64
1. Департаменты рисков банков и компаний.
2. Аналитические подразделения холдингов, банков, инвестиционных
компаний.
3. Службы безопасности и финансового мониторинга.
4. Маркетинговые службы.
5. Отделы материально-технического снабжения.
6. Подразделения, занимающиеся организацией сбыта.
7. Кредитные и лимитные подразделения банков.
8. Страховые, консалтинговые, аудиторские компании.
9. Оценщики и арбитражные управляющие.
10. Информационные и мониторинговые агентства, СМИ.
11. Подразделения государственных ведомств, отвечающие
за мониторинг.
12. Высшие учебные заведения.
Предлагаемые в настоящей работе программные решения
и математическое обеспечение может быть применено в системах
разнящихся как по своему назначению, так и по отраслям. Однако прежде
всего, данные решения ориентированы на применение в коммерческих
структурах для уменьшения ущерба (финансового, репутационного)
от ненадежных контрагентов.
Представление контрагента как сложного объекта и его описание для
оценки состояния:
1. Количественными (числовыми) данными.
2. Качественными (категориальными) данными.
Агрегация данных из внешних по отношению к компании-
пользователю легитимных источников (данные без контекста):
1. Федеральная налоговая служба, ЕГРЮЛ/ЕГРИП.
2. Федеральная служба государственной статистики.
3. Федеральный Арбитражный суд РФ.
4. Федеральная служба судебных приставов.
65
5. Генеральная прокуратура РФ.
6. Центральный Банк РФ.
7. Единый федеральный реестр сведений о фактах деятельности
юридических лиц.
8. Портал государственных закупок РФ. [49]
Агрегация данных из внутренних по отношению к компании-
пользователю источников (данные, которые задают контекст):
1. Систем банк-клиент (выгрузка).
2. Систем бухгалтерского учета (выгрузка).
3. Систем автоматизации документооборота и учета документов, ЦРМ
(выгрузка). [50]
Механизм кластеризации использует следующие группы исходных
данных, получаемых из разнородных источников для контекстно-
независимой и контекстно-зависимой аналитики контрагента:
1. Регистрационные данные (Регистрационная информация компаний и ИП).
2. Отчетность (Годовая и квартальная отчетность юридических лиц).
3. Сведения о деятельности (Участие в тендерах, лицензии, проверки, набор
персонала).
4. Негативные или требующие внимания факты (Банкротства, суды, смена
владельцев).
5. Состояние расчетов (на основе из данных из систем учета (например, из
1с), выгрузки с расчетного счета).
6. Условия сотрудничества контрагента компанией-пользователем (на
основе данных из договоров, доп. соглашений и т.п. зафиксированных в
корпоративном хранилище).
Поддержка форматов импорта данных:
1. CSV.
2. SQL.
3. XML.
4. 1С Формат.
66
Поддержка форматов экспорта данных:
1. CSV.
2. SQL.
3. XML.
4. PDF.
Наличие механизма фильтрации данных (отсечение неактуальных
атрибутов для системы нечеткого вывода):
1. Внешних по отношению к компании-пользователю (для контекстно-
независимой и контекстно-зависимой проверки контрагента).
2. Внутренних по отношению к компании-пользователю
(для контекстно-зависимой проверки контрагента).
Наличие механизма консолидации отфильтрованных данных
(необходимых для системы нечеткого вывода):
1. Консолидация внешних данных по отношению к компании-пользователю
(для контекстно-независимой и контекстно-зависимой проверки
контрагента).
2. Консолидация внутренних данных по отношению к компании-
пользователю (для контекстно-зависимой проверки контрагента).
3. Формирование единого набора данных.
Настраиваемая частота импорта, обработки и анализа данных:
1. По событию/запросу.
2. По расписанию.
Наличие подсистемы ведения базы контрагентов для их последующего
анализа:
1. Импорт/экспорт карточек контрагентов.
2. Редактирование карточек контрагентов.
Гибкая кластеризация контрагентов по отраслям для дальнейшей
индивидуальной оценки групп с применением адаптивных коэффициентов
истинности для нечетких продукционных правил:
67
1. Формальная (контекстно-независимая), на основе данных
из внешних по отношению к компании-пользователю источников.
Например, по значению ОКВЭД для основного вида деятельности.
2. Реальная (контекстно-зависимая), на основе данных из внутренних
(в данном случае приоритетных) и внешних (в данном случае
второстепенных) по отношению к компании-пользователю легитимных
источников. Например, по запросу реструктуризации долга от контрагента
компания-пользователь нашей системы запросила документы,
подтверждающие платежеспособность, в том числе - открытые и закрытые
контракты с клиентами. На основе полученных данных (которые будут
занесены в корпоративное хранилище) выяснилось, что основные доходы
предприятие-должник получает не по основному виду деятельности, а по
дополнительным, относящимся к другой отрасли. Таким образом,
предприятию-должнику будет присвоена соответствующая группа,
в соответствии с которой будут применены актуальные нечеткие
продукционные правила с необходимым значением коэффициента
истинности для получения максимально точной аналитики.
Использование следующего алгоритма логического вывода (относится
ко второму этапу кластеризации):
1. Алгоритм Мамдани. [51]
Функции принадлежности нечетких термов (относится ко второму
этапу кластеризации):
1. Представление функций принадлежности нечетких термов в виде
трапецеидального нечеткого интервала (ТНИ).
Проведение дефаззификации следующим методом (относится
ко второму этапу кластеризации):
1. Метод центра площади.
Наличие среды редактирования:
1. Редактор нечетких продукционных правил с возможностью изменения
термов лингвистических переменных и коэффициентов истинности
68
нечетких продукционных правил (с привязкой коэффициента по
идентификатору правила);
2. Редактор состава групп-отраслей;
3. Редактор карточек организации (контрагента).
Широкие возможности конфигурации:
1. Возможность задания и коррекции коэффициентов истинности нечетких
продукционных правил;
2. Возможность выборочно применять (добавлять или убирать)
существующие нечеткие продукционные правила;
3. Возможность создания новых нечетких продукционных правил
(востребует технические знания, знания эксперта).
На предварительном этапе с помощью экспертов будет построена база
правил и коэффициентов истинности для занесения в систему кластеризации.
Будет задано начальное состояние базы правил и коэффициентов истинности,
которые в процессе эксплуатации с учетом полученных данных
о контрагентах, обратной связи от лиц принимающих решения, изменений
законодательства и экспертных оценок могу корректироваться.
Наличие предустановленных отраслей (групп) для классификации
контрагентов для первого этапа кластеризации:
1. Промышленность.
2. Сельское хозяйство.
3. Лесное хозяйство.
4. Рыбное хозяйство.
5. Транспорт и связь.
6. Строительство.
7. Торговля и общественное питание.
8. Материально-техническое снабжение и сбыт.
9. Заготовки.
10. Информационно-вычислительное обслуживание.
11. Операции с недвижимым имуществом.
69
12. Общая коммерческая деятельность по обеспечению функционирования
рынка.
13. Геология и разведка недр, геодезическая и гидрометеорологическая
службы.
14. Прочие виды деятельности сферы материального производства;
15. Жилищно-коммунальное хозяйство.
16. Непроизводственные виды бытового обслуживания населения.
17. Здравоохранение, физическая культура и социальное обеспечение.
18. Народное образование.
19. Культура и искусство.
20. Наука и научное обслуживание.
21. Финансы, кредит, страхование, пенсионное обеспечение.
22. Управление.
23. Общественные объединения.
24. Экстерриториальные организации и органы [52].
В соответствии с принадлежностью контрагента к той или иной
отрасли (группе) будут применяться соответствующие общие
и индивидуальные для выбранной отрасли нечеткие продукционные правила
с адаптивными коэффициентами истинности.
Наличие предустановленных правил и коэффициентов для отраслей
для второго этапа кластеризации:
1. Промышленность.
2. Торговля и общественное питание.
3. Жилищно-коммунальное хозяйство.
Двухступенчатая кластеризация контрагентов с организацией
взаимосвязи между областью кластеризации первого уровня и нечеткими
правилами второго уровня:
1. На первом уровне - четкая по группам (установление принадлежности к
отрасли или заданной компанией-пользователем группе).
70
2. На втором уровне - аналитика и рисковое ранжирование на базе нечеткой
логики. Возможность разделения внутри кластера после произведения
нечеткого вывода по степеням риска (плохих и хороших контрагентов).
Технические особенности продукта:
1. Возможность работы с основными клиентскими функциями
программного решения по сети через браузер.
2. Возможность быстрого подключения новых модулей
и реконфигурации.
3. Снижение времени ввода в эксплуатацию за счет коробочного решения.
4. Модульная архитектура.
5. Возможность работы на основе 64-битных операционных систем.
6. Независимость от линейки ОС Microsoft® Windows и Microsoft® платных
библиотек.
7. Возможность построения мобильного приложения.
Далее опишем программную систему, которая является прототипом
модуля интеллектуального компонента для анализа отношений
с контрагентами в составе мультиагентной интеллектуальной системы
контекстно-зависимого анализа контрагентов на основе технологии
блокчейн. Она предназначена для создания и работы с базами знаний
нечёткой логики, основанной на продукционных правилах вывода, что в
итоге позволяет создавать и исследовать широкий класс логико-
лингвистических моделей, основанных на теории нечеткой логики и понятии
лингвистической переменной. [53]
Программа предоставляет пользователю следующие возможности:
1. Создание, удаление и редактирование нечётких переменных
с кусочно-линейными функциями принадлежности.
2. Создание, удаление и редактирование лингвистических переменных.
3. Создание, удаление и редактирование продукционных правил вывода.
4. Возможность изменения методов конъюнкции, дизъюнкции, импликации,
аккумуляции и метода дефаззификации.
71
5. Возможность рассмотрения каждого этапа процесса нечёткого вывода и
возможность проследить весь процесс вывода в целом.
6. Сохранение/Загрузка созданных систем. [54]
Рисунок 10 Основное рабочее окно программной системы
Для построения новой системы необходимо в первую очередь создать
список используемых лингвистических переменных. При добавлении новой
лингвистической переменной создаётся лингвистическая переменная с
предопределёнными параметрами и добавляется к списку. Для дальнейшего
использования ее необходимо изменить в соответствующем редакторе.
Следующим этапом создания системы нечёткого вывода является
построение правил нечёткого вывода. Системой поддерживаются правила
с одной лингвистической переменной-заключением и единственным
способом связи посылок правила (т.е. только конъюнкция или дизъюнкция).
При добавлении нового правила на основе имеющихся лингвистических
72
переменных создаётся простое правило. На примере изображено
незавершённое правило, т.е. данное правило некорректно, поскольку в нём
используется всего одна лингвистическая переменная. Пока это правило это
не будет отредактировано, вывод будет невозможен. [55]
Имеется возможность выбирать методы построения нечётких
конъюнкций, дизъюнкций, импликаций, проведения этапов аккумуляции
и дефаззификации. В программе представлены следующие варианты:
1. Конъюнкция:
1.1. Минимум.
1.2. Максимум.
2. Дизъюнкция:
2.1. Минимум.
2.2. Максимум.
3. Импликация:
3.1. Минимум.
3.2. Максимум.
4. Аккумуляция:
4.1. Минимум.
4.2. Максимум.
5. Дефаззификация:
5.1. Центр тяжести.
5.2. Первый максимум.
5.3. Среднее максимумов.
Рисунок 11 Редактор лингвистических переменных
73
На примере мы видим работу с переменной, отражающей изменение
расхода энергопотребления контрагентом (расход электричества).
Рисунок 12 Редактор термов лингвистических переменных
Имя и границы унивёрса можно изменять в соответствующих полях.
На графике отображается функция принадлежности терма. Функция
принадлежности терма задаётся набором точек. Все промежуточные
значения вычисляются с помощью линейной интерполяции. В списке
в правой части редактора показаны точки, образующие функцию
принадлежности. [56]
Рассмотрим редактор правил нечеткой базы знаний.
Рисунок 13 Редактор правил нечеткой базы знаний.