Expertní systémy v řízení rizik

Architektura expertního systému

Každý ES se skládá ze tří klíčových komponent a obvykle z dalších tří podpůrných modulů.

Tři klíčové komponenty

• Báze znalostí (BZ / KB — Knowledge Base) — souhrn pravidel typu „IF... THEN..." získaných od experta. Statická, ale doménově specifická.
• Inferenční mechanismus (inference engine) — algoritmus, který kombinuje pravidla a aktuální vstupy → odvozuje závěr. Typicky forward chaining (od faktů k závěru) nebo backward chaining (od hypotézy k faktům).
• Uživatelské rozhraní (UI) — vstup faktů od uživatele (často strukturovaný dotazník), výstup doporučení s vysvětlením.

Často také

• Vysvětlovací modul (explanation facility) — odpovídá na otázku „proč ES dospěl k tomuto závěru?" — ukazuje řetězec aplikovaných pravidel. Klíčová výhoda oproti „black-box" ANN.
• Modul pro získávání znalostí (knowledge acquisition) — strukturovaný rozhovor s expertem, často v podobě grafického editoru pravidel.
• Pracovní paměť (working memory) — momentální fakta o konkrétním řešeném případu, dynamická součást systému.

Shell + báze znalostí

Prázdný shell (motor + UI bez pravidel) + báze znalostí = ES pro konkrétní doménu. Hlavní výhoda této architektury: shell se znovupoužívá pro různé domény jen s jinou bází znalostí. Stejný FEL-EXPERT shell tak může fungovat pro výběr prognostické techniky, pro lékařskou diagnostiku i pro doporučení investiční strategie — stačí vyměnit BZ.

Typy expertních systémů

Podle reprezentace znalostí rozlišujeme čtyři hlavní typy ES:

• Pravidlové (rule-based) — IF–THEN pravidla. Klasické příklady: MYCIN (lékařská diagnóza infekcí), FEL-EXPERT (strategické rozhodování). Nejrozšířenější typ.
• Případové (case-based reasoning, CBR) — knihovna minulých případů + metrika podobnosti. Nový případ se řeší tak, že se najde nejpodobnější historický případ a jeho řešení se adaptuje. Vhodné pro domény, kde je obtížné formalizovat pravidla, ale snadné pamatovat si konkrétní příběhy (právo, helpdesk).
• Modelové (model-based) — obecný matematický nebo kauzální model dynamiky systému, ne specifická pravidla. Inferuje se simulací modelu pro konkrétní vstupy. Vhodné pro technické diagnostiky (auta, elektrárny).
• Fuzzy ES — kombinace s fuzzy logikou pro nejistou znalost. Místo binárního „IF teplota > 30 THEN horko" pracuje s „IF teplota je vysoká THEN horko je vysoké" s členskými funkcemi. Cross-link: kurz Pokročilé metody v rozhodování.

Příklady heuristik

Aby bylo zřejmé, co znamená „kodifikace expertní zkušenosti", uveďme dva ilustrativní příklady :

Studentská heuristika

Pravidlo: „Jsou-li zkušební termíny v lednu A profesor je shovívavý, raději se přihlaste na únorový termín, který bývá obtížnější, ALE máte víc času na přípravu."

Komentář: Začátečník nezná tento kontextový vzorec — vidí jen „šance v lednu" vs. „šance v únoru" izolovaně. Zkušený student kombinuje tři faktory (datum, charakter zkoušejícího, vlastní příprava) a má heuristiku na jejich spojení. ES tuto heuristiku zformalizuje a sdílí s ostatními.

Hříbková heuristika

Pravidlo: „Jdete-li sbírat houby PŘI úplňku PO třídenním dešti, najdete pětkrát více hříbků."

Komentář: Lidová znalost, kterou ES může zformalizovat. Zajímavé je, že nikdo neumí formálně dokázat, proč to funguje — ale empirická pozorování to potvrzují.

Tyto „banální" příklady ukazují, jak ES kodifikuje tichou znalost (tacit knowledge) — znalost, kterou expert používá, ale obtížně ji formuluje. Knowledge engineer s ním vede strukturovaný rozhovor a převádí jeho intuitivní pravidla do explicitní podoby.

FEL-EXPERT — případová studie

FEL-EXPERT je nejvýznamnější československý ES shell a klíčový příklad nasazení ES v risk managementu.

Kontext

• FEL-EXPERT shell — vyvinut na Fakultě elektrotechnické ČVUT (FEL) v 80. letech.
• Habilitace prof. Raise — disertační/habilitační práce na téma využití ES v ekonomice. Vytvořena báze znalostí pro doménu strategického rozhodování firmy.
• Doména: výběr prognostické techniky a metod snižování rizika pro vrcholový management.

Báze znalostí

• 37 hypotéz o budoucnosti firmy / odvětví (např. „odvětví vstoupí do recese", „klíčový dodavatel zkrachuje", „regulace omezí export").
• 30 metod snižování rizika (každá s podmínkami aplikovatelnosti — kdy je metoda vhodná, kdy nikoli).
• Pravidla strukturovaná do subsystémů:

1. Klient — charakterizace firmy (velikost, odvětví, finanční zdraví, struktura vlastnictví).
2. Prognóza — výběr vhodné prognostické techniky podle dat a horizontu.
3. Data — dostupnost a kvalita vstupů (délka časové řady, frekvence, sezónnost).

Reálné nasazení

Úřad vlády ČSFR 1988–90 pro analýzu strategických rozhodnutí v transformační ekonomice. Toto je významný okamžik — jedno z prvních reálných nasazení ES ve veřejné správě v Československu.

Výsledky a limity

ES pro výběr prognostické techniky

Konkrétní funkční subsystém FEL-EXPERTu — pomáhá uživateli vybrat vhodnou prognostickou techniku z bohaté palety.

Vstupy uživatele

• Délka dostupné historie dat — krátká (< 24 vzorků), střední (24–100), dlouhá (> 100).
• Frekvence vzorkování — denní, týdenní, měsíční, čtvrtletní, roční.
• Stacionarita / sezónnost — má řada trend? Sezónní složku? Strukturní zlomy?
• Cílový horizont prognózy — krátkodobá (do 3 měsíců), střednědobá (3–24 měsíců), dlouhodobá (nad 2 roky).
• Dostupnost expertů — máme přístup k panelu znalců pro kvalitativní metody?

Výstupy ES

• Doporučená technika (kvantitativní nebo kvalitativní, viz dále).
• Alternativy s vysvětlením — proč právě tato, proč ne jiná.
• Odhad přesnosti — typicky interval spolehlivosti.
• Varování před úskalími — např. „pozor na strukturní zlom v roce X", „malá data → vysoká nejistota".

Kvantitativní prognostické metody

Metody pracující s číselnými časovými řadami. šest klíčových:

• Box-Jenkins (ARIMA) — autoregresní integrovaný klouzavý průměr, klasická metoda time series. Modeluje řadu jako $ARIMA(p,d,q)$, kde $p$ = řád autoregrese, $d$ = stupeň diferencování, $q$ = řád MA složky. Vyžaduje stacionární data (po diferencování).
• Klouzavé průměry (moving averages) — vyhlazení šumu, identifikace trendu. Jednoduché, ale ztrácí informaci na krajích řady.
• Extrapolace trendů — lineární / kvadratická / exponenciální regrese. Vhodné pro dlouhodobé monotónní trendy bez zlomů.
• Regresní modely — víceproměnné, lze zahrnout exogenní vlivy (HDP, kurz, sezónnost, ceny vstupů). Klíčový nástroj v kombinaci s kvantitativním měřením rizika.
• Exponenciální vyhlazování (Holt-Winters) — rozšíření klouzavých průměrů o trend a sezónnost. Vhodné pro maloobchodní data, energetiku.
• State-space modely (Kalmanův filtr) — pro dynamické systémy, kde se parametry mění v čase. Použití v navigaci, finančních modelech, řízení.

Cross-link predikce (kurz ipmrk) — detailní přehled prognostických metod včetně neuronových sítí.

Kvalitativní prognostické metody

Metody pracující s názorem expertů místo s číselnými daty. šest:

• Brainstorming — neformální generování nápadů ve skupině. Typicky 4–8 lidí, 30–60 minut, pravidlo „kvantita před kvalitou", kritika zakázána ve fázi generování.
• Delfská metoda (Delphi) — strukturovaný proces s expertními panely. Postup:

1. Anonymní iterace — experti odpovídají písemně bez vzájemné konfrontace (eliminuje skupinový tlak).
2. Konsolidace — moderátor sumarizuje odpovědi a posílá zpět s argumenty.
3. Konvergence — po několika kolech (typicky 3–5) se názory stabilizují a vzniká skupinový konsenzus s mírou nejistoty.

• Komunikační a prognostické hry — simulace situací (např. wargaming pro armádu, business gaming pro krizový management).
• Systémová dynamika (Forrester 1961) — kauzální smyčky, stocks-and-flows diagramy, simulace složitých systémů s feedback loopy. Klasické dílo: J. Forrester, Industrial Dynamics.
• Simulační modely (ekonometrické) — Monte Carlo simulace ekonomických scénářů. Vhodné pro analýzu citlivosti.
• Scenario planning (Shell, 1970s) — generování několika konzistentních budoucích scénářů (ne jediná prognóza). Slavný případ: Shell předvídal ropné krize 1973 a byl připraven.

Kdy použít kvalitativní

• Málo dat — historie krátká, nelze regresně modelovat.
• Strukturní změna — historie nereprezentativní pro budoucnost (např. po deregulaci trhu, po zavedení nové technologie).
• Politické / regulační rozhodnutí — ovlivněné lidskou vůlí, nelze extrapolovat.
• Disruptivní technologie — nemá historický precedent.

Vztah AI metod v risk managementu

čtyři hlavní AI metody používané v risk managementu. Každá má jiné silné stránky:

Tyto metody se kombinují v hybridních systémech. Nejznámější je ANFIS = Adaptive Neuro-Fuzzy Inference System — fuzzy ES, jehož členské funkce a pravidla se ladí pomocí učení neuronové sítě. Cross-link anfis.

Limity expertních systémů

Přes všechny výhody mají ES důležitá omezení:

• Statická báze znalostí — nereaguje na nové situace (na rozdíl od ANN, která se může přeučit z nových dat). Po strukturní změně domény je nutné BZ ručně přepsat.
• Knowledge acquisition bottleneck — extrakce pravidel od experta je nákladná. Expert často nedokáže své heuristiky verbalizovat („vím to, ale neumím to vysvětlit"). Knowledge engineer musí použít strukturované techniky (laddering, repertory grids).
• Kvalita BZ — celý systém je tak dobrý, jak je dobrá báze znalostí. Garbage in, garbage out platí dvojnásob.
• Kompozice pravidel — interakce mnoha pravidel může vést k neočekávaným závěrům. Při BZ s 1000+ pravidly je obtížné ověřit konzistenci.
• Maintenance — BZ se musí pravidelně updatovat. Bez údržby ES rychle zastará.
• Vysvětlení vs. přesnost — jednoduchá pravidla jsou srozumitelná, ale méně přesná než komplikované modely. Trade-off mezi interpretovatelností a výkonem (stejný problém jako u rozhodovacích stromů vs. deep learning).

ES v risk managementu — praktické použití

Konkrétní oblasti, kde se ES dnes nasazují v risk managementu:

• Selekce metod snižování rizika — vstup: charakteristiky rizika (frekvence, závažnost, kontrolovatelnost), výstup: doporučená taktika (vyhnutí, redukce, transfer, retence).
• Risk scoring — credit scoring (skóre žadatele o úvěr), fraud detection (podezřelé transakce). V současnosti často kombinováno s ANN, ale ES poskytuje vysvětlení („zamítnuto kvůli pravidlům X, Y, Z").
• Compliance — automatická kontrola dodržování regulací: KYC (Know Your Customer), AML (Anti-Money Laundering), GDPR.
• Diagnostika — identifikace zdroje problému (např. analýza výpadku IT systému, root cause analysis).
• Doporučení BCM scénářů — výběr vhodného scénáře obnovy podnikání. Cross-link bcm z kurzu Management oborových řešení.

Souvislosti

Cross-course (kurz ipmrk)

• predikce — detailní přehled prognostických metod (klasické i AI-based).
• fuzzy-logika — základ pro fuzzy ES.
• geneticke-algoritmy — alternativní AI přístup pro optimalizační úlohy.
• umele-neuronove-site — komplementární AI metoda, učení ze vzorků.
• anfis — hybridní systém kombinující fuzzy ES s neuronovým učením.

V rámci kurzu irmank

• mcfarlan-portfolio — ES patří do Strategické nebo Turnaround kvadrantu (vysoký dopad na strategii, vyžaduje speciální péči).
• operacni-vyzkum — komplementární kvantitativní přístup (LP, IP, simulace).
• investicni-rozhodovani-bot — ES může pomoci s výběrem investiční strategie (rule-based bot).
• mereni-rizika — kvantitativní vstup pro ES pravidla (hodnoty pro IF podmínky).
• taktiky-rizeni-rizik — výstupní doménový prostor ES (THEN doporučení).
• analyza-rizik-proces — kontext, ve kterém ES běží.

Navigace

• Předchozí: mcfarlan-portfolio
• Navazující: investicni-rozhodovani-bot
• Související: operacni-vyzkum