систем вывода на основе прецедентов

Вывод по прецедентам – не новая технология, ее возникновение прослеживается в работе Роджера Шанка по динамической памяти [Schank 82]. Изложенные этим исследователем идеи были далее расширены Джанет Колоднер, которая разработала систему CYRUS [Kolodner 83]. С 1988 года проводился ряд ежегодных семинаров под эгидой DARPA (Управление Перспективных Исследований Министерства Обороны США) [Kolodner 88, Hammond 89, Bareiss 91]. Интерес к методу вырос в последние годы, регулярно проводятся конференции и семинары типа широко известного Европейского семинара (EWCBR, в последующем – ECCBR) [Wess 93, Haton 94, Smith 96, Smyth 98, Blanzieri 00, Craw 02, Funk 04], семинара Соединенного Королевства (UKCBR) [UKCBR 04, UKCBR 05].

К ранним разработкам относят CHEF [Hammond 86] – систему, которая предназначалась для формирования кулинарных рецептов. Эта программа принимает информацию о целевых характеристиках блюда (тип, вкусовые качества, своеобразие) и формирует подходящий рецепт. Результатом работы программы должен быть рецепт – последовательность операций, позволяющая приготовить такое блюдо. Получив заказ, программа просматривает свою базу прецедентов, отыскивает в ней рецепт приготовления аналогичного блюда и адаптирует его в соответствии с особенностями текущего заказа.

Из других систем можно отметить PROTOS [Bareiss 88] для классификации и диагностирования нарушений слуха, MEDIATOR [Simpson 85] для области посредничества в спорных судебных вопросах.

При работе над экспертными системами исследователи пришли к выводу, что представление знаний внутри экспертной системы должно со временем привести к созданию систем обучения с помощью компьютера.

В основу программы HYPO [Ashley 88, Ashley 90], которая была создана для обучения студентов-юристов методике ведения судебных дел, положена абстрактная модель процесса прения сторон. И расследования, и рассуждения в юриспруденции направляются аргументацией, а более точно – аргументами, выражающими противоположные интересы, с помощью которых стороны процесса пытаются склонить на свою сторону судью или присяжных, убедить их в том, что именно предлагаемая интерпретация закона и фактов является корректной в данном случае.

Выполнение шага (5) усложняется тем обстоятельством, что судебное дело может содержать более одного пункта. Например, дело о разводе может содержать множество пунктов, касающихся раздела имущества, обеспечения детей и т.д., по каждому из которых стороны должны представить свои аргументы.

Что касается доступности коммерческих систем и успеха в информационных приложениях – это система SMART [Acorn 92], которая дала импульс этой технологии. Система SMART предназначена для технической поддержки заказчиков корпорации COMPAQ. Когда заказчик сталкивается с проблемой (например, печать принтера блекнет), подробности передаются в систему. Выполняется начальный поиск в библиотеке прецедентов, чтобы найти случаи с подобными признаками. При недостатке информации система задает дополнительные вопросы. Как только определенный порог достигнут (скажем, прецедент совпадает не менее, чем на 80%), предлагается решение от прецедента. В дополнение к этому, система может быть использована как инструмент обучения.

В дальнейшем COMPAQ расширила эту систему, продвинув ее непосредственно к покупателям. Система QUICKSOURCE [Nguyen 93] позволяет пользователю самому справляться с проблемами и обращаться в центр поддержки в качестве последнего прибежища.

В системе KATE TOOLS компании Acknosoft (Франция) [Althof 95/1] поддерживается упрощенный взгляд на процесс вывода. Входная информация для KATE – это файл, который содержит описания признаков и их значения на специальном языке CASUAL [Althof 95/2]. KATE может работать со сложными данными, представленными в виде структурированных объектов, отношениями или даже общими знаниями о проблемной области. Но для выявления сходства между прецедентами используется одна простая метрика.

Основной акцент делается на отбор прецедентов с помощью алгоритма «ближайшего соседа». KATE использует версию алгоритма ближайшего соседа для вычисления метрики подобия. Близость между двумя случаями x и y, имеющими p признаков вычисляется по формуле:

Алгоритм работы системы может быть описан следующим образом:

1. for each y in Classified Data do

2. y_max = (y_1. y_k) such that

Sim(y_k)= max(K-nearest neighbors)

3. if class(y_max) = class(x)

then classification is correct

Classified Data = Classified Data +

else classification is incorrect

Система KATE не предлагает возможностей для автоматической адаптации решения. Проверка корректности решения невозможна, но есть проверка базы прецедентов на наличие контрпримеров. Все же, KATE – это эффективная индустриальная система, которая позволяет использовать взвешенные признаки при вычислении метрики подобия, а также использовать определяемую пользователем метрику. Ее легко расширять, потому что все функции KATE доступны при подключении сопутствующих динамических библиотек (.dll).

В настоящее время на рынке программных продуктов реально предлагается лишь несколько коммерческих продуктов, реализующих технологию вывода, основанного на прецедентах. Это объясняется, в первую очередь, сложностью алгоритмов и их эффективной программной реализации. Наиболее успешные и известные из присутствующих на рынке продуктов – CBR Express и Case Point (Inference Corp.), Apriori (Answer Systems), DP Umbrella (VYCOR Corp.) [Althof 96].

CBR Express и CasePoint – продукты, предназначенные для разработки экспертных систем, основанных на прецедентах. CBR Express тоже накапливает «опыт», обеспечивая ввод, сопровождение и динамическое добавление прецедентов, а также простой доступ к ним с помощью вопросов и ответов. Обе системы используются при автоматизации информационно-справочных служб и «горячих линий», а также при создании интеллектуальных программных продуктов, систем доступа к информации, систем публикации знаний и т. д.

При общении с системой сначала вводится простой запрос, например: «Мой компьютер не работает». Далее происходит выделение ключевых слов, поиск в базе прецедентов, и генерируется перечень потенциальных решений. Пользователю могут быть также заданы уточняющие вопросы. Предлагаемые варианты решения проблемы могут включать в себя видео- или фотоматериалы. Технология вывода по прецедентам представляет собой основу для практически безграничных приложений, которые наращиваются за счет постоянного сбора информации (причем обеспечивается совмещение структурированных и неструктурированных данных, включая мультимедиа). По мнению компаний, активно использующих эту технологию, таких как Nippon Steel, Lockheed и некоторых других, создается самообучающаяся коллективная память, исключительно удобная для накопления и передачи профессионального опыта.

Источник