Hoofdstuk 3 Automatisering en beslissingsprocessen · 2016-03-05 · Hoofdstuk 3 Automatisering en...

Hoofdstuk 3Automatisering en

beslissingsprocessen

3.1 Inleiding

In hoofdstuk 2 is het gebruik van modellen in het beslissingsproces beschreven. Deaard van de modellen hangt samen met de vorm van ondersteuning die doorinformatiesystemen kan worden geleverd. In dit hoofdstuk staat het ondersteunen vandit beslissingsproces met behulp van een computer centraal. De invloed vancomputers op het beslissingsproces is in de loop van de tijd groter geworden. In debeginjaren was de computer met name gericht op het verwerken van gegevens (zieparagraaf 3.2). In de loop van de tijd werden computers meer gericht op hetprogrammeren van goed gestructureerde problemen (paragraaf 3.3) en later ook opde ondersteuning bij het nemen van beslissingen in geval van minder goedgestructureerde problemen (paragrafen 3.4 en 3.5). Aan de hand van dieontwikkeling kunnen een aantal fasen worden onderscheiden36. Deze fasen zijn:

1. verwerken van gegevens, Electronic Data Processing (EDP),2. oplossen van goed gestructureerde problemen, Management

Information Systems (MIS),3. de twee voorafgaande plus de ondersteuning van de besluitvorming,

Decision Support Systemen (DSS) en Kennissystemen (KS).

In de laatste jaren is een trend waar te nemen naar de integratie van kennissystemenen decision support systemen, die tot uitdrukking komt in systemen met namen alskennisgebaseerde beslissingsondersteunende systemen en aanverwante termen. Dezeontwikkeling wordt beschreven in paragraaf 3.7.

36 De hier beschreven fasering moet niet worden verward met de groeifasen van het gebruik vaninformatiesystemen in een specifieke organisatie, zoals die door Nolan zijn gespecificeerd. In eersteinstantie onderscheidt Nolan (Gibson en Nolan, 1974) vier fasen, nl.: initiation, diffusion, formalizationen maturity. Dit aantal breidt hij later uit tot zes (Nolan, 1979), initiation, contagion, control, integration,data en maturity.

Hoofdstuk 354

De hierboven genoemde fasen beschrijven zowel de historische ontwikkeling vaninformatiesystemen in het algemeen als het gebruik van informatiesystemen in eenspecifieke organisatie. Boersma (1989) maakt een onderscheid tussen concrete enabstracte informatiesystemen. Een abstract informatiesysteem is een model, eenafbeelding van een reëel systeem. Het abstracte systeem speelt een rol bij deontwikkeling van het concrete systeem. In dit hoofdstuk wijzen wij bij het gebruikvan de term informatiesysteem op het concrete informatiesysteem, tenzij explicietanders vermeld.

Een organisatie moet de fasen in de genoemde volgorde doorlopen omdat delatere fasen zijn gebaseerd op de eerdere fasen. Zo vormen bijvoorbeeld de in deEDP-fase ontwikkelde bestanden de basis voor de andere vormen vaninformatieverwerking. De invloed van de verschillende fasen op hetbeslissingsproces loopt sterk uiteen. De EDP-fase heeft ten hoogste een indirecteffect op de besluitvorming. Specifieke decision support systemen enkennissystemen zijn daarentegen direct gericht op specifieke beslissingsprocessen. Inde volgende paragrafen worden de verschillende systemen en de invloed van dezesystemen op de besluitvorming beschreven.

3.2 Electronic Data Processing

Electronic Data Processing (EDP) vormt de eerste fase in het gebruik van computersbinnen organisaties. Deze fase wordt gekenmerkt door het automatiseren vanarbeidsintensieve, relatief eenvoudige en frequente verwerkingen van gegevens. Hetautomatiseren van deze regelmatige verwerkingen heeft met name tot doel eenefficiency-verhoging te realiseren. Met beslissingsprocessen binnen organisatiesheeft deze fase nog weinig van doen. Ten hoogste worden bepaalde overzichtenvervaardigd die bij het verwerken van de gegevens als bijprodukten ontstaan.

De EDP-fase heeft een grote invloed gehad, en heeft die nog steeds, op dewerkverdeling rond de dataverwerking in organisaties. Een groot deel van destandaardverwerkingen van gegevens worden nu succesvol uitgevoerd doorcomputers. Salarisadministratie, facturering en voorraadregistratie zijn voorbeeldenvan gegevensintensieve processen die uitstekend door computers kunnen wordenuitgevoerd.

EDP omvat de toepassing van computers bij routinematige gegevensverwerkendeactiviteiten in een organisatie. In de loop van de tijd zijn computers daarnaast intoenemende mate toegepast bij veelvoorkomende kantoortaken. Een belangrijk deelvan deze taken wordt gevormd door één of andere vorm van communicatie.Kantoorautomatisering richt zich op de ondersteuning van deze communicatiebinnen organisaties. Alter (1992) definieert kantoorautomatisering als:

‘An office automation system facilitates everyday communications andinformation processing tasks in offices and business organizations.’

Deze communicatie kan betrekking hebben op spraak, tekst en beelden (Hicks,1993). De ondersteuning kan diverse vormen aannemen, afhankelijk van het type

Automatisering en beslissingsprocessen 55

communicatie. Tekstverwerking, elektronische mail (e-mail), desktop-publishing enfax-transmissies zijn gericht op tekstcommunicatie. Spraakverwerking (zowelmenselijke spraak als door de computer gegenereerde spraak), telefoon en video-conferencing zijn gericht op spraakcommunicatie. Beeldcommunicatie wordt onderandere ondersteund door middel van desktop-publishing en fax-transmissies. Uit devoorgaande opsomming blijkt dat bepaalde middelen gericht zijn op meer dan ééntype van communicatie. Een fax wordt bijvoorbeeld zowel gebruikt bij decommunicatie van tekst als de communicatie van beelden.

Kantoorautomatisering heeft betrekking op de communicatie binnen organisaties.Recente ontwikkelingen maken communicatie en datatransport tussen organisatiesmogelijk. De ‘electronic highway’37 biedt de mogelijkheid internationaal enintercontinentaal te communiceren. De ‘electronic highway’ biedt een informatie-infrastructuur voor de communicatie van tekst, beeld en spraak, alle in digitale vorm.Het belang van een goede infrastructuur wordt beschreven door Porter (1990):

‘a nation’s industry depends on a modern and improving infrastructure. This isparticular true in advanced transportation, logistics and telecommunications, allintegral to introducing modern technologies and to competing in foreign markets.Both firms and governments have a responsibility in creating and upgradinginfrastructure.’

Door de technologische ontwikkelingen op het gebied van computers entelecommunicatie, wordt de elektronische infrastructuur een steeds belangrijker deelvan de totale infrastructuur (Kettinger, 1994). Kettinger beschrijft welkefunctionaliteit een dergelijke infrastructuur moet bieden:

‘The vision of the proposed national information infrastructure is one of auniversally accessible widely distributed, private and public interconnectednetworks that permit access to a variety of databases and that can transmit voice,text, images, video, and virtually any other format for depicting information toanyone, at any time, in any place.’

Kettinger beschrijft de ontwikkeling van deze informatie-infrastructuur aan de handvan een innovatiediffusiemodel38. De eerste gebruikers van de informatie-infrastructuur waren vooral te vinden in de wetenschappelijke wereld. Het gebruikbestond met name uit elektronische mail. In de daarop volgende fasen maken ookbedrijven, bibliotheken, scholen etc. gebruik van de infrastructuur. In devolwassenheidsfase benadert de infrastructuur de in het vorige citaat beschreven

37 De Amerikaanse term highway wordt hier gebruikt omdat de vertaling ‘electronische snelweg’ geenrecht doet aan de oorspronkelijke betekenis van het woord. De ruimte en vrijheid die het begrip highwayimpliceert wordt niet goed weerspiegeld door de Nederlandse equivalent van dat woord.38 Kettinger (1994) hanteert het model van McFarlan en McKenney. Dit model bestaat uit de fasen: (1)technology identification and initial investment, (2) technological learning and adaptation, (3)rationalization and control en (4) maturity / wide spread technology transfer.

Hoofdstuk 356

functionaliteit. Informatiesystemen van organisaties kunnen direct wordenaangesloten op netwerken.

De financiering van de infrastructuur verandert bij het doorlopen van deontwikkelingsfasen. De eerste fase is met name gebaseerd op overheidssteun en ad-hoc financiering. In de latere fasen zal de commerciële exploitatie van deinfrastructuur belangrijker worden.

3.3 Management Information Systems

De tweede fase die wordt onderscheiden is die van de Management InformationSystems (MIS). Davis en Olson (1987, pag. 6) definiëren een MIS als:

‘an integrated, user-machine system for providing information to supportoperations management, and decision making functions in the organization. Thesystem utilizes computer hardware en software; manual procedures; models foranalysis, planning, control and decision making; and a database’

De MIS-fase richt zich ten opzichte van EDP minder op de verwerking van gegevensen meer op het aanleveren van informatie. Hierbij is het onderscheid tussen gegevensen informatie van belang. Gegevens representeren feiten, objecten etc. Informatiebetreft zodanig verwerkte gegevens dat de betrokken persoon er een betekenis aankan toewijzen. Met een MIS kunnen bijvoorbeeld periodiek vaste overzichtenworden vervaardigd die het verloop van allerlei kenmerken in de organisatieweergeven. Wekelijks wordt bijvoorbeeld de debiteuren- en crediteurenpositiegetoond. Naast deze periodieke standaardrapportering is het tevens op beperkteschaal mogelijk specifieke rapporten te genereren. De invloed van MIS op hetbeslissen in organisaties bestaat uit het automatiseren van bepaalde keuzefasen.Goed gestructureerde problemen kunnen, na modellering, met behulp van eenalgoritme worden opgelost. Een voorbeeld van een dergelijk probleem is de bepalingvan de optimale bestelhoeveelheid.

Frowein (1990) merkt op dat de MIS-fase geen succes blijkt te zijn. Hij draagthiervoor twee redenen aan. De organisatie omvattende modellen komen niet echt uitde verf omdat een koppeling tussen modellen op verschillende niveaus in deorganisatie nodig is. Deze koppeling is met mathematische modellen moeilijk terealiseren mede doordat de doelstellingen van de organisatie niet altijd kunnenworden vertaald naar doelstellingen van de afzonderlijke afdelingen. De tweedereden die hij noemt is de door Bosman en Sol geconstateerde scheiding tussenplanning (problemen waarop een MIS vaak is gericht) en administreren. Deadministratie kan vaak de benodigde gegevens niet leveren.

De problemen die in de MIS-fase werden opgelost zijn goed gestructureerdeproblemen die vervolgens met behulp van een algoritme kunnen worden opgelost.Bekende toepassingen in deze categorie zijn de netwerkplanningsystemen en devoorraadreguleringssystemen. In deze systemen is de problematiek van de keuze insoftware (men kan zeggen formele regels) vastgelegd.


3.4 Decision Support Systemen

De term Decision Support Systeem (DSS39) is geïntroduceerd door Scott Morton in1971. De betekenis van het begrip is direct uit de woorden af te leiden. De termbeslissing (decision) benadrukt dat dergelijke systemen zijn gericht op het nemenvan beslissingen en niet alleen op het verwerken van gegevens en informatie.‘Support’ duidt erop dat het systeem niet gericht is op het vervangen van de beslissermaar op de ondersteuning van de beslisser. Systeem geeft aan dat er sprake is vangeïntegreerde aanpak waarbij de gebruiker, de machine c.q. de computer en deprobleemcontext een rol spelen.

Sinds de introductie van het begrip DSS is er door een groot aantal auteurs eengroot aantal verschillende interpretaties van DSS opgesteld. Er bestaat een grotespraakverwarring over wat nu precies als een DSS moet worden opgevat. Uitgaandevan de term DSS kan elk systeem, waarbij op één of andere manier sprake is vanondersteuning bij het nemen van een beslissingen, als een DSS wordengekwalificeerd. Op deze manier kan bijna elk systeem, behalve de puurtransaktieverwerkende systemen, als een DSS worden aangemerkt. Een dergelijkedefinitie die geen indeling geeft is weinig zinvol. Om hieraan tegemoet te komen zijndiverse scherpere definities ontwikkeld. Sommige benadrukken hierbij defunctionaliteit van het systeem terwijl andere de technische aspecten centraal stellen.Elementen die in deze definities terugkomen zijn: het al dan niet gestructureerd zijnvan beslissingen, de niveaus van DSS software en de componenten van DSSsoftware

Decision Support Systemen zijn bedoeld om de beslisser te ondersteunen bij hetnemen van beslissingen, en niet zozeer deze beslisser te vervangen. Deze aanpakerkent de cognitieve beperkingen van de mens en probeert de zwakke punten in hetfunctioneren van de mens te ondervangen door middel van ondersteuning met behulpvan een computer. De DSS aanpak probeert de sterke punten van de mens en decomputer samen te voegen. Thierauf (1982) schrijft over decision support systemen:

‘Fundamentally, the main thrust of decision support systems is on decisions inwhich there is sufficient structure for the computer and quantitative models to beof value but where the user's judgement is essential.’

Met andere woorden, het probleem wordt niet volledig door de computer opgelost,de mens behoudt een significante en zelfs doorslaggevende rol in hetbeslissingsproces. Spraque en Carlson (1982) definiëren een DSS als:

‘A DSS is an interactive computer based system that helps decision makers to usedata and models to solve unstructured problems’

De ondersteuning vindt plaats door het beschikbaar stellen van methoden en data.Het moet voor de beslisser mogelijk zijn toegang te krijgen tot bepaalde databases

39 Afhankelijk van de context verwijst de afkorting DSS naar het begrip decision support systeem inenkelvoud of meervoud.

Hoofdstuk 358

om over de noodzakelijke gegevens te beschikken. Deze gegevens komen voor eengroot deel uit bestanden, die in de EDP-fase tot stand zijn gekomen. Tevens moet debeslisser mogelijkheden worden geboden gegevens te manipuleren met behulp vanmodellen.

3.4.1 Gestructureerde en ongestructureerde beslissingen

In veel definities van DSS komt naar voren dat deze systemen gericht zijn op hetondersteunen van ongestructureerde problemen. Goed gestructureerde problemenkunnen op een andere en eenvoudiger manier worden opgelost. Zoals reeds bij debespreking van MIS is genoemd, worden in die fase bepaalde formaliseerbareproblemen in de software vastgelegd. DSS daarentegen zijn gericht op dieproblemen waarbij nog wel van enige structuur sprake is, zodat computers kunnenworden gebruikt, maar waar de inbreng van de beslisser van doorslaggevend belangis. Sol (1980, pag. 5) definieert goed gestructureerde problemen als problemen dievoldoen aan de volgende drie voorwaarden:

1. the set of alternative courses of actions or solutions is finite andlimited;

2. the solutions are consistently derived from a model system that showsa good correspondence;

3. the effectiveness or the efficiency of the courses of action can benumerically evaluated.

Ongestructureerde problemen voldoen niet aan een of meer van deze voorwaarden.De gestructureerdheid van een probleem kan persoons- en tijdgebonden zijn. Eenprobleem dat voor iemand op een bepaald moment niet gestructureerd lijkt, kan nauitvoerige bestudering toch gestructureerd zijn of gestructureerde componentenbevatten.

Naast het onderscheid tussen goed en slecht gestructureerde problemen kan hetonderscheid worden gemaakt tussen programmeerbare en niet programmeerbareproblemen (Simon, 1960):

‘Decisions are programmed to the extent that they are repetitive and routine, tothe extent that a definite procedure has been worked out for handling them so theywon't have to be treated de novo each time they occur. Decisions arenonprogrammed to the extent that they are novel, unstructured and consequential,there is no cut and dried method for handling the problem because it hasn't arisenbefore, or because its precise nature and structure are elusive or complex, orbecause it is so important that it deserves a custom-tailored treatment.’

Vaak worden de programmeerbare problemen gelijk gesteld aan de goedgestructureerde problemen en de slecht gestructureerde problemen aan de nietprogrammeerbare problemen. Sol (1980) wijkt hier vanaf door te stellen datbeslissers oplossingen kunnen vinden voor slecht gestructureerde problemen diekunnen worden geprogrammeerd. De goed gestructureerde problemen zijn op dezemanier een deelverzameling van de programmeerbare problemen.


Van belang is de vraag waar de ondersteuning van slecht gestructureerdeproblemen zich op richt. Die vraag kan in een aantal vragen worden onderverdeeld:1. Richt de ondersteuning zich op alle fasen van het proces van beslissen of op één

daarvan?2. Richt de ondersteuning zich op een bepaalde functie of op een bepaald niveau?3. Richt de ondersteuning zich op het gebruik van formele regels, informele regels

of beide?4. In welke vorm wordt die ondersteuning gegeven?In het algemeen wordt in de literatuur aan deze vragen weinig aandacht besteed. Inparagraaf 3.8 komen wij, na de bespreking van de verschillende varianten vanbeslissingsondersteunende systemen, op die vragen terug.

3.4.2 Niveaus van DSS software

Een manier om tot een structurering van het begrip DSS te komen is de door Spragueen Carlson (1982) gedefinieerde opdeling in drie niveaus van DSS software: DSS-tools, een DSS-generator en een specifiek DSS. Door recente ontwikkelingen kunnenhier een aantal niveaus aan worden toegevoegd, nl. de generieke DSS,kennissystemen en de integratie van deze categorieën (zie de paragrafen 3.4.5, 3.5 en3.7).

DSS-toolsDe DSS-tools c.q. gereedschappen vormen de basis voor zowel de specifieke DSSals de DSS-generatoren. Met de gereedschappen kunnen specifieke DSS wordengebouwd maar in de meeste gevallen is het raadzamer om met de gereedschappeneen DSS-generator te ontwikkelen. De gereedschappen die bij het ontwikkelen vaneen DSS of SDSS kunnen worden gebruikt, hebben betrekking op lineairprogrammeren, simulatie, spreadsheets, grafieken-generatoren en tekstverwerking.

DSS-generatorSprague en Carlson (1982) definiëren een DSS-generator als:

‘A DSS generator is a package of related hardware and software which provides aset of capabilities to build specific DSS quickly and easily’

Een DSS-generator bestaat uit een verzameling componenten waarmee eenspecifiek-DSS kan worden ontwikkeld. De componenten kunnen bestaan uit de in devorige paragraaf gedefinieerde gereedschappen. De bouwer van een DSS-generatormoet een keuze maken welke gereedschappen in de generator worden opgenomen.

Specifiek DSSHet specifiek DSS (SDSS) is gericht op een specifiek probleem en één beslisser diedat specifieke probleem heeft. De gebruiker van het systeem kan de gegevens uit dedatabank en de methoden uit de methodenbank gebruiken om zijn beslissingsproceste modelleren. Het specifiek DSS hoeft niet het gehele beslissingsproces van

Hoofdstuk 360

intelligence tot choice te beslaan. Het SDSS kan zijn gericht op één of meerderefasen van het beslissingsproces. Dit is niet per definitie alleen de keuzefase. EenSDSS kan ook gericht zijn op de probleemherkenning, de probleembeschrijvingen/of het genereren en evalueren van alternatieven. De gebruiker van het systeemkan de beslisser zijn of een intermediair die het systeem gebruikt.

De constructie van een specifiek DSSEen specifiek DSS kan direct met behulp van de gereedschappen wordenontwikkeld. Een in de meeste gevallen efficiëntere manier voor het ontwikkelen vaneen SDSS is het gebruik van een DSS-generator. Een DSS-generator maakt hetmogelijk op een vrij eenvoudige wijze een eerste versie, oftewel een prototype40,van een SDSS af te leveren. Ervaringen met het gebruik van dit prototype kunnenaanleiding zijn tot het doorvoeren van wijzigingen. Deze wijzigingen hebbenbetrekking op het verbeteren van fouten, het aanpassen van het systeem aan nieuwewensen etc. Benbasat en Nault (1990) concluderen op basis van diverse empirischeonderzoeken:

‘DSS usage is higher, and user satisfaction, attitudes, and perceptions are morefavorable when prototyping and iterative design are used.’

3.4.3 Componenten van een DSS-generator

Een DSS-generator wordt vaak beschreven als een systeem bestaande uit driecomponenten. Een methodenbank, een databank en een gebruikersinterface. Eenspecifiek DSS bezit in veel gevallen dezelfde drie componenten.

GebruikersinterfaceDe gebruikersinterface is van belang voor de interactie tussen de gebruiker en hetsysteem. De gebruikersinterface is hierdoor van grote invloed op de acceptatie vanhet systeem. Als de gebruiker een beeldschermopbouw herkent zal de kans opacceptatie van het systeem groter zijn. Deze herkenning wordt gerealiseerd doorbijvoorbeeld overeenkomsten na te streven tussen het beeldscherm en de daarvoorgebruikte formulieren. Bennett (1983) beschrijft de interactie tussen de computer ende gebruiker van de generator aan de hand van drie zaken, die richtlijnen geven bijhet construeren van een user-interface:• What the user sees.

Hetgeen de gebruiker op het beeldscherm ziet is bepalend voor de interactie enhet gebruik van het systeem. Het beeld bepaalt de context van de interactie. Dekwaliteit van deze interactie zal bepaald worden door de overeenkomsten tussende context en de ervaringen van de gebruiker. Als de context goed overeenkomten herkenbaar is, zal de gebruiker de informatie herkennen en weten welkeacties uit te voeren.

• What the user has to know.

40 Zie hoofdstuk 4 voor een uitgebreide beschrijving van prototyping.


De gebruiker moet een zekere kennis hebben om de getoonde informatie tebegrijpen en te interpreteren en om op basis van deze informatie een specifiekDSS te kunnen bouwen. Voor de bouw van een SDSS moet de gebruiker in elkgeval enige kennis hebben van de in de generator beschikbare methoden.

• What the user can do.Wat kan de gebruiker doen in het gebruik van het systeem? Bij debeantwoording van deze vraag is het van belang te weten welke functies encommando's beschikbaar zijn en hoe eenvoudig het is hulpschermen op teroepen.

De gebruikersinterface is voor een groot deel bepalend voor degebruiksvriendelijkheid van het systeem. De gebruiksvriendelijkheid wordt in dezeparagraaf besproken omdat deze met name onder invloed staat van degebruikersinterface41. Voor een deel is de gebruiksvriendelijkheid afhankelijk vansoftwarematige aspecten. Voor een ander deel is de gebruiksvriendelijkheidafhankelijk van de hardware waarop en de omgeving waarbinnen het systeem wordtgebruikt. Factoren die de gebruiksvriendelijkheid beïnvloeden zijn (Kendall enKendall 1992, Davis en Olson 1985, Sprague en Carlson, 1982):

• de dialoog• het schermontwerp• de gebruikersinterface• de responsietijd• de feedback• de ergonomie

Het gebruiksgemak van een systeem staat ondermeer onder invloed van de manierwaarop de dialoog tussen de gebruiker en het systeem inhoud is gegeven. Mogelijkeinvullingen van deze dialoog zijn: natuurlijke taal interfaces, vraag en antwoordinterfaces, menu’s, invoeren uitvoerformulieren en commando interfaces. Verderwordt het gebruiksgemak bepaald door de manier van bediening. Was tot voor korthet toetsenbord de enige manier om interactief met de computer om te gaan, delaatste tijd worden steeds meer systemen ontwikkeld die met de muis, een lichtpen,een touch-screen of zelfs met spraakherkenning kunnen worden aangestuurd. Coll etal. (1994) onderzoeken de snelheid van werken met, het aantal fouten door en devoorkeur voor de verschillende vormen van besturing. Zij concluderen dat met demuis werken sneller is dan werken met een lichtpen of het toetsenbord. Daarnaastconcluderen zij echter dat het gebruik van het toetsenbord minder fouten oplevert.De participanten van het onderzoek zeggen de muis voor algemeen gebruik teprefereren.

Een computerscherm dient zodanig ontworpen te zijn dat het relevante informatieop een heldere wijze weergeeft. Davis en Olson (1985) beschrijven twee richtlijnenvoor het ontwerpen van een scherm: (1) geef alleen gegevens weer die essentieel zijn

41 De in deze paragraaf besproken aspecten van de gebruiksvriendelijkheid zijn ook van toepassing opde andere in dit hoofdstuk besproken systemen zoals kennissystemen en executive information systems.

Hoofdstuk 362

voor het nemen van die beslissing of het uitvoeren van die specifieke actie, en (2)geef alle relevante informatie op één scherm weer. Verder beschrijven zij richtlijnenals: plaats items bij elkaar die logisch samenhangen, plaats de items in een logischevolgorde, plaats belangrijke items meer naar boven en meer naar links op het schermen laat voldoende ruimte tussen de afzonderlijke items zodat de items duidelijkgescheiden blijven.

De manier van interactie wordt in de jaren negentig steeds meer gedomineerddoor de zogenaamde ‘Graphical User Interfaces’ (GUI). Microsoft Windows en X-Windows zijn voorbeelden van deze GUI’s. De GUI’s zorgen voor een belangrijkestandaardisatie van de interactie tussen de gebruiker en het systeem. Diverse soortenprogramma’s hebben vergelijkbare menustructuren, dialoogvensters etc. Met behulpvan de muis, menu’s en drukknoppen geeft de gebruiker commando’s aan decomputer. Het aanleren van een nieuw programma, dat dezelfde interface-conventiesnaleeft, zal veel sneller verlopen42.

De mate van gebruiksvriendelijkheid en dan met name de mate van ergernis,wordt voor een groot deel beïnvloed door de responsietijd van het systeem. Dewachttijden mogen niet te hoog oplopen en moeten met name consistent zijn. Hetconsistent zijn betekent dat opdrachten met een soortgelijke complexiteit eenvergelijkbare responsietijd dienen te hebben (Davis en Olson, 1985). Indien deresponsietijd meer dan een aantal seconden bedraagt, moet de gebruiker in iedergeval feedback krijgen dat de opdracht in uitvoering is genomen.

Een gebruiker heeft behoefte aan feedback tijdens het werken met de computer.De gebruiker moet weten dat de invoer juist is verwerkt of dat de computer bezig iseen opdracht uit te voeren. Kendall en Kendall (1992) onderscheiden 7 typen vanfeedback. Het bevestigen van invoer door het afbeelden van de invoer op het scherm,het bevestigen van correcte invoer (b.v. ‘Ready’), het geven van een foutmelding bijonjuiste invoer, het aangeven van een bewerking (b.v. ‘Wait’), het bevestigen vanhet afronden van een bewerking (b.v. ‘Done’), het geven van een foutmelding indieneen opdracht niet kan worden uitgevoerd en tenslotte het beschikbaar stellen vanmeer gedetailleerde hulpinformatie (b.v. ‘Assist’).

De ergonomie van een systeem wordt niet door softwarematige aspecten bepaald.De ergonomie wordt beïnvloed door de hardware zoals het beeldscherm, hettoetsenbord, de ruimtelijke opstelling van beide, de verlichting van de kamer, hetmeubilair etc.

MethodenbankEen tweede component van een DSS wordt gevormd door de methodenbank(Brennan en Elam, 1986). Deze bank bevat methoden waarmee bepaalde problemenconceptueel kunnen worden gemodelleerd. Met de gegevens uit de databank kunnende conceptuele modellen empirisch worden gemaakt en kan met die modellenworden geëxperimenteerd. Bekende voorbeelden van methoden in DSS-generatoren 42 Hertogs en Helms (1995) beschrijven een onderzoek door een Amerikaans adviesbureau waaruit blijktdat bij mensen die met Windows werken gevoelens van frustratie en vermoeidheid in vergelijking metniet grafische interfaces zijn gehalveerd. Daarnaast konden de proefpersonen sneller en beter omgaan metvoor hen onbekende programma’s.


zijn: lineair programmeren, simulatie en statistische analyses. De beslisser moet zelfkiezen op grond van de kenmerken van het probleem of de situatie, welke methodein een bepaalde situatie moet worden toegepast.

DatabankDe derde component van een DSS is de database oftewel databank (Garnto enWatson, 1986). De databank bevat gegevens die de beslisser kan opvragen of diekunnen worden gebruikt voor het opstellen en doorrekenen van modellen. Degegevens uit de databank kunnen uit verschillende bronnen afkomstig zijn. Zowelgegevens van binnen de organisatie als gegevens van buiten de organisatie kunnenvoor het nemen van beslissingen van belang zijn. Het probleem hierbij is dat devereiste gegevens niet altijd beschikbaar zijn in de transactie-database. De gegevenszoals de tussenaankomsttijden in geval van een simulatiemodel zullen afzonderlijkmoeten worden verzameld en vastgelegd.

Het uitvoeren van zoekacties en selecties op databases kan een groot beslagleggen op de capaciteit van het systeem. Om de normale verwerkingen, diegebruikmaken van de database, niet te vertragen kan een speciale database voor deDSS worden ontwikkeld en onderhouden. Hierbij moet men wel organisatorischemaatregelen treffen teneinde te waarborgen dat de DSS-database een getrouweafspiegeling van de overige databases vormt.

3.4.4 DSS en beslissingsprocessen

Een SDSS is gericht op het ondersteunen van een beslissingsproces van de beslisser.De beslisser behoudt een doorslaggevende rol bij het nemen van beslissingen. HetSDSS kan, zoals hiervoor reeds is beschreven, één of meerdere fasen van hetbeslissingsproces ondersteunen. De beslisser maakt gebruik van de beschikbaremethoden en gegevens, maar vult zelf het beslissingsproces in. Hofstede (1992)beschrijft het beslissen met behulp van een DSS aan de hand van een aantalgeschakelde niveaus (zie Figuur 3-5).

Figuur 3-5 suggereert dat de informatie over de omgeving en over het probleemwordt gefilterd door de persoons- en managementcontext. Op dezelfde wijze wordtde gevonden oplossing gemanipuleerd door de management- en persoonscontext. Inde management- en persoonscontext wordt de oplossing gemanipuleerd omdat hetmodel zoals opgenomen in het SDSS bepaalde aspecten buiten beschouwing laat.Het model abstraheert bepaalde persoonlijke aspecten, zoals persoonlijkevoorkeuren en doelstellingen en bepaalde management aspecten, zoals de samenhangmet en invloed op andere beslissingen. Uit de figuur blijkt dat de persoonscontexthet meest dominant is. De beslisser bepaalt welke informatie wordt gebruikt enneemt de uiteindelijke beslissing.

Hoofdstuk 364

Environment

Real problem

Problem context assupported by DSS

Management context

Personal context(learning, goals, attitudes)

(objectives, other problems)

Information adoptedsolution

Figuur 3-5 : Probleemoplossen met behulp van een DSS.

Het model van Hofstede van het probleemoplossen met behulp van een SDSS geeftgeen volledige beschrijving van het gebruik van een SDSS. Bij het gebruik van eenSDSS moet een beslisser zelf het model invullen. Hij bepaalt zelf welke methoden inwelke samenhang worden toegepast en welke gegevens hierbij een rol spelen.Hierbij spelen eigen beslissingsregels een rol. De ‘problem context as supported byDSS’ in Figuur 3-5 kan in dat geval niet worden gezien als een losstaandecomponent waarover de persoonlijke en management context worden geschoven. Eris een interactie tussen de diverse componenten, inclusief de omgeving. Het modelvan Hofstede is wellicht beter toepasbaar op het gebruik van generieke Decision-(zie volgende paragraaf). In dergelijke systemen wordt een conceptueel modelaangeleverd waarna de beslisser het model empirisch maakt en bepaalde beslissingenkan evalueren. In deze situatie bepaalt de beslisser welke informatie hij al dan nietwil gebruiken en de beslisser kan het systeem ‘overrulen’ indien de uitkomsten nietbevallen. Bij het aanleveren van een model door een Executive Information System(zie paragraaf 3.6) kan ook worden gesproken over ‘a problem context as supportedby the system’. Het model bepaalt de probleemcontext.

Onderzoeken met betrekking tot de effecten van het gebruik van decision supportsystemen leveren geen eenduidige conclusies op. Benbasat en Nault (1990)beschrijven een groot aantal empirische onderzoeken waarvan sommigeverbeteringen laten zien door het gebruik van DSS en andere onderzoeken geenverschillen tonen tussen gebruikers die wel of niet worden ondersteund. Benbasat enNault (1990) noemen als mogelijke oorzaken van deze tegenstrijdige conclusies: hetverschil in de mate van ondersteuning die door het DSS wordt geboden, decomplexiteit van het gebruik van het DSS, gebrek aan toetsen om de kwaliteit vanhet DSS vast te stellen en tenslotte een verschil in training van de DSS gebruikers.Daarnaast geldt dat verschillende onderzoeken de effecten van het DSS gebruik opzeer uiteenlopende manieren hebben geoperationaliseerd. In de meeste onderzoeken


wordt uitsluitend gekeken naar de uitkomsten, bijvoorbeeld de winst of de tijd diemen nodig heeft voor het nemen van een beslissing. Het beslissingsproces wordt nietgeëvalueerd. Benbasat en Nault (1990) stellen dan ook:

‘It is ironic that even though the fundamental studies in this field have placedemphasis on understanding the influence of computerized support on changes indecision processes, few Management Support System studies that examine theserelationships have emerged.’

Het gebruik van een DSS hoeft echter niet uitsluitend te zijn gericht op hettotstandkomen van kwalitatief betere beslissingen. Keen (1986) noemt behalve ditvoordeel nog elf andere: het groter aantal alternatieven dat wordt bekeken, een beterbegrip van de organisatie en de omgeving, een snellere response op onverwachteomstandigheden, ad-hoc analyses, nieuwe inzichten, een betere communicatie, eenbetere beheersing, kostenbesparingen, effectief groepswerk, tijdbesparingen entenslotte een beter gebruik van beschikbare gegevens. Uit deze opsomming blijkt datbetere beslissingen slechts één van de mogelijke voordelen is.

Alter (1992) pleit ervoor de hele discussie over decision support systemen en dehieraan gerelateerde begrippen en definities aan de kant te schuiven en zich weer teconcentreren op datgene dat echt essentieel is, namelijk het verbeteren van debeslissingsprocessen. De activiteiten van mensen moeten als uitgangspunt wordengenomen bij het bestuderen van beslissingsprocessen. Alter classificeertinformatiesystemen aan de hand van de mate waarin het systeem de manier vanwerken bepaalt (als hulpmiddel, voorschrijvend of als vervanging van de mens) enhet niveau van coördinatie (individu, groep, organisatie) dat het systeem ondersteunt.Alter (1992) concludeert:

‘Instead of starting by saying we are going to study DSS, we should start bysaying we are going to study ways to improve decision making. This will focusattention on what is important, will eliminate wasted effort distinguishingbetween overlapping and poorly defined types of systems, and may lead to moreapplicable results.’

Alter benadrukt de beslissingsprocessen, maar deze processen kunnen vanuit eengroot aantal gezichtspunten worden bestudeerd. Iedere discipline benadrukt enbestudeert bepaalde zaken van het beslissingsprobleem. Men zal binnen eendiscipline dus wel moeten aangeven welke zaken worden bestudeerd. Binnen deinformatiekunde zal de nadruk liggen op faciliteiten om deze beslissingsprocessen teondersteunen. Daarbij zal naar de mogelijkheden van decision support- enexpertsystemen worden gekeken. Deze systemen moeten niet om het systeem zelfworden gebruikt, maar omdat een dergelijk systeem een goede ondersteuning biedtin een specifieke situatie (zie Paragraaf 3.7.1 voor een beschrijving van detoepasbaarheid van beide categorieën van systemen).

Hoofdstuk 366

3.4.5 Generieke decision support systemen

Naast de hiervoor beschreven categorieën van decision support systemenonderscheidt Stegwee (1992) generieke decision support systemen (GDSS43).Dergelijke generieke systemen zijn gericht op een klasse van gelijksoortigeproblemen. Met die gerichtheid onderscheidt een GDSS zich van een SDSS, gerichtop een specifiek probleem en een specifieke beslisser, en een DSS-generator, gerichtop een grote verzameling van mogelijke problemen. Door dit verschil intoepasbaarheid van een generieke DSS zal ook het ontwikkelingsproces andersverlopen. Stegwee (1992) splitst de ontwikkeling van een generieke DSS in eenaantal stappen. De ontwikkeling van een generieke DSS moet daarbij duidelijkonderscheiden worden van het daaropvolgende gebruik van het generieke DSS. Netals bij een SDSS geldt dat een GDSS op verschillende manieren kan wordengeconstrueerd. Een GDSS kan rechtstreeks met behulp van de benodigde toolsworden ontwikkeld (zie paragraaf 3.4.2 voor een beschrijving van deze tools).Daarnaast bestaat de mogelijkheid gebruik te maken van een generator. Ook bij eenGDSS dienen faciliteiten beschikbaar te zijn voor het toegankelijk maken vandatabases, het gebruik van methoden en het specificeren van de interactie met degebruiker (de database management component, de modelbase managementcomponent en de gebruikersinterface). Deze faciliteiten kunnen ter beschikkingworden gesteld door een dergelijke generator. De hierna te beschrijven stappen (zieFiguur 3-6) zijn gericht op het ontwikkelen van het generieke DSS.

Het uitgangspunt voor het ontwikkelen van een generieke DSS is een klasse vanproblemen. De eerste stap bestaat uit het waarnemen en beoordelen van eenvoorbeeldprobleem uit een dergelijke klasse. Vervolgens wordt het probleem op eenconceptueel niveau beschreven. Hierbij worden de doelstellingen geformuleerd enhet probleem beschreven. Deze fase resulteert in een conceptueel model van deprobleemklasse. Dit conceptuele model wordt vervolgens ondergebracht in eencomputerprogramma, het generieke DSS. Na de constructie van het generieke DSSmoet dit systeem worden getest. Hiertoe wordt een experimenteel model opgesteld.Dit experimentele model is een empirische beschrijving van één probleem uit degedefinieerde probleemklasse. Het experimentele model is een empirisch model. Determ experimenteel geeft echter aan dat het een beschrijving van een fictieve casebetreft. Gegeven de kenmerken van dit specifieke probleem wordt het generieke DSSomgezet in een experimenteel SDSS. Dit SDSS biedt een beschrijving van hetexperimentele probleem en kan worden gebruikt binnen het beslissingsproces. Doorhet gebruik van dit specifieke DSS wordt de functionaliteit van het generieke DSSgetest. Als het specifieke DSS de verschillende testen doorstaat, leidt dit tot deacceptatie van het generieke model. Afwijzing van het specifieke DSS kanaanleiding zijn tot het opnieuw doorlopen van één van de voorgaande fasen.

43 Niet te verwarren met Group Decision Support Systemen. ‘A Group DSS aims to improve the processof group decision making by removing common communication barriers, providing techniques forstructuring decision analysis, and systematically directing the pattern, timing or content of discussion’(DeSanctis en Gallupe, 1987). Zie voor meer informatie over Group DSS, Gallupe en DeSanctis (1988),Watson et al. (1988), Dickson et al. (1993).


Problem Class

Conceptual model

Gener ic DSS

Experimentalmodel

ExperimentalSDSS

Accepted GenericDSS

Observat ion and assesmentof problem instance

Formulat ion of object ives anddescript ion of problem instance

Transformation of conceptualmodel into generic dss

Testing of the generic DSS

Construct ion of experimental model

Transformation of generic DSSinto specif ic DSS

Testing of specif ic DSS

Figuur 3-6: Ontwikkeling van het generieke DSS

3.4.6 Generieke DSS en beslissingsprocessen.

De vorige paragraaf heeft uitsluitend betrekking op het construeren van hetgenerieke DSS. Voor het ondersteunen van specifieke beslissingen dient hetgenerieke DSS verder te worden ingevuld. Nadat het generieke DSS is ontwikkeldkan het systeem bij problemen uit de probleemklasse worden toegepast. Gegeven hetconceptuele model zoals dat in het generieke systeem is ondergebracht wordt eenempirisch model voor de specifieke probleemsituatie geconstrueerd. Met behulp vandit empirisch model wordt het generieke DSS omgezet in een SDSS gericht op eenspecifiek probleem. Het empirisch model dient geverifieerd te worden. Het gebruikvan dit SDSS kan betrekking hebben op één of meerdere fasen van hetbeslissingsproces. Het empirisch model kan worden gebruikt bij deprobleemherkenning, de probleembeschrijving, het genereren en evalueren vanalternatieven en tenslotte het kiezen van één van de alternatieven.

Hoofdstuk 368

3.5 Kennissystemen

De vierde categorie van systemen betreft kennis- of expertsystemen. Deze systemenvormen een deel van het onderzoeksgebied van de Artificial Intelligence (AI).Minsky definieert AI als:

‘AI is the science of making machines do things that would require intelligence ifdone by man.’

Andere onderzoeksgebieden binnen de AI zijn onder andere natuurlijke taal-systemen, patroonherkenning en robots (Nebendahl, 1988). Een expertsysteem44

wordt door Feigenbaum (1982)45 gedefinieerd als:

‘an intelligent computer program that uses knowledge and inference procedures tosolve problems that are difficult enough to require significant human expertise fortheir solution.’

Wanneer een onderscheid tussen expert en kennissystemen wordt gemaakt, is ditvaak op basis van de bron van de kennis waarop het systeem is gebaseerd46. Indiende kennis afkomstig is van een menselijke expert wordt gesproken over eenexpertsysteem. Als de kennis van meerdere bronnen afkomstig is, spreekt men vaneen kennissysteem (Puppe, 1993). Naast de menselijke expert kunnen bijvoorbeelddocumenten als kennisbron worden gebruikt. In de loop der tijd zijn systemenontwikkeld in diverse toepassingsgebieden47.

In kennissystemen wordt kennis over een specifiek domein gerepresenteerd. Uitdeze voorgaande zin mag niet worden geconcludeerd dat in andereinformatiesystemen geen kennis wordt vastgelegd. Wel geldt dat de aard van degemodelleerde kennis in kennissystemen anders is.

Kennissystemen maken een scheiding tussen de kennis waarmee wordtgeredeneerd, de kennisbank, en het mechanisme dat met deze kennis redeneert, hetredeneermechanisme (Lucas en van der Gaag, 1988). Schuwer en Kusters (1990)stellen dat deze scheiding de volgende logische stap was na de scheiding tussensysteem-software en bewerkings-software en de daaropvolgende scheiding tussengegevens en applicaties. De AI was in de beginjaren met name gericht op hetredeneren. Een voorbeeld van onderzoek uit deze periode is de General ProblemSolver. In de daaropvolgende periode kwam men tot de constatering dat hetvastleggen van veel domeinkennis nodig is voor het nabootsen van het gedrag vanexperts (Simon, 1991). Simon (1991) stelt:

44 Zie Oldenkamp (1993) voor een aantal definities van kennissystemen.45 In Grant (1986)46 Schuwer en Kusters (1990) definieren het onderscheid op basis van de prestatie van het systeem:‘Onder een expert systeem wordt vaak een kennissysteem verstaan met prestaties vergelijkbaar met dievan een menselijke expert.’47 Zie bijvoorbeeld De Witte en Kwee (1987a, 1987b, 1988) voor toepassingen in de medische wereld,het onderwijs en industie en Mertens et al. (1988) voor diverse toepassingen binnen organisaties.


‘In general, we need to have some combination of inferencing capability andknowledge, and every expert system makes provision for that.’

De scheiding tussen kennis en het redeneermechanisme biedt de mogelijkheid opbasis van één en hetzelfde redeneermechanisme meerdere kennissystemen teimplementeren. Wanneer de kennisbank wordt vervangen door een kennisbank metde kennis uit een ander kennisdomein ontstaat een kennissysteem voor een anderprobleemgebied. Hoewel een redeneermechanisme voor meerdere toepassingen kanworden gebruikt, zijn er wel verschillende inferentiestrategieën denkbaar. Dekennissysteemschil moet wel over de geschikte inferentiestrategie beschikken.Hieruit kan worden geconcludeerd dat één en hetzelfde inferentiemechanisme kanworden gebruikt voor meerdere kennissystemen, maar dat hierbij wel de voorwaardegeldt dat het inferentiemechanisme over de juiste redeneerstrategieën beschikt. Er isdus wel degelijk een samenhang tussen het probleemgebied en hetinferentiemechanisme.

3.5.1 Componenten van een kennissysteem

Een kennissysteem is opgebouwd uit een aantal componenten. Deze componentenzijn: de systeeminterface, de gebruikersinterface, het redeneermechanisme en dekennisbank. Een kennissysteemschil voor het ontwikkelen van een kennissysteembevat daarnaast een ontwikkelaarsinterface. De samenhang tussen de verschillendecomponenten is in Figuur 3-7 weergegeven.

Systeem Interface

Redeneer

mechanisme

Ontwikke-

laars

Interface

Gebruikers

Interface

Kennis

Bank

Figuur 3-7: Kennissysteemschil

Een kennissysteem bestaat uit alle in Figuur 3-7 genoemde componenten behalve deontwikkelaarsinterface. Een kennissysteemschil bevat alle componenten behalve dekennisbank. De schil biedt faciliteiten voor het ontwikkelen van een kennissysteemen het daaropvolgende gebruik van het ontwikkelde systeem.

OntwikkelaarsinterfaceOm een kennissysteem te ontwikkelen is met name de ontwikkelaarsinterface vanbelang. Deze biedt een editor of een menugestuurde interface waarmee de

Hoofdstuk 370

systeembouwer de diverse facetten van een kennissysteem, zoals bijvoorbeeld deproduktieregels, kan ontwikkelen. In een editor kan de ontwikkelaar de regelsintypen waarbij hij zich aan een bepaalde syntax moet houden. Via menu's kunnenregels worden geconstrueerd door de commando's, syntax-woorden, objecten enkenmerken uit lijsten te selecteren. De ontwikkelaarsinterface maakt geen deel uitvan het uiteindelijke kennissysteem. Deze interface is alleen van belang tijdens deconstructie van het systeem.

KennisbankOm een kennissysteem in staat te stellen te redeneren met kennis over een specifiekdomein moet deze kennis op één of andere manier worden vastgelegd. In de loop vande tijd zijn een aantal kennisrepresentatietechnieken ontwikkeld. In de beginfase vanhet gebruik van expertsystemen lag de nadruk op produktieregels voor hetmodelleren van kennis. Een bekend voorbeeld van een dergelijk systeem is MYCIN(Buchanan en Shortliffe, 1985). Andere manieren voor het vastleggen van kenniszijn frames, scripts en semantische netwerken.

Kennis wordt ontwikkeld door training en ervaring. Klein en Methlie (1990)maken het onderscheid tussen ‘deep’ en ‘shallow knowledge’. De ‘shallowknowledge’ bestaat uit allerlei vuistregels en ‘short cuts’ om tot een oplossing tekomen. De ‘deep knowledge’ is gebaseerd op theorieën, axioma’s en wetmatighedendie de onderliggende samenhang beschrijven. Het beschrijven van de ‘shallowknowledge’ leidt tot een systeem dat vergelijkbaar is met de redenering van eenexpert op basis van zijn heuristieken. Het vastleggen van de shallow knowledge heeftechter tot gevolg dat de kennis is gericht op een specifiek probleemgebied. Hettoepassingsgebied van het kennissysteem is daardoor beperkt. Veel expertsystemenzijn met name gebaseerd op de ‘shallow knowledge’. Volgens Simon (1986) kan ditop twee manieren worden uitgelegd:

‘You can draw two kinds of conclusions from that. One is that we are going tohave to go a long way in deepening these systems. The other conclusion youmight draw, and I think in considerable measure a valid conclusion, is that we aresometimes kidding ourselves about how deeply modeled is the situation humanbeings use in order to solve problems.’

Het vastleggen van kennis is niet voldoende. Deze kennis moet vervolgens wordentoegepast, er moet met de kennis worden geredeneerd. De wijze van redeneren isafhankelijk van de kennisrepresentatietechniek. Met regels wordt anders geredeneerddan met frames of semantische netwerken. Wel geldt dat in veel gevallen eenvertaalslag mogelijk is van de ene representatietechniek naar de andere.

ProduktieregelsKennis kan worden vastgelegd in zogenaamde produktieregels (zie paragraaf 2.4.4.voor een beschrijving van regelmodellen waarin dergelijke regels wordengemodelleerd). Dit zijn regels met een zogenaamde ‘if.. then ..’ structuur. Als aan devoorwaarden van een regel is voldaan, dan mogen de conclusies worden getrokken.Regels representeren kleine losstaande stukjes kennis. Dergelijke losstaande stukjeskennis worden ‘chunks’ genoemd (Giarratano en Riley, 1989). Een voordeel van de


regel-representatie is dat de regels makkelijk zijn te interpreteren. Daarnaast kan ookhet redeneerproces duidelijk worden gevolgd doordat is vastgelegd aan welkevoorwaarden moet zijn voldaan om een regel uit te voeren. De samenhang tussen deregels wordt echter niet expliciet gemodelleerd. Het inferentiemechanisme brengteen samenhang tussen de regels aan. Agarwal en Tanniru (1992) stellen:

‘Conventional programming languages exhibit low transparency (i.e. anindividual line of code provides little information about the program’s overallfunctionality) and high behavior visibility (i.e. the sequence of code execution canbe determined easily). Rule based formalisms, on the other hand, exhibit hightransparency (each rule provides information about its logical context) andextremely low behavior visibility (the sequence of rule firings is difficult todetermine a priori).’

Semantische netwerkenIn een semantisch netwerk wordt de betekenis van een object beschreven door derelaties met andere objecten weer te geven. Fysieke of abstracte objecten ofconcepten worden in knooppunten weergegeven. De relaties tussen dezeknooppunten geven de aard van de relatie tussen de objecten weer. Bekende relatieshierbij zijn 'has-a' voor het beschrijven van het feit dat een object een bepaaldkenmerk bezit en 'is-a' voor het feit dat een object gerekend mag worden tot eenander objecttype. Naast deze twee vaak gebruikte relaties kunnen allerlei andererelaties worden toegevoegd. De relaties worden in een netwerk gespecificeerd. Mennoemt deze netwerken semantische netwerken. Semantische netwerken bieden eengoede mogelijkheid om associaties vast te leggen. Deze associaties kunnenverschillend van aard zijn. De aard van de samenhang wordt met behulp van denaamgeving van de pijlen aangegeven.

ScriptsScripts worden gebruikt om de opeenvolgingsrelaties van activiteiten engebeurtenissen in situaties te beschrijven. In veel situaties bezit een mens kennis overde 'normale' gang van zaken. Een script helpt bij het doorgronden en interpreterenvan een situatie en geeft richtlijnen hoe te handelen in die situatie (Gioia en Poole,1984). Luger en Stubblefield (1989, pag. 363) omschrijven een script als:

‘a structured representation describing a stereotyped sequence of events in aparticular context.’

Een script bestaat uit een aantal componenten:• De ingangscondities beschrijven de eisen waaraan voldaan moet zijn

voordat een script van toepassing is.• De resultaten beschrijven de veranderde feiten nadat een script is

uitgevoerd.• De 'props' beschrijven de objecten en subjecten die in het script een

rol spelen.

Hoofdstuk 372

• Subjecten in een script spelen een bepaalde rol.• Een script kan tenslotte bestaan uit een aantal scènes. Een scène vormt

een afgebakend stuk uit een script.

Het bekendste voorbeeld van een script is het restaurantscript van Schank enAbelson (1977). Schank, die het script in de jaren zeventig introduceerde, beschrijfthierin de normale gang van zaken vanaf het moment dat een klant een restaurantbinnenkomt tot aan het afrekenen en vertrek van deze klant. Op basis van een scriptkan geredeneerd worden over een specifieke situatie door deze te vergelijken met destandaardpatronen. Als bepaalde gebeurtenissen zich hebben voorgedaan kan metgrote waarschijnlijkheid worden geconcludeerd dat de daaraan voorafgaandegebeurtenissen ook hebben plaatsgevonden. Als in het restaurantscript iemand hetrestaurant na betalen verlaat kan hieruit worden afgeleid dat deze persoon hiervooreen bestelling zal hebben geplaatst, zijn maaltijd geserveerd zal hebben gekregen endeze maaltijd waarschijnlijk zal hebben opgegeten.

FramesNet als scripts is het doel van frames de samenhang tussen kennis te modelleren.Zodoende kan ‘common knowledge’ in een structuur worden vastgelegd. In hetvoorbeeld op de volgende pagina is aangegeven dat een vogel vliegt. Door deze‘common knowledge’ op een hoog niveau in de framestructuur vast te leggen hoeftdeze kennis niet bij elke soort vogel of elke individu te worden vastgelegd. Hetverschil tussen scripts en frames is dat scripts tijd- c.q. volgordegebonden zijn.

Binnen de databasewereld is het gebruikelijk de werkelijkheid te beschrijven aande hand van objecttypen, objecten en kenmerken. Een objecttype definieert eenklasse van objecten. Objecten worden binnen de AI-wereld vaak als framesaangeduid. Kenmerken van objecten worden hierbij als 'slots' aangemerkt.

Alle informatie die betrekking heeft op een bepaald concept wordt in één frameopgeslagen. Hierbij kan het onderscheid worden gemaakt tussen frames die eenklasse van objecten beschrijven en frames die een individueel object beschrijven. Deeerste categorie van frames worden klasse-frames genoemd en de tweede categorieinstanties. De klasseframes geven een conceptuele beschrijving van de typenobjecten oftewel objecttypen. Een objecttype wordt gedefinieerd door eenopsomming van de kenmerken die van belang zijn voor dat type. Een instantiedaarentegen beschrijft een individueel object door de waarden van de kenmerkenempirisch in te vullen (zie entiteiten en objecten bij simulatiemodellen).

De klasseframes worden bij het ontwikkelen van het systeem gespecificeerd. Deinstanties kunnen van tevoren worden gespecificeerd, maar kunnen ook dynamischtijdens het gebruik van het systeem worden gecreëerd, gebruikt en eventueel weerworden verwijderd. Bij de dynamische creatie bevat een instantie de specifiekegegevens van een object die tijdens die consultatie van belang zijn. Bij debeoordeling van een kredietaanvraag kunnen zodoende de specifieke gegevens vaneen klant in een instantie van het klasseframe klant worden vastgelegd.


Bird

superclass: vertebrate

reproduces by: lays-eggs

covering: feathers

flies: true

flightless bird

superclass: bird

flies: nil

songbird

superclass: bird

diet: bug, seeds

scavenger

superclass: bird

diet: garbage, carion

superclass:flightless bird

penquin

habitat: southpole

diet: fish

superclass: songbird

canary

superclass: songbird

habitat: tropical

tweety

instance of: songbird

opus

instance of: penquin

sparrow

habitat: north america

Figuur 3-8: Hiërarchie van frames (Luger, 1989)

Frames kunnen onderling worden verbonden door het definiëren van relaties tussende frames. Bij de weergave van frames is het gebruikelijk uitsluitend de 'is-a' oftewelde 'is-een' relaties te specificeren. Dit in tegenstelling tot de semantische netwerkenwaarin een groter aantal typen relaties wordt gespecificeerd. Met de 'is-a' relatie kanworden aangegeven dat een klasse een subklasse is van een hogerliggende klasse ofdat een instantie behoort tot een bepaalde klasse. De frames en de samenhang tussende frames kunnen in een hiërarchische structuur worden weergegeven. Eendergelijke structuur wordt een frametaxonomie genoemd (Lucas en van der Gaag,1988). De hogerliggende frames in deze structuur geven een meer algemenebeschrijving van een concept. De frames, die hieronder liggen, geven een meerspecifieke beschrijving. In het voorbeeld (Figuur 3-8) geeft het frame 'bird' de meestgenerieke c.q. algemene beschrijving van vogels, de daar onderliggende framesgeven een meer specifieke beschrijving van de diverse soorten vogels.

Een klasseframe beschrijft de relaties met de andere klassen en geeft aan welkekenmerken voor objecten van die klasse van belang zijn. De klassen bevatten geenfeitelijke gegevens, wel kan een defaultwaarde voor een kenmerk wordengespecificeerd. De feitelijke gegevens worden opgeslagen in de instanties vanklassen. Dit is te vergelijken met de recordstructuur binnen databases. De structuurgeeft aan welke kenmerken van belang zijn voor een bepaald objecttype, maar bevatgeen specifieke gegevens. De feitelijke gegevens worden opgeslagen in de recordsdie individuele objecten beschrijven.

Een frame in de taxonomie erft de eigenschappen van de hogerliggende frames.In het voorbeeld van Luger is in het meest generieke frame vastgelegd dat vogels

Hoofdstuk 374

kunnen vliegen. Alle onderliggende frames erven dit kenmerk. Dit leidt tot deconclusie dat alle vogels kunnen vliegen. Deze bewering is echter niet waar voorpinguïns en struisvogels. De verstekwaarde die van het generieke frame wordt geërfdzal op een of andere wijze teniet moeten worden gedaan. Een mogelijkheid hiertoe ishet in een meer specifiek frame aangeven dat vogels, die tot die soort behoren, nietkunnen vliegen, of algemener gesteld dat de objecten die tot dat type behoren eenandere waarde voor dat kenmerk bezitten. Bij de overerving wordt dan van hetkenmerk in het meest specifieke frame uitgegaan om de waarde van het kenmerk vande instantie vast te stellen.

Zoals in de inleiding op de verschillende kennisrepresentatietechnieken isgesteld, is er vrijwel altijd een vertaalslag mogelijk van de enekennisrepresentatietechniek naar de andere. Puppe (1993) stelt bijvoorbeeld:

‘From a higher level, the rule based and object based representations ofknowledge can be regarded as two different ways of viewing the same basicnetwork of objects and relationships in which either the nodes or the relationshipsare taken to be more important.

De overerving is ook in de vorm van regels te modelleren (zie Figuur 3-9). Tweeframes, waarvan één de frameklasse ‘vogels’ beschrijft met als kenmerk ‘vliegt’ metde verstekwaarde 'true' en één instantie die een individueel object beschrijft, kunnenin de vorm van regels worden gemodelleerd door gebruik te maken van de modusponens. Deze regel werkt als volgt. De regel 'als het een vogel is dan kan hetvliegen', en het feit dat de instantie een vogel is, is voldoende om daaruit teconcluderen dat het vogeltje kan vliegen. Bij complexere structuren zal er een grootaantal regels nodig zijn. Bij uitzonderingsgevallen, pinguïns kunnen niet vliegen, zijner nog meer regels nodig. In dergelijke gevallen is het handiger om deze structuur inde vorm van een frametaxonomie te specificeren zodat een beter overzicht wordtbehouden.

Bird

flies: true

Tweety

Instance of Bird

is-a

if X is-a Bird then X flies

X is-a Bird

X flies

Frames Regels

Figuur 3-9: Overerving versus redeneren met regels

Een instantie of een klasse erft dus de kenmerken van een hogerliggendeframeklasse. De voordelen om dergelijke gegevens als ‘default’-waarde in die frameste specificeren, worden beschreven door Winston (1992, pag. 183):


‘Shared knowledge, located centrally, is easier to construct when you write itdown, easier to correct when you make a mistake, easier to keep up to date astimes change, and easier to distribute because it can be distributed automatically.’

De voornaamste methode van redeneren berust dus op overerving. Naast overervingwordt frequent gebruikgemaakt van zogenaamde 'demons'. Met name de if-needed-en if-added-demons worden vaak gebruikt. Demons zijn kleine procedures dieworden uitgevoerd wanneer aan een bepaalde voorwaarde is voldaan. Voor de if-needed-demon geldt de voorwaarde dat het redeneermechanisme een waarde voorhet kenmerk, waarbij de demon hoort, probeert af te leiden. De if-changed-demonwordt uitgevoerd wanneer de waarde van het bijbehorende kenmerk verandert.

Hybride kennisrepresentatievormen; produktieregels en framesRegels en frames als kennisrepresentatietechniek hebben beide hun sterke en zwakkepunten. Beslissingsregels kunnen op een vrij directe wijze worden omgezet inproduktieregels. De beslissingsregels van een expert kunnen op een gedetailleerdemanier worden beschreven. Regels geven een beschrijving van opzichzelfstaandestukjes kennis. ALS aan de voorwaarden van een regel is voldaan DAN mogen deconclusies worden getrokken. Deze vorm van modelleren heeft als voordeel dat deregels afzonderlijk makkelijk zijn te interpreteren. Het redeneerproces is ookmakkelijk te reconstrueren en uit te leggen, omdat een redeneerproces bestaat uit dekoppeling van individuele regels.

Het feit dat regels losstaande stukjes kennis beschrijven wordt vaak als argumentaangevoerd voor de uitbreidbaarheid en modulariteit van kennissystemen. Hettoevoegen van nieuwe kennis in de vorm van nieuwe regels heeft geen invloed op debetekenis van de bestaande regels. Dit voordeel wordt echter vaak teniet gedaan doorhet feit dat het overzicht over de verschillende regels verloren gaat. Agarwal enTanniru (1992) stellen:

‘Modifications to the knowledge base often lead to unanticipated inconsistencyand redundancy problems.’

Gebleken is dat bepaalde omvangrijke regel-gebaseerde systemen niet meer teonderhouden zijn, maar totaal opnieuw moeten worden ontwikkeld (O’Neal enEdwards, 1994). In een omvangrijk systeem kan de samenhang tussen de regels ergondoorzichtig worden. Puppe (1993) spreekt dan ook over ‘rule spaghetti’. Hettoevoegen van regels kan tot ongewenste neveneffecten leiden. Dit geldt met namewanneer de selectie van regels uit de 'conflictset' is gebaseerd op de volgorde van deregels in de kennisbank, of op de volgorde waarin de regels in het systeem zijningevoerd48. Deze selectiemethode kan onverwachte neveneffecten hebben. Dit geldt

48 O’Neal en Edwards (1994) laten door middel van een experiment zien dat de inzichtelijkheid van eenregelbank mede wordt bepaald door de volgorde waarin de regels worden gepresenteerd. Door hetgegroepeerd weergeven van samenhangende regels neemt de inzichtelijkheid toe. In hoeverre de regelsgegroepeerd kunnen worden weergeven is afhankelijk van de mogelijkheden die de expert system shellhiertoe biedt.

Hoofdstuk 376

met name wanneer naast het afleiden van feiten tevens acties in de conclusies wordenuitgevoerd. Door een 'verkeerde' oftewel niet goed overwogen volgorde kunnenexterne programma's onnodig vaak worden aangeroepen of er worden onnodigevragen aan de gebruiker gesteld.

De ene regel kan op een efficiëntere manier naar een conclusie leiden dan eenandere regel. Efficiënt heeft hier met name betrekking op het aantal malen dat eenextern programma wordt aangeroepen of het aantal malen dat een vraag aan degebruiker wordt gesteld. Het onnodig aanroepen van externe programma’s of hetstellen van te veel vragen aan de gebruiker verhoogt de irritatie bij de gebruikers enverhoogt daarmee de kans op afwijzing van het systeem. Agarwal en Tanniru (1992)beschrijven het gebruik van afhankelijkheidsdiagrammen om het overzicht tebehouden over de samenhang tussen de regels. Deze ‘dependency diagrams’ zijn metname geschikt bij het onderhoud van de kennisbank, het toetsen van de inhoud vande kennisbank en het hergebruik van kennis.

Regels zijn niet zozeer geschikt om gegevens van objecttypen in het bestudeerdedomein weer te geven, en de samenhang tussen de objecttypen te beschrijven.Frames zijn daarentegen juist zeer geschikt om een hiërarchie van objecttypen tedefiniëren en de bij de objecttypen behorende kenmerken vast te leggen. Turban stelt(1988):

‘Production rules do not provide a totally effective representation facility formany ES applications. In particular, their expressive power is inadequate fordefining terms and for describing domain objects and static relationships amongobjects.’

Frames zijn geschikt om statische kennis en statische structuren te beschrijven.Regels zijn hiernaast uitermate geschikt om (beslissings-)regels te modelleren. Juistomdat regels en frames elkaar uitstekend aanvullen zijn er diverseexpertsysteemschillen ontwikkeld, die van beide kennisrepresentatietechniekengebruikmaken (zie bijvoorbeeld Mockler (1992) en Zahedi (1993)). Turban vervolgtmet (1988)

‘The frames provide a rich structural language for describing the objects referredto in the rules and a supporting layer of generic deductive capability about thoseobjects that does not need to be explicitly dealt with in the rules. Frametaxonomies can also be used to partition, index and organize a system'sproduction rules.’

Als de regels en frames worden samengevoegd als kennisrepresentatiemechanismekunnen de voordelen van beide worden gecombineerd (Kowalski en Stipp, 1990).De regels hebben betrekking op de kenmerken van objecten. De verwijzing naar eenspecifiek kenmerk kan met behulp van een zogenaamd Object-Attribuut-Value-triple(O-A-V). Een object heeft een of meer kenmerken, en deze kenmerken kunnen eenspecifieke waarde hebben. In produktieregels kan op deze manier eenduidig naar dewaarde van een kenmerk van een object worden verwezen.

Uit het citaat van Turban (1988) blijkt dat frametaxonomieën kunnen wordengebruikt om de produktieregels te organiseren. De produktieregels bevatten


verwijzingen naar kenmerken van objecten, doordat in de conclusie of in devoorwaarden van een regel uitspraken over dat kenmerk zijn opgenomen. De regelskunnen dus worden gegroepeerd naar de kenmerken waarnaar verwezen wordt. Dezegroepering kan een positieve invloed hebben op de inzichtelijkheid van het systeem.In frames worden al if-added- en if-changed-demons in samenhang met specifiekekenmerken van specifieke frameklassen gedefinieerd. Naast deze demons kunnen deregels ook in samenhang met deze kenmerken worden beschreven. Alle regels enprocedures die naar een specifiek kenmerk verwijzen, kunnen dus wordengegroepeerd naar dat kenmerk of naar het object waartoe het kenmerk behoort.

Modulaire opbouw kennisbankIn de voorgaande paragrafen zijn een aantal representatievormen van kennisbeschreven. De kennis in een specifiek probleemdomein kan hiermee wordengemodelleerd en opgeslagen in een kennisbank. In een specifieke probleemsituatiezal moeten worden besloten welke vorm van kennisrepresentatie het best kan wordentoegepast. Een andere keuze die moet worden gemaakt heeft betrekking op het al danniet opsplitsen van de kennisbank in meerdere modulen.

Een modulaire opbouw van de kennisbank biedt, net als een modulairopgebouwd programma, enkele voordelen. Door een modulair opgebouwdekennisbank behoudt de ontwikkelaar een beter overzicht over de verschillenderegels. Dit bevordert de inzichtelijkheid van de kennisbank, delen van kennis die bijelkaar horen worden in een module opgeslagen. Het behoud van het overzicht biedtvoordelen bij het onderhoud van het systeem. Dit geldt voor het onderhoudbestaande uit het opsporen en verbeteren van fouten maar ook voor het onderhouddat betrekking heeft op het aanpassen van het systeem aan nieuwe ontwikkelingen.Tenslotte heeft de opdeling nog praktische voordelen. Afzonderlijke modulen zullenminder regels bevatten. Het inferentiemechanisme hoeft dan ook minder regels tedoorzoeken en te evalueren. Als gevolg hiervan zal het inferentieproces snellerverlopen.

Het modulair opbouwen van een kennisbank is alleen zinvol als er duidelijk teonderscheiden deelproblemen bestaan. Of een dergelijke opsplitsing mogelijk ismoet worden besloten op basis van een onderzoek naar de taak van de expert en dusde taak van het kennissysteem. Er is een aantal mogelijkheden voor het opsplitsenvan een kennisbank in modulen. De systeemleer (Zie bijvoorbeeld Kramer en Smit,1987) geeft richtlijnen voor het opsplitsen van een systeem in deelsystemen. Dezerichtlijnen hebben voor een groot deel betrekking op de minimalisatie van deinteractie tussen de verschillende deelsystemen. Voor kennissystemen betekent ditdat regels die op één of andere manier samenhangen, in één en dezelfde module vande kennisbank moeten worden opgeslagen. Botten et al. (1985) beschrijven vijfcriteria voor het opdelen van een systeem:

• maximum independence of subsystems• minimum interface complexity• minimum subsystem complexity

Hoofdstuk 378

• minimum overall subsystem complexity• maximum comprehensibility

Een andere methode voor het opsplitsen van een kennisbank in meerdere modulen isde taakstructuur van Steels (1992). De taakstructuur wordt door Steels gedefinieerdals de opsplitsing van taken in subtaken, die vervolgens ook weer in subtaken kunnenworden opgedeeld. De taakstructuur is vergelijkbaar met de Work BreakdownStructure (WBS) zoals die binnen projectmanagement wordt gebruikt. De WBS geefteen hiërarchische ordening van de taken die binnen een project moeten wordenuitgevoerd om de doelstellingen van het project te realiseren. De taakstructuur kan inde vorm van een boomstructuur worden weergegeven. Niet alle takken van eendergelijke boom, oftewel niet alle subtaken, hoeven in een specifiek geval te wordendoorlopen c.q. te worden uitgevoerd. Als er een keuze bestaat tussen bepaaldetakken dan kan dit worden aangegeven met de OR-operator. De taakstructuur kanvervolgens als uitgangspunt dienen bij de opsplitsing van de kennisbank inverschillende modulen. De taakstructuur verdeelt uiteindelijk de totale taak in eenaantal subtaken, die in afzonderlijke modulen van de kennisbank kunnen wordenopgeslagen.

GebruikersinterfaceDe gebruikersinterface bepaalt de manier van interactie tussen de gebruiker en hetsysteem. De gebruikersinterface is zodoende bepalend voor de formulering vanvragen aan de gebruiker, de manier waarop de gebruiker vragen kan stellen omtrenthet redeneerproces of extra informatie kan krijgen omtrent de vragen van hetsysteem, en de presentatie van de resultaten van een consultatie. Degebruiksvriendelijkheid van het kennissysteem (zoals beschreven in paragraaf 3.4.3)staat voor een groot deel onder invloed van deze gebruikersinterface.

SysteeminterfaceIn een specifieke consultatie van het systeem worden bepaalde gegevens ingevoerd.Naast het invoeren van de gegevens door de gebruiker is het tevens mogelijkgegevens uit bijvoorbeeld een database te halen. Indien opgeslagen gegevens nodigzijn, is het niet handig de gebruiker deze op te laten zoeken en in te laten voeren inhet systeem. Naast de tijd die dit kost, werkt dit ook fouten in de hand. Naast hetinlezen van gegevens uit het bestand is het ook mogelijk een extern programma op testarten dat de waarden van bepaalde kenmerken vaststelt. Segev en Zhao (1994)wijzen op het feit dat kennissystemen die worden toegepast in verschillendebedrijfsfuncties in toenemende mate toegang moeten hebben tot grote databases.

‘... access to large amounts of business data is difficult because current EStechnology lacks necessary data management functions, such as efficient search ofdisk resident data, query optimization, concurrency control, and so on. However,many business decisions must be made based on large amounts of data, andtherefore, an appropriate technology is required.’

Zij beschrijven drie manieren om een database management systeem (DBMS) en eenkennissysteem (KS) te integreren: (1) het opnemen van een inferentiecomponent in


het DBMS, (2) het uitbreiden van het KS met een DBMS-component of (3) het KSen het DBMS als twee afzonderlijke componenten voort te laten bestaan met eeninterface tussen beide. Segev en Zhao (1994) werken het idee van het onderbrengenvan een inferentiemechanisme in een DBMS als volgt uit: regels kunnen wordengebruikt om nieuwe gegevens af te leiden uit de opgeslagen gegevens of ombepaalde (database)acties uit te voeren.

Naast het toegankelijk maken van gegevens afkomstig uit andere bronnen dientde systeeminterface tevens te fungeren als koppeling met andere programmatuur.Voor de diverse subtaken van de expert en het expertsysteem kan worden onderzochthoe een dergelijk subprobleem het best kan worden aangepakt. Bepaalde takenkunnen met behulp van een algoritme worden opgelost. Andere taken kunnen metbehulp van kennistechnologie worden gemodelleerd, en weer andere taken kunnennog steeds het best door mensen worden uitgevoerd. Met name het onderscheidtussen subproblemen die met behulp van een algoritme kunnen worden opgelost ensubproblemen die met kennistechnologie worden gemodelleerd, moet explicietworden gemaakt. In principe is het mogelijk de meeste problemen met behulp vanregels te modelleren. Dit is echter niet altijd even zinvol. Subproblemen die met eenalgoritme kunnen worden opgelost kunnen beter met behulp van een procedureletaal, zoals C of Pascal, worden beschreven

Het aanroepen van een extern programma is in veel gevallen alleen zinvol als ergegevens worden uitgewisseld tussen het kennissysteem en het externe programma.Een mogelijke oplossing is de interactie via een tussenliggend databestand te latenverlopen. Het expertsysteem schrijft de relevante waarden naar het bestand, hetexterne programma leest deze waarden in, voert hier enkele bewerkingen op uit enschrijft de resultaten weer terug naar het databestand. Het kennissysteem kantenslotte deze waarden weer inlezen en het redeneerproces vervolgen. Een andere enveel fraaiere oplossing is de gegevensuitwisseling via het geheugen van de computerte laten verlopen. Hierbij is er sprake van een directe uitwisseling van gegevens viahet interne geheugen van de computer. Of deze laatste vorm van uitwisselingmogelijk is, is afhankelijk van de faciliteiten die geboden worden door de expertsystem shell.

InferentiemechanismeIn de kennisbank is de kennis omtrent een specifiek domein vastgelegd. Een van demeest gebruikte vormen van kennisrepresentatie is die van produktieregels. De regelsbeschrijven kleine afzonderlijke stukjes kennis. Zoals bij de beschrijving van deproduktieregels is aangegeven, wordt bij het modelleren van de regels de samenhangtussen de regels niet gespecificeerd. De samenhang wordt namelijk bepaald door hetinferentiemechanisme.

Wil een inferentiemechanisme zinvol met regels kunnen redeneren, dan moet eenbepaalde samenhang tussen de regels bestaan. De regels in een kennisbank hangenonderling samen doordat verschillende regels dezelfde kenmerken in hunvoorwaarden of conclusies hebben, of doordat de conclusie van de ene regel devoorwaarde van een andere regel vormt.

Hoofdstuk 380

De eerste vorm van samenhang leidt tot de definitie van zogenaamderegelgroepen. Het inferentiemechanisme moet bepalen welke regel van zo'nregelgroep als eerste wordt geëvalueerd. De tweede vorm van samenhang leidt tot devorming van ‘rule chains’. De regels worden gekoppeld doordat de conclusie van deene regel de voorwaarde van één of meer andere regels vormt.

Bij het redeneren wordt vaak de afleidingsregel Modus Ponens (Bonevac, 1990)toegepast. Als A geldt en er geldt A → B dan kan hieruit worden afgeleid dat Bgeldt. Deze uiterst simpele vorm kan op moeilijker problemen worden toegepastdoor te veronderstellen dat A uit meerdere voorwaarden bestaat en B meerdereconclusies bevat.

Backward chainingDe regels kunnen zowel voor voorwaarts- als achterwaarts redeneren wordengebruikt. Bij achterwaarts redeneren wordt uitgegaan van het doel, oftewel dehypothese die moet worden geëvalueerd, stel bijvoorbeeld kenmerk C. Naar allewaarschijnlijkheid bestaan er meerdere regels die de doelvariabele in de conclusiehebben, bijvoorbeeld B → C en D → C. Deze regels worden in de conflictsetopgenomen, waarna een van deze regels door het inferentiemechanisme wordtgeëvalueerd, stel B → C. Hiertoe wordt de voorwaarde van de desbetreffende regelbekeken. Als de voorwaarde waar is, mag de conclusie worden getrokken en is erdus een uitspraak over de doelvariabele bereikt. Als de waarheid van de voorwaardevan de regel niet bekend is kan dit leiden tot de evaluatie van andere regels die eenuitspraak doen over dat kenmerk, bv. A → B. Het kenmerk in de voorwaarde,waarvan de waarheidswaarde onbekend is, wordt dan het subdoel B, waarna hetinferentiemechanisme eerst de waarheidswaarde van dat kenmerk probeert vast testellen. Op deze wijze ontstaat een keten van regels om een uitspraak te doen over dedoelvariabele. Wanneer de evaluatie van een regel geen resultaat oplevert kan eenandere regel in de conflictset worden geëvalueerd, D → C. Dit proces gaat doortotdat een uitspraak over de doelvariabele is bereikt of totdat is gebleken dat geenwaarheidswaarde kan worden vastgesteld.

Forward chainingBij voorwaarts redeneren wordt uitgegaan van een verzameling feiten. Hetinferentiemechanisme probeert nieuwe feiten af te leiden door regels, die debestaande feiten in de voorwaarde van de regel hebben, te evalueren en eventueel uitte voeren wanneer aan de voorwaarde is voldaan. Er kunnen meerdere regels zijn dieeen kenmerk in de voorwaarde hebben opgenomen. Deze regels worden gegroepeerdin een regelgroep. Een regelgroep wordt bij voorwaarts redeneren dus gevormd doordie regels die in de voorwaarde naar dezelfde variabelen verwijzen. Het vuren vaneen regel kan nieuwe feiten opleveren, zodat het inferentiemechanisme regels die hetnieuwe feit in de voorwaarde hebben kan evalueren.

Conflict-resolutionBij voorwaarts redeneren leidt een nieuw feit tot de evaluatie van regels die dat feitin de voorwaarde hebben opgenomen. De conflictset bestaat uit alle regels die op


basis van een feit in de kennisbank geëvalueerd kunnen worden. Bij achterwaartsredeneren worden regels geëvalueerd die een uitspraak doen over de doelvariabele(of het tijdelijke subdoel). De conflictset bestaat in dit geval uit de regels die dedoelvariabele in hun conclusie hebben opgenomen. Bij zowel voorwaarts- alsachterwaarts redeneren kan de conflictset uit meer dan één regel bestaan49. Omdatniet alle regels tegelijkertijd geëvalueerd kunnen worden, zal hetinferentiemechanisme een keuze moeten maken welke regel het eerst verwerkt zalworden. Vaak zal bij deze keuze een eenvoudig criterium worden toegepast, zoals devolgorde waarin de regels in de kennisbank zijn opgeslagen of de volgorde waarin deregels zijn ingevoerd. Bij gebruikmaking van één van deze selectiecriteria wordt dusexpliciet naar de volgorde van de regels gekeken. Hiernaast is het ook mogelijk devolgorde van de verwerking van de regels afhankelijk te stellen van bepaaldekenmerken van de regels. Het selectiecriterium is hierbij gebaseerd op kenmerkenvan regels. Holsapple en Whinston (1986) noemen een aantal van dezeselectiecriteria:

• eerste regel in de regelset,• regel met hoogste prioriteit,• regel met de laagste kosten,• regel met de minste onbekende variabelen,• regel met de hoogste zekerheidswaarde voor de onderzochte variabele,• random volgorde.

Voor het toepassen van deze selectiecriteria geldt de voorwaarde dat hetinferentiemechanisme het betreffende selectiecriterium ondersteunt.

Het inferentieproces wordt complexer indien er sprake is van onzekerheid. Defeiten waarover een kennissysteem beschikt zijn vaak onzeker. Daarnaast bestaat demogelijkheid dat een bepaalde conclusie niet met zekerheid op basis van de gegevenfeiten kan worden getrokken. De complexiteit van het redeneren met onzekerheidheeft geleid tot een aantal uiteenlopende benaderingen. Deze benaderingen zijn:

• de vage logica waarin geprobeerd wordt het redeneren met niet scherpomlijnde begrippen te representeren (Voorbraak, 1990),

• de niet monotone logica als formalisering van redeneringen waarbijconclusies worden getrokken op basis van onvolledige informatie(Voorbraak, 1990),

• en het redeneren met numerieke onzekerheden zoals de BayesiaanseMethode, het certainty factor model en de Dempster-Shafer theorie(Lucas en Van der Gaag, 1988).

3.5.2 Kennissystemen en beslissingsprocessen.

In kennissystemen worden de regels die worden gebruikt in het beslissingsprocesexpliciet gemaakt. Hierbij betreft het zowel de formele als de informele regels. De

49 Indien slechts een regel in aanmerking komt is geen sprake van een conflict, en is de term conflictsetniet van toepassing.

Hoofdstuk 382

regels worden gemodelleerd in een regelmodel (zie hoofdstuk 2). Het gebruik vanregelmodellen maakt het mogelijk de gebruiker adviezen te geven. Op basis van degemodelleerde beslissingsregels en de probleemsituatie kan hetinferentiemechanisme met een advies komen. Het inferentiemechanisme heeft hierbijde controle over het redeneerproces.

Het kennissysteem kan een oplossing aandragen. Of de aangedragen oplossingdaadwerkelijk wordt uitgevoerd, is afhankelijk van de mate waarin de organisatie hetgebruik van het systeem heeft voorgeschreven. Het kennissysteem kan bij volledigeinformatie een beslissing voorschrijven. Echter, een kennissysteem beschikt vaakniet over alle benodigde kennis (hetzelfde geldt overigens voor de mens).Kennissystemen zijn gericht op een specialistisch probleemgebied en kunnen binnendat probleemgebied worden toegepast50. De mens heeft een grotere algemene kennisen kan problemen daardoor in een breder kader en ander daglicht zien. Eenkennissysteem kan dus slechts als voorschrijvend systeem worden gebruikt indiensprake is van een afgebakend probleemgebied. In andere situaties is eenkennissysteem nog wel degelijk zinvol toepasbaar. Naast het voorschrijven vanbeslissingen kan het systeem ook worden gebruikt als adviserings- ofondersteuningsmiddel in een beslissingsproces.

Dit sluit aan bij het door Bosman (1993) gemaakte onderscheid tussen de niet-gestandaardiseerde-, semi-gestandaardiseerde- en gestandaardiseerdekennissystemen. Er is sprake van een niet-gestandaardiseerd kennissysteem indien debeslisser besluit van één of meer fasen van het beslissingsproces een regelmodel endaarvan afgeleid een kennissysteem te maken. De semi-gestandaardiseerdekennissystemen zijn met name gericht op het geven van adviezen. De systemenworden gebouwd door materiedeskundigen en kennistechnologen. De gebruikerheeft een grote vrijheid de adviezen van het systeem al dan niet op te volgen. Delaatste categorie wordt gevormd door de gestandaardiseerde kennissystemen. Devrijheid de adviezen al dan niet op te volgen is bij deze systemen nagenoeg geheelverdwenen. Het beslissingsproces is volledig door het systeem overgenomen. Dezesystemen vindt men met name in het primaire proces binnen de dienstensector.Voorbeelden van toepassingen van dergelijke systemen zijn het beoordelen vanverzekeringsaanvragen, het toekennen van sociale uitkeringen etc.

Er is relatief weinig empirisch onderzoek verricht naar de effecten van hetgebruik van kennissystemen (Benbasat en Nault, 1990). Het vaststellen van dekwaliteit van een dergelijk systeem is meestal beperkt gebleven tot het vaststellenvan de validiteit van de adviezen van het systeem. Wognum en Lippolt (1991) stellenechter dat een technisch succesvol project niet per definitie hoeft te resulteren in eenoperationeel systeem. Belangrijke andere succesfactoren zijn het daadwerkelijkaanpakken van een probleem, de hoogte van het budget en de beschikbare

50 Fraser et al. (1989) beschrijven een architectuur voor het integreren van expertsystemen diedeelgebieden afdekken: ‘In many situations, ES will provide direct aid to a decision maker, but in morecomplex cases, several ES’s covering different but related knowledge will be needed’. Mogelijkeinconsistenties tussen de afzonderlijke expertsystemen lossen zij op met een afzonderlijke module, deConflit Resolver.


menskracht. De organisatorische aspecten en de houding van gebruikers zijn veelalmeer bepalend voor het succes van een kennissysteem dan de technische factoren.

Kennissystemen hebben net als decision support systemen als doel hetondersteunen van het beslissingsproces. Er zijn echter enkele duidelijke verschillentussen beide soorten systemen. De verschillen en overeenkomsten tussenkennissystemen en decision support systemen zullen nader worden beschreven inparagraaf 3.7.

3.6 Executive Information Systemen

De in de vorige paragrafen beschreven systemen richten zich met name op deuitvoerende en lagere managementniveaus in de organisatie. Topmanagers makennauwelijks tot geen gebruik van deze systemen. Voor het niet gebruiken van dezesystemen door managers is een aantal redenen aan te dragen: de aard van het werkvan managers maakt het gebruik van deze systemen niet voor de hand liggend,sommige managers staan afkerig tegenover het direct werken met een computer, detechnologie is moeilijk te gebruiken, en tenslotte sluiten de bestaandeinformatiesystemen niet aan op de informatiebehoeften van het topmanagement(Watson et al., 1991). Het topmanagement is met name aangewezen opstafmedewerkers voor het verzamelen, analyseren en presenteren van gegevens. Integenstelling tot de andere hiervoor besproken systemen richten ExecutiveInformation Systemen (EIS) zich wel op het topmanagement.

De term EIS is in 1982 geïntroduceerd door Rockart en Treacy. In de loop vande tijd is er door verschillende auteurs een groot aantal definities van een EISopgesteld. Veel kenmerken van een EIS keren in deze definities terug. Millet enMawhinney (1992) definiëren een EIS als een:

‘a system that integrates information from internal and external data sourcesenabling executives to monitor and request information of key importance to themvia customized presentation formats’.

Turban (1990) definieert een EIS als:

‘a computer based system that serves the information needs of executives. Itprovides rapid access to timely information and direct access to managementreports. It is very user-friendly, supported by graphics, and provides exceptions’reporting and ‘drill-down’ capabilities.’

De eerste definitie benadrukt de interne en externe afkomst van gegevensbronnen.De tweede definitie benadrukt de opvraagmogelijkheden in de vorm vanuitzonderingsrapportages en ‘drill-down’-mogelijkheden. Deze kenmerken insamenhang met andere in de literatuur beschreven karakteristieken van een EISresulteren in de volgende lijst van kenmerken van een EIS (Turban, 1990; Millet enMawhinney, 1992; Preedy, 1990; Watson et al., 1991; Rainer et al., 1992; Schenk enHolzbach, 1993):

Hoofdstuk 384

• Het EIS wordt direct door de topmanagers gebruikt.• Het systeem dient uitermate gebruiksvriendelijk te zijn.• ‘Drill-down’-mogelijkheden: interessante informatie kan op een

gedetailleerder niveau worden bekeken.• Exception reporting: het systeem signaleert uitzonderingen die een

aanwijzing kunnen zijn voor een probleem.• Trendanalyse: het systeem biedt de mogelijkheid trends te herkennen,

ondermeer in de vorm van grafieken.• Het systeem biedt toegang tot interne- en externe gegevensbronnen.• Filteren en comprimeren van data en het in de loop van de tijd volgen

van belangrijke grootheden.• Gegevens worden getoond in grafische, tabulaire of tekstuele vorm• Het weergeven van gegevens omtrent kritieke succesfactoren speelt

een belangrijke rol.Een belangrijk kenmerk van een EIS is het toegankelijk maken van allerlei soortengegevens. De gegevens kunnen daarbij vanuit diverse gezichtspunten wordenbenaderd. De gegevens kunnen bijvoorbeeld worden geselecteerd naar tijdvakken,business units, produktcategorieën etc. Deze opvraagmogelijkheden dienen bij deontwikkeling van het EIS te worden gedefinieerd. Dit betekent dat een dergelijksysteem rigide is. Bij wijzigende informatiebehoeften zullen de ‘views’ op de data endaarmee het systeem moeten worden aangepast. Preedy (1990) onderscheidt viermogelijke indelingen van de gegevens.

1. interne versus externe gegevens2. historische data versus voorspelling omtrent toekomstige activiteiten3. financiële maatstaven versus fysieke hoeveelheden4. numerieke data versus tekstuele gegevens

Een EIS biedt in principe de mogelijkheid met al deze gegevenssoorten enindelingen om te gaan. Het accent ligt echter vaak op de meer gestructureerde,routinematige gegevens zoals die uit de organisatie voortkomen.

Een belangrijk onderscheid is dat tussen interne en externe informatie. De interneinformatie is voor een groot deel afkomstig uit het bestaande managementinformatiesysteem binnen een organisatie. Een goed ontwikkeld managementinformatiesysteem is dan ook een essentiële voorwaarde voor het goed functionerenvan een EIS (Millet en Mawhinney, 1992). Interne informatie kan ook vanparticipanten afkomstig zijn, bijvoorbeeld in de vorm van geruchten, ideeën,voorspellingen etc. Het verkrijgen, analyseren en vastleggen van ook deze informatieis arbeidsintensief, maar vergroot de diversiteit van de informatie in het systeem(Watson et al., 1991). De externe informatie kan afkomstig zijn uit externe databases(die gekocht kunnen worden) of kan door de organisatie worden verzameld,geanalyseerd en vastgelegd.

Voor acceptatie door het topmanagement moet het Executive Information Systemzeer gebruikersvriendelijk zijn. Houdeshel en Watson (1987) bewerkstelligen ditdoor de toegankelijkheid te vergroten door elke gebruiker een terminal te geven, hetaantal benodigde handelingen om bepaalde gegevens op te roepen te minimaliserenen de responsietijd van het systeem zo klein mogelijk te maken. Daarnaast moet de


gebruikersinterface zodanig zijn opgezet dat de benodigde training voorafgaand aanhet gebruik van het systeem zo klein mogelijk is.

Bij de constructie van een EIS wordt veelvuldig gebruikgemaakt vanprogrammatuur die als een generator kan worden aangemerkt. Bij het gebruik vaneen EIS zijn met name de communicatiefaciliteiten van groot belang. Dit betreftzowel de communicatie met de gebruiker als de communicatie met databases. Demethodencomponent is binnen een EIS van minder groot belang, omdat debewerking van gegevens beperkt is tot simpele operatoren zoals het berekenen vantotalen en gemiddelden. De faciliteiten voor de communicatie kunnen terbeschikking worden gesteld door een EIS-generator. EIS-generatoren zijn intoenemende mate beschikbaar op de markt.

3.6.1 EIS in vergelijking met ESS, MIS en DSS

De termen Executive Information Systems en Executive Support Systems wordenvaak door elkaar gebruikt. Watson et al. beschrijven EIS als een subset van ESS. Hetverschil tussen ESS en EIS komt tot uitdrukking in de volgende functionaliteit:

• ondersteunen van elektronische communicatie• data-analyse mogelijkheden• tools zoals een elektronische agenda

De verschillen tussen een MIS en een EIS zijn in de praktijk niet altijd evenduidelijk. De functionaliteit van veel systemen die de naam EIS dragen kan ook dooreen MIS worden geboden (Millet en Mawhinney, 1992). Voor een EIS geldt dat hetsysteem niet alleen interne gegevens dient te bevatten maar ook externe. Daarnaastmoet een EIS zijn gericht op een directe interactie met het topmanagement en nietalleen op het leveren van periodieke standaardrapporten.

Het onderscheid tussen een DSS en een EIS is ook niet altijd even scherp. In deliteratuur wordt vaak gesproken over een gegevensgericht DSS (Sprague en Carlson,1982; Huizingh, 1995). Een gegevensgericht DSS biedt de mogelijkheid gegevens inde database te benaderen. Bij deze definitie van een gegevensgericht DSS is hetverschil met een EIS beperkt tot het niveau in de organisatie waarop het systeemwordt gebruikt. Een EIS wordt direct gebruikt door het topmanagement, het DSSwordt gebruikt door analisten en stafmedewerkers. Daarnaast bestaat nog eenverschil in de mate van flexibiliteit van beide systemen. Een DSS biedt demogelijkheid de data op allerlei manieren te benaderen. Het gebruik van een EIS isvaak beperkt tot het gebruik van voorgedefinieerde gezichtspunten met betrekkingtot deze data. Om het onderscheid tussen een EIS en een DSS duidelijk te makenhebben wij de term DSS gereserveerd voor systemen die niet alleen uit een databankbestaan maar ook een methodenbank omvatten. Een DSS moet de mogelijkheidbieden de beschikbare gegevens met behulp van modellen te analyseren. Hetonderscheid tussen een MIS een EIS en een DSS is in Tabel 3-5 weergegeven.

Hoofdstuk 386

Tabel 3-5: Een vergelijking van MIS, DSS en EIS (gebaseerd op Millet andMawhinney, 1992).

PrimaryPurpose

PrimaryUsers

PrimaryOutput

PrimaryOperations

TimeOrientation

MIS InternalMonitoring

All LevelManagers

Predefinedperiodic reports

SummarizeInformation

Past

DSS SupportDecisions

Staff andintermediaries

Analytic Reportsand suggestions

Model, solve,suggest,analyze

Present -Future

EIS Internal andexternalmonitoring

Executives Pre-defined andcustomizedpresentation

Integrate,present andtrack CSF

Past -Present

3.6.2 EIS en beslissingsprocessen

Houdeshel en Watson (1987) stellen dat de gegevens die een EIS ter beschikkingstelt van belang zijn voor het nemen van beslissingen. Het systeem vervult een rol inhet beslissingsproces door problemen te signaleren en informatie omtrent dezeproblemen ter beschikking te stellen. Daarnaast biedt het gebruik van een dergelijksysteem indirecte voordelen, zoals een beter begrip van de informatiebehoeften.

Leidner en Elam (1994) beschrijven een onderzoek naar het effect van hetgebruik van een EIS op het nemen van beslissingen. Hierbij specificeren zijhypothesen omtrent de invloed van het gebruik op de snelheid waarmee eenprobleem wordt herkend, de snelheid waarmee een beslissing wordt genomen, en deuitgebreidheid van de analyse van het probleem (het aantal alternatieven dat wordtontwikkeld en geëvalueerd). De mate van gebruik wordt geoperationaliseerd aan dehand van de frequentie van gebruik en de periode sinds het eerste gebruik. Leidneren Elam vinden significante positieve correlaties tussen de hiervoor genoemdebeslissings- en gebruiksvariabelen. Deze positieve correlaties bevestigen dehypothesen omtrent een positieve invloed van het gebruik van een EIS op hetbeslissingsproces. De gevonden correlaties hebben een waarde tussen 0,31 en 0,48.

3.7 Integratie van kennissystemen en DSS

Mars (1990) wijst op een trend kennissystemen te integreren met bestaandeconventionele systemen51. Met name de integratie van kennissystemen en(generieke) DSS krijgt steeds meer aandacht. Kennissystemen en decision supportsystemen hebben beide hun voor- en nadelen. In de paragrafen 3.4.4 en 3.5.2 zijndecision support- en kennissystemen in relatie tot het beslissingsproces besproken.De verschillen en overeenkomsten zullen in paragraaf 3.7.1 nader worden besproken.

51 Een grotere nadruk op formele mehoden en meer aandacht voor de te representeren kennis zijn tweeandere trends die Mars (1990) signaleert.


Ondanks deze verschillen bestaan er toch goede mogelijkheden voor de integratievan beide soorten systemen, zie paragraaf 3.7.2.

3.7.1 Kennissystemen versus decision support systemen

Een specifiek DSS biedt faciliteiten voor het ondersteunen van het beslissingsproces.De beslisser c.q. gebruiker van het systeem kan zelf bepalen welke methoden en datahij wil gebruiken (mits deze mogelijkheid natuurlijk binnen de DSS-generator wordtgeboden). Een kennissysteem is wat betreft de invulling van het beslissingsprocesminder flexibel. De beslissingsregels die in de diverse fasen van hetbeslissingsproces worden gebruikt, zijn beschreven en vastgelegd in de kennisbank.Het inferentiemechanisme bepaalt vervolgens de samenhang tussen de regels enstructureert op deze wijze de manier waarop een of meerdere fasen vanbeslissingsproces worden doorlopen52. Het kennissysteem, of nauwkeuriger gesteldhet inferentiemechanisme, bepaalt de manier waarop het redeneerproces wordtingevuld. Binnen het redeneerproces kunnen vragen aan de gebruiker wordengesteld. Door de antwoorden kan de gebruiker enigszins de richting van hetredeneerproces beïnvloeden, maar dit blijft een reactie op een vraag van het systeem.Een belangrijk verschilpunt tussen kennissystemen en decision support systemen ishet feit dat kennissystemen adviezen geven en DSS niet. Kennissystemen geven opbasis van de karakteristieken van het probleem en de gemodelleerde (formele eninformele) regels advies aan de gebruiker.

SDSS zijn dus flexibeler in gebruik, maar gaan minder ver in hun ondersteuningvan het beslissingsproces. Een kennissysteem genereert wel adviezen maar heeft eenbeperkt toepassingsgebied. Doukidis (1988) stelt:

‘Although both DSS and ES have similar aims, they achieve them in completelydifferent ways. The main difference are the boundary of the problem-space andthe way to tackle the problem. DSS encourages the user to explore a wideproblem-space. Instead of a fixed problem solving process, the system provides aflexible problem solving environment of tools and data for the user to play with inhis own way. The ES approach on the other hand bounds the problem area intowell defined domains. Past experiences on repetitive tasks are formulated asproblem-solving processes for future use. The system’s operation is goal-orientedand it is usually system-driven.’

In Tabel 3-6 zijn enkele verschillen tussen kennissystemen en decision supportsystemen opgenomen.

52 Het systeem kan het hele beslissingsproces structureren indien het kennissysteem het gehelebeslissingsproces omvat. Dit is echter niet waarschijnlijk.

Hoofdstuk 388

Tabel 3-6: Decision support systemen versus kennissystemen.

Decision support systeem Kennissysteem1. Ondersteunend 1. Adviserend2. Flexibel 2. Star3. Breed toepassingsgebied 3. Afgebakend probleem domein4. User-driven 4. System-driven5. Eenmalige problemen 5. Herhalende problemen

Naast deze verschillen in het gebruik van deze systemen zijn er ook duidelijkeverschillen in de ontwikkeling van beide soorten systemen. Bij het ontwikkelen vanDSS ligt de nadruk op prototyping (zie Alavi en Napier, 1986; Guimaraes en Saraph,1991). Bij de ontwikkeling van kennissystemen zijn een aantal stromingen teonderscheiden. Prototyping wordt ook bij de ontwikkeling van kennissystementoegepast53. De doelstellingen van prototyping in de ontwikkeling vankennissystemen zijn (Tolmie, 1994):

• prototype development educates the knowledge engineer in thedomain and its problems,

• the prototype demonstrates whether the artificial intelligencetechniques that were applied are powerful and flexible enough to solvethe problem,

• the prototype shows whether critical technical requirements can bemet,

• the prototype establishes the feasibility of the system.Naast prototyping zijn allerlei gestructureerde methoden ontwikkeld. Voor een deelzijn deze gericht op het expliciet maken van kennis (zie bijvoorbeeld Wright enAyton (1987) en Seagle en Duchessi (1995)) en het vervolgens analyseren enstructureren van deze kennis. Voor een ander deel zijn de methoden gericht op desysteemontwikkeling. Voorbeelden van deze laatste categorie zijn KADS(Knowledge Analysis and Design Support), Desire en Structured knowledgeengineering (SKE) (Smulders, 1990; Breuker en Wielinga, 1986; Keller,1987). Dezemethoden bestrijken het volledige ontwikkeltraject van kennisacquisitie totimplementatie (Schmidt en Oskamp, 1991). Bij KADS ligt de nadruk op dekennisacquisitie en bij Desire op het ontwerp. Lippolt en Stemerdink (1991)concluderen op basis van een enquête dat 51% prototyping gebruikt voor hetontwikkelen van een kennissysteem (voor het PC-platform), 28% gebruiktknowledge engineering methoden en 28% gebruikt hiervoor algemene softwareengineering methoden. Bij de mainframe gebruikers ligt dit laatste percentage hoger.

53 King (1989) experimenteert met het ontwikkelen van simpele expertsystemen door de experts zelf.Mogelijke problemen die hij constateert zijn gelegen in het gebruik van de expert system shells en in hetstructureren van de aanwezige kennis.


3.7.2 Generieke DSS in combinatie met een kennissysteem

Ondanks de verschillen tussen kennissystemen en decision support systemen isrecentelijk een stroming waar te nemen die de grens tussen beide soorten systemenprobeert te slechten. Dit sluit aan bij de opinie van Alter (1992) dat het verbeterenvan het beslissingsproces centraal moet staan en niet de technologie. Om problemenop te lossen, moet men zich niet fixeren op kennissystemen of decision supportsystemen, maar moet men de componenten gebruiken die goed toepasbaar zijn. Dezetrend heeft geleid tot systemen die luisteren naar namen als kennisgebaseerdedecision support systemen (Klein en Methlie, 1990), ES-DSS (Turban en Watkins,1986) en intelligente DSS (van Weelderen en Sol, 1993; Gottinger en Weimann,1992).

De essentie van deze systemen is dat niet uitsluitend de modelcomponent en dedatacomponent van een DSS worden gebruikt, maar dat kennis wordt opgeslagen,zoals bij een kennissysteem het geval is. De elicitatie en representatie van dezekennis is belangrijk bij het ondersteunen van de besluitvorming (Doukidis, 1988).Jarke en Radermacher (1988) stellen:

‘the essence of intelligence may be - properly understood - the ability to modelrelevant parts of reality in a meaningful way and to draw relevant conclusions(inferences) from such models as a basis for further actions.’

Door gebruik te maken van deze kennis kan tegemoet worden gekomen aan het doorKeen (in Jarke en Radermacher (1988)) geuite bezwaar dat de huidige DSSuitsluitend passieve ondersteuning bieden bij het oplossen van problemen en datdergelijke systemen geen (actieve) adviezen geven aan de beslisser. Onderzoekers indiverse velden hebben allerlei complexe methoden ontwikkeld die echter alleen doorspecialisten kunnen worden gebruikt. Jarke en Radermacher (1988) veronderstellendat het gebruik van kennisrepresentatietechnieken extra ondersteuning kan bieden bijhet gebruik van een DSS.

Doordat een generieke DSS gericht is op een klasse van problemen kan hetgebruik van een generieke DSS worden ondersteund met behulp van eenkennissysteem. Het ondersteunen van het gebruik van een specifieke DSS is nietpraktisch. Deze ondersteuning vergt namelijk de constructie van een specifieke DSSen de elicitatie van kennis van één of meerdere experts over het gebruik van ditsysteem. Het probleem zal echter reeds lang zijn opgelost voordat het systeem isgerealiseerd, aannemende dat een kennissysteem daadwerkelijk kan wordengebouwd. Gegeven de gerichtheid van een SDSS op een specifiek probleem wegende voordelen van de ondersteuning door middel van een kennissysteem niet op tegende nadelen. Een van de bekendste nadelen is de grote investering voor dearbeidsintensieve bouw. Die investering zal niet renderen als er uiteindelijk,uitzonderingsgevallen daargelaten, maar één gebruiker is.

Vanwege de gerichtheid van een generieke DSS op een bepaald type probleemligt ondersteuning van het gebruik van een GDSS door middel van eenkennissysteem meer voor de hand. Kennissystemen zijn zinvol toepasbaar indien eenbepaalde gelijksoortige beslissing meerdere malen moet worden genomen. Het

Hoofdstuk 390

generieke DSS kan bij elk probleeminstantie uit die klasse worden gebruikt. Dekennis die nodig is om het generieke DSS in een probleemsituatie te gebruiken kanhierbij ter beschikking worden gesteld. De kennis omtrent dat probleemgebied, in devorm van vuistregels, normen, ratio’s en dergelijke, worden in het kennissysteemvastgelegd. Bij het oplossen van een specifiek probleem uit de gedefinieerdeprobleemklasse kan deze kennis worden toegepast. Bij een beslissingsondersteunendsysteem kan deze kennis bijvoorbeeld betrekking hebben op vuistregels voor hetvaststellen van het aggregatieniveau van activiteiten in een activiteitennetwerk,normen voor de omrekening van het aantal functiepunten in mensmaanden en ratio’sin de vorm van inspanningsverhoudingen tussen de verschillende fasen van hetproject.

3.8 Conclusies

Uitgaande van het proces van beslissen zoals omschreven in paragraaf 1.3 gaan wijervan uit dat ondersteuning van elk van de fasen van het beslissingsproces mogelijkmoet zijn (vraag 1 in paragraaf 3.4.1). Die ondersteuning zal zich vooral richten opde informele regels (vraag 3). Dit omdat het kenmerk van slecht gestructureerdeproblemen het ontbreken van formele regels is. Dat betekent dat de ondersteuningvan planningprocessen, in de in paragraaf 1.6 gegeven betekenis van dit begrip,weinig zin heeft. De ondersteuning zal bij voorkeur worden gegeven in de vorm vaneen advies aan een beslisser in een bepaalde functie op een bepaald niveau (vraag 2en 4). Met name de ondersteuning van de informele regels en het geven van eenadvies resulteren in een voorkeur voor het gebruik van een generieke DSS met eenkennissysteem.

Hoofdstuk 3 Automatisering en beslissingsprocessen · 2016-03-05 · Hoofdstuk 3 Automatisering en...

Documents

Transcript of Hoofdstuk 3 Automatisering en beslissingsprocessen · 2016-03-05 · Hoofdstuk 3 Automatisering en...