Экспертные системы: перспективы использования
в экономке недвижимости
, докторант кафедры
ЭиМН СПбГТУ, к. т.н., доцент
, аспирант кафедры ЭиМН
Введение
Экспертная система (expert system) - компьютерная программа, использующая экспертные знания для обеспечения высокоэффективного решения задач в некоторой узкой предметной области. Такие программы … предназначены для тех предметных областей, в которых людям для достижения мастерства необходимы годы специального обучения и практики [1].
В настоящее время в экономике недвижимости используются следующие методы представления и обработки информации.
1. Аналитические методы (формулы, в том числе и связанные в достаточно сложные алгоритмы), а также базы данных (БД). Примеры: формулы дисконтирования денежных потоков, аналитические корректировки, формулы для подсчета объемов работ, выборки из БД и т. д. Эти методы и построенные на их основе компьютерные программы обрабатывают данные с использованием «хороших», то есть однозначных, конечных и повторяемых алгоритмов.
2. Экспертные оценки с использованием знаний одного или нескольких экспертов (коэффициенты недозагрузки, качественные корректировки по принципу «лучше – хуже», констатация наличия функционального износа и т. д.)
Развитие методики оценки видится, главным образом, в усложнении и развитии аналитических методов и вытеснении экспертных оценок, которые «страдают» субъективизмом и неопределенностью.
Отметим, однако, очень важное, по нашему мнению, обстоятельство. Наряду с очевидной тенденцией усложнения профессиональной деятельности врачей, юристов, инженеров, менеджеров и других специалистов в области переработки информации, наблюдается не менее существенная тенденция к объективизации этой деятельности. Потребители информации во все меньшей степени склонные верить профессионалам на слово, а хотят разбираться в том, что и как делают профессионалы. Так, от врача требуется сегодня не только успешно лечить больного, но и постоянно объяснять ему то, что он делает. Считается, что больной имеет безусловное право на информацию, которая непосредственно касается его здоровья. Проблема быть понятым актуальна для менеджеров всех уровней, юристов, политиков. В оценке недвижимости это требование времени выражается в том, что оценщик должен не только корректно и без ошибок вычислить некоторое число (стоимость объекта), но и доступно объяснить заказчику и другим заинтересованным лицам то, каким образом это число было получено. Эту важнейшую задачу и решает отчет об оценке. Усложнение аналитического аппарата оценщика не должно приводить к тому, что читатель отчета перестанет понимать, что и как делает оценщик. Приведем конкретный пример. Каждому понятно, что множественная регрессия в рамках метода сравнения продаж является более мощным, точным, адекватным методом, нежели парная регрессия, «взвешивание» или вычисление среднего. При этом современные программные средства делают этот достаточно сложный математический аппарат очень простым в использовании и доступным человеку, не имеющему специальной подготовки. Но этот метод оценки обладает одним недостатком – оценщику очень трудно понять самому и объяснить читателю отчета полученный результат.
Отметим, что проблемы понимания важны и для управляющего недвижимостью. Если подготовленная им программа управления найдет поддержку как у акционеров (собственника), так и у персонала, шансы не ее успешную реализацию существенно возрастут. Одним из многообещающих направлений решения проблемы понимания является разработка ЭС, которые способны не только осуществлять «разумные» действия, но и объяснять их. Экспертные системы – специальный и специфический класс компьютерных программ, позволяющий в некоторых конкретных случаях разрешить указанное выше противоречие между сложностью и необходимостью понимания и сделать профессиональные знания экспертов доступными и полезными для непрофессионалов.
Следует отметить, что ЭС призвана не заменить оценщика, а помочь ему в решении его повседневных задач. Экспертная система может хранить знания, советовать оценщику, как лучше поступить в той или иной ситуации, но не может существовать отдельно от него, так как постоянно нуждается в обновлении.
Некоторые характеристики экспертных систем
Отрасль информатики, известная под названием искусственный интеллект (ИИ), решает задачи разработки программ для ЭВМ, которые могут “думать”, т. е. решать задачи таким способом, который мы бы сочли разумным, если бы его применил человек. Специалисты, работающие в области ИИ, понимают, что эффективность компьютерной программы при решении задач зависит от знаний, которыми она обладает, а не только от формализмов и схем вывода, которые она использует. Была принята принципиально новая концепция, которую чрезвычайно просто сформулировать [1]:
Чтобы, сделать программу интеллектуальной, ее нужно снабдить множеством высококачественных специальных знаний о некоторой предметной области.
Осознание этого вывода привело к развитию специализированных программных систем, каждая из которых является экспертом в некоторой узкой предметной области. Эти программы и получили название экспертных систем.
На первых порах разработку и построение ЭС рассматривали скорее как достижение в искусстве программирования, чем как научную работу. Теперь, однако, этот процесс стал намного понятнее и четче определенным, чему помогли совместные усилия более чем 40 специалистов в области ИИ, участвовавших в написании сводного тома "Построение экспертных систем" - книги, упорядочившей состояние дел в заданной области и описывающей применение различных методов построения экспертных систем к решению одной и той же задачи.
Технологию построения экспертных систем часто называют инженерией знаний. Как правило, этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний “извлекает” из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему. В результате появляется программа для ЭВМ, которая решает задачи во многом так же, как эксперты - люди.
В основе интеллектуального решения проблемы лежит следующий принцип: система должна сконструировать это решение, действуя избирательно и эффективно в пространстве альтернатив. Из-за ограниченности собственных ресурсов эксперт вынужден осуществлять поиск в этом пространстве избирательно, сводя к минимуму бесполезную работу. Знания помогают эксперту распознать на самых ранних этапах полезную информацию, открывают ему многообещающие пути ее использования и помогают избежать малоуспешных усилий, отсекая тупиковые пути как можно раньше. Экспертная система достигает высокой производительности, используя знания для того, чтобы наилучшим образом использовать свое время.
Рассмотрим некоторые характеристики экспертной системы более подробно.
1) Накопление и организация знаний
Сердцевину экспертной системы составляет база знаний (БЗ), которая накапливается в процессе построения ЭС. Знания должны быть выражены в явном виде и организованы так, чтобы упростить принятие решений. Важность этой особенности экспертной системы невозможно переоценить.
Последствия этого процесса выходят за пределы построения программы, предназначенной для решения некоторого класса задач. Причина в том, что знания, как основа ЭС, являются явными и доступными, что и отличает эти системы от большинства традиционных программ. БЗ обладают такой же ценностью, как и любой большой объем знаний, которые могут широко распространяться посредством книг и лекций.
В области экономики недвижимости эта характеристика ЭС весьма актуальна, так как рынок недвижимости как объект изучения и анализа характеризуется очень значительным объемом специальных знаний, необходимых для рациональной деятельности. Накопление этих знаний возможно только в течение достаточно длительного времени и с привлечением широкого круга специалистов.
2) Высококачественный опыт
Наиболее полезной характеристикой ЭС является то, что она применяет для решения проблем только высококачественный опыт. Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому способствует также гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности ЭС по мере необходимости.
Технология ЭС в области экономики недвижимости может опереться на имеющиеся организационные формы аккумулирования высококачественного опыта (профессиональные союзы и ассоциации, учреждения профессионального образования, профессиональные клубы и журналы и т. д.).
3) Прогностические возможности.
Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве теории обработки информации или модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично, пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие.
Очевидно, что прогнозная составляющая методики оценки является одновременно и наиболее важной и наименее подкрепленной аналитическими методами. Именно прогноз изменения ценообразующих факторов представляется сегодня наиболее перспективным направлением применения ЭС.
4) Институциональная память.
База знаний, определяющая компетентность ЭС, может также обеспечить новое качество: институциональную память. Если БЗ разработана в ходе взаимодействия с ведущими специалистами учреждения, отдела или штаба, то она представляет текущую политику или способы действия этой группы людей. Этот набор знаний становится сводом очень квалифицированных мнений и постоянно обновляющимся справочником наилучших стратегий и методов, используемых персоналом.
В области экономики недвижимости ЭС должны предоставить средства для более стабильного государственного и корпоративного управления, защитить интересы заказчика, повысить качество предоставляемых услуг. Высокопрофессиональные эксперты смогут сосредоточить свои усилия на решении наиболее сложных творческих задач, освободившись от рутины.
5) Использование для обучения и тренировки руководящих работников и ведущих специалистов.
Не менее важным свойством экспертных систем является то, что их можно использовать для обучения и тренировки руководящих работников и ведущих специалистов. ЭС могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. Необходимо только добавить программное обеспечение, поддерживающее соответствующий требованиям эргономики интерфейс между обучаемым и экспертной системой; знания о методах обучения и возможном поведении пользователя также должны быть включены. В качестве инструмента обучения ЭС обеспечивает новых специалистов обширным багажом опыта и стратегий, по которым можно изучать рекомендуемую политику и методы.
В относительно молодой сфере экономики недвижимости такое применение ЭС особенно актуально, так как эта сфера испытывает острый дефицит высокопрофессиональных преподавателей для подготовки специалистов и повышения их квалификации. Обучающие системы на основе ЭС представляются наиболее перспективным направлением развития технологий обучения.
Преимущества использования экспертной системы
Сами собою напрашиваются вопросы: зачем разрабатывать экспертные системы? Не лучше ли обратиться к человеческому опыту, как это было в прошлом?
Существуют веские доводы в пользу применения искусственной компетентности с целью усиления возможностей человеческого рассуждения.
Одним из положительных качеств искусственной компетентности является ее постоянство и надежность. Специалист может не помнить всех нюансов и тонкостей своей профессии, не обратившись к справочной литературе или учебнику. Но он может, однажды заложив знания в машину, в дальнейшем полагаться на искусственный интеллект. Однажды полученная информация сохраняется навсегда, если только не произойдет непредвиденная авария с памятью ЭВМ. Сохранность знаний не уменьшается по мере их использования.
Другим преимуществом искусственной компетенции является легкость, с которой ее можно передавать или воспроизводить. Передача искусственной экспертизы — это простой процесс копирования программы или файла данных. Кроме того, искусственную компетентность легко документировать, то есть легче формируются различные отчеты. Существует прямое отображение способа представления искусственной компетентности в системе в описание этого представления на естественном языке.
У искусственной компетентности более устойчивые и воспроизводимые результаты, чем у человеческой. Эксперт-человек может принимать различные решения в тождественных ситуациях из-за эмоциональных факторов. Человек может забыть в кризисной ситуации важное правило из-за того, что его “поджимает” время или под влиянием стресса. ЭС напомнит ему то решение, которое было принято в спокойной обстановке.
И последнее преимущество искусственной компетентности - ее относительно невысокая стоимость. Не очень сложную систему можно разработать и самому, обладая азами программирования [2]. Необходимо перевести на машинный язык знания в некоторой проблемной области и в дальнейшем можно пользоваться ими для решения собственных задач. Разработка сложных экспертных систем дорога, но они дешевы в эксплуатации. Стоимость их эксплуатации равна номинальной стоимости прогона программы на ЭВМ. Высокая стоимость экспертных систем уравновешивается низкой стоимостью их эксплуатации и легкостью, с которой можно получить новые копии.
Однако, разработка экспертной системы далеко не всегда оправдана.
Когда разработка экспертной системы оправдана?
Сама по себе возможность разработки экспертной системы для конкретной задачи еще не означает, что желательно ее сделать. Ситуации, когда разработка экспертной системы оправдана, показаны на схеме [1] (рис. 1).
Разработка экспертной системы оправдана, когда эксперты-люди недоступны или не в состоянии выполнить работу. Часто экспертов-людей мало, а требуется их много, и поэтому их услуги дороги. Проблема усложняется, когда компании нужны сходные по выполняемым обязанностям специалисты во многих местах, например, нужно управлять несколькими объектами недвижимости, принадлежащими одной компании. Это порождает необходимость иметь много версий эксперта, что легко сделать, и притом практически без дополнительных расходов, если свои знания эксперт упорядочит и обобщит в компьютерной программе. В такой ситуации экспертная система является дешевым, эффективным способом решения проблемы. На самом деле она может оказаться единственным приемлемым по стоимости и
 |
эффективности вариантом.
Рис. 1.
Ярким примером такого применения ЭС представляется оценка для целей государственного управления и, в частности, с целью налогообложения. Огромный объем оценочных работ в этой сфере приводит к тому, что разрабатываются и применяются неоправданно упрощенные аналитические методы так называемой массовой оценки. Оправдываясь необходимостью быстрого получения однозначных результатов, авторы таких методик получают ситуацию отторжения и неприятия таких методов оценки и со стороны профессионалов (необоснованность) и со стороны конечных пользователей (непонятность).
ЭС оправдывают себя тогда, когда персональные перемещения приводят к значительной утере компетентности организации. Выход в отставку сотрудника, курировавшего важное направление, служебные перемещения, не могут бесследно пройти для организации - все это часто приводит к сбою в работе или даже хаосу, когда жизненно важный опыт, накопленный кадровыми сотрудниками, уходит вместе с ними. Такая проблема актуальна, в первую очередь, для крупных организация (органов государственного управления, банков, крупных компаний по управлению недвижимостью). Институциональная память экспертной системы может свести к минимуму или даже снять эту проблему.
Как известно, в России создана сеть центров оценочной деятельности (Москва, Санкт-Петербург, Волжский регион и некоторые другие). ЭС могут оказать существенную помощь в широком распространении и применении профессиональных знаний, наработанных в сложившихся научных центрах.
Приобретение знаний
Прежде чем перейти к рассмотрению одного из методов построения экспертной системы, остановимся более подробно на способах приобретения знаний.
Проблемы приобретения знаний компьютерными системами являются ключевыми как с позиций понимания устройства человеческого знания, так и с позиций производства новых поколений компьютерных систем. Эти проблемы возникли вместе с появлением первых компьютерных программ, основанных на знаниях.
Долгое время центральной фигурой и единственным источником знаний для этих систем являлся эксперт. Другой центральной фигурой инженерии знаний является инженер по знаниям. Его назначение - ведение бесед с экспертами. Целью этих бесед является выявление понятий и объектов предметной области, их свойств, связей между ними, выявление процедур работы со знаниями, в частности, процедур рассуждений. При этом необходимо преодолеть субъективизм эксперта, его субъективный взгляд на вещи и проблемы. Для этого используются различные методы приобретения знаний.
Приобретение знаний - термин, включающий две фазы [3]:
1) выявление знаний из источника;
2) перенос их в компьютерную систему.
В качестве непосредственных или прямых источников знаний будем рассматривать их носителей-экспертов и так называемые “игры” с экспертами. В качестве опосредованных источников знаний рассматриваются обычно протоколы записей “мыслей вслух” экспертов. Наряду с ними можно в качестве источников знаний рассматривать и книги, инструкции, примеры решения задач, прецеденты рассуждений.
Различные источники знаний содержат знания различной природы и требуют для их выявления применения различных методов. В соответствии с этим и методы приобретения знаний мы будем относить к прямым и непрямым [3]. Некоторые будут рассмотрены ниже.
1. Интервью. Интервью можно считать одним из основных методов прямого приобретения знаний. Берущий интервью называется инженером по знаниям, а дающий—экспертом.
Введем теперь понятия стратегии и сценария интервью, которые понадобятся для дальнейшего анализа.
Среди интервью мы будем выделять структурированные и неструктурированные. Различие в том, что структурированное интервью имеет сценарий, а неструктурированное - нет.
Неструктурированное интервью применяется обычно на “до-машинном” этапе с целью идентификации предметной области и предварительной содержательной постановки задач. Структурированное интервью используется на этапе концептуализации предметной области и на этапе формирования базы знаний.
2. Системы, использующие методы когнитивной психологии [3]. Основанная на них техника репертуарных решеток была разработана Дж. Келли в качестве метода изучения систем личностных психологических конструктов. Конструкт—это биполярный признак. Польза конструкта именно в биполярности, контрасте. Биполярность заключена в нем самом, а не в двух совокупностях различающихся элементов. Например, север - юг это референтная ось: элементы, которые в одном контексте являются “севером”, в другом становятся “югом”. Конструкт это то, чем два или несколько объектов сходны между собой и, следовательно, отличны от третьего объекта или нескольких других объектов.
3. Диагностические игры. К прямым методам, как уже было замечено, можно отнести и так называемые диагностические игры, или игры с экспертами.
4. Приобретение знаний из примеров
Следующий источник знаний - это множество примеров предметной области. В этой связи можно говорить о соответствующих методах приобретения знаний - приобретении знаний из примеров.
Приобретение знаний из примеров тесно связано с обучением по примерам или машинным обучением.
5. Приобретение знаний из текстов
Следующий источник знаний для интеллектуальных систем - множество текстов предметной области. Методы выявления знаний из текста наименее разработаны. В тех же немногих случаях, когда они так или иначе используются в интересующем нас качестве, речь, как правило, идет о достаточно известных методах лексико-семантического анализа, а также моделях понимания текста на лингвистическом и семантическом уровнях.
Более продвинутыми являются модели понимания на лингвистическом уровне.
Итак, приобретение знаний системами, основанными на знаниях, наталкивается на ряд трудностей [3].
1. Качество создаваемой системы зависит от квалификации “посредников” между экспертами и инструментальными средствами - инженеров по знаниям.
2. Автономное использование методов интервью не позволяет найти и устранить “пробелы” в знаниях.
3. Интервью субъективно и требует больших затрат времени.
4. Для приобретения знаний из примеров необходимо обеспечение совместимости баз данных, имеющих различные схемы, с базой знаний интеллектуальной системы.
5. Для приобретения знаний из примеров необходимо решение задачи установления соответствия между набором полей базы данных и множеством элементов декларативной компоненты базы знаний.
6. Необходимо преобразование результата работы алгоритмов обучения на примерах в способ представления, поддерживаемый программными средствами интеллектуальной системы.
7. В тексте отсутствует в эксплицитном виде информация о свойствах элементов текста (имен, предикатов, предложений), необходимая для работы методов приобретения знаний из текстов.
8. Выполнение семантического анализа текста осложнено отсутствием заранее “заготовленного” словаря предметной области.
Пример экспертной системы
Проиллюстрируем процесс разработки ЭС, предназначенной для решения задач определенного типа. Задачи каждого типа решаются наиболее оптимальными для них методами, и, следовательно, ЭС должна быть ориентирована на строго конкретную предметную область, иначе она не будет эффективна.
Оценщику в его работе необходимо следить за изменениями рыночной ситуации и всегда быть готовым ответить на вопрос, как поведет себя оцененная стоимость объекта недвижимости, если в силу обстоятельств изменится какой-либо ценообразующий фактор. На этот вопрос можно ответить с применением экспертной системы.
Прежде всего, познакомимся с правилами, согласно которым упорядочиваются знания в базе знаний.
Смоделируем следующую ситуацию. Был оценен некий объект. Получена его рыночная стоимость. Произошло изменение нормы потерь от недозагрузок. Как на это отреагирует стоимость объекта недвижимости? Сформулируем задачу в более общем виде. Имеет место ситуация (изменение нормы потерь от недозагрузок), требуется предсказать ее последствие (изменится ли рыночная стоимость). Итак, прежде всего, зафиксировано возникновение определенного состояния (изменение нормы потерь от недозагрузок), а затем в работу включаются относящиеся к нему правила [2]:
Правило 1:
ЕСЛИ изменилась норма потерь от недозагрузок, ТО изменится ЧОД.
Правило 2:
ЕСЛИ изменится ЧОД, ТО это приведет к изменению рыночной стоимости недвижимости.
Каким образом можно прийти к выводу о том, что изменение нормы потерь от недозагрузки ведет к изменению рыночной стоимости недвижимости? Это можно сделать, используя прямую цепочку рассуждений. Отправной точкой рассуждений служит возникшая ситуация. Затем срабатывает условная часть (часть ЕСЛИ) первого правила. Поскольку возникшая ситуация удовлетворяет содержащемуся в ней условию, согласно констатирующей части этого правила (части ТО) выводится новая ситуация (изменится ЧОД). Цепочка рассуждений продолжается. Условие, содержащееся в части ЕСЛИ второго правила, удовлетворяется, если уже сработало первое правило. Следовательно, вывод об изменении рыночной стоимости можно сделать при возникновении двух ситуаций:
Изменилась норма потерь от недозагрузок или изменился ЧОД. Описанная последовательность рассуждений называется прямой цепочкой потому, что констатирующая часть правила (часть ТО) выполняется только в том случае, если удовлетворяется условная часть правила (часть ЕСЛИ). Отправной точкой рассуждений, таким образом, служит уже возникшая ситуация, а затем делаются выводы.
Существует и обратная цепочка рассуждений. Здесь результат известен, и нужно найти вызвавшие его причины.
Известный результат повлечет за собой цепочку рассуждений, которая приведет нас к вызвавшим его причинам. Причины возникают раньше следствий, поэтому в процессе обратной цепочки рассуждений просматриваются логические выводы, устанавливаются условия, которые к ним привели, и определяется, связаны ли эти условия с предыдущими логическими выводами. Например, в приведенной задаче сначала надо обратиться ко второму правилу, поскольку содержащийся в нем логический вывод: “ТО изменится рыночная стоимость объекта недвижимости” соответствует реально возникшей ситуации. Обратная цепочка рассуждений всегда начинается со следствия (часть ТО правила). Причина, по которой изменилась рыночная стоимость, содержится в условной части правила 2: “ЕСЛИ изменился ЧОД”. Рассуждения продолжаются, так как надо выяснить, почему же изменился ЧОД. Ответ на этот вопрос дает правило 1. В условной части правила записано: “ЕСЛИ изменилась норма потерь от недозагрузки”. Если эти условия выполняются, то можно выявить причину, по которой изменилась рыночная стоимость. В противном случае придется проверить другие правила, относящиеся к этой ситуации, проследить еще одну цепочку.
Если в правилах, относящихся к проблемной области, не удается найти условную часть с выполняющимися условиями, необходимо обратиться к специалистам и запросить дополнительную информацию. Другими словами, если условные части всех входящих в систему ИИ правил имеют значение “ложь”, то в систему надо добавить логические выводы, которые могут помочь при решении задачи.
Теперь понятно, что здесь слово “цепочка” означает процедуру логической связи ряда правил. В приведенном примере цепочка рассуждений начинается со второго правила и заканчивается на первом. Обратной цепочка рассуждений называется потому, что начинается с уже происшедшего события и идет к его истокам. Программные средства, работающие по принципу обратной цепочки рассуждений, предназначены для поиска причин по уже известному результату.
Мы рассмотрели так называемые эвристические правила. В основе многих таких правил лежит вероятность появления определенного события, вычислить которую может только эксперт. Другими словами, эксперт делает обоснованные предположения в своей проблемной области.
В действительности это означает, что существуют статистические данные, позволяющие делать какие-либо предположения.
Поэтому в экспертных системах широко применяются методы статистической обработки, в частности условная вероятность Байеса.
Условная вероятность [4] — это вероятность наступления какого-то события s при условии, что уже наступило какое-то другое событие е. Вероятность наступления двух событий вычисляется следующим образом:
Р(е|s)=Р(s|е)*Р(е)
То есть вероятность того, что произойдут два события е и s, причем е произойдет первым, равна вероятности наступления события s, если известно, что произошло событие е, умноженной на вероятность появления события е.
В экспертных системах используется еще одно уравнение условной вероятности:
P(s)=P(s|e) *P(e)+P(s|NOTe) *P(NOTe).
Вероятность появления события s, Р(s) - равняется вероятности появления события s при условии появления события е, P(s|e), умноженной на вероятность появления события Р(е), плюс вероятность появления события s при условии, что событие е не произошло, P(s|NOTе), умноженная на вероятность, что событие e не произошло, P(NOTе).
Рассмотрим правила, приведенные в начале этого раздела, немного видоизменив их:
Правило 1:
ЕСЛИ норма потерь от недозагрузок падает, ТО ЧОД растет.
Правило 2:
ЕСЛИ норма потерь от недозагрузок растет, ТО ЧОД падает.
Правило 3:
ЕСЛИ ЧОД растет, ТО это приведет к росту рыночной стоимости недвижимости.
Правило 4:
ЕСЛИ ЧОД падает, ТО это приведет к падению рыночной стоимости недвижимости.
Определим вероятность повышения рыночной стоимости. Исходя из вышеприведенного уравнения и правил, вероятность повышения рыночной стоимости будет равна:
P(Повышение рыночной стоимости) = (из правила 3) P(рост стоимости|ЧОД растет)*P(ЧОД растет)+ P(рост стоимости|ЧОД не растет)*P(ЧОД не растет) = (из правила 1) P(ЧОД растет|потери от недозагрузок падают)*P(Потери от недозагрузок падают)+ P(ЧОД растет|потери от недозагрузок не падают)*P(Потери от недозагрузок не падают)+ P(рост стоимости|ЧОД не растет)*P(ЧОД не растет)
Кроме этого, понятия “растет” или “падает” также можно рассматривать как переменные. Допустим, снижение нормы потерь от недозагрузок может быть на 2-5% от их первоначального значения. Применяя такие переменные, можно вычислить значения некоторых вероятностей, не обременяя пользователя лишними вопросами. Для этого необходимо несколько конкретизировать переменные. Пользователю экспертной системы нужно позволить добавлять к этим переменным определения, например маленький или средний.
Понижение нормы потерь от недозагрузок 2-4% 5-7% свыше 8% | P(ЧОД растет|норма потерь падает) 0,3 0,4 0,5 | P(норма потерь падает) 0,5 0,4 0,3 |
Теперь рассчитаем вероятность роста рыночной стоимости, если норма потерь от недозагрузки упала на 2-4%.
P(норма потерь падает)=0,5
P(норма потерь не падает)=1-0,5=0,5
P(ЧОД растет|норма потерь падает)=0,3
P(ЧОД растет|норма потерь не падает)=0,01
P(ЧОД растет)=0,5*0,5+0,3*0,01=0,253
P(ЧОД не растет)=1-0,253=0,747
P(стоимость растет|ЧОД растет)=0,8
P(стоимость растет|ЧОД не растет)=0,3
P(стоимость растет)=0,8*0,253+0,3*0,747=0,43
Кроме того, в этом примере можно конкретизировать следующие лингвистические переменные:
- ЧОД растет;
- Стоимость растет.
Для этого лучше всего использовать математический аппарат методов оценки. Изменяя значение нормы потерь от недозагрузок соответственно на 2%, 4%, 5%, 7% и 8%, учесть изменения ЧОД и стоимости объекта. Зафиксировав полученные результаты, необходимо создать на их основе эвристические правила, как было описано в этом разделе, и можно добавлять новые знания в ЭС. Можно проанализировать и другие ценообразующие факторы, а также их сочетания, составляя новые правила. Экспертная система будет разрастаться и станет хорошим помощником оценщику для проведения экспресс-анализа влияния ценообразующих факторов на стоимость объекта. Поэтому один из авторов данной статьи в рамках кандидатской диссертации занимается разработкой экспертной системы на основе вышеприведенного механизма.
Выводы
1. ЭС – специфический программный продукт, оперирующий с профессиональными знаниями с помощью специальных процедур, основанных на использовании условного оператора «ЕСЛИ, … ТО,…»
2. Результатом работы ЭС являются выводы и заключения, которые считались бы разумными, если бы к ним пришел человек, что позволяет считать ЭС системами искусственного интеллекта
3. Зарубежный опыт практического использования ЭС в различных сферах позволяет с уверенностью предположить эффективное использование их в сфере оценки, управления и обращения недвижимости
4. ЭС могут быть очень большими и сложными, а могут быть очень простыми. Их разработка под силу даже программисту – любителю. Технология разработки ЭС позволяет постепенно наращивать как объем используемых знаний, так и алгоритмы их обработки.
5. Одним из предполагаемых направлений использования ЭС в экономике недвижимости видится так называемая массовая оценка, когда ЭС заменяет профессионального оценщика в некоторых частных областях (оценка для целей налогообложения, экспресс-оценка продавца или покупателя, оценка для принятия инвестиционных решений на верхнем уровне управления и др.).
6. Второе перспективное направление – использование ЭС для оказания помощи оценщику и управляющему для "расшивки" узких мест методики оценки (прогнозы доходов и расходов, определение норм отдачи, описание объектов как совокупности КЭ и т. д.). Оценочная деятельность и профессиональное управление характеризуются тем, что они требуют для своего осуществления активного использования большого объема знаний из разных профессиональных сфер (микроэкономика, макроэкономика, экономика города, архитектура, строительство, социальная психология, статистика, компьютерные технологии и др.). Решить эту задачу наряду с традиционными методами (непрерывное образование, кооперация и специализация, организация и автоматизация) могут позволить ЭС.
Список литературы
1. Д. Уотермен "Руководство по экспертным системам", 1989
2. Р. Левин, Д. Дранг, Б. Эделсон "Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на бейсике", 1990
3. "Приобретение знаний интеллектуальными системами", 1997
4. Frank Puppe "Einfuehrung in Expertsystemen", 1988
