TRATAMIENTO DE LA INCERTIDUMBRE EN SISTEMAS DE DIAGNÓSTICO PARA EMPRESAS

Transcripción

1 Albano, Sergio Marchese, Alicia G. Moratello, María C. Picco, Alicia M. Plüss, Jorge J. Scarabino, Juan Carlos Instituto de Investigaciones y Asistencia Tecnológica en Administración, Escuela de Administración. TRATAMIENTO DE LA INCERTIDUMBRE EN SISTEMAS DE DIAGNÓSTICO PARA EMPRESAS 1. INTRODUCCIÓN Los sistemas expertos constituyen hoy una herramienta vastamente probada entre las nuevas tecnologías de información. Se trata de una rama de la Inteligencia Artificial, campo de estudio de las Ciencias de la Computación que pretende hacer razonar a las computadoras de manera similar a los humanos. Un sistema experto es un programa de computadora diseñado para modelizar la habilidad para resolver un problema que posee un experto humano" 1. Es nuestro objetivo el desarrollo de un sistema experto que logre diagnosticar y asesorar a los entes económicos (sus fortalezas y debilidades), poniendo énfasis en sus aspectos financieros. Para ello hemos recopilado pautas de evaluación cuantitativas (partiendo de los distintos ratios de uso común en el ámbito administrativo) y cualitativas (aspectos atinentes al aspecto social de la organización), así como también tratamos de incorporar elementos provenientes del contexto en que la organización desarrolla sus actividades. Hemos recurrido al conocimiento de expertos en la materia, que estuvieron dispuestos a exponer y explicar su metodología de trabajo a la hora de diagnosticar acerca de la situación de las empresas. A partir de esta experiencia, hemos detectado que a menudo los expertos no están en condiciones de expresar con exactitud una única respuesta, razón por la cual nos adentramos en el estudio de lo que se ha denominado Razonamiento Aproximado. 2. MODELAR LA ORGANIZACIÓN Como ya dijéramos, la radiografía completa de una empresa en marcha se basa en tres cuestiones relacionadas entre sí: Análisis de sector, que es analizar el al marco donde se desenvuelve. Análisis cualitativo interno, que se focaliza en los aspectos cualitativos. 1 DURKIN, John Expert Systems, Prentice Hall International Edition,

2 Análisis cuantitativo interno, que apunta a las variables mensurables y que se lleva a cabo en tres dimensiones: La financiera, la económica y la patrimonial.- Para que la evaluación funcione, la secuencia de pasos a aplicar es la que sigue: Hacer un profundo análisis del sector y del mercado. Analizar la empresa, desde un punto de vista cualitativo. Analizar la empresa, desde un punto de vista cuantitativo. Reunir y ordenar la información disponible. Determinar las fortalezas y debilidades. Una vez analizadas las variables constitutivas y sus interrelaciones, estaremos en condiciones de prever el comportamiento del sistema modelado. Es decir, éste es el objetivo propuesto para que el sistema ayude a la toma de decisiones, a través de un razonamiento del tipo qué pasaría si.... Estos escenarios posibles ayudarán a pensar el proyecto de empresa, a qué se quiere llegar y cuáles serán los pasos a seguir para su logro. 3. HERRAMIENTAS DISPONIBLES. SISTEMAS EXPERTOS. RAZONAMIENTO APROXIMADO. Existe abundante bibliografía relativa al análisis organizacional, tanto en sus aspectos cualitativos como cuantitativos, la que está a nuestro alcance enuncia con mayor o menor grado de detalle las pautas a tener en cuenta para lograr este objetivo. Es decir, enuncian qué elementos deberán ser tenidos en cuenta para el análisis, pero no cómo interactúan dichos elementos entre sí y consecuentemente, cuáles serían las medidas correctivas a proponer. El cómo se aplican en la práctica estos elementos fue aportado por los expertos. Ellos nos proveyeron de pautas que permitieron relacionar los ratios entre sí para obtener conclusiones. El equipo de investigadores abocados a la tarea de desarrollar un sistema experto de diagnóstico de empresas, tiene como primer objetivo la determinación de los ratios o cocientes, que conforme a su jerarquía - la que determinará el orden de prelación para el análisis - conformarán el árbol que permitirá arribar a una conclusión final sobre la situación de la empresa analizada. Dicha conclusión final será producto del análisis de los aspectos cualitativos y cuantitativos, previamente determinados, los que analizados en su conjunto permitirán arribar a la pretendida conclusión. Una vez lograda la calificación, resultante del trabajo realizado, es decir lo que llamamos la conclusión final, deberá darse curso al estudio de las causas que ocasionan el diagnóstico obtenido, pudiendo de esta manera, ante el exhaustivo análisis de los motivos que condujeron a la empresa a la situación comprobada y hoy cuestionada, tomar las decisiones que correspondan - con un alto grado de acierto dado el diagnóstico realizado - a los efectos de llevar a buen puerto a la organización en su conjunto. Por otra parte, entendemos que, tanto en el análisis cualitativo y en lo que hace a variables del entorno como en el análisis cuantitativo, el procedimiento de etiquetar de acuerdo a parámetros no es directamente aplicable. Optamos entonces por establecer un sistema de conclusiones que abarquen respuestas lingüísticas que se irán combinando en función de las conclusiones parciales que surjan. Ya no alcanza con calificar como bueno, 108

3 regular o malo sino que en adelante a este primer logro deberá adicionarse un si bien..., un condicionamiento adicional que se acerque más a la realidad que buscamos modelar. SEDAF (Sistema Experto de Diagnóstico y Asesoramiento Financiero) es un programa de computadora que obtiene datos de la empresa desde una fuente externa (base de datos relacional), elabora ratios y los somete a un proceso de comparación con valores deseados que se encuentran en la base de conocimientos. La idea sobre la que se basa este sistema es el conocimiento, que consiste en almacenar en la base de datos del sistema de información, los estándares aceptados por los expertos humanos para que el sistema realice un proceso de comparación con los datos de la empresa analizada y que es efectuado a través de la acción de un conjunto de reglas de producción. Éstas están escritas de la manera: IF premisa THEN conclusión, significa que si la premisa en verdadera la conclusión es cierta. Hasta aquí estaríamos en condiciones de etiquetar el resultado en alguno de los parámetros previstos. Por ejemplo, dado el ratio Liquidez Seca (LS) = ActivoCte / PasivoCte SI LS =1 ENTONCES PLS = Muy buena SI LS =2 ENTONCES PLS = Buena SI LS =3 ENTONCES PLS = Regular SI LS =4 ENTONCES PLS = Mala SI LS =5 ENTONCES PLS = Muy mala En este caso, una vez estudiados los parámetros, la reglas serían aplicables. Pero a menudo ocurre que los expertos no están en condiciones de expresar su opinión de manera tan precisa. Se recurre entonces a la utilización de coeficientes. El coeficiente es un factor que se agrega para representar la incertidumbre y/o imprecisión que el experto asigna a este conocimiento y que se denomina coeficiente de refinamiento. Generalmente este coeficiente se mide en una escala de 0 a 100 y supone una modificación al principio de inferencia del Modus ponens (regla de inferencia utilizada por la lógica clásica).- La regla tomaría entonces la forma: IF <premisa> THEN <conclusión> <coeficiente> Este coeficiente de refinamiento aparece como un modificador de la conclusión en las reglas utilizadas para la representación del conocimiento heurístico y es uno de los componentes utilizados luego por el motor de inferencias del SEDAF para la gestión del razonamiento aproximado. Una función de pertenencia referida a la teoría de los conjuntos borrosos (FUZZI SETS) es una función que combina un valor de un parámetro que puede pertenecer al citado conjunto con un número que indica su grado de pertenencia en la escala adoptada (COX A), por lo que estamos definiendo un conjunto difuso cuya función de pertenencia resulta a partir de la colección de valores proporcionados por el usuario final. Las reglas individuales son los componentes de la base de conocimiento del sistema experto y se pueden relacionar dando lugar a nuevos hechos, los que a su vez representan la estructura dinámica del conocimiento con que está configurado el sistema. La relación entre las reglas posibilita una cadena de inferencias que es gestionada por una parte del sistema experto y que se denomina motor de inferencia. La base de conocimientos y el 109

4 motor de inferencias constituyen el núcleo de la arquitectura de los sistemas expertos ( Nebendahl, 1989 A).- El motor de inferencias puede trabajar en las modalidades de encadenamiento hacia adelante (dirigido por los datos) o encadenamiento hacia atrás (dirigido por los objetivos) dependiendo del sentido en que se realiza la asociación de sucesos. En el encadenamiento hacia adelante, que es el utilizado en SEDAF, primero se requieren los datos para analizar la premisa, es decir dentro del IF <condición>, para luego decidir si corresponde continuar con el THEN <conclusión>. La conclusión de esta regla puede ser la condición de la premisa necesaria para otra regla y así sucesivamente, configurando un encadenamiento de estas pequeñas porciones de conocimiento que contribuyen a establecer el resultado final del proceso de inferencia (Nebendahl B). Aunque en la arquitectura de los sistemas expertos el conocimiento en la base de conocimientos aparece aislado de la estructura de control, existe además un tipo particular de reglas, las meta-reglas gestionadas por el motor de inferencia y que gobiernan o indican el modo y las circunstancias en que se aplican las reglas de producción del sistema (Hayes, 1983 A).- El motor de inferencia de la herramienta utilizada para la construcción del sistema experto SEDAF, KAPPA PC v 2.4, dispone de varias modalidades de funcionamiento en encadenamientos hacia adelante y un modo por defecto. Este último hace una búsqueda que se interrumpe cuando encuentra por primera vez el objetivo que se le ha propuesto. LIQUIDEZ Dominio = St y > St 1 0,9 0,8 Grados de certeza 0,7 0,6 0,5 0,4 0,3 0,2 S2 0,1 S1 0 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,5 Valores LIQUIDEZ=2 LIQUIDEZ=2.15 Buena (CF=0.6) Muy Buena(CF=0.5) En el gráfico anterior, dado un valor 2, entonces la etiqueta a asignar es buena, con un coeficiente de certeza igual al 100%, pero si el valor es 2.15, entonces la etiqueta a asignar sería buena, con un coeficiente 0.6 o regular con un coeficiente de 0.5. Entre estas 110

5 dos opciones, debemos optar por una y elegimos la que lleva asociado un mayor coeficiente de certeza. 4. LA INCERTIDUMBRE COMO PARTE DEL MODELO ORGANIZACIONAL Cuando enunciamos una regla, solicitamos al experto que le asocie un grado de certeza. Si éste es menor que 100 (seguro), también decrece la credibilidad de la inferencia relacionada. En nuestro caso, estamos tratando de combinar reglas para arribar a un diagnóstico. Para ello nos tomamos pautas del sistema experto MYCIN, descripto por Durkin 2 que se basa en la denominada Lógica difusa: Una rama de la lógica que utiliza grados de pertenencia en grupos, más allá de la estricta dicotomía verdadero/falso 3 que provee los medios para representar y razonar con términos vagos o ambiguos con la computadora. Debemos partir de la identificación de distintas variables lingüísticas (términos del lenguaje natural que describen algunos conceptos que usualmente tienen valores vagos o difusos), o variables difusas, mediante las cuales tratamos de emular el razonamiento del experto. Los valores (adjetivos) de las variables difusas se representan utilizando conjuntos difusos, que agrupan elementos según el grado de certeza de que el elemento pertenezca al conjunto difuso. Conjuntos difusos: Dado X como universo del discurso, con x elementos. Un conjunto difuso A de X se caracteriza por la función de pertenencia que asocia cada elemento x con un grado A de pertenencia. En contraste con la teoría de probabilidades, que asigna probabilidad a un elemento dado sobre la base de las frecuencias del evento, la lógica difusa asigna valores al evento sobre la base de la función de pertenencia al conjunto. 5. CONSTRUCCION DE UN SISTEMA EXPERTO DE LOGICA DIFUSA. La construcción de un sistema experto de lógica difusa es un proceso interactivo, en el cual un conjunto infinito de reglas difusas y conjuntos difusos es formado y luego mejorado hasta encontrar las especificaciones proyectadas. Partimos de un conjunto de reglas ya investigadas y procedimos a combinarlas. Logramos una relación entre las mismas que permite emitir un diagnóstico a priori del ANÁLISIS DE LA SITUACIÓN FINANCIERA DE CORTO PLAZO que toma la siguiente forma: 2 DURKIN, J. op.cit. 3 DURKIN, op. Cit. 111

6 Reglas para situacion financiera de corto plazo IF Acidez mala and liquidez =mala and c pago < p realiz then sit. mala IF Acidez buena and liquidez =mala and c pago < p realiz then sit. IF Acidez MB and liquidez =mala and c pago < p realiz then sit. mala,pero mejora en act no mala,pero mejora en act no IF Acidez mala and liquidez =buena and c pago < p realiz then sit. mala IF Acidez buena and liquidez =buena and c pago < p realiz then sit. IF Acidez MB and liquidez =buena and c pago < p realiz then sit. IF Acidez mala and liquidez =MB and c pago < p realiz then sit. IF Acidez buena and liquidez =MB and c pago < p realiz then sit. Estable IF Acidez MB and liquidez =MB and c pago < p realiz then sit. IF Acidez mala and liquidez =mala and c pago = p realiz then sit. IF Acidez buena and liquidez =mala and c pago = p realiz then sit. IF Acidez MB and liquidez =mala and c pago = p realiz then sit. mala,pero mejora en act no mala,pero mejora en act no estable, se agrav en act no estable, mejora en act no estable, baja liq agravada por situaciones no estable, baja liq estable, baja liq mejorada por situaciones no IF Acidez Mala and liquidez =buena and c pago = p realiz then sit. IF Acidez Buena and liquidez =buena and c pago = p realiz then sit. IF Acidez MB and liquidez =buena and c pago = p realiz then sit. estable, baja liq complicada por sit. no estable, baja liq estable, baja liq mejorada por sit. no IF Acidez Mala and liquidez =MB and c pago = p realiz then sit. estable,mejora, salvo situaciones no IF Acidez Buena and liquidez =MB and c pago = p realiz then sit. estable,mejora IF Acidez MB and liquidez =MB and c pago = p realiz then sit. IF Acidez Mala and liquidez =mala and c pago > p realiz then sit. estable,mejora, incluso con situaciones no desahogada, empeora incluso en sit no IF Acidez Buena and liquidez =mala and c pago > p realiz then sit. IF Acidez MB and liquidez =mala and c pago > p realiz then sit. desahogada, empeora salvo en sit no desahogada, empeora pero mejora por sit no IF Acidez Mala and liquidez =buena and c pago > p realiz then sit. desahogada, IF Acidez Buena and liquidez =buena and c pago > p realiz then sit. desahogada IF Acidez MB and liquidez =buena and c pago > p realiz then sit. empeora por sit no desahogada, mejora por sit no IF Acidez Mala and liquidez =MB and c pago > p realiz then sit. IF Acidez Buena and liquidez =MB and c pago > p realiz then sit. IF Acidez MB and liquidez =MB and c pago > p realiz then sit. desahogada, pero empeora por sit no desahogada, queda igual desahogada, pero mejora con situaciones no 112

7 En los casos en que la situación fuera etiquetada como mala..., se sugieren distintas alternativas de solución viables, tales como: realizar nuevos aportes de capital, liquidar activos no corrientes u obtener pasivos no corrientes. Dichas opciones merecen análisis específicos que exceden el marco de este proyecto. Hasta aquí habíamos supuesto que en todos los casos el grado de certeza fuera 100, es decir, esto implica una situación en la que el experto enuncia con seguridad cada una de las etiquetas. El paso siguiente fue asignar a cada regla un coeficiente de certeza, con lo cual la metodología debió ser replanteada asumiendo las siguientes etapas: 1. Definir el problema. Lograr que el experto enfoque el aspecto básico del mismo, el nodo central a partir del cual surgirán las reglas. Para ello partimos del conjunto de reglas analizadas anteriormente. 2. Definir las variables lingüísticas. Se trata de escuchar cómo el experto se refiere al problema, su terminología, y las palabras claves que usualmente se repiten en su discurso. 3. Definir los conjuntos difusos, detectando los adjetivos asociados a cada una de las variables, tales como mala, buena, muy buena. En nuestro caso, ante la pregunta: Qué considera Ud. como una liquidez muy buena? La respuesta fue: Alrededor de 1, entre 0.80 y Utilizando similares preguntas para todas las etiquetas de las variables involucradas se establecen los coeficientes de certeza asociados a cada una de las mismas para luego integrarlas en reglas. 4. Definir las reglas difusas. Una vez identificados los problemas primarios, sugerir la asociación con los adjetivos previamente definidos para proceder a su depuración (eliminar los que no se utilizan) o incorporación de los nuevos que vayan surgiendo. Por ejemplo, al tomar la regla integradora: IF acidez = mala <coeficiente> AND liquidez = buena <coeficiente> AND c.pago>p.realización <coeficiente> THEN SITUACIÓN = desahogada, pero empeora en operaciones no <coeficiente>. Este último coeficiente, asociado al estado de la variable difusa situación, surge por inferencia de los otros tres, de tal forma que, una vez realizada la medición y obtenidos los conjuntos difusos de cada regla, podemos asignar un coeficiente (en este caso el menor) que quedará asociado a la situación prevista como resultante. Gráficamente: 113

8 Inferencia para múltiples reglas 1,2 1 0,8 0,6 0,4 0,2 1,2 1 0,8 0,6 0,4 0,2 CF=0.5 0 Liquidez = Mala CF = 0.7 Acidez = Buena CF = 0.5 C.Pago >P.Realizac. CF = ,8 1,9 2 2,1 2,2 Situación desahogada, empeora en op.no nor, 5. Construir el sistema. Codificar los conjuntos difusos, las reglas y las funciones. Como ya dijimos, estamos trabajando con el shell KAPPA PC, que por ser específico para sistemas expertos permite que el diseñador se ocupe sólo de resolver y codificar lo que hace al conocimiento del sistema, quedando los procedimientos resueltos por el mismo lenguaje de programación. 6. Testear el sistema. A través de casos de prueba que contemplen todos los valores posibles asignados. Pensamos alternativas, partiendo de datos de distintos balances y aún suponiendo combinaciones que no obtuvimos de los mismos casos de prueba. 7. Armonizar el sistema. Atendiendo a la corrección del mismo, tanto en lo que hace a las reglas como a los conjuntos enunciados. 6. CONCLUSIÓN: En esta resumida exposición hemos tratado de enunciar las tareas involucradas en el desarrollo de sistemas expertos, cuando incluimos el tratamiento de la imprecisión y la incertidumbre. Estos elementos han sido tomados en cuenta en función de su importancia para el desarrollo del modelo de la organización en estudio. Partimos de acotar el modelo para facilitar su estudio, tomando sólo algunas reglas cuantitativas y la relación entre las mismas. Este es el primer paso para luego extender la metodología a las restantes reglas que constituyen el modelo descriptivo de la organización. Los restantes aspectos cuantitativos y los cualitativos serán sometidos a un procedimiento semejante, lo que completará la etapa de diagnóstico prevista. Ante el problema de la imprecisión de datos, si debemos ubicar dos o más parámetros, también debemos establecer la jerarquía entre los mismos (está entre bueno y muy bueno, con tal grado de certeza). Una flexibilización del conocimiento sólo puede ser lograda 114

9 asociando valores a parámetros críticos, cada uno de ellos asociado a un factor de opinión (CF; Certain Factor), resultando entonces un factor de multiplicación del objeto observado. Existen varias líneas de trabajo para la resolución de estos problemas, de las cuales se ha expresado lo más elemental de los fundamentos teóricos que estamos aplicando. Tanto la representación como la combinación de conocimientos a través de reglas como la propagación de la incertidumbre a través de la inferencia, cuentan con el fundamento teórico correspondiente enunciado por los especialistas en la bibliografía citada. Desde el modelo probabilístico tan difundido hasta los últimos aportes en este sentido, que se basan en la teoría de certeza, realizados por el equipo que diseñó el sistema experto MYCIN, constituyen valiosos elementos teóricos que deben ser considerados a la luz de la lógica de las organizaciones, cuyas particularidades estudiamos, aunque nos resulte dificultosa su sistematización y modelización, ya que estamos tratando de interpretar y dar respuesta a problemas organizacionales utilizando herramientas de las ciencias positivistas. El proceso busca, mediante la aproximación sucesiva, definir los términos lingüísticos que reflejen el concepto enunciado por el experto. Una primer etapa es lo que se ha expuesto aquí. Si bien sabemos que el producto final será la consecuencia de innumerables operaciones de etiquetado y asignación de números difusos, hasta dar por bueno el conjunto de términos a aplicar y poder seguir adelante. Quedan muchos aspectos aún abiertos a la investigación para generar las herramientas aptas que la tecnología prevé y que favorecerán el desarrollo de la nueva cultura para la toma de decisiones. 7. BIBLIOGRAFIA COX, E. (1994) The Fuzzy Systems Handbook, A.P. Profesional 1994, pág (1994a) The Fuzzy Systems Handbook, A.P. Profesional 1994, pág 2-4. DURKIN, John. Expert Systems, Prentice Hall International Edition, Pág LÖPEZ DE MÁNTARAS, R. (1990). Approximate reasoning models; Ellis Hoerwood Limited, MISHKOFF, H. (1986). Understanding Artificial Intelligence, Texas Instrumenst Learning Center, NEBENDAHL, D. (1988). Sistemas Expertos, Marcombo, (1989ª). Sistemas Expertos, Marcombo, 1988, pág (1989b). Sistemas Expertos, Marcombo, 1988, pág STONEBRAKER, M. (1992). The integration of Rukle Systems and Database Systems, IEEE Transactions on Knowledge and Data Engineering, Vol. 4, Nro. 5, October Pág