Abstract and keywords
Abstract (English):
He process of decision-making support may rely on various approaches, namely: on various analytical models and on the analysis of situations using these analytical models; on statistical sources of data processing; on experience and intuition of experts who showed competence in the field; on case-based reasoning method. Each of the approaches might be important in a specific situation. But when a decision is hard to be made and there is no single opinion priorities have to be set. All of the approaches are widely used. This paper focuses on case-based reasoning method. Wholesale drug trade is very profitable and capacious part of Russian business. One of the interest areas of wholesale drug companies are e-auctions. Such auctions represent a list of drugs necessary for a medical institution. The number of drugs needed may be great. Making decisions on whether to participate in such auction or not is a very lasting and time-consuming process.Case-based decision-making support system implementation may cut time costs by up to 2 hours per day and increase labor efficiency up to 25 %.

Keywords:
case, case-based reasoning, case description, decision-making support system, case-based decision making
Text
Введение Процесс поддержки принятия решений может опираться на различные подходы: - на созданные аналитические модели и анализ ситуаций с использованием этих моделей; - на статистические источники в обработке данных; - на опыт и интуицию специалистов, показавших компетентность в данной области; - на метод рассуждений по прецедентам. Каждый из подходов может быть важен в той или иной ситуации. Однако при возникновении противоречий относительно выбранного решения необходимо расставить приоритеты. Все четыре метода активно используются. Нами рассматривается метод рассуждений по прецедентам. За последние годы область рассуждений по прецедентам превратилась из весьма специфичной и узкой в область, интересующую широкий круг ученых. Множество новейших систем поддержки принятия решений (СППР), т. е. автоматизированных информационных систем, основанных на аналитической обработке информации для выработки и принятия решений в различных видах деятельности человека, свидетельствует о возросшем интересе к данной тематике не только ученых, но и конечного потребителя [1-9]. Известны системы поддержки принятия решений в области медицины, такие как DiagnosisPro[1], IndiGo[2], Advisor[3]. Их задача – помощь терапевтам в постановке диагноза. Как показывает практика, точность постановки диагноза и, как следствие, количество пациентов, которых лечат правильно, значительно возрастают при использовании СППР [10]. Оптовая торговля лекарственными средствами (ЛС) в России является прибыльной и емкой областью бизнеса. Одним из направлений деятельности оптовых поставщиков ЛС является участие в государственных заказах. Государственный заказ может быть представлен в виде открытого аукциона в электронной форме. Такой аукцион представлен одной или несколькими позициями ЛС, причем количество позиций может быть большим. Принятие решения об участии/неучастии в аукционе – достаточно долгий и трудоемкий процесс. Для того чтобы принять такое решение, необходимо оценить каждую позицию ЛС из спецификации аукциона. Это означает, что необходимо найти данную позицию в базе данных поставщиков, оценить количество остатков, оценить минимальную цену, за которую компания готова реализовать препараты и т. д. Прецедент – случай или событие, имевшее место в прошлом и служащее примером или основанием для аналогичных действий в настоящем. В ходе наших исследований под прецедентом понимается: - условие задачи (настоящая проблема); - фрагмент опыта – пара <задача, решение> в базе прецедентов. Метод рассуждений по прецедентам (РПП) – это метод решения задач, который во многих отношениях отличается от стандартных методик искусственного интеллекта (ИИ). Метод РПП может использовать как общие знания предметной области, аналогичные ситуации и решения, так и специфические данные и выводы из конкретных ситуаций (прецедентов) в предметной области в отличие от основных методов ИИ. Решение в РПП принимается посредством нахождения похожей ситуации в прошлом и использования принятого тогда решения проблемы. Еще одно важное отличие РПП заключается в том, что система РПП предполагает постоянное самосовершенствование посредством сохранения решений каждый раз, когда решается новая проблема [11]. Основными сложностями в методике РПП являются распознавание текущей проблемной ситуации и нахождение сходной в прошлом, а также использование прошлого опыта для решения текущей проблемы. Немаловажными являются также стадии оценки предложенного решения и обновления системы для дальнейшего обучения. Однако способы реализации каждой из стадий могут быть совершенно разными. Следующие процессы представляют собой части цикла РПП в базовом виде [12]: 1. Извлечь из памяти наиболее сходный прецедент или прецеденты. 2. Использовать информацию, содержащуюся в данном прецеденте, для решения текущей проблемы. 3. Оценить предложенное решение. 4. Сохранить текущую ситуацию или ее части для использования в будущем. На рис. 1 представлена декомпозиция РПП. Процесс РПП сильно зависит от структуры и содержимого коллекции прецедентов. Так как задача решается путем подбора уже решенной задачи, подходящей для решения настоящей, поиск и сличение прецедентов должны быть эффективными по времени и степени сходства с текущей ситуацией. Аналогичные правила касаются интегрирования нового прецедента в память. Существуют две основные модели памяти [13]: 1. Динамическая модель памяти. Идея такой модели состоит в следующем: организовать похожие прецеденты в более общие структуры – обобщенные классы. Такие классы содержат часть норм, в которой описываются кратко характеристики прецедентов, содержащихся в данном обобщенном классе [14, 15]. 2. Модель категории и примера. Психологической и философской основой данного метода является предположение о том, что представление реального мира и естественных понятий должны быть определены экстенсивно. В данной модели различным свойствам прецедента назначаются различные коэффициенты важности. Обобщение прецедентов следует осуществлять с особой осторожностью. Такое представление понятий – основа этой модели памяти [14, 15]. Рис. 1. Декомпозиция РПП Модель прецедента по продаже ЛС включает в себя следующие параметры: Аукционные параметры (международное непатентованное название, форма выпуска, количество, единица измерения, срок годности, производитель и страна производства, максимальная начальная цена аукциона, дополнительные параметры). Сопутствующие параметры: - экономические (курс и стабильность валюты, экономическая обстановка в стране проведения аукциона); - межличностные (межличностные отношения заказчика и участника аукциона, их лояльность друг к другу); - политические (стабильность политической обстановки); - законодательные (наличие международных договоров на поставку ЛС из-за границы, законодательная база аукционной деятельности). Таким образом, ситуация участия в аукционе характеризуется векторным набором параметров. Пусть число компонентов вектора равно n. Тогда каждая ситуация задается точкой в n-мерном пространстве Разные ситуации задаются разными точками. Все множество точек делим на 2 группы: - к первой группе отнесены точки, которые соответствуют ситуациям, когда участие в аукционе оказалось экономически выгодным; - ко второй группе – точки, соответствующие ситуациям, экономически невыгодным. Предположим, имеется некоторая новая аукционная ситуация. Необходимо на основе имеющихся наборов ситуаций, т. е. точек n-мерного пространства, данной точке сопоставить наиболее близкую положительную точку (т. е. точку, соответствующую экономически выгодной аукционной ситуации в прошлом). В качестве меры близости по аналогии с физикой можно выбрать силу взаимодействия между двумя точками. Тогда текущая точка характеризуется определенным результирующим потенциалом от воздействия всех других точек, величиной и направленностью результирующей силы (рис. 2). В качестве решения предлагается та положительная точка, которая имеет наименьший угол (угол α) по направлению действия результирующей силы. Если таких точек несколько, то выбирается ближайшая. Угол α Результирующая сила Рис. 2. Выбор прецедента Если опираться на законы физики, то сила взаимодействия между двумя точками определяется законом Кулона: . Однако в транспортной логистике в рамках гравитационной модели, где изначально отталкивались от закона Ньютона (аналогичного закону Кулона), в настоящее время пришли к рассмотрению функции вида . В рамках рассматриваемой задачи предлагается последнее выражение для нахождения ближайшей точки. Рассмотрим конкретный пример ответа предлагаемой системы на вопрос: «Играть ли в аукционе на поставку ЛС? Если играть, то какой суммой?». Техническое задание аукциона выглядит следующим образом (табл. 1). Таблица 1 Техническое задание Международное непатентованное название Форма выпуска Единица измерения Количество Срок годности Производитель Максимальная цена, руб. Метилпреднизолон Таблетки 4 мг № 30 Упаковка 1 300 Не менее чем до 06.06.2016 Орион 260 000 Условия аукциона таковы, что при неполном совпадении всех требований есть вероятность, что заявку на участие в аукционе отклонят. Однако, если фирма не в состоянии поставить препарат в полном соответствии с техническим заданием, есть опция «Заменить определенную характеристику», например поставить метилпреднизолон производства другого завода. Принятие решения о том, участвовать или нет в аукционе, в ручном виде, состоит из следующих этапов: 1. Подбор препаратов из базы данных (БД) головной организации согласно требованиям аукциона, а также согласно требованиям головной организации о выборе ЛС из БД, в том числе: наличие и значение приоритета поставщика, номенклатура (т. е. соответствие требуемой дозировки и формы выпуска предлагаемой), текст информационного письма, а также дата информации в нем, остатки ЛС на складе поставщика, особые требования. Вышеперечисленные критерии выбора ЛС входят в БД программного продукта (ПП) головного офиса. Пример работы такого ПП, т. е. вывода информации для ЛС, международное непатентованное название которого «Метилпреднизолон» – на рис. 3. Левый столбец (цифры) – приоритеты поставщиков, следующий столбец – остатки данного препарата у поставщиков, затем – цена, информационное письмо и, наконец, название поставщика; 2. Определение наличия выбранных препаратов происходит в аналитическом ПП, который дает информацию о наличии требуемого препарата у поставщиков, с которыми сотрудничает непосредственно дочернее предприятие (ДП) головной фирмы (оптовая фирма). Вывод информации такого ПП – на рис. 4. Надпись «ЖНВЛС» в левом нижнем углу на рис. 4 означает, что это препараты, входящие в список жизненно важных. Максимальная закупочная цена на такие ЛС регулируется государством и обозначена на рис. 4 как «Реестровая цена». Рис. 3. Программный продукт головной организации Рис. 4. Аналитическая программа Приоритетной является программа головной организации (рис. 3). Полагаясь на информацию, представленную в ней, выбор ЛС для аукциона следует остановить на препарате Метипред 4 мг табл. № 30 конт п/эт, остатки на складе 1 686 шт., приоритет 4 (затемненный фон), цена 146,25 руб., производитель Орион/Сотекс. Информация в письме в данном случае игнорируется, т. к. она является устаревшей. Аналитическая программа ДП сообщает, что данный препарат в необходимом количестве может быть поставлен только в случае, если он будет закуплен у всех возможных поставщиков, отталкиваясь от наименьшей реестровой цены (в том числе у Аптека-Холдинг – 194 шт., у СИА-Астрахань – 76 шт., у Катрен – 42 шт., у Волгофарм – 43 шт. (производство Орион Корпорэйшн), у АСТИ плюс – 30 шт., 127 шт. – у Пульс Волгоград, у СИА-Астрахань – 85 шт., у Аптека-Холдинг – 111 шт., 242 шт. – у Протек-44 и у Волгофарм – 350 шт. (производство Сотекс). Таким образом, выбор должен оставновиться на ЛС Метипред 4 мг табл. № 30. Для дальнейшего использования сходных ситуаций необходимо подробно описать данный прецедент выбора ЛС, в том числе форму выпуска, производителя, цену, срок годности, результаты вывода программ головной организации и аналитической программы ДП, решение об участии, решение о цене участия в аукционе. Описать прецедент подробно для дальнейшего использования, удобного хранения и поиска с применением всех современных технологий управления БД можно с помощью небольшой БД, состоящей из 4 справочников (торговое наименование, форма выпуска, производитель, прайс) и 1 таблицы (табл. 2 и 3). Табл. 3 объединяет в себе 4 справочника для наглядности. В таблице «Прецедент» первые 6 столбцов представляют требования электронного аукциона. Следующие 6 столбцов отражают вывод программы головной организации согласно требованиям аукциона, а именно согласно международному непатентованному названию (МНН) «Метилпреднизолон». Следующие 6 столцов представляют информацию из аналитической программы ДП. Жирным курсивом в табл. 2 обозначены позиции, которые удовлетворяют требованиям электронного аукциона. Затемненным фоном выделены ячейки, представляющие позиции, которые находятся в дефектуре, т. е. отсутствуют на рынке. Следующие 2 колонки – показатели, рассчитанные специально для аукциона: количество, согласно общему необходимому количеству, и цена, которая рассчитывается следующим образом: Цена = (реестровая цена + 10 %) + 11,7 %. Следующие 2 колонки также являются вычисляемыми и представляют собой сумму закупки необходимого количества ЛС по ценам согласно аналитической программе ДП и решение о принятии участия в аукционе и о сумме, до которой можно в аукционе снизиться. Таблица 2 Прецедент Следующая таблица – табл. 3 – это таблица соответствия значений в таблице «Прецедент» цифр и соответствующих значений. Таблица 3 Соответствие Торговое наименование Форма выпуска Производитель Прайс Медрол 1 16 мг таб № 50 1 Орион 1 Пульс Волгоград 2 32 мг таб № 20 3 4 мг таб № 30 2 СИА-Астрахань 4 1000 мг лиоф д/ин в/в в/м + р-ль № 1 Солу-медрол 3 Аптека-Холдинг 2 Сотекс 5 250 мг лиоф д/ин в/в в/м + р-ль 4 мл № 1 6 500 мг лиоф д/ин в/в в/м + р-ль 7,8 мл № 1 4 Протек-44 Депо-медрол 3 Орион/Сотекс 7 40 мг/мл сусп д/ин 1 мл № 1 5 АСТИ плюс 8 р-р 0,25 г/мл № 1 9 р-р 40 г/мл № 5 4 Пфайзер 6 Катрен 10 табл. 16 мг Метипред 7 Волгофарм 8 Астрахань-Фарм Представленное описание прецедента удобно, т. к. позволяет искать прецеденты в БД прецедентов, пользуясь всеми преимуществами современных систем управления БД (СУБД), такими как индексация, вычисляемые поля, последовательности и т. д. Сохранение прецедента в предложенном виде в БД будет включать следующие этапы: I. Интеграция 1. Обновление БД и индексов. II. Извлечение 1.Извлечение метода решения. 2.Извлечение решения. 3. Извлечение дескрипторов (в качестве дескрипторов здесь будут выступать МНН и дозировка). Последующие аукционы потребуют извлечения сходного прецедента для принятия решения об участия в электронных торгах. Данный этап будет выглядеть следующим образом: 1. Поиск по индексу (МНН), затем – по форме выпуска и дозировке. 2. Проведение операции сравнения, объяснение сходства будет происходить на основе сравнения МНН, формы выпуска производителя, требуемого количества и максимальной суммы аукциона. Далее – этап адаптации решения, которое ранее было принято, к настоящей ситуации. Адаптация будет проведена с учетом максимальной цены аукциона, цены закупки ЛС, требуемого срока годности. На основе сравнения этих данных будет принято решение об участии или неучастии в электронных торгах. Далее произойдет сохранение текущего прецедента в БД прецедентов, если он значительно отличен от предыдущего, либо произойдет обновление предыдущего прецедента с последующим его сохранением в БД. Заключение Таким образом, результатом исследований явилась прецедентная модель выбора наиболее приемлемого варианта участия в аукционе. Принятие решения об участии в электронных торгах, например, с требованиями, как в представленном выше аукционе (спецификация аукциона представлена всего лишь 1 позицией для иллюстрации модели РПП), может занять от 10 до 15 минут. Среднее количество аукционов ежедневно – два. Как правило, спецификация аукциона состоит не из 1 позиции, а в среднем – из 6. Таким образом, прибегая к простой арифметике, можно вычислить, что внедрение подобной системы автоматизированного принятия решений об участии в торгах на основе РПП может предоставить выигрыш во времени до 2 часов, увеличивая производительность труда на 25 %.
References

1. Shurshev V. F. Issledovanie algoritma kompleksnogo evolyucionnogo metoda, primenyaemogo v komp'yuternoy sisteme podderzhki prinyatiya resheniya o vybore sostava holodil'nyh agentov, s pomosch'yu vychislitel'nyh eksperimentov / V. F. Shurshev, N. V. Demich // Vestn. Astrahan. gos. tehn. un-ta. –2006. – № 1 (30). – S. 141–146.

2. Shurshev V. F. Ispol'zovanie metoda samoorganizacii poiska v zadache podderzhki prinyatiya resheniya pri opredelenii komponentov sistemy energoucheta / V. F. Shurshev, N. V. Demich // Vestn. Kuzbass. gos. tehn. un-ta. – 2005. – № 5. – S. 25–27.

3. Demich O. V. Metod samoorganizacii poiska i ego primenenie dlya zadachi prinyatiya resheniya / O. V. Demich, V. F. Shurshev // Sistemy upravleniya i informacionnye tehnologii. – 2005. – № 3 (20). – S. 14–16.

4. Shurshev V. F. O kriteriyah ekologichnosti i bezopasnosti pri vybore sostava holodil'nyh agentov v komp'yuternoy sisteme podderzhki prinyatiya resheniya / V. F. Shurshev // Vestn. Astrahan. gos. tehn. un-ta. –2005. – № 3 (26). – S. 241–245.

5. Kvyatkovskaya I. Yu. Integrirovannye mehanizmy informacionnoy podderzhki prinyatiya resheniy krupnomasshtabnoy territorial'no-raspredelennoy ekonomicheskoy sistemy / I. Yu. Kvyatkovskaya, V. F. Shurshev, K. I. Kvyatkovskiy // Vestn. Sarat. gos. tehn. un-ta. – 2010. – T. 4, № 2. – S. 181–189.

6. Shurshev V. F. Formirovanie nabora kriteriev dlya komp'yuternoy sistemy podderzhki prinyatiya resheniya pri vybore novyh holodil'nyh agentov / V. F. Shurshev // Izv. vyssh. ucheb. zaved. Severo-Kavkaz. region. Ser.: Tehn. nauki. – 2005. – Prilozhenie 1. – S. 144–147.

7. Shurshev V. F. Modelirovanie processa prinyatiya resheniy pri identifikacii rezhimov techeniya smesey holodil'nyh agentov / V. F. Shurshev, A. N. Umerov // Vestn. Kuzbass. gos. tehn. un-ta. – 2005. – № 5. – S. 27–29.

8. Shurshev V. F. Komp'yuternaya sistema identifikacii rezhimov techeniya parozhidkostnogo potoka holodil'nyh agentov / V. F. Shurshev, A. N. Umerov // Sistemy upravleniya i informacionnye tehnologii. – 2005. – № 2 (19). – S. 96–99.

9. Umerov A. N. Razrabotka ekspertnoy sistemy identifikacii rezhimov techeniya dvuhfaznyh potokov ekologicheski bezopasnyh smesey holodil'nyh agentov vnutri gorizontal'noy truby / A. N. Umerov, V. F. Shurshev // Vestn. Astrahan. gos. tehn. un-ta. – 2005. – № 3 (26). – S. 246–249.

10. Stanfill C. The memory based reasoning paradigm / Craig Stanfill, David Waltz // Case based reasoning. Proceedings from a workshop, Clearwater Beach, Florida. Morgan Kaufmann Publ. May 2003, pp. 414–424.

11. Kolodner J. Retrieving events from case memory: A parallel implementation / J. Kolodner // Proceedings from the Case-based Reasoning Workshop, DARPA, Clearwater Beach, 2005, pp. 233–249.

12. Kitano H. Challenges for massive parallelism / H. Kitano // IJCAI-93, Proceedings of the Thirteenth International Conference on Artificial Intelligence, Chambery, France, Morgan Kaufman, 2008, pp. 813–834.

13. Kedar-Cabelli S. Analogy – from a unified perspective / S. Kedar-Cabelli. In: D. H. Helman (ed.), Analogical reasoning. Kluwer Academic, 2006, pp. 65–103.

14. Hall R. P. Computational approaches to analogical reasoning; A comparative analysis / R. P. Hall // Artificial Intelligence, vol. 39, no. 1, 2000, pp. 39–120.

15. Agnar Aamodt. Case-Based Reasoning: foundational Issues, Methodological Variations, and System Approaches. AICom – Artificial Intelligence Communications, IOS Press, 1994, pp. 55–70.


Login or Create
* Forgot password?