komputerowe wspomaganie podejmowania decyzji kredytowych za
Transkrypt
komputerowe wspomaganie podejmowania decyzji kredytowych za
XIV Krajowa Konferencja Automatyki Zielona Góra, 24-27 czerwca 2002 KOMPUTEROWE WSPOMAGANIE PODEJMOWANIA DECYZJI KREDYTOWYCH ZA POMOCĄ SYSTEMÓW EKSPERTOWYCH RMSE DLA WNIOSKOWANIA PRZYBLIśONEGO Antoni NIEDERLIŃSKI * * Instytut Automatyki, Politechnika Śląska, ul. Akademicka 16 , 44-100 Gliwice E-mail: [email protected] WyŜsza Szkoła Informatyki i Zarządzania, ul. Legionów 59, 43-300 Bielsko-Biała http://www.ekspert.wsi.edu.pl/ Streszczenie: Omówiono celowość stosowania systemów ekspertowych dla wspomagania podejmowania decyzji kredytowych. Przedstawiono bazę wiedzy z przykładową wiedzą niepewną o przyznawaniu decyzji kredytowych. Baza wiedzy, składająca się z bazy reguł, bazy modeli, bazy ograniczeń i bazy rad, moŜe słuŜyć do podejmowania decyzji kredytowych przy zastosowaniu skorupowych przybliŜonych systemów ekspertowych RMSE_RP. Słowa kluczowe: Decyzje kredytowe; regułowomodelowe skorupowe systemy ekspertowe; baza wiedzy dla decyzji kredytowych; wnioskowanie przybliŜone; współczynniki pewności 1. ISTOTA PROBLEMU Decyzje o udzieleniu lub odmowie udzielenia kredytu (inwestycyjnego, konsumpcyjnego) naleŜą do grupy decyzji: • podejmowanych w skali masowej, co wynika z samej istoty banku jako instytucji sprzedającej kredyt; • mających duŜe znaczenie dla efektywnego zarządzania bankiem, por. [1] i [2]: pochopne udzielanie kredytów zwiększa ryzyko strat, zbytni rygoryzm oceny wniosków kredytowych zmniejsza zyski banku i powoduje utratę klientów; • podejmowanych w warunkach niepewności odnośnie do duŜej liczby czynników, warunkujących spłatę kredytu. W wyniku wypracowane decyzje są obarczone niepewnością niemniejszą od niepewności tych czynników. Wymienione powody uzasadniają wzrastające zainteresowanie problemami algorytmizacji i w konsekwencji „automatyzacji” podejmowania decyzji kredytowych. Podstawą decyzji kredytowych są wewnętrzne regulaminy banków (sieci banków), opracowane z punktu widzenia ograniczenia ryzyka bankowego i maksymalizacji zysku. Mają one najczęściej postać dokumentów tekstowych, zawierających formuły stosowane dla obliczenia szeregu wskaźników określających stopień ryzyka i sformułowane w języku potocznym „reguły” określające najczęściej jedną z trzech moŜliwych decyzji („Przyznać kredyt”, „Odmówić kredytu”, „Konsultować z przełoŜonym”). Dokumenty te nie zawsze są analizowane z punktu widzenia przejrzystości, czytelność, spójności i zupełności przestrzeni decyzyjnej. W najprostszym przypadku regulaminy te są bezpośrednio stosowane do „ręcznego” wypracowania decyzji przez urzędników z wszystkimi związanym z takim stanem rzeczy niedogodnościami jak np. wpływ czynników subiektywnych (np. zmęczenie) na decyzje, konieczność indywidualnego wypełniania luk regulaminu, nieuchronność indywidualnych róŜnic interpretacyjnych, trudność tworzenia i odtwarzania pełnej dokumentacji trybu procedowania wniosku. Standardowym sposobem komputerowego wspomagania decyzji kredytowych są arkusze kalkulacyjne (por. [1] i [2]). Ich zaletą jest moŜliwość prostego zapisu liczbowych danych klienta i wyznaczenia jego wskaźników. Ich słabością jest trudność zapisu danych słabo kwantyfikowalnych (reputacja klienta, standard zarządzania w firmie klienta, perspektywy finansowe kredytowanego przedsięwzięcia) i jeszcze większa trudność uwzględnienia tych danych w wypracowaniu decyzji kredytowej. Większe moŜliwości stwarzają specjalistyczne programy w językach proceduralnych, łączące część kalkulacyjną z częścią „słabo kwantyfikowalną” w spójną całość. Słabością tego rozwiązania jest „utopienie” zasad udzielania kre- dytów w gąszczu kodu trudno czytelnego dla informatyka i praktycznie nieczytelnego dla urzędnika kredytowego. Sprawia to, Ŝe są one praktycznie nieczytelne dla osób z tych programów korzystających. Rodzi to równieŜ zrozumiałą obawę o bardzo powaŜne koszty częstej modyfikacji tych programów. Obydwa wymienione aspekty sprawiają, Ŝe rozwiązania takie nie są zbyt popularne. Nie bardzo równieŜ wiadomo, jak za pomocą kalkulacyjnego lub proceduralnego rozwiązania uwzględnić „miary pewności” wypracowanych decyzji: • Dla adekwatnego monitorowania dłuŜnika, decyzji o przyznaniu kredytu powinna towarzyszyć „miara pewności” tej decyzji. • Dla właściwej oceny poprawności decyzji odmowy kredytu powinna takŜe towarzyszyć „miara pewności”. • Wreszcie dla oceny pracy urzędników kredytowych, decyzjom o konsultowaniu wniosku z przełoŜonym powinna równieŜ towarzyszyć „miara pewności” tej decyzji. 2. PRZYKŁADOWY REGULAMIN PRZYZNAWANIA KREDYTÓW Przykładowy regulamin przyznawania kredytów małym przedsiębiorcom bierze pod uwagę następujące trzy czynniki: 1. Zabezpieczenie kredytu 2. Wyniki finansowe przedsiębiorstwa 3. Reputację kredytobiorcy. Ad 1) Zabezpieczenie kredytu jest podstawowym czynnikiem decydującym o jego przyznaniu. RozróŜnia się: A1.Zabezpieczenie bardzo dobre, jeŜeli: a) 100 <= Zabezpieczenie I klasy (%) gdzie: Zabezpieczenie I klasy(%) = Depozyty złotówkowe + Depozyty dewizowe + Gwarancje bankowe, odniesione do wartości kredytu i wyraŜone w %, b) lub jeŜeli spełnione są warunki b1) i b2), gdzie b1) 70 <= Zabezpieczenie I klasy (%) < 100 i b2) 30 <= Zabezpieczenie II klasy (%) gdzie: Zabezpieczenie II klasy (%) = Akcje + Obligacje odniesione do wartości kredytu i wyraŜone w %, A2.Zabezpieczenie jest dobre, jeŜeli: d1) 60 <= Zabezpieczenie I klasy (%) i d2) 10 <= Zabezpieczenie II klasy (%) i d3) 30 <= Zabezpieczenie III klasy (%) i d4) Zabezpieczenie nie jest bardzo dobre gdzie: Zabezpieczenie III klasy (%) = Hipoteka + Prawa własności, odniesione do wartości kredytu i wyraŜone w %. W przypadku baz rozwiniętych moŜna regułę dla dobrego zabezpieczenia zapisać przy uŜyciu zanegowanego wniosku reguły określającej bardzo dobre zabezpieczenie. A3.Zabezpieczenie jest złe, jeŜeli nie jest bardzo dobre i nie jest dobre. W przypadku baz rozwiniętych moŜna równieŜ regułę dla złego zabezpieczenia zapisać przy uŜyciu zanegowanych wniosków reguł określających dobre i bardzo dobre zabezpieczenie. Ad 2) Wyniki finansowe przedsiębiorstwa są oceniane na podstawie czterech parametrów: B1. Krótkoterminowe zadłuŜenie/SprzedaŜ netto (%), z wagą-2 B2. Ubiegłoroczny wzrost zysku (%), z wagą 1 B3. Zysk netto/Całkowity majątek (%), z wagą 5 B4. Zysk netto/sprzedaŜ netto (%), z wagą 5 WaŜona suma parametrów daje wskaźnik finansowy: Wskaźnik finansowy = 2 * Krótkoterminowe zadłuŜenie/SprzedaŜ netto + 1 * Ubiegłoroczny wzrost zysku (w %) + 5 * Zysk netto/Całkowity majątek (w %) + 5 * Zysk netto/sprzedaŜ netto (w %) Ocena finansów jest: 1) Bardzo dobra, jeŜeli Wskaźnik finansowy > 500 2) Dobra, jeŜeli 100 < Wskaźnik finansowy <= 500 3) Dostateczna, jeŜeli -50 < Wskaźnik finansowy <= 100 4) Zła, jeŜeli Wskaźnik finansowy <= -50 Ad C) Reputację przedsiębiorstwa jest oceniana przez bank w kategoriach: bardzo dobra reputacja, dobra reputacja i zła reputacja Regulamin stanowi, Ŝe bank nie udziela kredytów klientom ze złą oceną finansów, ze złym zabezpieczeniem lub z dostateczną oceną finansową i złą reputacją. W pozostałych sytuacjach przy złej reputacji lub przy dostatecznej ocenie finansowej konieczna jest konsultacja z przełoŜonym. Tak sformułowany regulamin moŜe zostać uzupełniony współczynnikami pewności dla reguł i modeli, co umoŜliwi utworzenie bardziej precyzyjnego modelu klientakredytobiorcy. Dzięki współczynnikom pewności i wnioskowaniu przybliŜonemu, zostanie wypracowana nie tylko decyzja (np. „udziel kredyt”), lecz równieŜ miara pewności tej decyzji (np. CF=0.3), uŜyteczna przy wyborze procedury kontroli klienta przez bank. 3. 3.1. PRZYKŁADOWA BAZA WIEDZY DLA PRZYZNAWANIA KREDYTÓW Uwagi ogólne Standardowy predykat tworzenia bazy wiedzy polega na tłumaczeniu odpowiedniego dokumentu (prawnego, finansowego, technicznego), napisanego językiem potocznym, na bazę reguł, bazę modeli, bazę ograniczeń i bazę rad wraz z plikami rad. Tłumaczenie to jest najczęściej okazją do wykrycia szeregu sprzeczności, nieścisłości i niejasności dokumentu oraz okazją do jego doprecyzowania na drodze wprowadzenia współczynników pewności. Baza reguł REKRE.BRP, będąca wynikiem wzmiankowanego tłumaczenia i uzupełnienia regulaminu przyznawania kredytów, zawiera grupy reguł z wnioskami dla finalnej decyzji: "Udziel kredyt(CF)" lub "Konsultuj z przełoŜonym(CF)". Wielość reguł z tym samym wnioskiem (np. "Udziel kredyt") jest odzwierciedleniem tego, Ŝe kredyt udziela się dla szeregu róŜnych sytuacji. Reguły z wnioskiem "Odmów kredytu" nie są potrzebne. JeŜeli bowiem dla wniosku "Udziel kredyt(CF)" wartość CF będzie ujemna, to kredytu nie naleŜy udzielić. Kolejnymi regułami są reguły dla oceny zabezpieczenia: "Bardzo dobre zabezpieczenie(CF)", "B. dobre zabezpieczenie b)(CF)", "Dobre zabezpieczenie(CF)" i "Złe zabezpieczenie(CF)". "B. dobre zabezpieczenie a)(CF)" ze względu na swą istotę nie da się zdefiniować regułą, lecz musi być definiowane modelem relacyjnym. Podobnie jest dla warunków "B. dobre zabezpieczenie częściowe b1)" i "B. dobre zabezpieczenie częściowe b2)". PoniewaŜ baza reguł jest rozwinięta przybliŜona, moŜe zawierać warunki, będące zanegowanymi wnioskami innych reguł lub modeli relacyjnych. Przykładami są reguła dla wniosku "Dobre zabezpieczenie" oraz dla wniosku "Złe zabezpieczenie". Baza modeli MOKRE.BRP zawiera grupy modeli dla: 1)oceny zabezpieczenia kredytu: "B. dobre zabezpieczenie a)(CF)", "Dobre zabezpieczenie częściowe 1)(CF)", "Dobre zabezpieczenie częściowe 2)(CF)", "Dobre zabezpieczenie częściowe 3)(CF)", "Zabezpieczenie I klasy(1)", "Zabezpieczenie II klasy(1)", "Zabezpieczenie III klasy(1)", "Zabezpieczenie I klasy (%)(1)", "Zabezpieczenie II klasy (%)(1)", "Zabezpieczenie III klasy (%)(1)" 2)oceny finansów: "Wskaźnik finansowy(1)", "Bardzo dobra ocena finansów(CF)", "Dobra ocena finansów(CF)", "Dostateczna ocena finansów(CF)", "Zła ocena finansów(CF)". Podział "wiedzy dziedzinowej" pomiędzy bazę reguł a bazę modeli został dokonany przy przestrzeganiu oczywistej zasady: 1)wiedza o charakterze logicznym jest zapisana w bazie reguł. i bazie ograniczeń. Np., poniewaŜ "B. dobre zabezpieczenie b)(CF)" jest zmienną łańcuchową przybliŜoną o wartości określonej przez listę zmiennych łańcuchowych przybliŜonych zawierającą "B. dobre zabezpieczenie częściowe b1)(CF1)" oraz "B. dobre zabezpieczenie częściowe b2)(CF2)", jest ono definiowane za pomocą reguły (reguła 19) 2)wiedza o charakterze arytmetyczno-relacyjnym jest zapisana w bazie modeli. Np., poniewaŜ "B. dobre zabezpieczenie a)(CF)" jest zmienną łańcuchową przybliŜoną o wartości określonej przez relację "Zabezpieczenie I klasy (%) >= 100", to jest ona definiowana za pomocą modelu (model 101). Na uwagę zasługuje jeszcze wybór warunków startowych modeli. PoniewaŜ w trakcie wnioskowania rozwiniętego przybliŜonego wyznacza się CF dla wszystkich wniosków, które zadeklarowano za pomocą klauzuli 'tylko_jedna_regula', naleŜy to umoŜliwić na drodze stosowania dla potrzebnych modeli warunku startowego "bez warunku". W bazie ograniczeń przybliŜonych OPKRE.BRP jest tylko jedna lista warunków dopytywalnych wzajemnie się wykluczających w sposób przybliŜony: PrzybliŜone wnioskowanie jest realizowane w oparciu o zmodyfikowana stanfordzką algebrę współczynników pewności, por.[6].. 3.2. Postać kredytowej bazy wiedzy Baza ta jest bazą rozwiniętą przybliŜoną o budowie przedstawionej w [6]. Rozwinięta przybliŜone baza reguł (REKRE.BRP) jest następująca: 1)Reguły od 1 do 8 są regułami precyzującymi warunki, które musi spełnić klient, by uzyskać kredyt: regula(1,"Udziel kredyt", ["Bardzo dobre zabezpieczenie", "Bardzo dobra ocena finansów", "Bardzo dobra reputacja"],"1") regula(2,"Udziel kredyt", ["Bardzo dobre zabezpieczenie", "Bardzo dobra ocena finansów", Dobra reputacja"],"0.9") regula(3,"Udziel kredyt", ["Bardzo dobre zabezpieczenie", "Dobra ocena finansów", "Bardzo dobra reputacja"],"0.8") regula(4,"Udziel kredyt", ["Bardzo dobre zabezpieczenie", "Dobra ocena finansów", "Dobra reputacja"],"0.7") regula(5,"Udziel kredyt", ["Dobre zabezpieczenie", "Bardzo dobra ocena finansów", "Bardzo dobra reputacja"],"0.6") regula(6,"Udziel kredyt", ["Dobre zabezpieczenie", "Bardzo dobra ocena finansów", "Dobra reputacja"],"0.5") regula(7,"Udziel kredyt", ["Dobre zabezpieczenie", "Dobra ocena finansów", "Bardzo dobra reputacja"],"0.4") regula(8,"Udziel kredyt", ["Dobre zabezpieczenie", "Dobra ocena finansów", "Dobra reputacja"],"0.3") Współczynniki pewności reguł 1-8 są wynikiem „zdroworozsądkowej” analizy reguł. Reguła 1 jest spełniona przez klientów zdecydowanie najlepszych; a więc pewność, Ŝe reguła ta jest prawdziwa, jest zdecydowanie największa. Dlatego teŜ reguła ta ma współczynnik pewności 1. Reguła 8 jest spełniona przez klientów zdecydowanie najgorszych z pośród tych, którym bank jeszcze przyznaje kredyt; dlatego pewność, Ŝe reguła ta jest prawdziwa, jest najmniejsza dla wszystkich reguł wnioskujących przyznanie kredytu. Odpowiedni współczynnik pewności musi jednak być dodatni (przyznajemy kredyt!). PoniewaŜ w miarę pogarszania się pewności reguł wnioskujących przyznanie kredytu, od pierwszej reguły poczynając, dosyć arbitralnie przyjęto, Ŝe współczynniki CF dla reguł od 1 do 8 maleją kolejno o 0.1, co odzwierciedla malejącą pewność, z jaką bank przyznaje kredyty coraz gorszym grupom klientów. W rezultacie reguła 8 ma współczynnik pewności 0.3. Współczynniki pewności tych reguł moŜna oczywiście aktualizować korzystając z danych archiwalnych banku. Baza reguł nie ma reguł z wnioskami „Odmów kredytu”. Decyzja taka jest podejmowana, gdy w wyniku wnioskowania wniosek „Udziel kredyt” ma ujemny współczynnik pewności. Wnioskiem kolejnych reguł jest „Konsultuj z przełoŜonym”: regula(9,"Konsultuj z przełoŜonym", ["Bardzo dobre zabezpieczenie", "Bardzo dobra ocena finansów", "Zła reputacja"],"0.9") regula(10,"Konsultuj z przełoŜonym", ["Bardzo dobre zabezpieczenie", "Dobra ocena finansów", "Zła reputacja"],"0.8") regula(11,"Konsultuj z przełoŜonym", ["Bardzo dobre zabezpieczenie", "Dostateczna ocena finansów", "Bardzo dobra reputacja"],"0.8") regula(12,"Konsultuj z przełoŜonym", ["Bardzo dobre zabezpieczenie", "Dostateczna ocena finansów", "Dobra reputacja"],"0.7") regula(13,"Konsultuj z przełoŜonym", ["Dobre zabezpieczenie", "Bardzo dobra ocena finansów", "Zła reputacja"],"0.7") regula(14,"Konsultuj z przełoŜonym", ["Dobre zabezpieczenie", "Dobra ocena finansów", "Zła reputacja"],"0.6") regula(15,"Konsultuj z przełoŜonym", ["Dobre zabezpieczenie", "Dostateczna ocena finansów", "Bardzo dobra reputacja"],"0.6") regula(16,"Konsultuj z przełoŜonym", ["Dobre zabezpieczenie", "Dostateczna ocena finansów", "Dobra reputacja"],"0.6") Pewność reguł z wnioskiem „Konsultuj z przełoŜonym” jest – zgodnie z intuicją – największa wtedy, gdy oceny atrybutów „zabezpieczenie”, ”ocena finansów” i „reputacja” są najbardziej rozbieŜne” W miarę zmniejszania się tych róŜnic, pewność (potrzeba) konsultowania z przełoŜonym maleje. Rodzaj zabezpieczenia definiują reguły: regula(17,"Bardzo dobre zabezpieczenie", ["B. dobre zabezpieczenie a)"],"0.9") regula(18,"Bardzo dobre zabezpieczenie", ["B. dobre zabezpieczenie b)"],"0.8") regula(19,"Bardzo dobre zabezpieczenie b)", ["B. dobre zabezpieczenie częściowe b1)", "B. dobre zabezpieczenie częściowe b2)"], "0.8") regula(20,"Dobre zabezpieczenie", ["Dobre zabezpieczenie częściowe 1)", "Dobre zabezpieczenie częściowe 2)", "Dobre zabezpieczenie częściowe 3)", "nBardzo dobre zabezpieczenie"],"0.9") regula(21,"Złe zabezpieczenie", ["nBardzo dobre zabezpieczenie", "nDobre zabezpieczenie"],"0.9") Ponadto w bazie reguł są klauzule: tylko_jedna_regula("Udziel kredyt") tylko_jedna_regula("Konsultuj z przełoŜonym") tylko_jedna_regula("Bardzo dobre zabezpieczenie") Klauzule „tylko_jedna_regula(Wniosek)” charakteryzują reguły o tym samym wniosku i zaleŜnych listach warunków, a więc takie (por. [6]) dla których uwzględnia się tylko wniosek o najwyŜszym współczynniku pewności PrzybliŜona baza modeli (MOKRE.BRP) jest następująca: model(101,"bez warunku", "B. dobre zabezpieczenie a)", "Zabezpieczenie I klasy (%)", ">=","100",1,"CF_Bd_I_kl") W modelu tym pojawia się po raz pierwszy współczynnik pewności jako zmienna. Wynika to stąd, Ŝe jego wartość nie moŜe zostać ustalona na etapie tworzenia bazy modeli, lecz tylko w trakcie wnioskowania, w zaleŜności od "sposobu" spełnienia relacji ’Zabezpieczenie I klasy (%) >=100’ . Np. jeŜeli zabezpieczenie jest bardzo dobre, ale ledwo-ledwo: Zabezpieczenie I klasy (%) = 102 to moŜna je uznać za "bardzo słabe" bardzo dobre zabezpieczenie i przyporządkować modelowi CF_Bd_I_kl = 0.1. JeŜeli zaś będzie: Zabezpieczenie I klasy (%) = 250 to moŜna je uznać za "bardzo dobre" bardzo dobre zabezpieczenie i przyporządkować modelowi CF_Bd_I_kl = 0.9. Podobnie postępuje się przy kolejnych modelach: model_r(102,"bez warunku", "B. dobre zabezpieczenie częściowe b1)", "<=,<", ["70","Zabezpieczenie I klasy (%)", "100"], 1,"CF_Bd_b1") model(103,"bez warunku", "B. dobre zabezpieczenie częściowe b2)", "Zabezpieczenie II klasy (%)", ">=","30",1,"CF_Bd_b2") model(104,"bez warunku", "Dobre zabezpieczenie częściowe 1)", "Zabezpieczenie I klasy (%)", ">=","60",1,"CF_d_1") model(105,"bez warunku", "Dobre zabezpieczenie częściowe 2)", "Zabezpieczenie II klasy (%)", ">=","10",1,"CF_d_2") model(106,"bez warunku", "Dobre zabezpieczenie częściowe 3)", "Zabezpieczenie III klasy (%)", ">=","30",1,"CF_d_3") model_r(107,"bez warunku", "Zabezpieczenie I klasy","+", ["Depozyty złotówkowe", "Depozyty dewizowe", "Gwarancje bankowe"],1,"1") model(108,"bez warunku", "Zabezpieczenie I klasy (%)", "Zabezpieczenie I klasy","%", "Kredyt",1,"1") model(109,"bez warunku", "Zabezpieczenie II klasy", "Akcje","+","Obligacje",1,"1") model(110,"bez warunku", "Zabezpieczenie II klasy (%)", "Zabezpieczenie II klasy","%", "Kredyt",1,"1") model(111,"bez warunku", "Zabezpieczenie III klasy","Hipoteka","+", "Prawa własności",1,"1") model(112,"bez warunku", "Zabezpieczenie III klasy (%)", "Zabezpieczenie III klasy","%", "Kredyt",1,"1") model_liniowy(113,"bez warunku", "Wskaźnik finansowy", ["-2", "1", "5", "5"], ["Krótkoterminowe zadłuŜenie/ SprzedaŜ netto (%)", "Ubiegłoroczny wzrost zysku (%)", "Zysk netto/Całkowity majątek (%)", "Zysk netto/SprzedaŜ netto (%)"],1,"1") model(114,"bez warunku", "Zła ocena finansów", "Wskaźnik finansowy","<=","-50", 1,"CF_złe_fin") model_r(115,"bez warunku", "Dostateczna ocena finansów","<,<=", ["-50","Wskaźnik finansowy","100"], 1,"CF_dost_fin") model_r(116,"bez warunku", "Dobra ocena finansów","<,<=", ["100","Wskaźnik finanswy","500"], 1,"CF_dob_fin") model(117,"bez warunku", "Bardzo dobra ocena finansów", "Wskaźnik finansowy",">=", "500",1,"CF_bd_fin") Dzięki współczynnikom pewności modeli relacyjnych bank moŜe rozróŜnić między np. dwoma klientami (patrz model 101), z których obydwaj mają „B. dobre zabezpieczenie a)”, ale dla jednego z nich np. ‘Zabezpieczenie I klasy (%)’=105, a dla drugiego klienta ‘Zabezpieczenie I klasy (%)’=200. W takiej sytuacji moŜna np. wybrać dla pierwszego klienta CF_Bd_I_kl=0.1 (jego zabezpieczenie jest na granicy dolnej bardzo dobrego zabezpieczenia a), a dla drugiego CF_Bd_I_kl = 0.8, gdyŜ jego zabezpieczenie I klasy mocno przekracza dolną granicę dla „B. dobrego zabezpieczenie a)”. Wprowadzenie współczynników pewności do modeli relacyjnych jako zmienne, sprawia, Ŝe system zapyta się o ich wartości dopiero w trakcie wnioskowania. UmoŜliwia to uŜytkownikowi dopasowanie tych wartości do aktualnego przebiegu wnioskowania. Baza ograniczeń przybliŜonych (OPKRE.BRP) jest następująca: ograniczenie_p(1,["Bardzo dobra reputacja", "Dobra reputacja","Zła reputacja"]) Warunki dopytywalne wykluczające się w sposób przybliŜony i znajdujące się w bazie ograniczeń przybliŜonych mogą zostać z kolei zdefiniowane za pomocą reguł definiujących, czym jest "Bardzo dobra reputacja", "Dobra reputacja" i "Zła reputacja". Baza ograniczeń przybliŜonych będzie mieć wówczas inną postać. Istotne jest to, Ŝe dzięki moŜliwości nieograniczonego (praktycznie) zagnieŜdŜania reguł w systemie RMSE, moŜliwe jest prosta i bezkonfliktowa rozbudowa bazy reguł na drodze zastępowania dowolnych warunków dopytywalnych ich definicjami w postaci wniosków nowych reguł, itd. 4. WNIOSKI Regułowo-modelowe skorupowe systemy dla przybliŜonego wnioskowania rozwiniętego umoŜliwiają harmonijną integrację wiedzy regułowej i wiedzy proceduralnej związanej z podej- mowaniem decyzji kredytowych z uwzględnieniem niepewności charakterystycznej dla tych decyzji. Traktowanie współczynników pewności reguł jako wag, przeznaczonych do określenia pewnej hierarchii waŜności atrybutów klienta, ułatwia wybór ich wartości zmniejszając zarazem subiektywność tego wyboru. Wybór ten moŜe być korygowany w oparciu o dane historyczne. Stosowane bazy reguł, modeli, ograniczeń i rad są przejrzyste i czytelne, dzięki czemu jest moŜliwa prosta i szybka modyfikacja wiedzy dziedzinowej w nich zawartej. Literatura [1] Hempel, G. H., D.G. Simonson, A. B. Coleman, „”Bank Management. Text and Cases”, 4th Edition, John Wiley & Sons, New York, 1994 [2] Koch, T. W., „Bank Management”, 3rd Edition The Dryden Press, Forth Worth, 1995 [3] Niederliński, A. “An expert system shell for uncertain rule- and model based reasoning”, w “Methods of Artificial Intelligence in Mechanics and Mechanical Engineering AIMech 2001”, red. T. Burczyński, W.Cholewa, Gliwice, 2001, str. 159-168. [4] Niederliński,A. “Regułowe systemy ekspertowe”, Wydawnictwo Pracowni Komputerowej Jacka Skalmierskiego, Gliwice 2000, str. 1-328. [5] Niederliński, A, Regułowo-modelowe systemy ekspertowe: http://www.ekspert.wsi.edu.pl/ [6] Niederliński, A.: “Rodzina skorupowych hybrydowych systemów ekspertowych RMSE”, wykład problemowy, XIV Krajowa Konferencja Automatyki kka’02, Zielona Góra, 2002. 5. PODZIĘKOWANIA Przedstawione badania były finansowane od 2001 r. w części przez Fundację Nauki Polskiej w ramach subsydium profesorskiego, a w 2002 r. dodatkowo przez Instytut Automatyki Politechniki Śląskiej w ramach BK-215/RAU-1/2002. Autor pragnie podziękować równieŜ Rektorowi WyŜszej Szkoły Informatyki i Zarządzania w Bielsku-Białej, prof. Franciszkowi Mareckiemu, za finansowe wspomaganie administracji witryny http://www.ekspert.wsi.edu.pl/.