КАУЗАЛЬНА МОДЕЛЬ ПРОЦЕСУ ПОБУДОВИ ПОЯСНЕНЬ В ІНФОРМАЦІЙНІЙ СИСТЕМІ
DOI:
https://doi.org/10.26906/SUNZ.2022.3.099Ключові слова:
інтелектуальна система, пояснення, процес прийняття рішення, темпоральність, каузальність, причинно-наслідковий зв'язок, темпоральні правилаАнотація
Предметом вивчення в статті є процеси формування пояснень щодо прийнятих в інтелектуальній інформаційній системі рішень. Метою є розробка моделі процесу побудови деталізованих пояснень щодо прийнятого інтелектуальною інформаційною системою рішення на основі каузальних залежностей між відомими станами інтелектуальної інформаційної системи для більш ефективного використання отриманого рішення при вирішенні практичних задач користувача. Завдання: темпоральна структуризація процесу формування пояснень в інтелектуальній інформаційній системі; розробка каузальної моделі процесу формування пояснень. Використовуваними підходами є: підходи до побудови каузальних залежностей, підходи використання темпоральних залежностей у процесах прийняття рішень. Отримані наступні результати. Визначено структуру процесу побудови пояснень з урахуванням темпоральноо аспекту. На базі отриманої структури розроблено каузальну модель процесу побудови пояснень в інтелектуальній інформаційній системі Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано модель процесу побудови пояснень щодо послідовності дій з формування рішень в інтелектуальній інформаційній системі, що містить у собі упорядковану за множиною темпоральних правил множину станів процесу прийняття рішення в системі, а також множину детермінованих та ймовірнісних каузальних правил, що визначають причинно-наслідкові зв'язки між станами процесу прийняття рішення. Модель орієнтована на побудову пояснень у вигляді послідовності каузальних правил, що зв'язують як послідовні у часі стани процесу прийняття рішення, так і стани, між якими існують послідовності інших станів. Запропонована модель дає можливість виконати деталізацію пояснення, представивши узагальнену каузальну залежність у вигляді комплексу причинно-наслідкових залежностей між проміжними станами процесу прийняття рішення.Завантаження
Посилання
Fararni K., Aghoutane B., Riffi J., Abdelouahed S. (2020). Comparative Study on Approaches of Recommendation Systems. Embedded Systems and Artificial Intelligence, 753-764. doi: 10.23919/AEIT.2018.8577311. Available at: https://www.researchgate. net/publication/340497029_Comparative_Study_on_Approaches_of_Recommendation_Systems.
Izquierdo-Castillo, J. (2015). The new media business concept led by Netflix: A study of the model and its projection into the Spanish market. El Profesional de la Informacion, 24 (6), 819-826. 24. 819. doi: 10.3145/epi.2015.nov.14. Available at: https://recyt.fecyt.es/index.php/EPI/article/view/epi.2015.nov.14.
Chalyi, S., Leshchynskyi, V., Leshchynska, I. (2019). Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommender system. EUREKA: Physics and Engineering, 4, 34–40. doi: https://doi.org/10.21303/2461-4262.2019.00952 . Available at: http://eu-jr.eu/engineering/article/view/952/934.
Tsai C., Brusilovsky P. (2019). Explaining recommendations in an interactive hybrid social recommender. Proceedings of the 24th International Conference on Intelligent User Interfaces (IUI '19), 391-396. doi: 10.1145/3301275.3302318. Available at: https://dl.acm.org/doi/abs/10.1145/3301275.3302318.
Chalyi S., Leshchynskyi V., Leshchynska I. (2019). Моделювання пояснень щодо рекомендованого переліку об’єктів з урахуванням темпорального аспекту вибору користувача. Системи управління, навігації та зв’язку, 6 (58), 97-101. – doi:https://doi.org/10.26906/SUNZ.2019.6.097.
Chalyi, S., Leshchynskyi, V. (2020). Method of constructing explanations for recommender systems based on the temporal dynamics of user preferences. EUREKA: Physics and Engineering, 3, 43-50. doi: 10.21303/2461-4262.2020.001228.
Чалий С. Ф. Реляційно-темпоральна модель набору сутностей предметної області для процесу формування рішення в інтелектуальній інформаційній системі / С. Ф. Чалий, В. О. Лещинський, І. О. Лещинська // Вісник Національного технічного університету "ХПІ". Сер. : Системний аналіз, управління та інформаційні технології = Bulletin of the National Technical University "KhPI". Ser. : System analysis, control and information technology : зб. наук. пр. – Харків : НТУ "ХПІ", 2022. – № 1 (7). – С. 84-89.
Adadi, A., Berrada, M. (2018) Peeking inside the black-box: a survey on explainable artificial intelligence (XAI). IEEE Access 6, 52138– 52160.
Gunning і D. Aha, (2019) “DARPA’s Explainable Artificial Intelligence (XAI) Program”, AI Magazine, Vol. 40(2), pp.44-58, doi: 10.1609/aimag.v40i2.2850.
Pearl J (2009) Causality: Models, Reasoning and Inference, 2nd ed. Cambridge University Press, USA.
Halpern J. Y., Pearl J. (2005), Causes and explanations: A structural-model approach. Part II: Explanations. The British Journal for the Philosophy of Science. Vol.56 (4). P. 889-911.
Maier M, Marazopoulou K, Jensen D (2014) Reasoning about Independence in Probabilistic Models of Relational Data. arXiv
Marazopoulou, Katerina, Maier, Marc, and Jensen, David. Learning the structure of causal models with relational and temporal dependence. In Proceedings of the Thirty-First Conference on Uncertainty in Articial Intelligence (2015).
. Levykin V., Chala O. Development of a method of probabilistic inference of sequences of business process activities to support business process management. Eastern-European Journal of Enterprise Technologies. 2018. № 5/3(95). P. 16-24. DOI: 10.15587/1729-4061.2018.142664
Чала О. В. (2020) Модель узагальненого представлення темпоральних знань для задач підтримки управлінських рішень. Вісник Національного технічного університету «ХПІ». Системний аналіз, управління та інформаційні технології. № 1(3). С. 14-18. DOI: 10.20998/2079-0023.2020.01.03.
Chala O. (2018) Models of temporal dependencies for a probabilistic knowledge base. Econtechmod. An International Quarterly Journal. Vol. 7, No. 3. P. 53 – 58.
