Розглянуто проблему прийняття рішень для випадку людино-машинного аналізу вхідних даних. Відзначено, що застосування людино-машинних систем підтримки прийняття рішень дає змогу зменшити часові та грошові витрати. Розглядається багатоканальна система автоматизованого прийняття рішень, яка може генерувати рішення в режимі реального часу на підставі сигналів, які поступають до неї з різних каналів. Всі канали є числовими. Каналами можуть бути як програмні засоби штучного інтелекту, так і компетентні експерти, які дають висновки щодо досліджуваного питання.
Досліджено два випадки: 1) випадок прийняття рішень щодо числової оцінки об’єкта або явища, коли узгоджене рішення має бути числовим; 2) випадок прийняття рішень щодо факту появи об’єкта чи явища, коли узгоджене рішення має бути логічним.
Розроблено 7 правил для визначення числової оцінки об’єкта або явища. Правила дають змогу врахувати оцінки, отримані з різних каналів, та надійності цих каналів. Окремі правила враховують оцінки, отримані з усіх каналів. Є правила, які враховують тільки оцінки тих каналів, надійність яких задовольняє визначені обмеження. Такий підхід забезпечує прийняття достатньо надійного рішення, відповідно до потреб задачі та особи, що приймає рішення.
Розроблено 4 правила для випадку прийняття рішень щодо факту появи об’єкта чи явища. Дані правила, аналізуючи числові оцінки, отримані з каналів, виробляють рішення з множини {True, False}, що відповідає випадкам появі/відсутності явища, що досліджується. Правила враховують надійність каналів, та за побудованою функціональною залежністю, переводять числову оцінку в логічну.
Побудована схема прийняття рішень у багатоканальних людино-машинних системах підтримки прийняття рішень робить можливим довільне збільшення кількості каналів у системі. Використання правил, які відсіюють оцінці, отримані з недостатньо надійних для конкретної проблеми каналів, унеможливить розсіювання результату оцінки через велику кількість каналів.
Вибір правил покладається на особу, що приймає рішення, або на власника проблеми.
[1] Dolgikh, S., Mulesa, O. (2021). Collaborative Human-AI Decision-Making Systems. IntSol Workshops, 96–105.
[2] Niese, N. D., & Singer, D. J. (2013). Strategic life cycle decision-making for the management of complex Systems subject to uncertain environmental policy. Ocean engineering, 72, 365–374. https://doi.org/10.1016/j.oceaneng.2013.07.020
[3] Mulesa, O., Snytyuk, V., & Myronyuk, I. (2019). Optimal alternative selection models in a multi-stage decision-making process. EUREKA: Physics and Engineering, (6), 43–50. https://doi.org/10.21303/2461-4262.2019.001005
[4] Webler, T., & Tuler, S. (2021). Four decades of public participation in risk decision making. Risk analysis, 41(3), 503–518. https://doi.org/10.1111/risa.13250
[5] Song, W., & Zhu, J. (2019). A multistage risk decision making method for normal cloud model considering behavior characteristics. Applied Soft Computing, 78, 393–406. https://doi.org/10.1016/j.asoc.2019.02.033
[6] Singh, V., Schiebener, J., Müller, S. M., Liebherr, M., Brand, M., & Buelow, M. T. (2020). Country and sex differences in decision making under uncertainty and risk. Frontiers in Psychology, 11, 486. https://doi.org/10.3389/fpsyg.2020.00486
[7] Yoe, C. (2019). Principles of risk analysis: decision making under uncertainty. CRC press. https://doi.org/10.1201/9780429021121
[8] Timiliotis, J., Blümke, B., Serfözö, P. D., Gilbert, S., Ondré-
sik, M., Türk, E.,… & Eckstein, J. (2022). A novel diagnostic decision support system for medical professionals: prospective feasibility study. JMIR Formative Research, 6(3), 29943. https://doi.org/10.2196/29943
[9] Arena, S., Florian, E., Zennaro, I., Orrù, P. F., & Sgarbossa, F. (2022). A novel decision support system for managing predictive maintenance strategies based on machine learning approaches. Safety science, 146, 105529. https://doi.org/10.1016/j.ssci.2021.105529
[10] Dolgikh, S., Mulesa, O. (2021). Covid-19 epidemiological factor analysis: Identifying principal factors with machine. CEUR Workshop Proceedings, 2833, 114–123.
[11] Kirichenko, L., Vitalii, B., Radivilova, T. (2020). Machine learning classification of multifractional Brownian motion realizations. CEUR Workshop Proceedings, 2608, 980–989. https://doi.org/10.32782/cmis/2608-73
[12] Pasman, H. J., Rogers, W. J., & Behie, S. W. (2022). Selecting a method/tool for risk-based decision making in complex situations. Journal of Loss Prevention in the Process Industries, 74, 104669. https://doi.org/10.1016/j.jlp.2021.104669
[13] Harris, D. (2017). Decision making in aviation. Routledge. https://doi.org/10.4324/9781315095080
[14] Li, G., Yang, Y., Zhang, T., Qu, X., Cao, D., Cheng, B., & Li, K. (2021). Risk assessment based collision avoidance decision-making for autonomous vehicles in multi-scenarios. Transportation research part C: emerging technologies, 122, 102820. https://doi.org/10.1016/j.trc.2020.102820.
[15] Li, S., Sun, Y., & Soergel, D. (2018). Automatic decision support for clinical diagnostic literature using link analysis in a weighted keyword network. Journal of medical systems, 42(2), 1–12. https://doi.org/10.1007/s10916-017-0876-3
[16] Marques, G., Agarwal, D., & de la Torre Díez, I. (2020). Automated medical diagnosis of COVID-19 through EfficientNet convolutional neural network. Applied soft computing, 96, 106691. https://doi.org/10.1016/j.asoc.2020.10669