Schválené projekty SGS

Modelování asymetrie, neurčitosti a závislostí v rozhodovacích procesech metodami soft computingu

SP2025/081

V rozhodování a hodnocení jsou neodmyslitelnou součástí data (např. hodnoty kritérií pro varianty) a rozhodovatelé, kteří určují váhy (význam) kritérií. V rozhodovacích procesech se často setkáváme s problémem nedostupnosti přesných údajů a intenzity závislosti mezi kritérii. Ani tzv. „crisp“ (termín pro ostré, jednoznačné údaje, které však nemusí být zcela přesné) data nepředstavují automaticky výhodu. Velmi podobné numerické údaje zatížené nepřesností mohou mít vliv jak na závislosti mezi variantami, tak na výsledné hodnocení variant (Vučetić et al., 2022, Hudec et al., 2024), například ve známé metodě CRITIC (Alinezhad and Khalali, 2019). Rozhodovatelé přiřazují váhy kritériím na základě svých preferencí. Váhy lze upravit na základě dodatečných informací, které rozhodovatel získá, nebo zkoumáním závislosti mezi kritérii či jejich podmnožinami. Tento problém je patrný například při hodnocení vlivu výroby na životní prostředí (Zapletal et al., 2024a). Proto je klíčové, aby váhy byly doladěny tak, aby odrážely jak preference rozhodovatele, tak distribuci dat a vztahy mezi kritérii (např. korelaci a směr závislostí). Zde jsou uvedeny příklady, jak redukovat subjektivitu, nepřesnosti v datech a závislosti mezi kritérii, kterými se hodláme v rámci projektu zabývat: • Snížení vlivu nepřesností v datech pomocí fuzzy množin a lingvistických proměnných (podobné hodnoty by měly obdobně ovlivňovat závislosti a hodnocení) (Lesot et al., 2026; Pisoni et al. 2024). • Zvýšení množství informací získaných z fuzzy funkčních závislostí o směru a intenzitě vztahů mezi kritérii (Ježková et al. 2017; Smits et al. 2029; Vučetić et al., 2022). • Zvýšení množství informací získaných z lingvistických souhrnů týkajících se závislostí na částech domén zkoumaných kritérií (Mináriková et al. 2023; Nieves 2022). Dále je potřeba zohlednit sklon rozhodovatelů k používání přirozeného jazyka při hodnocení významu kritérií, například výrazy typu „velmi významný“. Tento přístup zahrnuje sémantickou neurčitost, a proto vyžaduje vhodnou agregaci (Dujmović, 2018). Dalším aspektem je vyjadřování výkonosti variant dle jednotlivých kritérií. Kromě kvantitativních, měřitelných, hodnot, jako jsou cena a výkon motoru, musíme často pracovat také s kritérii kvalitativními (Vučetić et al., 2022). Může nastat situace, kdy se pro jedno kritérium v rozhodovací matici aleb pravidlech objevují různé typy dat s různou mírou neurčitosti (vlivem například dostupnosti dat, či zkušenostmi hodnotitele) . Do budoucna bude tento problém ještě významnější kvůli zahrnutí tzv. big data (velkého množství kritérií a variant) (Kuo et al., 2024). Jedním z možných řešení, které se nabízí, je převod všech hodnot na kvalitativní, kategorické, hodnoty. V takovém případě se však připravujeme o informace o rozdílech mezi numerickými hodnotami, což není vždy žádoucí (Vučetić et al., 2020). Například pokud je rozdíl mezi „nízkou“ a „střední“ hodnotou 25, jsou hodnoty 24 a 26 dostatečně odlišné, aby byly rozděleny do různých kategorií? Pro korelaci kategoriálních hodnot dvou kritérií se používá například Spearmanův korelační koeficient (Okoye et al., 2024). V praxi však nastává problém s podobností kategoriálních údajů. Intuitivně lze tušit, že hodnoty „velmi nízká intenzita“ a „nízká intenzita“ jsou si podobnější/bližší než „velmi nízká intenzita“ a „spíše neutrální intenzita“. Proto existuje ve výzkumu mezera pro hlubší zkoumání Fuzzy Funkčních Závislostí (FFZ) a jejich přínosu pro identifikaci závislostí a jejich směru. FFZ mohou být významnou pomůckou při nastavování vah kritérií (Zapletal et al. 2024b). Jsou schopné zachytit nejen přesné závislosti, ale také intenzitu závislostí podobných hodnot, která může být způsobena vágností nebo nepřesným měřením . Kromě toho FFZ poskytují i informace o směru závislosti (na rozdíl od běžné korelace), ale jsou výpočetně náročnější. Kvantifikované lingvistické souhrny umožňují analyzovat a interpretovat intenzitu závislostí v jednotlivých částech domén (Mináriková et al., 2023), což může významně pomoci při určování významu kritérií. Váhy přitom nemusí nutně být závislé pouze na významu kritéria, jak jej vnímá rozhodovatel, ale může být výhodné právě hodnoty výkonností zohlednit (Zapletal et al., 2024a) Předmět výzkumu v rámci tohoto projektu překračuje stávající hranice poznání v oblasti rozhodování, konkrétně se zaměřuje na hlubší zkoumání vlivu FFZ a lingvistických souhrnů (LS) na váhy, a na jejich synergii se statistickými metodami (zejména korelací). Součástí výzkumu je také adaptace logických agregačních funkcí pro výpočet úprav vah a pečlivé porovnávání čistě stochastického přístupu s fuzzy přístupem. V rámci tohoto projektu navážeme na předchozí výzkumy v rámci SGS. Konkrétně na projekt „Modelování názorů a preferencí pomocí fuzzy nástrojů: koalice, agregace a vzájemné závislosti“ (SP 2022/113), kde budeme pokračovat ve výzkumu na základě výstupu (Hudec et al., 2024). Přesnější budeme zkoumat problematiku dodatečných informací a využijeme navržené axiomy pro vytvoření konzistentní funkce podobností, která je nezbytná pro Fuzzy Funkční Závislosti (FFZ). Tato funkce zahrnuje také výrazy přirozeného jazyka při modelování závislostí a podobností. Dále navážeme na projekt „Dodatečná informace v rozhodovacích a hodnotících modelech“ (SP 2024/083), konkrétně na jeho hlavní výstup Zapletal et al. (2024), ve kterém byl vytvořen vícekriteriální CSR model se zahrnutím závislostí mezi kritérii. V tomto případě však byla všechna kritéria pouze kvantitativní, a tudíž zde bylo využito čistě stochastického přístupu. V navrhovaném projektu budeme, jak již bylo uvedeno výše, brát do úvahy různé typy dat a pracovat s FFZ. V rámci projektu plánujeme spolupracovat se zahraničními kolegy. Spolupráce s University of Freiburg byla započata už v roce 2024. Konkrétně spolu s prof. Portmannem a jeho doktorandy byl prezentován výchozí jednoduchý model rozhodování v Chytrých městech, který zohledňuje synergii mezi rozhodovateli i mezi kritérii (Emmenegger et al., 2024). Tento model bude v rámci projektu dále rozšiřován. Budeme též spolupracovat s prof. Pisoni, která momentálně působí na York St. John University. S prof. Pisoni a vědci z Maďarska, Srbska a Islandu byl prezentován přístup na hodnocení souhrnu jako podpory pro rozhodovaní v prostředí Business Intelligence (Pisoni et al., 2024).

2025

2025

Ministerstvo školství, mládeže a tělovýchovy

SGS

Specifický výzkum VŠB-TUO

Zapletal František doc. Mgr. Ing., Ph.D.