کاربرد سیستم خبره در تحلیل اعتبار
سیستم های خبره برخلاف سیستم های اطلاعاتی كه بر روی داده ها عمل می كنند، بر دانش متمركز شده است. همچنین در یك فرآیند نتیجه گیری، قادر به استفاده از انواع مختلف داده های عددی، نمادی و مقایسه ای می باشند.
فرآیند نتیجه گیری در سیستم های خبره بر روش های استقرایی و قیاسی پایه گذاری شده است. با توجه به توانایی این سیستم ها در كار در شرایط فقدان اطلاعات كامل و یا درجات مختلف اطمینان در پاسخ به سؤالات مطرح شده، سیستم های خبره نماد مناسبی برای كار در شرایط عدم اطمینان (uncertainty) و یا محیط های چند وجهی می باشند.
برای دانستن این که تا چه حد و با چه ظرفیتی سیستم های خبره می توانند در کارها و امور مالی موفق باشند، علم به اینکه عموما سیستم های خبره چه وظایفی را برای سیستم های خبره پیش بینی کرده اند این وظایف شامل تغییر، تشخیص، مونیتورینگ، پیش بینی، برنامه ریزی و طراحی می باشند.
تحلیل اعتبار
وظیفه اصلی مسئول وام در بانك ها و موسسه های مالی، تخصیص اعتبار و مقدار آن است. ماهیت این وظیفه تكراری ولی غیر ساختار یافته است. برای بهبود و دقت این فرایند می توان از سیستم های خبره استفاده نمود.
برای مثال سیستم خبره American Express`s Authorizer`s Assistant از این قبیل سیستم هاست. این سیستم برای ارزیابی
درخواست های اعتباری غیر معمول مشتریان صاحب كارت های اعتباری به صورت Real-time طراحی شده است.
این سیستم ها قبلا به صورت دستی و با 15 درصد اشتباه ارزیابی می شدند اما با استفاده از این سیستم درصد خطا به ۴ درصد رسید. زکو در سال ۱۹۸۵ چارچوبی را برای سیستم های خبره در مدیریت وام های بانکی طراحی و ارائه نمود.
ایواسیزکو و همکاران در سال ۱۹۸۶ سیستم خبره ای را با استفاده از زبان LISP طراحی كردند كه برای
ارزیابی اعتبار مشتریان به كار گرفته می شد . پایگاه دانش این سیستم از تئوری مدیریت ریسك اعتباری اولیه منشا گرفته بود.
این سیستم توسط آكادمی اقتصاد فورکلاو در لهستان طراحی و پیا ده سازی شد. این سیستم خبره از روش زنجیره پسرو پیروی می كرد. بدین صورت كه از هدف نهایی كه اعطای اعتبار بود شروع می كرد و با عبور از قوانین درست به داده های اولیه كه داده های متقاضیان بود می رسید.
بریان در سال 2001 سیستم خبره ای با نام آلیس (ALEES) برای ارزیابی وام های کشاورزی طراحی کلین در سال 2002 سیستم خبره ای را با نام Finsim طراحی کرد.
این سیستم یک سیستم KB/DSS برای تحلیل های مالی بود. این سیستم برای تحلیل اعتبار مشتریان در بعضی از بانك های فرانسه مورد استفاده قرار گرفت. در سال ۲۰۰۳ والکر و هادکینسون به طراحی سیستم خبره CEEES برای تصمیم گیری در مورد اعطای اعتبار پرداختند .
این سیستم كه توسط زبان پرولوگ نوشته شده است متقاضیان وام را به دو دسته واجد شرایط و غیر واجد شرایط دریافت وام تقسیم می نمود. بینون و گریفیت در سال ۲۰۰۵ سیستم خبره ای را برای نرخ گذاری اعتبار بر اساس VPRS در بانك های اروپا و شمال آمریكا طراحی كردند و در سال ۲۰۰۷ دیوید به بررسی چگونگی كاهش قوانین در پایگاه دانش سیستم خبره در امتیازدهی اعتبار پرداخت.
متدولوژی سیستم های هوشمند هیبریدی
سه دلیل اصلی کاربرد سیستم های هوشمند هیبریدی عبارتند از:
- ارتقای تکنیک: سیستم های هیبریدی برای رفع عیوب تکنیکهای هوشمند منفرد به وجود آمده اند.
- کثرت وظایف کاربردی: سیستم های هوشمند ترکیبی به وجود آمده اند چرا که هیچ تکنیک واحدی برای حل تمام مشکلات جزء یک مسئله نمی تواند به کار برود.
- سیستم های هیبریدی خلق شده اند تا قابلیت پردازش اطلاعات چندگانه را در یک معماری واحد نشان دهند.
از آنجائی که سیستم های هوشمند هیبریدی تکنیک های هوشمند چندگانه ای را برای حل مسائل به کار می برند، کاربرد و راه اندازی آنها تا حد زیادی مشکل و پیچیده می باشد .
ولی ابزار توسعه و چارچوب های مناسبی می توانند در سازماندهی، طراحی و به کارگیری این سیستم ها کمک زیادی کنند. چند مدل ترکیبی گوناگونی برای طراحی سیستم های هوشمند هیبریدی وجود دارد.
برای مثال مدل های ترکیبی استدلال، اطلاع رسانی و خدمات (IRIS) پیشنهاد شده اند. ماژول استدلال شامل استدلال کننده های هوشمندی مانند شبکه های عصبی و سیستم های خبره می گردند . ماژول اطلاع رسانی شامل پایگاه داده، حس کننده ها، و واسط کاربر I/O (ستاده/داده) و ماژول خدمات مسئول وظایف پردازش داده مانند پیش پردازش و پس پردازش می گردد.
تمرکز این پژوهش بر روی مدل اول یعنی مدل های هوشمند استدلالی ترکیبی است. در قسمت ذیل توضیحاتی در مورد این مدل داده می شود:
یک سیستم هوشمند هیبریدی استدلالی دارای دو ماژول اصلی به نام های ماژول سمبولیک (برای مثال ES) و ماژول غیر سمبولیک (برای مثال ANN) است که با هم در تعامل هستند.
میزان تعامل بین این دو می تواند از جفت شدن ضعیف تا جفت شدن کامل در تغییر باشد. همانطور که در شکل دیده می شود قسمت تیره مقدار تعامل بین دو ماژول را نشان می دهد. هر چقدر که این قسمت افزایش یابد مقدار تعامل بین این دو ماژول افزایش می یابد و در نتیجه درجه جفت شدن آن ها نیز محکم تر می گردد.
مدل های تنها
مدل های هوشمند هیبریدی تنها دارای دو جزء جداگانه مانند یک سیستم خبره و یک شبکه عصبی مصنوعی می باشند که هیچ گونه تعاملی با همدیگر ندارند. چنین مدل هایی مزایای هر کدام از ماژول ها را به طور جداگانه به همراه دارند بدین معنی که شامل استدلال و تشریح پذیری سیستم های خبره و انعطاف پذیری و یادگیری شبکه های عصبی مصنوعی را به همراه دارند.
هر چند که باید گفت این نوع مدل ها نمی توانند به نقاط ضعف هر کدام از ماژول های مقابل غلبه کنند. از سیستم هایی كه از این معماری برخوردارند می توان به سیستمی كه چنگ و همکاران در سال ۱۹۹۴ برای تحلیل های پایگاه دانش طراحی كرد نام برد و یا به سیستمی كه سان و پترسون در Query معنایی سال ۱۹۹۸ برای ناوبری شبیه سازی شده طراحی و پیاده سازی كردند اشاره كرد.
مدل های ترکیبی
این نوع مدل ها نیز نوع دیگری از مدل های جفت شده ضعیف می باشند. در این نوع از مدل ها مانند مدل های نوع اول هیچ کدام از ماژول ها با ساختار داده ای ماژول دیگر در ارتباط نیستند. این نوع مدل ها به صورت ترتیبی عمل می کنند بدین صورت که خروجی یکی از ماژول ها به عنوان ورودی ماژول دیگر به کار می رود.
برای مثال خروجی سیستم های خبره می توانند به عنوان ورودی شبکه های عصبی مصنوعی به کار روند. یکی از نقاط ضعف این نوع مدل ها افزایش زمان پردازش و همچنین دوباره کاری برای ساخت هر کدام از ماژول ها به طور جداگانه است. برای نمونه گلفاند و همکاران در سال ۱۹۸۹ سیستم های پایگاه دانش و شبكه های عصبی را برای مهارت های ربات طراحی كردند كه از این معماری تبعیت می نمود.
مدل های جفت شده محکم
در این نوع مدل ها هر کدام از اجزا، قسمتی و نه تمام ساختار داده ای همدیگر را برای برقراری ارتباط به جای استفاده از فایل های داده ای خارجی به کار می گیرند.
یکی از فواید اصلی استفاده از حافظه داخلی، بالا بردن سرعت تعامل بین اجزا و کاهش زمان برقراری ارتباط بین اجزاست. هر چند که پیچیدگی توسعه و نگهداری این مدل ها بیشتر و مشکل تر از دو مدل اول است.
به طور مثال سیستمی كه کوانسی و فیصل در سال ۱۹۹۲ برای تجزیه های صرف و نحوی طراحی كردند از این معماری پیروی می كرد.
مدل های جفت شده کامل
مدل های جفت شده کامل یک معماری هیبریدی را با ماهیتی دوگانه بیان می دارد. بدین معنی که این معماری می تواند به صورت یک معماری شبکه های عصبی مصنوعی و یا سیستم خبره دیده شود ولی دارای مشخصات و ویژگی های هر دو ماژول باشد.
این نوع مدل ها می توانند تمام ساختار داده ای داخلی و بازنمایی دانش هر کدام از اجزا را به اشتراک بگذارند. علی الخصوص، سمبول های ورودی سیستم خبره می توانند به عنوان گره های ورودی شبکه عصبی به کار روند و همچنین گره های خروجی شبکه عصبی می توانند به عنوان تصمیم خروجی سیستم خبره دیده شوند .
هر دو ماژول می توانند توسط یک مکانیزم نگاشت به همدیگر تبدیل گردند. این نوع مدل ها توانایی ترکیب مشخصه های هر دو نوع پارادایم سمبولیک و غیرسمبولیک را دارند. نتیجه خروجی این نوع مدل های هیبریدی هوشمند قویتر و اثربخش تر از نتایج دیگر مدل ها می باشد.
به عنوان مثال سیستم اسکرین كه برای كاربرد در تحلیل زبان همزمان در سال ۱۹۹۷ توسط ورمتر و وبر طراحی شده است از این معماری پیروی می كند.
کاربرد سیستم های هوشمند هیبریدی در بازار مالی با تاکید بر کاربرد آن در رتبه بندی اعتباری
در سال 2002 مالهورتا و مالهورتا مدل شبکه عصبی-فازی آنفیس را برای تشخیص مشتریانی که باید به آن ها وام تعلق بگیرد به کار بردند و نتایج آن را با رگرسیون تمایزی خطی مقایسه کردند.
برای این ارزیابی و مقایسه آنها داده های خود را از نه
موسسه اعتباری گردآوری كردند و از هفت جفت مختلف نمونه های آزمایشی و آموزشی ای كه از این موسسه ها جمع آوری شده بود بهره بردند.
آنها از ۵۰۰ مشاهده برای آموزش و ۲۹۰ مشاهده برای آزمایش دو مدل خود استفاده نمودند. نتایج آنان نشان داد كه عملكرد مدل شبكه عصبی‐فازی آنها بسیار بهتر از مدل دیگر است.
در سال ۲۰۰۲ هافمن و همکاران كلاسیفایرهای فازی‐عصبی و فازی‐ژنتیكی را برای امتیازدهی اعتبار به كار بردند و نتایج مثبتی نیز از تحقیقات خود گرفتند.
در سال ۲۰۰۲ لی و همکاران سیستمی هیبریدی متشكل از شبكه عصبی و تكنیك های تمایزی برای
امتیازدهی اعتباری طراحی كردند. در این مدل تحلیل تمایزی ابتدا برای ساخت مدل امتیازدهی اعتباری استفاده می شود و سپس خروجی های آن به عنوان ورودی های شبكه عصبی مصنوعی به كار برده می شود.
نتایج نشان داد كه این مدل هیبریدی كارایی دقت بالاتری نسبت به سایر مدل های سنتی دارد و دارای خطای نوع دوم كمتری نیز است. هوآنگ و همکاران در سال ۲۰۰۴ تكنیك های ژنتیك الگوریتم و شبكه های عصبی را برای حل مشكلات تحلیل اعتبار به كار بردند.
همچنین لی و چن در سال ۲۰۰۵ یك فرایند مدلینگ هیبریدی دو مرحله ای را با استفاده از شبكه های عصبی و اسپلین های رگرسیون انطباقی چندمتغیره (MARS) برای امتیازدهی اعتبار پیشنهاد داده اند. آن ها در ابتدا از MARS برای ساخت مدل امتیازدهی اعتبار استفاده نمودند و سپس متغیرهای بدست آمده را به عنوان ورودی وارد سیستم خبره نمودند .
داده هایی كه آنها استفاده نمودند مربوط به یك بانك محلی كه وام مسكن به مشتریانش اعطا می نمود بود. هسیه در سال ۲۰۰۵ سیستمی هیبریدی را برای امتیازدهی اعتباری بر اساس دسته بندی و شبكه های عصبی طراحی كرد.
وی از دسته بندی برای انجام فرایند آنالیز، طبقه بندی و هرس كردن آن ها قبل از ورود به شبكه عصبی استفاده نمود و از شبكه عصبی برای ساخت مدل امتیاز دهی اعتبار استفاده نمود. لاها در سال ۲۰۰۶ روشی را برای امتیازهای اعتباری توسط كلاسیفایرهای قانون محور فازی معرفی كرد.
در این روش ابتدا فرایند یادگیری بر روی قانون محور توسط داده های آموزشی با استفاده از روش SOM انجام می شود و سپس قانون k-nn فازی نیز با آن ترکیب می شود. از قابلیت های این روش این است ک محدودیت های تجاری نیز در آن نشان داده می شوند.
در آخرین تحقیقات نیز در سال 2007 جیائو و همکاران با استفاده از شبکه تطبیقی فازی (FAN) به
سنجش اعتبار د شرکت های مالی کوچک پرداختد.
در این مدل ابتدا داده های سنجش اعتبار توسط اعداد فازی نمایش داده می شوند سپس شبکه فان بر اساس قانون های استنتاجی که 27 قانون فازی هستند ساخته می شود و در نهایت شبکه با استفاده از داده های آموزشی اعداد فازی آموزش داده می شود و یا فرایند یادگیری بر روی آن انجام می شود.
مزایای اصلی این سیستم عبارتند از: بارنمایی زبانی، تراکم زبانی و خاصیت یادگیرنده شبکه های عصبی.
طراحی سیستم هوشمند ترکیبی رتبه بندی اعتباری مشتریان بانک ها با استفاده از مدل های استدلالی فازی ترکیبی
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=103919