Schválené projekty SGS

Dodatečná informace v rozhodovacích a hodnotících modelech

SP2024/083

Předmět výzkumu v rámci projektu: Rozhodování a hodnocení jsou neodmyslitelnou součástí našeho života, ať už jde o jednotlivce rozhodující se o nákupu produktu, firmy vybírající mezi dodavateli, nebo státy při výběru optimálních dodavatelů. Při těchto procesech často narazíme na problém nedostupnosti přesných informací o kritériích či variantách, která jsou pro rozhodnutí klíčová (Nieves, 2022; Vučetić a Hudec, 2018). Dodatečnou informací zde rozumíme například jednu z následujících možností: Zpřesnění momentů rozdělení pravděpodobnosti náhodných proměnných (viz kontaminace rozdělení pravděpodobnosti náhodných proměnných ve stochastických modelech, viz Kopa a Rusý (2023)). Snížení míry neurčitosti fuzzy proměnných (redukce nosiče fuzzy množin). Zvýšení množství informace získané z lingvistických souhrnů a vyjádření v přirozeném jazyce ohledně závislosti nebo možné korelace na částech domén zkoumaných atributů. Zachycení vzájemných závislostí mezi hodnotícími kritérii. Využití AI pro analýzu stochastických proměnných. Další výzvou je sklon lidí k používání přirozeného jazyka při hodnocení kritérií, například když hodnotí důležitost určitého aspektu jako "velmi významný". Tento způsob komunikace přináší také míru neurčitosti do rozhodovacího procesu a také vyžaduje agregaci atomických aspektů v neurčitosti (Dujmović, 2018). Neurčitosti jsou běžné při vysvětlování aspektů a jejich vztahů, které je nutné zahrnout (Vučetić et al., 2022). Podobnými problémy se zabývají tzv. šedé systémy (Liu et al., 2012), které zkoumají, jak se chovat u systémů s nekompletní informací. Praktické příklady použití těchto systémů můžeme najít například v pracích o bankrotech společností (Scarlat, Delcea, 2011) nebo výkonnosti dodavatelských řetězců (Kumar et al., 2014) v tomto projektu chceme zjistit, jak pracovat se systémy v případě, že získáme dodatečnou informaci. Ve své diplomové práci "Ohodnocení vlivu částečné informace u stochastických optimalizačních modelů s penalizací" Volný (2023) prokázal, že dodatečná informace v těchto modelech může přinést rozhodovatelům značný zisk. Podobně, Augustin (2020) ve své práci "Modelování výsledků fotbalového zápasu a hypotéza efektivního trhu u sportovního sázení", kde rozšířil Dixonův a Colesův model (Dixon a Coles, 2002) tím, že použil dodatečnou informaci z Instat databáze pro zpřesnění modelů, což vedlo k přesnějším výsledkům než kurzy nabízené sázkovými kancelářemi. Zde vidíme potřebu pro integraci dat z více zdrojů. Předmět výzkumu v rámci tohoto projektu překračuje stávající hranice poznání v oblasti rozhodování, chceme zahrnout dodatečnou informaci získanou z velkých jazykových modelů umělé inteligence, což je koncept, který se objevil pro veřejné použití teprve v roce 2022, jedná se tedy o novou technologii, jejíž použití je třeba prozkoumat v souvislosti s rozhodovacími modely. Ačkoli předchozí práce, jako jsou práce Volného (2023) a Augustina (2020), poskytly významný přínos k pochopení vlivu částečných informací na optimalizační modely a sportovní sázení, stále existuje výzkumná mezera v aplikaci těchto principů v praxi. Naše práce se zaměří na nový přístup k minimalizaci nepřesností v rozhodovacích procesech, který zahrnuje zpřesňování stochastických a fuzzy proměnných a zlepšení komunikace v přirozeném jazyce. V rámci tohoto projektu navážeme na předešlý výzkum v rámci SGS projekty a to konkrétně “Modelování neurčitosti a sumarizace dat pro podporu rozhodování v chytrých městech” (SP 2023/078), kde navážeme na modely (Zapletal et al., 2023) a (Švaňa, Volný a Zapletal, 2023) a “Modelování názorů a preferencí pomocí fuzzy nástrojů: koalice, agregace a vzájemné závislosti”(SP 2022/113), kde budeme navazovat na článek “Three-level model for opinion aggregation under hesitance” od (Zapletal et al., 2023) a budeme dále zkoumat problematiku dodatečné informace, zejména v oblasti zpřesňování stochastických nebo fuzzy proměnných a minimalizace nepřesností spojených s používáním přirozeného jazyka v rozhodovacích procesech. V průběhu projektu SP 2022/113 a diskuse na hybridním COST workshopu věnovanému vysvětlitelné umělé inteligenci jsme začali neformální spolupráci s Dr. Pisoni z Université Côte d'Azur (Francie) ohledně tématu vysvětlovaní mobility pro podporu rozhodování ve smart městech pomocí lingvistických souhrnů. V rámci SP 2023/078 jsme prohloubili spolupráci s prof. Portmanem a jeho doktorandy z University of Fribourg (Švýcarsko) na téma podpory rozhodování za neurčitosti (stochastické nebo fuzzy proměnné vysvětlující hodnoty atributů, váhy a závislosti mezi atributy a mezi kritérii). V tomto projektu budeme dále zkoumat tuto problematiku také ve spolupráci s našimi partnery. Celý projekt lze rozdělit do tří částí, kde každá z nich má přiřazen jeden cíl. (a) Použití lingvistických souhrnů jako nástroje pro podporu rozhodování a vysvětlování dat Tento podcíl se zaměřuje na vývoj systému, který by umožnil efektivní využití lingvistických souhrnů jako nástroje pro lepší pochopení a interpretaci dat vyjádřených v přirozeném jazyce. Cílem je překonat tradiční výzvy spojené s interpretací neformálních a nejednoznačných dat a poskytnout tak lepší podklady pro rozhodovací procesy. Závislosti mezi kritérii mohou být obecně silné nebo pouze v částech domén. Právě v této oblasti nám lingvistická shrnutí poskytují doplňující a vysvětlující pohled (Mináriková et al., 2023; Hudec et al., 2023). (b) Post analýza stability rozhodovacích kritérií V tomto tématu se zaměříme na analýzu stability v metodách, aby bylo možné identifikovat a opravit případné nepřesnosti vstupních informací, které by mohly ovlivnit konečná rozhodnutí. Bude zkoumáno, jak dodatečná informace může přispět k lepšímu porozumění a úpravě těchto vah, což povede k přesnějším a spolehlivějším výsledkům rozhodovacích procesů. Součástí zde bude využití poznatků z (a). (c) Využití dodatečné informace v kontextu optimalizace systému skladování a expedice výrobků V současné době existuje velké množství firem, které řeší optimalizaci skladování a expedice výrobků. Jak bylo ukázáno ve studii (Živičnjak, 2022) spravování skladu je velmi důležitým procesem pro maximalizaci zisků ve firmách. Poskytnutí dodatečné informace k modelům, které tyto společnosti používají může vést k menšímu zatížení skladů a rychlejším dodacím lhůtám. V rámci tohoto projektu budeme zkoumat vliv dodatečné informace na vnitřní organizaci skladu, hodnocení efektivity materiálových toků a vliv automatizace a zavádění inovačních technologií. V práci budeme vycházet z modelu navrženého Tallurim a Sarkisem (2010), kteří upravili model, kteří rozšířili model hodnocení dodavatelů o položky jako kvalita nebo flexibilita. Cílem je navrhnout systém, který zefektivní skladové a expediční procesy ve firmách na základě dodatečných informací, které mohou pocházet například z dat o chování opakovaných zákazníků nebo predikčních modelů. Systém bude využívat poznatky z (a) a (b). Specifikace výstupů výzkumu (cíl projektu): Hlavním cílem projektu je vytvoření a zdokonalení matematických modelů pro práci s dodatečnou informací. Tyto modely umožní zohledňovat a ohodnotit dodatečnou informaci. Vyvinuté modely chceme následně aplikovat v rámci skladového hospodářství. Následně bude provedena pečlivá citlivostní analýza aplikovaných modelů. Tento hlavní cíl se skládá z několika dílčích cílů: (a) Návrh metodologie využívající zavedené metody vícekriteriálního rozhodování pro vyhodnocení dodatečných informací z přirozeného jazyka. (b) Analýza stability modelů v rámci navržené metodologie s ohledem na změnu vah kritérií a změnu hodnot v rozhodovací matici. (c) Aplikace metodologie na praktickém příkladu skladového managementu. Metodika řešení: V projektu použijeme následující metodiku: Analýza modelované oblasti – v souladu s předmětem zkoumání bude provedena analýza zdrojů dat poskytující dodatečné informace se zaměřením především na oblast skladového hospodářství. Následně bude provedena syntéza výsledků. Tento krok povede k identifikaci možných dodatečných informací v oblasti skladového hospodářství. Bude vyvinut systém, který umožní lepší interpretaci dat z přirozeného jazyka a překoná výzvy spojené s jejich nejednoznačností. Předpokládáme využití metod vícekriteriálního rozhodování AHP, ANP, PROMETHEE, dále fuzzy funkční závislosti (FFD) pro zpřesnění vah kritérií z důvodů jejich vzájemných závislostí - FFD jsou schopny zachytit nejen přesnou závislost, ale i intenzitu závislostí podobných hodnot způsobenou vágností nebo nepřesným měřením. Bude provedena analýza stability, která určí vliv nepřesných informací na konečné rozhodnutí. Dále bude zkoumáno, jak využít dodatečnou informaci ke zpřesnění těchto modelů. Budou zde použity modely získané v bodě 2. Modely vícefázového matematického programování – kombinace vícekriteriálních modelů efektivity a lineárního a celočíselného programování budou aplikovány na problémy při optimalizaci skladového hospodářství. Typy a zdroje dat: Pro demonstraci a ověření fungování navržených modelů a následně v rámci praktické aplikace využijeme následující typy dat: Data z pohledu charakteru: Kvantitativní – numerická data, které popisují hodnoty numerických typů atributů pro zkoumané entity. Kvalitativní – kategorická data, když nejsou k dispozici numerické a pro atributy, které jsou kvalitativního charakteru. Data z pohledu určitosti: Deterministická data – kvantitativní data, která považujeme za přesná, případně v zahrnutém časovém horizontu neměnná. Fuzzy data – kvalitativní hodnotící škály (spíše souhlasím, výrazně nesouhlasím atp.), subjektivní hodnocení kvantitativních dat. Stochastická data – kvantitativní data, která jsou nepřesná – například určená pravděpodobnostním rozdělením. Data z pohledu zdroje: Syntetická data, která budou využitá pro ověření navržených metod v extrémních a neočekávaných situacích. Tyto data nemusí nutně věrohodně reprezentovat současnou situaci. Je ale potřebné, aby navržené modely byly robustné a fungovaly i v budoucnosti. Databázová data Data vygenerovaná pomocí AI Detailní harmonogram projektu (dle dílčích cílů): 01/2024 – 02/2024 DC(a, b, c): Rešerše odborné literatury a dostupných dat. 03/2024 – 06/2024 DC(a): Návrh metodologie pro podporu rozhodování na základě dodatečné informace poskytnuté lingvistickými souhrny. 07/2024 – 10/2024: DC(b): Analýza stability modelů v rámci metodologie vyvinuté v podcíli (a). 10/2024 – 11/2024: DC(c): Aplikace metodologie vyvinuté v podcíli (a). 07/2024 – 12/2024: Průběžná příprava a následné zasílání publikací redakcím časopisů.

2024

2024

Ministerstvo školství, mládeže a tělovýchovy

SGS

Specifický výzkum VŠB-TUO

Volný Jan Ing.