HIERARCHIKUS FUZZY KÖVETKEZTETÉSI RENDSZEREK A KOCKÁZATKEZELÉSBEN
Szerző: Takács Márta egyetemi tanár (takacs.marta@magister.uns.ac.rs)
Intézmény: Újvidéki Egyetem Magyar tannyelvű Tanítóképző Kar, Szabadka
A hierarchikus fuzzy következtetési rendszer lényege, hogy több szinten rendszerezi a kockázati tényezőket és az azok közötti összefüggéseket. Ez lehetővé teszi a rendszer részletezett és rugalmas kezelését, valamint a különböző szempontok és szintek figyelembevételét. A kockázati tényezőket csoportosítva, az azokra vonatkozó kockázati szint kiszámítását követően, ezt az adatot továbbítja a rendszer a magasabb szintekre, majd aggregálva az alrendszerekre vonatkozó kockázati mértékeket ad teljes képet a problémakör kockázatáról az adott tényezőhalmazra vonatkozóan. Többek között az az előnye, hogy nagyszámú és különböző típusú tényező bizonytalanságát kezeli a fuzzy következtetési alrendszerekbe csoportosítva.
Az ilyen rendszerek sikeres alkalmazásához azonban szükség van megfelelő adatokra és modellvalidációra is. Fontos az is, hogy a hierarchikus struktúra megfelelően tükrözze a valóságot, és a rendszer használata előtt szakértőkkel történő egyeztetés alapján alaposan meg kell vizsgálni annak alkalmasságát és hatékonyságát a konkrét kockázatkezelési feladatokra.
Kulcsszavak: Fuzzy következtetési rendszerek, kockázatkezelés, hierarchikus következtetési fák
HIERARCHICAL FUZZY INFERENCE SYSTEMS IN RISK MANAGEMENT
The essence of the hierarchical fuzzy inference system is that it organizes the risk factors and the relationships between them at several levels. This enables detailed and flexible management of the system, as well as consideration of different aspects and levels. Grouping the risk factors, after calculating the risk level for them, the system forwards this data to the higher levels, and then aggregates the risk measures for the subsystems to give a complete picture of the risk of the problem area for the given set of factors. Among other things, it has the advantage of handling the uncertainty of a large number and different types of factors grouped into fuzzy inference subsystems.
However, the successful application of such systems requires adequate data and model validation. It is also important that the hierarchical structure properly reflects reality, and before using the system, its suitability and effectiveness for specific risk management tasks must be carefully examined based on consultation with experts.
Keywords: Fuzzy inference systems, risk management, hierarchical inference trees