close
Introduction
由於本人所任職之公司已銷售與建置 OLTP 系統 ( On Line Transaction Process ) , SOA 與 EAI 作為主要業務, 有了資料渠道這樣的基礎建設, 對於架構於其上更進一步的應用 DSS , 形成一個營運整合平台, 產生研究的興趣.
過去的決策支援系統, 僅止於反映一個Data mining 後的統計化的數據現象, 並且缺乏決策者經驗回饋與偏好探詢的成長功能, 使得呈現的現象與建議, 往往只停留在僅供參考的角色, 難以真正成為決策核心的要角.
經驗成長適性型的 DSS, 不單只是提供決策資訊, 而且還能追蹤後續成效, 以便回饋系統不斷修正決策資訊的可靠度與精準度. 而且不同於專家系統直接導出預定的結論, 此類型的 DSS 會提供多種解決方案的選擇, 並以決策者的長期累積的決策特徵, 直接提供最適合當事者的多種解決方案, 並可在必要的時候隨時替換解決方案內的步驟. 對於決策執行之成效, 也透過計算機模糊理論, 以及類神經計算模式, 做評估與累積經驗分析.
此 DSS 系統使用案例 – 以風險為依歸:
Q: 決策者的目標設定為 – 十年內將資產倍增.
DSS: 系統提出以下數種資產配置方案共決策者選擇或是編輯微調.
1. 股票 50% - 理想年報酬率 40% - 達成機率 ( 風險值 ) – 50%
2. 共同基金 50% - 理想報酬率 10% - 達成機率(風險值) – 80%
3. 預計 2.5 年即可達到資產倍增之目標, 整體方案達成機率 = 0.5 * 0.8 = 40%
1. 共同基金50% - 理想年報酬率 10% - 達成機率 ( 風險值 ) – 80%
2. 債券 50% - 理想報酬率 5% - 達成機率(風險值) – 95%
3. 預計 6 年即可達到資產倍增之目標, 整體方案達成機率 = 0.8 * 0.95 = 76%
假設 DSS 提供以上兩種方案給決策者選擇 ( 決策者仍可自由編輯系統提供之建議 ), 根據使用者選取的決策方案, 以達成機率 ( 即風險值 ) 判斷使用者屬性為承受風險高之積極型投資人, 亦或是偏好低風險之保守型投資人. 這寫選取的結果會寫回系統的 History of User profile, 作為紀錄, 以便日後提供該決策者最合適之個人化方案.
決策方案的追蹤:
決策方案會是由建議步驟所構成 solution is a set of instructions. 每個建議步驟會是個具有加權值配重的 node, 一個 node 的成敗不見得影響整個方案的成敗, 且每個 node 是可以視情況隨時更換的. 以上列兩個方案舉例, 每個方案皆提供兩個步驟, 兩個步驟的比重配置剛好 1 :1 ( 50% vs 50% ). 以方案一來談, 但是若股票操作成績不盡理想, 未達預期之報酬率, 然而基金的表現卻超乎預期, 彌補股票的操作失利, 則最後仍達到十年內資產倍增之目標, 依然可評斷此決策是成功的, 同時間, 股票與基金的理想投資報酬率的預估, 還有達成機率與風險值之統計, 系統亦會根據此次決策執行之經驗更新, 以便累積經驗留待下次進行同類型決策使用.
方案成敗的判斷, 使用類神經計算模型的閥值Threshold, 來作為勝負評斷之依據.
動態的決策變更:
例如衛星導航 GPS, 當你沒有按照規劃好的路徑行駛(例如欲到塞車或是道路整修), GPS 會立刻捕捉此一現象, 重新規劃替代路線. 每一段道路也可以想像成一個 Node, 道路的長度就是該 Node 的配重. DSS 系統也該如此應用, 也就是當某個步驟 Node 執行效果不彰, DSS 可以立即根據最新資訊, 在使用者所限制的條件與偏好傾向, 提供更換其中幾個步驟的新方案.
每個 Node, 不使用簡單的 Boolean 二元方式來斷定好壞, 而是採用模糊理論的方式, 替每個 Node 設計各種屬性, 提供各種範圍的數值來做評估, 以狀態機的方式取代workflow邏輯判斷的設計, 也就是一個 Node 可能同時符合多種狀態, 來搭配出條條大路通羅馬, 只是青菜蘿菠各有所好的各種決策組合.
資源媒合與知識媒合:
組織團體作業上, 找到適當的人, 適當的工具, 適當的知識, 是 DSS 最初的工作. 這些資料的累積將透過團隊 P2P 的資料分享達成.
隨身裝置(PDA)的整合與回饋(Optional):
DSS 可應用在任務分配 ( Task Assign 把每個步驟當作一個任務, 分配給專人負責 ), 透過 WebService 等 SOA 的技術, 讓所有任務執行者可以隨時反應並改變 DSS 的決策狀態, 來達到最佳化資源分派與協作作業的狀態聯繫. DSS 亦可協同專案管理提供最佳化的 Critical Path 來隨時調整決策的細項分配.
DSS 對目標設定的語意關聯詞分析與學習.
由於本人所任職之公司已銷售與建置 OLTP 系統 ( On Line Transaction Process ) , SOA 與 EAI 作為主要業務, 有了資料渠道這樣的基礎建設, 對於架構於其上更進一步的應用 DSS , 形成一個營運整合平台, 產生研究的興趣.
過去的決策支援系統, 僅止於反映一個Data mining 後的統計化的數據現象, 並且缺乏決策者經驗回饋與偏好探詢的成長功能, 使得呈現的現象與建議, 往往只停留在僅供參考的角色, 難以真正成為決策核心的要角.
經驗成長適性型的 DSS, 不單只是提供決策資訊, 而且還能追蹤後續成效, 以便回饋系統不斷修正決策資訊的可靠度與精準度. 而且不同於專家系統直接導出預定的結論, 此類型的 DSS 會提供多種解決方案的選擇, 並以決策者的長期累積的決策特徵, 直接提供最適合當事者的多種解決方案, 並可在必要的時候隨時替換解決方案內的步驟. 對於決策執行之成效, 也透過計算機模糊理論, 以及類神經計算模式, 做評估與累積經驗分析.
此 DSS 系統使用案例 – 以風險為依歸:
Q: 決策者的目標設定為 – 十年內將資產倍增.
DSS: 系統提出以下數種資產配置方案共決策者選擇或是編輯微調.
1. 股票 50% - 理想年報酬率 40% - 達成機率 ( 風險值 ) – 50%
2. 共同基金 50% - 理想報酬率 10% - 達成機率(風險值) – 80%
3. 預計 2.5 年即可達到資產倍增之目標, 整體方案達成機率 = 0.5 * 0.8 = 40%
1. 共同基金50% - 理想年報酬率 10% - 達成機率 ( 風險值 ) – 80%
2. 債券 50% - 理想報酬率 5% - 達成機率(風險值) – 95%
3. 預計 6 年即可達到資產倍增之目標, 整體方案達成機率 = 0.8 * 0.95 = 76%
假設 DSS 提供以上兩種方案給決策者選擇 ( 決策者仍可自由編輯系統提供之建議 ), 根據使用者選取的決策方案, 以達成機率 ( 即風險值 ) 判斷使用者屬性為承受風險高之積極型投資人, 亦或是偏好低風險之保守型投資人. 這寫選取的結果會寫回系統的 History of User profile, 作為紀錄, 以便日後提供該決策者最合適之個人化方案.
決策方案的追蹤:
決策方案會是由建議步驟所構成 solution is a set of instructions. 每個建議步驟會是個具有加權值配重的 node, 一個 node 的成敗不見得影響整個方案的成敗, 且每個 node 是可以視情況隨時更換的. 以上列兩個方案舉例, 每個方案皆提供兩個步驟, 兩個步驟的比重配置剛好 1 :1 ( 50% vs 50% ). 以方案一來談, 但是若股票操作成績不盡理想, 未達預期之報酬率, 然而基金的表現卻超乎預期, 彌補股票的操作失利, 則最後仍達到十年內資產倍增之目標, 依然可評斷此決策是成功的, 同時間, 股票與基金的理想投資報酬率的預估, 還有達成機率與風險值之統計, 系統亦會根據此次決策執行之經驗更新, 以便累積經驗留待下次進行同類型決策使用.
方案成敗的判斷, 使用類神經計算模型的閥值Threshold, 來作為勝負評斷之依據.
動態的決策變更:
例如衛星導航 GPS, 當你沒有按照規劃好的路徑行駛(例如欲到塞車或是道路整修), GPS 會立刻捕捉此一現象, 重新規劃替代路線. 每一段道路也可以想像成一個 Node, 道路的長度就是該 Node 的配重. DSS 系統也該如此應用, 也就是當某個步驟 Node 執行效果不彰, DSS 可以立即根據最新資訊, 在使用者所限制的條件與偏好傾向, 提供更換其中幾個步驟的新方案.
每個 Node, 不使用簡單的 Boolean 二元方式來斷定好壞, 而是採用模糊理論的方式, 替每個 Node 設計各種屬性, 提供各種範圍的數值來做評估, 以狀態機的方式取代workflow邏輯判斷的設計, 也就是一個 Node 可能同時符合多種狀態, 來搭配出條條大路通羅馬, 只是青菜蘿菠各有所好的各種決策組合.
資源媒合與知識媒合:
組織團體作業上, 找到適當的人, 適當的工具, 適當的知識, 是 DSS 最初的工作. 這些資料的累積將透過團隊 P2P 的資料分享達成.
隨身裝置(PDA)的整合與回饋(Optional):
DSS 可應用在任務分配 ( Task Assign 把每個步驟當作一個任務, 分配給專人負責 ), 透過 WebService 等 SOA 的技術, 讓所有任務執行者可以隨時反應並改變 DSS 的決策狀態, 來達到最佳化資源分派與協作作業的狀態聯繫. DSS 亦可協同專案管理提供最佳化的 Critical Path 來隨時調整決策的細項分配.
DSS 對目標設定的語意關聯詞分析與學習.
全站熱搜
留言列表
