Революція рішень: LLM – лише початок шляху до прозорих та автономних систем.

Чи готові ви до революції у прийнятті рішень? LLM – це лише початок, справжня магія – у деталях!

Привіт, друзі! З вами Ліла Гарт, і я просто горю бажанням поділитися з вами тим, що мене приголомшило минулого тижня. Уявіть собі: сиджу я, кава ще парує в чашці, а в голові – вибух! Це все в результаті чергової бесіди з моїм приятелем-розробником, який захоплено розповідав мені про “агентивні ШІ” та “великі автономні системи”. Звучить трохи моторошно, чи не так? Але найцікавіше попереду. Він сказав: “Ліло, великі мовні моделі (LLM), ці наші улюблені ChatGPT та йому подібні, виявляється, не надто добре справляються з прийняттям рішень”.

Я аж підскочила! LLM, які вміють писати вірші, кодити, і навіть імітувати стиль Шекспіра, не можуть приймати рішення? Це як сказати, що автомобіль вміє їхати, але не вміє повертати. Звучить парадоксально, правда? Але він пояснив: LLM не завжди послідовні, вони можуть “галюцинувати”, тобто вигадувати факти, і їм дуже бракує прозорості. Це як той знайомий, який дає пораду, а потім забуває про неї, або вигадує виправдання, чому його порада не спрацювала.

І тут він відкрив мені двері до цілком нового світу – світу “агентивних ШІ”, де LLM – це лише один з інструментів, а справжніми “мозками” системи, що приймають рішення, є дещо інше. І це “інше” – це те, що будується роками, це доведена до досконалості методологія, яка робить рішення прозорими, надійними і, найголовніше, зрозумілими. Готові зануритися в цю захопливу історію? Бо я – так!

Розділ 1: Коли ваш розумний помічник раптом починає “креслити”

Знаєте, як це буває: ви вивчаєте щось нове, і спочатку все здається дуже складним, ніби ви потрапили в незнайому країну без словника. Так само було і зі мною, коли я вперше побачила, як виглядає “модель прийняття рішень”. Забудьте про будь-які нудні конспекти. Це виглядало так, ніби хтось взяв вашу улюблену гру “Місто майстрів” або “Монополію” і перетворив її на візуальну карту, де кожна дія, кожне правило – це крок на цій карті.

Уявіть собі: ви – банк, і хочете дати комусь гроші на купівлю човна! Звучить просто, чи не так? Але для банку це цілий ланцюжок рішень. Чи давати гроші? Якщо так, то під який відсоток? На який термін? І тут на допомогу приходить Decision Model and Notation (DMN) – це міжнародний стандарт, який допомагає спроектувати, як саме ваша система (або людина!) буде приймати це рішення. Це як архітектурний план для вашого “мозкового центру”.

DMN використовує всього три прості фігури та дві лінії. Три! Здається, що це просто дитяча гра, але її ефективність вражає навіть ухвалення найскладніших рішень, як-от видача кредиту.

• Прямокутник: Це головна дія, тобто саме рішення, яке потрібно прийняти. Наприклад, “Чи затвердити кредит на човен?”. Кожне рішення – це питання, на яке потрібно отримати відповідь.
• Овал: Це вхідні дані. Те, що ви знаєте про клієнта або про об’єкт купівлі. Наприклад, “Який тип човна?”, “Яка вартість човна?”, “Яка кредитна історія клієнта?”. Це як інгредієнти для вашого борщу – без них нічого не приготуєш.
• Документ (у вигляді стрілки): Це джерело знань. Уявіть, що у вас є політика банку щодо кредитування. Ось це і є “джерело знань”, яке підказує, як приймати рішення. Наприклад, “Політика ризиків банку”.

А лінії? Це просто зв’язки. Вони показують, як одне рішення залежить від іншого, або які дані потрібні для його ухвалення. Це як нитки, що з’єднують всі пазли вашої історії.

Ось і виходить, що банк, який видає мільйони, може спокійно “накреслити” весь процес прийняття рішення, зрозуміти, чому саме так, а не інакше, і бути впевненим у його послідовності. Це вже не чорна скринька, а зрозумілий і прозорий механізм!

Розділ 2: Коли ваш “борщ” стає складнішим за рецепт бабусі

Продовжуємо нашу подорож світом DMN. Тепер давайте заглибимося в те, як розбивається велике рішення на менші, більш керовані шматочки. Пам’ятаєте, ми почали з рішення “Схвалити кредит на човен”? Це наше головне, “батьківське” рішення. Але щоб його прийняти, необхідно відповісти на кілька допоміжних питань.

Уявіть, що ви готуєте український борщ. Головне рішення – “Зварити борщ”. Але щоб його зварити, треба:

1. Вибрати овочі.
2. Приготувати засмажку.
3. Визначити, скільки якої зелені додати.
4. Посолити, поперчити…

Кожен з цих пунктів – це також своєрідне “рішення” або “під-рішення”. І DMN дозволяє нам так само “розкласти” наше головне рішення на оці маленькі.

Для нашого кредитного кейсу, рішення “Схвалити кредит” можна розбити на:

• “Який тип транспортного засобу?” (Човен, авто, будинок на колесах – для кожного свої правила).
• “Яке співвідношення кредиту до вартості (LTV)?” (Скільки позичаєте відносно вартості човна).
• “Наскільки кредитоспроможний клієнт?” (Чи можна довіряти йому гроші).

Бачите? Кожне з цих під-рішень – це також прямокутник. А що їм потрібно для роботи? Звісно, дані! Овали. Наприклад, для “Який тип транспортного засобу?” нам потрібна інформація про сам транспортний засіб (овал “Vehicle information”). А для “Наскільки кредитоспроможний клієнт?” – дані про клієнта (овал “Customer data”).

А як ці зв’язки показати? Тією самою лінією, яку ми називаємо “вимогою до інформації” або “залежністю”. Ми чітко показуємо: “Щоб прийняти це рішення, мені потрібні ось ці дані або відповіді на ці питання”.

Це схоже на те, як ви будуєте будинок. Спочатку ви креслите загальний план, потім деталізуєте кожну кімнату, потім продумуєте, як будуть проходити комунікації. DMN – це ваш інструмент для такого “будівництва” логіки.

Цікаво знати: Ці “діаграми рішень” можуть бути не тільки ієрархічними, як дерево. Вони можуть бути й мережевими! Це означає, що одне й те саме рішення, наприклад, “Визначити кредитний рейтинг клієнта”, можна використовувати в різних процесах. Це як мати універсальний блок живлення, який підходить для різних пристроїв. Це робить систему гнучкою та дозволяє уникнути повторень.

Розділ 3: Магія таблиць: Як з хаосу правил зробити порядок

Гаразд, ми розклали велике рішення на маленькі, визначили, які дані нам потрібні. Але як саме ми прийматимемо кожне з цих маленьких рішень? Коли ми говоримо про банківський кредит, правила можуть бути складними. Просте “якщо-то” вже не завжди працює.

І тут на сцену виходять таблиці рішень (Decision Tables). Уявіть їх як такий собі “розумний розклад”, де зібрані всі можливі сценарії та правила. Це як коли ви готуєте суп: у вас є базовий рецепт, але ви можете додати гриби, або вершки, або більше зелені – і кожен додаток трохи змінює смак.

У нашому прикладі з кредитом на човен, таблиця рішень може виглядати приблизно так:

Кожен рядок – це окреме “правило”. Стовпчики зліва – це умови, які ґрунтуються на наших вхідних даних (овалах) та під-рішеннях (прямокутниках). Стовпчик справа – це результат, власне, наше рішення.

Наприклад, якщо човен новий, LTV хороший, а кредитний рейтинг клієнта – відмінний або добрий, то ми схвалюємо кредит. А якщо човен старий, LTV все ще добрий, але кредитний рейтинг має бути тільки відмінним, то теж схвалюємо.

Цікаво знати: У таких таблицях можна використовувати спеціальні позначки, наприклад, тире (-), коли значення умови не має значення для цього правила. Це робить таблицю ще більш гнучкою та компактною.

Такі таблиці – це справжня знахідка для розуміння правил. Вони настільки прозорі, що навіть людина, яка не є технічним спеціалістом (наприклад, керівник кредитного відділу), може легко їх прочитати, зрозуміти і навіть запропонувати зміни. Це величезний крок до справді “людиноцентричного” дизайну систем!

Розділ 4: Коли штучний інтелект зустрічає “людські” експертизи

Ви, мабуть, зараз думаєте: “Ліло, це все чудово, але де ж тут той штучний інтелект, про який ми говорили?”. А ось де. Ми вже бачили, як DMN допомагає структурувати логіку, яка базується на правилах. Але сучасні системи не завжди можуть бути побудовані лише на правилах. Іноді нам потрібні прогнози, аналітика, моделі машинного навчання.

Уявіть, що ви хочете оцінити ризик дефолту клієнта (тобто, наскільки ймовірно, що він не поверне кредит). Ви можете спробувати написати сотні правил, але це буде надзвичайно складно. Значно ефективніше використати модель машинного навчання, яка проаналізує мільйони даних про минулі кредити і видасть прогноз.

І тут DMN знову показує свою силу! Ми можемо інтегрувати такі моделі у нашу систему рішень. Як?

1. Використання стандартів PMML або ONNX: Ці стандарти дозволяють “запакувати” модель машинного навчання (алгоритм, який робить прогнози) і потім “вставити” її як частину нашої системи рішень. Рішення DMN просто “викличе” цю модель, отримає від неї прогноз (наприклад, “ймовірність дефолту = 75%”) і використає цей результат у подальших розрахунках.
2. “Безправильна” логіка: Ми можемо визначати рішення в DMN, які не базуються на правилах, а просто посилаються на зовнішню модель. Це як ви сказали: “Для цього кроку я буду використовувати прогноз від мого сусіда-аналітика, який найкраще в цьому розбирається”.

Це означає, що ви можете поєднати прозорість та надійність DMN з потужністю та гнучкістю машинного навчання. Ви не втрачаєте контроль над процесом, але використовуєте найкращі інструменти для кожного завдання. Це як мати не тільки вправного шеф-кухаря, а й автоматичну машину для ідеального змішування спецій.

Гумористичне застереження: Пам’ятаю, як один мій знайомий намагався написати правила для прогнозу погоди. Це було щось! То дощ, то сонце, то град – і так постійно. Зрештою, він зрозумів, що для таких складних прогнозів краще довіритись метеорологічним моделям, а не намагатися “перекреслити” природу. Тож, коли йдеться про складні прогнози, не бійтеся залучати “спеціалізовані” інструменти.

Розділ 5: Упаковка для “агента” – як перетворити план на готовий продукт

Ми вже маємо чудовий план – нашу DMN-модель, яка показує, як приймати рішення, які дані використовувати, і навіть як інтегрувати прогнози машинного навчання. Але як це перетворити на справжню “розумну” систему, яка може працювати автоматично?

У цьому нам допоможуть сервіси рішень (Decision Services). Уявіть, що ви хочете запакувати весь цей процес прийняття рішення про кредит як окремий, компактний “сервіс” або “агент”, який можуть викликати інші системи.

DMN дозволяє нам “обвести” потрібні нам елементи (рішення, дані, моделі) в одну велику коробку – наш сервіс. І ми чітко виділяємо, яке саме рішення є головним для цього сервісу. Наприклад, “Сервіс схвалення кредиту” буде мати головним рішенням “Схвалити кредит”, а всі інші розрахунки (LTV, кредитний рейтинг) будуть “внутрішніми” процесами цього сервісу.

Така упаковка має кілька переваг:

• Чіткий інтерфейс: Ми розуміємо, які дані потрібно подати на вхід сервісу (наприклад, інформацію про транспортний засіб і клієнта), а що він нам на виході видасть (тобто рішення “Так” чи “Ні”).
• Розділення відповідальності: Кожен сервіс відповідає за свою конкретну функцію. Це як команди, що працюють над різними частинами великого проєкту.
• Масштабованість: Якщо багато систем потребують схожих рішень, ми можемо просто викликати цей сервіс знову і знову.
• Інтеграція з іншими агентами: Наші “розумні агенти” (наприклад агенти, що керують роботою системи) можуть легко взаємодіяти з цими сервісами рішень, передаючи їм дані та отримуючи відповіді.

І найцікавіше: існують спеціальні платформи (як комерційні, так і відкриті), які вміють “читати” ці DMN-моделі і автоматично запускати їх як сервіси. Тобто, ви створюєте план, а платформа перетворює його на “живого” агента, який працює.

Але навіть тут LLM можуть стати в пригоді! Якщо у вас є старі документи, які описують правила, але їх важко прочитати, LLM допоможе їх “зрозуміти” та “перекласти” у формат, який потім можна буде використати для створення DMN-моделі. Це як найняти супер-досвідченого секретаря, який розбереться в запилених архівах і допоможе вам знайти потрібну інформацію.

Висновок: Майбутнє рішень – у прозорості, надійності та… кресленні!

Друзі, ми пройшли величезний шлях від подиву до захоплення. Спочатку здавалося, що LLM – це вершина айсберга штучного інтелекту. Але виявилося, що справжня міць, надійність і прозорість криються в деталях, у структурі, у чітко визначених правилах та моделях.

DMN – це не просто нотація, це філософія. Це про те, як зробити ухвалення рішень зрозумілим, керованим і, головне, надійним. Це про те, як перетворити абстрактні ідеї на конкретні, робочі алгоритми.

Що далі?

1. Вивчайте DMN: Якщо ви працюєте у сфері розробки, бізнес-аналітики, чи просто хочете глибше зрозуміти, як працюють сучасні автоматизовані системи – почніть вивчати DMN. Існує безліч ресурсів, курсів та відкритих інструментів [Приклад посилання].
2. Застосовуйте на практиці: Навіть якщо ви не будуєте глобальні автономні системи, спрообуйте застосувати принципи DMN для моделювання складних бізнес-процесів у вашій компанії. Ви здивуєтесь, скільки невизначеності зникне!
3. Експериментуйте з LLM: Використовуйте LLM як помічника для аналізу документів, виявлення правил, генерації ідей для побудови ваших DMN-моделей. Але пам’ятайте: LLM – це інструмент, а не кінцевий результат.

У підсумку маємо: Великі мовні моделі – потужний інструмент, але для створення надійних, прозорих та автономних систем прийняття рішень нам потрібен DMN. Це як мати не просто двигун, а й всю систему керування автомобілем, яка робить поїздку безпечною та комфортною.

І найголовніше – не бійтеся “креслити”! Не бійтеся розкладати складне на просте, не бійтеся візуалізувати логіку. Саме в цьому і криється майбутнє розумних автоматизованих рішень.

Тож, нумо разом будувати це майбутнє – чисте, прозоре і зрозуміле, крок за кроком, рішення за рішенням! До зустрічі в наступних статтях!