Современный тендер: опора на новые технологии (Н. Комлев, "Финансовая газета", N 27, июль 2001 г.)

Современный тендер: опора на новые технологии

В предыдущей статье о тендере (N 26 "ФГ") мы остановились на том, что в процессе конкурсного отбора финансово-экономических компьютерных программ возникает противоречивая задача. С одной стороны, нужно принять во внимание максимум информации о каждой программе, ее разработчиках и поставщиках, а с другой - сделать картину выбора максимально простой, легко обозримой и понятной для заказчика. Желательно иметь механизм, позволяющий сравнивать программы с учетом сотен параметров. При этом нельзя просто заполнить анкету, сложить все "плюсы" и сравнить, у какой из систем получилось больше баллов. Необходимо сравнение по комплексу разнообразной и зачастую неполной информации.

Кандидатов с похожими параметрами, рассматриваемых организатором тендера, может быть несколько десятков. Потенциальный покупатель не может отдать предпочтение какому-либо инструментарию, не знает, какая операционная система для него больше подойдет, а набор необходимых функций он формулирует своим языком, далеким от академической точности определений. И самое главное, в том городе, где находится заказчик, нет партнеров ни той, ни другой фирмы, и внедрение должно осуществляться вахтовым методом.

В предыдущей статье мы говорили о том, что для относительно простого рейтингования используют специальные экспертные системы или электронные таблицы, но в данном случае традиционные математические методы использовать достаточно сложно, так как среди характеристик программ и фирм очень мало количественной информации.

По аналогии с разумом

Если бы для помощи в выборе удалось привлечь опытного эксперта, имеющего большой запас времени и хорошую память, то он постарался бы проследить связь одних параметров с другими. Например, очень трудно сказать сразу, какая из инструментальных платформ лучше для заказчика, но можно сопоставить имеющуюся технику заказчика и требования к технике со стороны каждой из платформ, посмотреть данные по аналогичным тендерам за последние несколько лет и проанализировать, какую платформу выбирают наиболее часто и какая чаще всего встречалась в неудачных проектах. Эксперт постепенно выделял бы среди рассматриваемых программ группы наиболее подходящих систем, заведомо непригодных, и некие промежуточные группы. Постепенно круг мог быть сужен до 1-3 претендентов.

Научить программу действовать самостоятельно подобным образом вряд ли возможно. Ее можно использовать как вспомогательное средство при проведении сравнительного анализа. Для этого целесообразно применять технологии искусственного интеллекта, имитирующие такие процессы, как деятельность нейронов мозга или естественный отбор. Наиболее популярными и проверенными из этих технологий являются нейронные сети и генетические алгоритмы. В последние годы происходит их активное развитие. Во-первых, они помогают преодолеть ряд ограничений традиционных аналитических методик, что удалось доказать на большом количестве примеров. Во-вторых, благодаря быстрому развитию мощности вычислительной техники стала возможна реализация этих алгоритмов на обычных компьютерах, стоящих в офисах многих фирм.

В середине 90-х годов всплеск интереса к программам, реализующим нейросетевые алгоритмы, наблюдался в России. И сегодня в Интернете можно найти немало интересного о нейронных сетях, но это либо описание математического аппарата, положенного в их основу, либо описание некоммерческих программ. И то, и другое мало подходит для использования в практике тендерного отбора. Утверждение о том, что нейронная сеть - это своего рода "черный ящик", отражает одну особенность этого метода, а именно неинтерпретируемость результатов. Ответ сети - сложная нелинейная функция от входных значений. При этом довольно непросто понять, какими особенностями входного примера обусловлена реакция сети. Однако во многих практических задачах важна не интерпретация, а результат. Тендерный отбор, на наш взгляд, относится к числу таких задач.

Утверждение о неважности интерпретации по сравнению с результатом нередко вызывает непонимание у сторонников классических математических методов. Однако можно привести такой пример. В то время, когда еще не существовало микропроцессоров, для контроля качества определенных деталей на конвейере использовали голубей. Обученный голубь высматривал в потоке такие изделия, которые чем-либо отличались от типовых, и, обнаружив брак, клевал кнопку, получая лакомство. Алгоритм, по которому его мозг анализировал внешний вид предметов, отличал изделия с отклонениями, трудно было описать формулами. Но важен был достигаемый результат.

С искусственной нейронной сетью ситуация похожая. Сеть обучают на достаточно большом количестве информации, после чего она подобно голубю начинает "разумно" реагировать на вновь вводимые аналогичные данные.

Самоорганизующиеся карты

К сожалению, полностью универсальных программ, способных реализовать все виды архитектур нейронных сетей, на рынке не существует, поэтому приходится выбирать из того, что устойчиво работает, доступно по цене и удобно для применения.

Рассмотрим для примера вид нейронных сетей, называемый Самоорганизующимися картами. Автором одной из известных методик в этой области является Т. Кохонен, по имени которого названы соответствующие нейросетевые технологии.

Суть этой методики применительно к задаче тендерного отбора можно описать следующим образом. Предположим, существует определенный массив информации о претендентах. Пусть их будет 100 (участвовать в конкурсе могут не только фирмы-разработчики, но и дилеры). Каждую систему характеризуют 50 параметров. Среди них - перечень реализованных в программе функций, платформа системы, характеристики фирмы-разработчика, наличие региональных партнеров, опыт работы в аналогичных отраслях. На основании пожеланий заказчика с помощью тех же 50 параметров составляется образ "оптимального претендента". Таким образом, мы имеем сложное 50-мерное пространство выбора.

Задача заключается в том, чтобы выделить претендентов, которые находятся ближе всего к образу "оптимального претендента". Программа формирует так называемую Карту Кохонена, т.е. некоторым образом преобразует неудобную для понимания 50-мерную картину в простую двумерную карту. Каждая точка многомерного пространства отображается на плоской карте в виде клетки или шестиугольника. Клетки с одинаковыми координатами содержат сходных претендентов. Чем дальше на карте координаты претендентов, тем больше различаются их ситуации. Те претенденты, которые расположились ближе всего к "оптимуму", и есть кандидаты на победу в тендере.

Программы, реализующие этот метод, имеют немало дополнительных возможностей (они позволяют создавать цветные карты и наносить на них дополнительную информацию). Кроме того, эти программы можно применять на разных стадиях тендерного отбора. Например, после того как среди множества претендентов отобраны 2-3 наиболее близких к требованиям заказчика, можно попробовать оценить перспективы развития проекта с каждым из них (для этого, правда, необходима информация по успешным и неудачным проектам). Программа сгруппирует их в некоторые области с определенным уровнем риска. При этом наравне с проектами, имевшими место в действительности, программа разнесет по карте и текущий проект заказчика в вариантах с каждым из претендентов. Попадание в зону риска будет означать не очень благоприятный прогноз.

Описываемые примеры не так сложно воспроизвести на практике. Например, для начала можно воспользоваться бесплатной лайт-версией австрийской системы Viscovery SOMine.

Н. Комлев

ЦИЭС "Бизнес-Программы-Сервис"

"Финансовая газета", N 27, июль 2001 г.