Применение экспертных программ оценки для подбора экономических информационных систем

В современной динамичной экономической среде, информационные технологии стали неотъемлемой частью эффективного управления и стратегического развития компаний. Экономические информационные системы (ЭИС) играют ключевую роль в обеспечении своевременного доступа к актуальной информации, необходимой для принятия обоснованных управленческих решений. В этом контексте, выбор и внедрение наиболее подходящей ЭИС становится критически важной задачей, требующей комплексного подхода к оценке потенциальных решений. Традиционные методы выбора часто ограничиваются субъективным анализом и не всегда способны учитывать все аспекты и требования предприятия.

В связи с этим, применение экспертных программ оценки представляет собой современный подход, позволяющий автоматизировать процесс оценки и выбора ЭИС. Эти программы используют алгоритмы искусственного интеллекта и машинного обучения для анализа больших объемов данных о различных информационных системах, их характеристиках и потенциале применения в конкретном бизнес-контексте. Целью данной статьи является изучение применения экспертных программ оценки для оптимизации процесса подбора экономических информационных систем.

При проектировании экспертной системы подбора программ ключевым элементом является определение ее архитектуры. В качестве основы для анализа данных и поддержки принятия решений использована нейронная сеть. Этот тип искусственного интеллекта имитирует процессы человеческого мозга, состоя из слоев искусственных нейронов обрабатывающих информацию от ввода до вывода. Применение нейронных сетей в экспертной системе позволит обрабатывать большие объемы данных о налоговом учете, предоставляя точные рекомендации по выбору программного обеспечения. Каждый нейрон сети функционирует как трансформатор, учитывающий весовые коэффициенты входящих сигналов для генерации выходного результата.

Нейросеть – это форма искусственного интеллекта, вдохновленная строением человеческого мозга, состоящая из множества взаимодействующих искусственных нейронов. Эти нейроны сгруппированы в слои, начиная с входного, через скрытые слои, где происходит основная обработка данных, и заканчивая выходным слоем, который предоставляет результаты анализа.

Нейрон – это базовый обработчик сигналов в нейросети, имеющий множество входов и один выход. Каждый вход (синапс) х i имеет свой вес w i , который модифицирует сигнал, и весь набор входящих сигналов и их весов обрабатывается для получения результата (аксона) у. [1] Эффективное применение нейросетей в экспертных системах позволяет справляться с комплексными задачами, включая подбор наилучшего программного решения. Структура нейрона представлена на рисунке 1.

Рисунок 1 – Структура нейрона

Внутренняя работа нейрона включает в себя две ключевые функции: первая — это агрегирование входных сигналов, которое приводит к их совокупной взвешенной сумме (1), а вторая — это применение функции активации, которая определяет, будет ли нейрон активироваться и передавать сигнал далее (2).

v = ^ x i ^ w. ,        (1)

где: x i – входные параметры (синапсы);

w i – вес синапса.

Y = F ( v ),           (2)

где: v – результат блока суммирования;

F – функция активации.

Следовательно, работа нейрона осуществляется в два этапа.:

• -    суммирование входных сигналов;

• -    вычисление Y по функции активации.

Функция активации должна соответствовать двум критериям:

• -    | F ( v )| <1 при любом v ;

• -    функция должна быть монотонной неубывающей.

Искусственные нейроны объединяются, формируя нейросети благодаря соединениям, аналогичным синапсам и аксонам в человеческом мозге. [2]

Избранная архитектура нейросети – трехслойная, поскольку она обладает широким распространением и подробно изучена. Эта структура включает в себя входной, скрытый и выходной слои, каждый из которых выполняет уникальные функции в процессе обработки данных.

Входной слой принимает исходные данные, количество нейронов в нем соответствует количеству переменных данных. [3]

Скрытый слой – это место, где происходит основная обработка информации, а количество его нейронов определяется на основе экспериментов для достижения наилучшей точности.

Выходной слой формирует конечные выводы системы на основе анализа, выполненного скрытым слоем. [4]

В качестве механизма активации нейронов выбрана сигмоидная функция с порогом смещения 1, которая позволяет преобразовать входящие сигналы в вероятностный выход, облегчая тем самым классификацию и принятие решений.

Функция активации принимает значения от 0 до 1, служа для определения вероятностей. Так, значение входного сигнала, превышающее установленный порог, приводит к приближению функции к значению 1. В противном случае, когда сигнал ниже порога, результат стремится к 0. Этот пороговый уровень определяет необходимую интенсивность сигнала для активации нейрона, играя ключевую роль в процессе обучения и адаптации системы (3).

F ( v ) =

1 + e Q - v’

где: Q – порог (смещения);

v – результат блока суммирования

Разрабатываемая нейронная сеть имеет 5 нейронов на входном слое 3 нейрона на скрытом слое и 1 нейрон выходного слоя.

Пример нейронной сети представлен на рисунке 2

Рисунок 2 – Пример нейронной сети

Разработка интеллектуальной системы для подбора экономических информационных систем осуществлялась с использованием языка программирования C# и инструментария Visual Forms для создания пользовательского интерфейса. C# является объектно-ориентированным языком от Microsoft, предназначенным для платформ .NET Framework и .NET Core, поддерживающим статическую типизацию, полиморфизм и перегрузку операторов. Visual Forms, часть .NET фреймворка предоставляет набор инструментов и библиотек для разработки графических интерфейсов в приложениях на C#, облегчая создание элементов интерфейса, таких как окна, кнопки, текстовые поля, и делая процесс разработки более интуитивным и эффективным. Далее на рисунке 3 представлены примеры разработки данных интеллектуальных систем.

Рисунок 3 – Примеры интерфейса главного меню экспертной системы

Применение разработанной интеллектуальной системы позволяет оценить различные экономические информационные системы. В качестве примера рассмотрены процессы подбора программ бухгалтерского и налогового учета. Для начала работы с системой необходимо заполнить таблицу с наименованиями и функционалом программ, что позволяет создать базовый набор ИС для выбора. При вводе данных о функционале программ важно использовать выпадающие списки, чтобы избежать ошибок ввода (рисунок 4)

Рисунок 4 – Таблицы с наименованиями и функционалом программ

Затем следует этап заполнения экспертом оценок реализации функционала каждой программы (рисунок 5). После сохранения этих изменений запускается процесс обучения нейронной сети, результатом которого является сообщение о завершении обучения и количестве прошедших эпох. Этот параметр тщательно подбирается для достижения максимально точного результата обучения, избегая при этом переобучения

Рисунок 5 – Заполнение таблиц с оценками функционала

По завершении обучения система готова к подбору программ

Пользователь, выбрав необходимый функционал из предложенных списков, получает список подходящих программ вместе с оценками их эффективности, полученными в ходе обучения нейросети. Это позволяет пользователю сравнить программы и выбрать оптимальный вариант основываясь на объективных данных

Рисунок 6 – Результат работы системы

Однако, в процессе подбора может возникнуть ситуация, когда ни одна из предложенных программ не удовлетворяет требованиям пользователя. В таких случаях система информирует пользователя о невозможности подбора программы, соответствующей заданным критериям.

Использование экспертных систем для оценки экономических информационных систем представляет собой эффективный подход обеспечивающий глубокий анализ и соответствие между потребностями предприятий и возможностями систем. Эти системы улучшают качество решений, экономят время и ресурсы, как в бизнесе, так и в образовании. Развитие и интеграция экспертных систем способствуют повышению операционной эффективности и качества услуг. В будущем можно ожидать еще более продвинутых решений, адаптированных к специфическим отраслевым потребностям, что приведет к созданию более интеллектуальной и эффективной среды для принятия решений.