Professional Documents
Culture Documents
l
k
jk ik k s s
a a w DIS
j i
1
2
(1)
gdzie:
S s s
j i
, - sprawy windykacyjne ( S - zbir spraw windykacyjnych)
( )
il i i i
a a a s ,..., ,
2 1
(2)
( )
jl j j j
a a a s ,..., ,
2 1
(3)
R a
ik
, R a
jk
dla l k ,..., 2 , 1 , wartociami poszczeglnych atrybutw sprawy
l - liczba atrybutw sprawy
3
K. Marciniak
R w
k
dla l k ,..., 2 , 1 , jest stopniem wanoci poszczeglnych cech
2.2.2 Optymalizacja wag
Fundamentaln wielkoci podan we wzorze na odlego midzy dwiema sprawami
jest waga, okrelajca wano poszczeglnych atrybutw sprawy. Wagi mog by
definiowane na wiele sposobw. Mog by definiowane manualnie przez eksperta,
wyznaczone przez rne metody statystyczne albo przez mechanizmy oparte na AI.
Szczeglnie wydaje okazuj si algorytmy genetyczne.
Algorytmy genetyczne s mechanizmem naladujcym zachodzce w wiecie procesy
ewolucyjne. W rzeczywistym wiecie zmiany ewolucyjne dokonuj si w cigu wielu setek
albo nawet tysicy lat. Przy pomocy wspczesnych komputerw istnieje moliwo
symulowania tych procesw w cigu kilku minut.
Symulacja procesu ewolucyjnego polega na wygenerowaniu populacji osobnikw, a
nastpnie wymianie i modyfikacji materiau genetycznego osobnikw nowych pokole
poprzez krzyowanie i mutacje. Osobnik populacji reprezentowany jest poprzez
chromosom, w ktrym zapisany jest kod genetyczny osobnika .Najwiksze szanse na
reprodukcj maj osobniki najlepiej przystosowane. Przystosowanie osobnika okrela tzw.
funkcja przystosowania:
R R F
l
fit
: (4)
gdzie:
l - liczba genw w chromosomie.
Prawdopodobiestwo z jakim dany osobnik moe wzi udzia w reprodukcji, mona
oglnie okreli funkcj:
[ ] 1 , 0 : R G (5)
( ) ( )
chr fit
p chr F G (6)
gdzie:
( ) l k R c c c c chr
k l
,..., 2 , 1 , , ,..., ,
2 1
- wektor opisujcy chromosom
chr
p - warto prawdopodobiestwa z jakim dany osobnik przystpi do rozmnaania
Metoda zaproponowana poniej wymaga, eby zbir wszystkich historycznych spraw
windykacyjnych zakoczonych sukcesem zosta podzielony na trzy zbiory: zbir uczcy,
zbir testowy oraz zbir walidujcy:
S - zbir wszystkich spraw windykacyjnych
S
S - zbir wszystkich spraw windykacyjnych zakoczonych sukcesem
( )
S S
S S U - podzbir uczcy (np. 80% spraw zbioru
S
S )
( )
S S
S S T - podzbir testowy (np. 10% spraw zbioru
S
S )
( )
S S
S S W - podzbir walidujcy (np. 10% spraw zbioru
S
S )
4
Zastosowanie technik sztucznej inteligencji w hybrydowym system
Proces ewolucyjny mona opisa nastpujcym schematem:
Rys. 3. Proces ewolucyjny rozpoczyna si podziaem zbioru wszystkich spraw na
podzbiory: (Uczcy), (Testowy) oraz (Walidujcy). Pierwsza populacja generowana jest
losowo losowo okrelana jest wartoci genw poszczeglnych osobnikw. Przy
generowaniu kolejnych pokole, dla kadego osobnika z populacji wyznaczana jest warto
funkcji przystosowania. Na jej podstawie najlepiej przystosowane osobniki dobierane s w
pary i nastpuje w wymiana materiau genetycznego (Krzyowanie). Z maym
prawdopodobiestwem wybierane s osobniki, ktrych wybrane geny (Mutuj). Kolejne
pokolenia generowane s do chwili, gdy speniony zostanie (Warunek Wyjcia).
Skuteczno najlepiej przystosowanych osobnikw populacji powinna zosta sprawdzona
na (Zbiorze Weryfikujcym), ktrego sprawy nie bray udziau w procesie ewolucyjnym.
Podzbiory: uczcy, testowy, walidujcy maj tak sam struktur, tzn. skadaj si z par:
sprawa oraz przypisany do niej harmonogram:
5
K. Marciniak
( ) { H h S s h s S
S
: , (7)
( ) ( ) { H h S s h s S U
u u u u
s
, : , (8)
( ) ( ) { H h S s h s S T
t t t t
s
, : , (9)
( ) ( ) { H h S s h s S W
w w w w
s
, : , (10)
gdzie:
S - zbir spraw
H
- zbir harmonogramw
Chromosomem (osobnikiem) populacji bdzie zestaw wag okrelajcy wano
poszczeglnych atrybutw sprawy, czyli:
( )
l
w w w w ,..., ,
2 1
(11)
gdzie:
R w
k
dla l k ,..., 2 , 1
l - liczba atrybutw spraw
Funkcj przystosowania okrela stopie efektywnoci wag na zbiorze testowym, tzn. dla
danej sprawy ze zbioru testowego bdziemy szukali takiej sprawy w zbiorze uczcym,
ktra bdzie najblisza dla tej sprawy, oraz harmonogramy na obu sprawach bd takie
same. Dla caego zbioru testowego mona wic zapisa funkcj przystosowania jako:
( ) ( )
n
j
t
j fit fit
s f
n
w F
1
1
(12)
gdzie:
( )
( ) ( )
'
przypadku przeciwnym w , 0
gdy , 1
t
j
t
j t
j fit
s o h h
s f (13)
gdzie:
( )
( )
( )
,
`
.
|
l
i
u
ki
t
ji i
S U s
t
j
a a w s o
S
u
k
1
2
min (14)
przy czym:
( )
t
jl
t
j
t
j
t
j
a a a s ,..., ,
2 1
, ( )
u
kl
u
k
u
k
u
k
a a a s ,..., ,
2 1
p
j
i
i
i
w
w
w G
1
(15)
gdzie:
p
- liczba wszystkich osobnikw w populacji.
Wane jest okrelenie warunku wyjcia z procesu optymalizacji wag. Moe to by
osignicie granicznej liczby pokole lub te uzalenienie przerwania nauki od wynikw
dziaania wag na zbiorze walidujcym mona ustali prg poniej ktrego nie ma
potrzeby polepsza wartoci wag.
3 Etapy wdraania systemu
Kompleksowe wdroenie wszystkich funkcjonalnoci systemu wymaga istnienia
odpowiedniej Bazy Wiedzy, zawierajcej historyczne sprawy windykacyjne wraz z
harmonogramami. Najczciej dysponujemy jedynie wiedz na temat samych spraw (ich
atrybutw) oraz ich wyniku, tzn. czy windykacja zakoczya si sukcesem i naleno
zostaa odzyskana, czy te porak dug zosta opacony przez wierzyciela. W takiej
sytuacji konieczne jest podzielenie procesu wdroenia systemu na dwa etapy.
W pierwszym etapie mona wdroy funkcjonalno opart o sieci neuronowe i
umoliwiajc oszacowanie rokowa dotyczcych moliwoci odzyskania nalenoci.
W drugim etapie, gdy w Bazie Wiedzy zostanie zebrana pewna ilo spraw wraz z
harmonogramami, wdroony moe zosta modu wspomagajcy dobr optymalnych
harmonogramw do nowych spraw.
Literatura
1. Chaochang Chiu (2002), A case-based customer classification approach for direct marketing,
Expert Systems with Applications 22, 163 168
2. Hei-Chia Wang, Huei-Sen Wang (2005), A hybrid expert system for equipment failure analysis,
Expert Systems with Applications 28, 615 622
3. Kyung-shik Shin, Ingoo Han (1999), Case-based reasoning supports by genetic algorithms for
corporate bond rating, Expert Systems with Applications 16, 85 95
Paper title: Artificial Intelligence for insurance debts collecting
Abstract: Debts collecting is a complex and expensive process. Collectors
work is based on their experience. Leaving of the experienced collector can
cause an irreparable loss of unique knowledge. Professional training of a new
Collector takes a lot of time and can expose an Institution to financial loses.
Loses arise as a result of ineffective or uneconomical schedules of collectors
actions. The ineffective actions dont lead to get an amount due back. The
7
K. Marciniak
uneconomical proceedings can lead to origin expensive schedules, where
actions cost are greater than the debt. To determine if the debt is able to
collect we can build a functionality based on Neural Networks. If we want to
find an optimal schedule for a new case, we can use CBR (Case Based
Reasoning) method with Genetic Algorithms.
Sowa kluczowe: Ubezpieczenia, Windykacja nalenoci, Case Based
Reasoning, Algorytmy genetyczne, Sieci neuronowe
8