Many decision problems having significant and long-lasting impacts are characterized by the complexity of the variables and their interactions, the dynamic nature of the problem, and the uncertainty of the decision environment. Decision analysis provides a principle for addressing those problems. It provides prescriptive advice in complex, dynamic, and uncertain decision situations, based on utility and probability theories as a way of representing value and uncertainty.
In decision analysis, modeling the problem is the most difficult and crucial step. Two criticisms of decision analysis are that the amount of efforts expended and time spent on modeling a problem are too burdensome and that the resulting model is applicable to only one specific problem. The formulation of real decision problems needs much time, efforts, and cost, but the main difficulty is that a constructed decision model such as influence diagrams are usually applicable to only one specific problem. Decision participants such as domain expert(s) and decision maker(s) found that some prior knowledge from the experience to model influence diagrams can be utilized to resolve other similar domain problems.
In order to reduce the burden of modeling decision problem, the concept of decision analysis(DCA) was proposed. DCA regards a decision analysis as an integrator of decision knowledge and treats a set of decisions having some degree of similarity as a single unit. Whereas the end result of an individual decision analysis is a decision, the result of a DCA is an individual decision analysis. In contrast with the single decision, DCA implies a deliberate omission of knowledge pertaining to the decision situation. Thus, analyzing a class of decisions occurs at a higher level of abstraction than analyzing a single decision.
Therefore, the aim of this research is to implement the decision class analysis with the help of intelligent systems, and to apply the method to a real world decision problem.
First, This research suggests an interactive procedure to build a well-formed influence diagram from the initial influence diagram generated from neural networks, which is thought to be an approximation of experts' (explicit or implicit) interpretation of decision problem. The use of neural networks to generate influence diagrams in the topological level results in a good performance, but the generated ID is usually not a well-formed influence diagram. It needs more modification to be applicable to real decision problems, especially when group decision participants are involved. This research suggests an interactive procedure to build a well-formed influence diagram from the initial influence diagram generated from neural networks, which is thought to be an approximation of experts' (explicit or implicit) interpretation of decision problem.
Second, The use of sensitivity analysis is proposed as a means of supporting influence diagram modeling. Neural network based approach to build an influence diagram is regarded as a classification problem where a set of input data (situation-specific knowledge of decision problems) and output data (topological leveled influence diagram of the given decision problems) is given. Situation-specific knowledge is usually given from a decision maker with the help of domain expert(s). But it is not easy for the decision maker to know the situation-specific knowledge of decision problems exactly. The purpose of our suggested methodology is to help the decision maker when he(she) builds an influence diagram even though he(she) does not have complete knowledge of a decision problem. An interactive procedure is also suggested to build a well-formed influence diagram based on the result of sensitivity analysis.
Third, we suggest Case-based decision class analysis(CB-DCA), a methodology based on case-based reasoning to build an influence diagram. CB-DCA is composed of a case retrieval procedure and an adaptation procedure. Two measures are suggested for the retrieval procedure, one is a fitting ratio and the other is a garbage ratio. The adaptation procedure is based on a decision-analytic knowledge and decision participants' domain specific knowledge. Also, an intelligent system based on case-based reasoning is proposed to build an influence diagram for identifying successful new ventures.
중요한 의사결정 문제에는 불확실성, 시간요인, 그리고 복잡한 가치 등이 포함되어 있다. 의사결정 분석론은 이러한 문제를 해결하는 기본 원칙과 정형화된 절차를 제공한다. 의사결정 분석 절차에서 가장 어렵고 중요한 과정이 문제의 모형화이다.
의사결정 문제의 모형화에는 많은 노력과 비용이 소요되며, 한 문제에 대하여 도출된 모형은 다른 문제에 그대로 적용시킬 수 없으며, 문제간 상황 정보와 지식의 전달에 많은 어려움이 있다. 이러한 문제점을 해결하기 위하여 의사결정 클래스 분석(DCA, decision class analysis)이라는 개념이 제시되었다. 의사결정 클래스 분석은 유사한 의사결정 문제들을 같이 처리하여 하나의 의사결정 분석을 하기위한 의사결정 모형을 도출해내는 개념이다. 의사결정 클래스 분석에는 의사결정 분석 지식, 문제 전문영역 지식, 그리고 문제 상황 지식이 필요하다.
의사결정 클래스 분석에 관한 기존의 연구를 의사결정 문제의 복잡도(complexity of decision problem)와 클래스내의 사례의 개수(number of cases)를 축으로 분류하여보면 규칙기반시스템은 복잡도가 낮고 크기가 작은 경우에 적용되었으며 신경망(neural network) 방법은 복잡도가 낮고 크기가 작은 경우에 적용되었으며, 복잡도가 높은 경우에 의사결정 클래스 분석을 수행하는 방법은 아직까지 제시되지 않았다. 따라서 본 연구에서는 클래스의 복잡도가 높은 경우에 의사결정 클래스 분석을 수행할 수 있도록 신경망을 기반으로 하는 방법에 상호교호적(interactive) 절차를 추가하여 방법론을 개선 확장하였다. 본 연구에서는 의사결정 문제의 무형화를 위해서는 영향도(influence diagram)를 사용하였으며 신경망을 이용하여 초기 영향도를 생성한 후 전문가들이 각자의 지식을 이용하여 초기 영향도를 수정하여 완전한 영향도(well-formed influence diagram)를 생성한다. 또한, 의사결정 클래스 분석에서 상황에 대한 정보가 불완전하게 주어진 경우에도 영향도를 모형화 할 수 있는 신경망 기반의 민감도 분석(sensitivity analysis) 방법을 제시하였다. 신경망을 기반으로 제시한 방법은 복잡도가 높고 사례의 개수가 많은 경우에 유용하게 사용될 수 있다. 그러나, 벤처투자와 같은 복잡도가 높고 현실사례가 충분하지 의사결정문제에는 신경망을 기반으로 한 방법론이 현실적이지 못하였다. 그리하여 좀더 현실성 있는 방법론으로 사례기반추론(CBR, case-based reasoning)을 기반으로 하는 방법론을 제시하였다.
영향도의 모형화를 위한 사례기반 의사결정 클래스분석 방법론(CB-DCA, case-based decision class analysis)을 제시하고 이 방법론을 기반으로 하여 벤처 투자결정을 위한 지능형 시스템을 개발하였다. 벤처 투자결정 문제는 많은 불확실성과 고려할 상황(situation)이 많아 문제의 복잡도가 높으나 신경망 학습에 필요한 만큼의 사례는 현실적으로 얻기 어렵다. 따라서 이러한 경우의 문제는 본 연구에서 제시한 사례기반추론을 이용한 의사결정 클래스분석 방법론이 신경망을 기반으로 한 방법론에 비하여 상대적으로 유용하였다. 또한 이 방법론을 이용하여 의사결정 문제를 모형화 하여도 완전한 영향도(well-formed influence diagram)를 생성한다.
벤처 투자결정은 그 동안 심사역의 지식 즉, 암묵적 지식(tacit knowledge)에 의하여 이루어져왔다. 그러나 벤처 투자결정 문제를 영향도를 이용하여 모형화하는 것은 암묵적 지식을 명시적 지식(explicit knowledge)으로의 변환과정으로 볼 수 있다. 따라서, 본 연구에서 제안한 사례기반 의사결정 클래스분석 방법론은 지식경영(knowledge management)을 하나의 위한 방법론이 될 수 있다.
