تکامل نرم افزار bpms با روشهای هوش مصنوعی

تکامل نرم افزار bpms با روشهای هوش مصنوعی

همانطور که مستحضرید تعالی سازمانی ساختاری هرمی دارد. لایه های سنتی آن شامل لایه های داده (Data)، اطلاعات (Information) ، پایگاه دانش (knowledge base) و خرد(Visdom) است. در دو سطح پایین آن ساختار MIS وجود دارد و هنر آن این است که با دریافت داده، اطلاعات در قالب حجم کمتر و البته چگالی بالاتر ارائه بدهد. نرم افزارهای مبتنی بر MIS به کمک نرم افزار bpms زمینه ایجاد یک پایگاه دانش و در نهایت یک سازمان با خرد را تسریع مینماید.

حال میخواهیم با بررسی روشهای هوش مصنوعی، نقش پررنگ آنرا را در ایجاد یک bpms قدرتمند و هوشمند بیان نماییم و با نگاهی کارشناسانه به تکامل نرم افزار bpms با روشهای هوش مصنوعی بپردازیم. با تجربه ای که سالها در ساخت و اجرای نرم افزار bpms داشتیم به این نتیجه رسیدیم که در برخی از سازمانها استفاده از نرم افزار bpms در سطح تولید چند نرم افزار MIS و تولید لایه های پایین هرم تعالی سازمانی محدود شده است. هر چند که تولید یک MIS در جهت تحقق لایه های پایین هرم تعالی سازمانی است و لازم است. لکن کافی نیست. به عنوان مثال فرایندی به عنوان فرایند رسیدگی و ثبت امور قرارداد تولید شده که شامل دهها فرم و گزارش و داشبورد مدیریتی است. حتی دارای چند گردش کار (Workflow) نیز هست. اما از workflow فقط بخش گردش کار را استفاده میکنند. اینکه در گردش کارها قواعد کاری و هوشمند سازی کارها صورت بگیرد وجود ندارد. البته اینکه خود مشتری میتواند با استفاده از نرم افزار bpms فرایندهای خود را کاستامایز کند مزیت خوبی است ولی اصل مزیت نرم افزار bpms در هوشمندسازی کار است.

مزیت اصلی نرم افزار bpms علاوه بر مواردی که در تولید فرم و گزارش و … وجود دارد، نقش آن در تصمیم گیری و مشاور با آنالیز اطلاعات فرایندها میباشد. اما این روشهای تصمیم گیری هوشمند چگونه در بطن یک نرم افزار bpms تزریق میشود؟ اگر این تصمیم گیری توسط انسان انجام میشد و نرم افزار bpms وجود نداشت کار چگونه جلو میرفت؟ چطور وابستگی به انسان در نرم افزارهای bpms به کمینه میرسد؟

روشهای یادگیری ماشین به تقلید از طبیعت و رفتار انسان یکی از مباحث اصلی هوش مصنوعی است. روشهایی نظیر استفاده از شبکه های عصبی ، منطق فازی و یا الگورتیمهای تکاملی و یا الگوریتمهای ژنتیک (GA) از مباحث جذاب هوش مصنوعی است. البته ما قصد نداریم آیتمهای مربط به رشته دانشگاهی هوش مصنوعی و رباتیک که طی چند سال تدریس میشود را بیان کنیم ولی ایده هایی ارائه میدهیم که چطور در دل یک نرم افزار bpms ، موتور DSS هوشمند تولید کرد.

موتور گردش کار جزء اصلی نرم افزار bpms در هوشمندسازی

یکی از اهداف استفاده از موتور گردش کار در نرم افزار bpms علاوه بر گردش کار، تصمیم گیری در خصوص تغییر وضعیت یک فرایند است. این تغییر وضعیت حتی ممکن روی فرایندهای دیگر موثر باشد. معمولا تغییر وضعیت یک فرایند تابع پارامترهایی است که این پارامترها به عنوان ورودی به توابعی که در نرم افزار bpms است ارسال شده و سیستم با توجه به بدنه تابع خروجی مورد جهت تصمیم گیری وضعیت فرایند را تولید مینماید. مشکل معمولا آنجا پیش میاید که تابع ما قادر به پردازش کارهایی که شبیه به عملکرد اصلی است نمیشود. به بیان دیگر فضای عملیاتی موجود در تابع، با پارامترهای شناخته شده عملیاتی شده است. الگوریتمهای آن مشخص بوده و برای مسائلی که تاکنون مشاهده شده، طراحی و پیاده سازی شده است. حال اگر مسائل جدیدی مطرح شود که دیگر در فضای کاری تابع قابل حل نباشد سیستم متوقف می شود و بایستی تابع بازنویسی شود.

در این وضعیت هوش مصنوعی با استفاده از الگورتیمهای یادگیری که در آن وجود دارد، شروع به پردازش ورودی ها میکند و نزدیکترین پاسخ را با استفاده از الگوریتمهای پویایی که دارد انتخاب مینماید. با بازخوردی که از محیط گرفته میشود بهینه سازی صورت میگیرد و پس از مدتی به پایکاه دانش غنی از قواعد کاری میرسیم که برای هر مساله ای، راهکاری ارائه میدهد. به عنوان مثال می توان از شبکه های عصبی به عنوان مدل پویای یادگیر استفاده کرد. این مدل با الگوبرداری از شبکه عصبی واقعی انسانی، اقدام به حل مساله میکند. در ابتدا قوانین محدود بود ولی با گذشت زمان همانند یک کودک رو به رشد قوانین جدید را در پایگاه دانش خود تولید میکند. البته مدل کردن فضای کاری واقعی روی یک مدل شبکه عصبی کار ساده ای نیست ولی متخصصان هوش مصنوعی و آمار میتوانند با استفاده از فضای مساله این مدل ارزشمند را برای فضای کسب و کار شما بسازند.

موتور استفاده از رابطهای فازی جهت بهبود کیفیت پرس و جوها و گزارشها

استفاده از روشهای فازی جهت تولید رابط کاربری نقش بسیار موثری در بهبود کیفیت استفاده از نرم افزارهای bpms میکند. از آنجا که کاربر با مفاهیم زبانی آشنایی بیشتری نسبت به مفاهیم بانک اطلاعاتی دارد، میتوان با ارائه یک رابط کاربری فازی و map کردن ترمهای فازی به مقادیر بانک اطلاعاتی، گزارش دقیقتری به کاربر ارائه داد. به عنوان مثال اگر شما اطلاعاتی از قیمت زمین ندارید و دنبال زمینهای ارزان میگردید چگونه عمل میکنید. میتونید با سعی و خطا پیدا کنید یا اینکه یک رابط فازی داشته باشید که لیستی برای شما باز شود و بگوید زمین ارزان ، زمین متوسط ، زمین خیلی گران و یا زمین گران! در پشت این صحنه قیمتها قابل map شدن به این ترمهای زبانی میشود و مثلا قیمت بین ۲ میلیون و ۳ میلیون ارزان  ، ۳- ۵ میلیون متوسط و …. خواهد بود (البته فعلا این قیمتها را در نظر بگیرید و اگر موقع خواندن این صفحه قیمتها ارزان شد! مسئولیتش با ما نیست!)

در مجموع آنچه که میتواند یک نرم افزار bpms ساده را به به یک نرم افزار bpms قدرتمند و هوشمند تبدیل کند استفاده از قواعد تصمیم گیری هوشمند و یادگیر مبتنی بر هوش مصنوعی است. استفاده از روشهای هوش مصنوعی میتواند تضمین کند علاوه بر کاربر ساده تر، DSS به شما ارائه بدهد که در برخورد با مسائل جدید امکان متوقف شدن نرم افزار bpms وجود نداشته باشد.