A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty
In this article the author suggests a generalized concept of information collection, transfer, and processing technology for decision-making support in uncertain environments. First, key features of uncertain environments and a generalized decision concept are outlined. Decision is defined as the ch...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автор: | |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут проблем реєстрації інформації НАН України
2025
|
| Теми: | |
| Онлайн доступ: | https://drsp.ipri.kiev.ua/article/view/354611 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Data Recording, Storage & Processing |
| Завантажити файл: |  |
Репозитарії
Data Recording, Storage & Processing| _version_ | 1867479069673652224 |
|---|---|
| author | Каденко, С. В. |
| author_facet | Каденко, С. В. |
| author_institution_txt_mv | [
{
"author": "С. В. Каденко",
"institution": "Інститут проблем реєстрації інформації НАН України"
}
] |
| author_sort | Каденко, С. В. |
| baseUrl_str | http://drsp.ipri.kiev.ua/oai |
| collection | OJS |
| datestamp_date | 2026-06-08T07:18:31Z |
| description | In this article the author suggests a generalized concept of information collection, transfer, and processing technology for decision-making support in uncertain environments. First, key features of uncertain environments and a generalized decision concept are outlined. Decision is defined as the choice of one or more of the existing alternative options, such as objects, projects, strategies, or scenarios. Second, existing approaches are analyzed in retrospect, including the analytic hierarchy and network processes, ELECTRE, TOPSIS, PROMETHEE\GAIA, and DEMATEL techniques. Special attention is given to technologies based on complex dynamic evaluation of alternatives. The key common features of the analyzed technologies are: 1) usage of expert data alongside data from other available sources and 2) construction of a knowledge base for a given uncertain environment in the form of a weighted hierarchy\network graph. Nodes of this graph represent criteria and factors, describing the chosen domain in the context of a specified main goal, set by the decision-maker, while edges represent relative impacts of these factors and their respective weights. Such a knowledge base allows decision-makers and analysts to solve problems of several types, such as: rating and prioritization of alternatives and projects, allocation of limited resources to projects within a specified period of time, strategic planning, and scenario analysis. Based on conducted analysis, the author suggests a general classification of outlined technologies according to information sources used, complexity of knowledge bases built, and types of problems solved. A separate section is dedicated to challenges and prospects of generative AI application for decision support in uncertain environments. The final outcome of the paper is the unified concept of information collection and processing technology for decision-making support in weakly formalized domains, characterized by high uncertainty levels, complete with references to respective mathematical and software tools that should be used at each stage of technology implementation. Tabl.: 1. Fig.: 1. Refs: 49 titles. |
| doi_str_mv | 10.35681/1560-9189.2025.27.3.354611 |
| first_indexed | 2026-04-13T01:00:05Z |
| format | Article |
| fulltext |
112
DOI: 10.35681/1560-9189.2025.27.3.354611
УДК 519.816
С. В. Каденко
Інститут проблем реєстрації інформації НАН України
вул. М. Шпака, 2, 03113 Київ, Україна
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
Проаналізовано кілька технологій і методик підтримки прийняття рі-
шень в умовах невизначеності. Зокрема, інструментарій підтримки
прийняття рішень розглянуто в контексті задач відбору проєктів,
стратегічного планування (на різних рівнях), розподілу ресурсів, проти-
дії негативним впливам в інформаційній боротьбі, побудови та аналізу
прогнозованих сценаріїв розвитку подій. На основі проведеного аналізу
розроблено умовну класифікацію наявних підходів і узагальнену концеп-
цію технології збору і обробки знань, яка забезпечує прийняття поін-
формованих і компетентних рішень різного характеру в слабко струк-
турованих предметних областях.
Ключові слова: підтримка прийняття рішень, цільова ієрархічна де-
композиція, рейтинг, ранжирування, стратегічне планування, метод
аналізу сценаріїв.
Вступ і постановка проблеми
Слабко структурованими або слабко формалізованими предметними облас-
тями називають області, що характеризуються високим рівнем невизначеності. У
таких областях діє велика кількість взаємопов’язаних факторів як кількісного, так
і якісного характеру. Ці фактори почасти неможливо описати за допомогою вели-
чин з фіксованими еталонними значеннями і одиницями виміру. Інформація про
такі предметні області, об’єкти та критерії, за якими вони оцінюються та порівнюю-
ться, зазвичай, є неповною, або розрізненою. Велика частина цієї інформації відсут-
ня у загальному доступі, нею володіють лише компетентні вузькопрофільні фахівці
— експерти.
Якщо йдеться про рішення та ситуації, які напряму залежать від кількісних
критеріїв, таких як, наприклад, прибуток або економічна вигода, то такі рішення
можуть ґрунтуватися на наявних даних, виражених у кількісних величинах. Якщо
рішення є таким, що повторюється (наприклад, прийняття бюджету, зарахування
студентів до навчального закладу), то технологія прийняття таких рішень може бу-
© С. В. Каденко
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 113
ти вибудована на основі досвіду попередніх аналогічних рішень, можливо, з не-
значними корективами.
Водночас, у слабко структурованих предметних областях рішення часто є
унікальними, неповторюваними, а під час їхнього прийняття слід враховувати ве-
лику кількість факторів, які не піддаються кількісному опису.
Указані особливості ускладнюють процес прийняття управлінських рішень
різних рівнів у слабко структурованих предметних областях. Прикладами відповід-
них областей можуть служити освітня сфера, громадські ініціативи, зовнішньопо-
літична обстановка, безпекове середовище, космічна галузь та інші [1].
Із підвищенням управлінського рівня підвищується відповідальність су-
б’єкта, або ж особи, яка приймає рішення (ОПР), за його результат, ступінь ризику
та «ціну» невірного рішення. Відповідно, для того, щоби рішення були обґрунтова-
ними, компетентними та поінформованими, необхідно враховувати усю наявну ін-
формацію про предметну область. Через вищезгадану неповноту інформації, основ-
ним її джерелом, агрегатором і «фільтром» у даному випадку часто виступають екс-
перти і аналітики. Як допоміжні засоби вони можуть використовувати відкриті
джерела [2, 3], дані контент-моніторингу [4] та засоби штучного інтелекту (ШІ).
Слід враховувати, що саме брак інформації про відповідні об’єкти та фактори
ускладнює застосування засобів штучного інтелекту як достовірного джерела або
ж агрегатора такої інформації.
На додачу до самої інформації (експертної і відкритої, кількісної і якісної),
для забезпечення ефективності рішень, прийнятих на її основі, необхідні дієві фор-
мальні процедури отримання, передачі та обробки цієї інформації.
Узагальнене поняття «рішення», яке мається на увазі в попередніх абзацах,
зводиться до вибору одного зі зліченної кількості альтернативних варіантів рі-
шення. Вибір відбувається на основі певного узагальненого критерію оптимальнос-
ті, визначеного в рамках конкретної задачі.
Типами варіантів рішення можуть бути, зокрема:
— конкретні альтернативи (навчальний заклад для вступу, телефон, ноутбук,
авто чи нерухомість для придбання) (багато прикладів можна знайти у [5]);
— проєкти або набори проєктів для підтримки та фінансування (один проєкт-
переможець у конкурсі; перші п’ять, десять тощо проєктів у рейтингу; лідери рей-
тингу проєктів, на які вистачає фіксованого обмеженого обсягу фінансування);
— пріоритетні проєкти чи напрямки діяльності ОПР (чи організації), на яких
слід зосередити увагу та ресурси [6];
— варіанти розподілу обмежених ресурсів між проєктами для найбільш ефек-
тивного досягнення заданої головної мети (кожен такий розподіл ресурсів задає пев-
ну стратегію діяльності ОПР чи організації [7, 8]);
— сценарії розвитку подій (залежно від того, який зі сценаріїв видається най-
більш імовірним, ОПР слід планувати подальшу діяльність) [9].
Відповідно, для кожного з указаних класів задач необхідна дієва технологія
вирішення. Спільною рисою перерахованих задач підтримки прийняття рішень
(ППР) є те, що вони зводяться до вибору (чи принаймні, рейтингу) певних варіантів
рішень. Відтак, можна спробувати побудувати універсальну узагальнену концеп-
С. В. Каденко
114
цію технології, яка дозволить об’єднати перелічені класи задач та уніфікувати про-
цедури їхнього розв’язання.
Отже, проблема, яка розглядається у даній статті, полягає в розробці узагаль-
неної концепції технології збору, передачі (трансферу) і обробки знань для під-
тримки прийняття рішень в умовах невизначеності, типових для слабко структуро-
ваних предметних областей.
Стан проблеми: огляд наявних підходів
Протягом останніх десятиліть для ППР у слабко структурованих предметних
областях було розроблено декілька підходів. Наведемо їхній стислий огляд.
Одразу зазначимо, що внаслідок слабкої структурованості предметних облас-
тей, про які йдеться, у загальному випадку апріорно неможливо в аналітичному ви-
гляді задати цільову функцію чи функцію корисності, за значеннями якої можна
було би порівнювати варіанти рішень. Відповідно, застосування в чистому вигляді
підходів з теорії оптимізації і багатокритеріальної теорії корисності (MAUT) [10] є
проблематичним.
Майже усі підходи, що розроблялися для ППР, ґрунтуються на попередній
ієрархічній декомпозиції головного критерію, який визначає якість варіанта рі-
шення. Більшість цих підходів програмно реалізовані у вигляді відповідних продук-
тів і застосунків, як показано в [11].
Хронологічно першим методом, розробленим для вирішення задач вибору,
ранжирування та сортування варіантів (фактично, це підкласи задач, перелічених у
вступі), був ELECTRE [12, 13]. Основний результат роботи методу — ранжиру-
вання множини альтернатив, які оцінюються за низкою критеріїв різної ваги. Аль-
тернатива 𝐴𝑖 переважає альтернативу 𝐴𝑗 у загальному ранжируванні, якщо сукуп-
ність критеріїв, за якими 𝐴𝑖 переважає 𝐴𝑗 є достатньо репрезентативною, на що вка-
зують значення спеціально визначених у методі індексів згоди та незгоди. Метод
орієнтований на ієрархію критеріїв з одного рівня (тобто таку, що складається з
головного критерію та його безпосередніх «нащадків» у графі) та залежить від по-
рогових значень індексів згоди та незгоди, які задаються ОПР.
Метод аналізу ієрархій (AHP) у початковому варіанті [5] призначений для по-
будови рейтингів альтернатив за множиною критеріїв оцінки. Тобто, як і в поперед-
ньому випадку, йдеться про ієрархію з одного рівня. Більш пізня модифікація —
метод аналізу мереж [14] — передбачає, що критерії можуть утворювати не лише
ієрархічну, а й мережеву структуру.
Особливостями методу є:
— використання спеціальної мультиплікативної шкали переваг з 5 чи 9 поді-
лок з відповідними вербальними еквівалентами (від «незначної» переваги (поділка
2) до «дуже-дуже сильної» (поділка 9)) для попарного порівняння критеріїв та аль-
тернатив;
— використання методу власного вектору для обчислення відносних ваг кри-
теріїв на основі матриці парних порівнянь;
— використання спеціального показника неузгодженості (consistency ratio) та
емпірично обчислених порогових значень цього коефіцієнта для визначення при-
датності матриць парних порівнянь (МПП) до використання в експертизі.
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 115
Метод аналізу ієрархій є одним із найбільш широко вживаних у світі. Чис-
ленні приклади застосування методу для розв’язання задач ППР у різноманітних
предметних областях можна знайти в архіві праць міжнародного симпозіуму
ISAHP [1].
Наступним методом, про який слід згадати, є метод TOPSIS [15], також приз-
начений для побудови ранжирування чи рейтингу альтернатив за низкою критеріїв
(фактично, ієрархією критеріїв з одного рівня). Після того, як усі альтернативи оці-
нені за критеріями, будуються ідеальні найгірша та найкраща альтернативи, які по-
єднують в собі, відповідно, усі найгірші та найкращі однокритеріальні оцінки. Далі,
на основі віддаленості усіх наявних альтернатив від цих ідеальних об’єктів, будує-
ться їхній рейтинг.
Метод PROMETHEE\GAIA [16] дозволяє будувати часткове або ж повне ран-
жирування множини альтернатив за низкою критеріїв, які утворюють ієрархію з
одного рівня. Дещо аналогічно вищезгаданому методу ELECTRE, ранжирування
відбувається на основі аналізу співвідношень між позитивним і негативним пото-
ками переваг. Ці потоки, у свою чергу, відбивають співвідношення між сумарними
багатокритеріальними оцінками альтернатив. Задачі, до вирішення яких застосо-
вується метод, включають вибір альтернатив, розстановку пріоритетів у діяльності
ОПР, розподіл ресурсів між альтернативами, а також прийняття рішень у конфлікт-
них ситуаціях, де кілька сторін переслідують протилежні цілі.
Техніка DEMATEL [17] також застосовується у багатокритерільній ППР.
Вона допомагає вирішити окрему «підзадачу» в процесі багатокритеріального ви-
бору — визначити та кількісно оцінити зв’язки між критеріями із заданої множини.
Одночасно з перерахованими підходами розроблявся метод цільового дина-
мічного оцінювання альтернатив (МЦДОА) [13] та його модифікації (зокрема,
[18]). Сама назва методу вказує на те, що основна задача, яку він розв’язує, полягає
в оцінюванні альтернатив за ієрархією критеріїв, підпорядкованих певній загальній
головній меті (ГМ). Ця мета, зазвичай, формулюється ОПР у вигляді певного гло-
бального критерію. Основні характерні особливості даного методу такі:
— оцінювання альтернатив і проєктів відбувається з урахуванням часу (тобто
тривалості виконання проєктів, часових затримок, які визначаються на основі ная-
вної інформації чи експертним шляхом);
— ієрархія критеріїв, зазвичай, включає, більше одного рівня, і може містити
зворотні зв’язки та цикли, що, з одного боку, додатково ускладнює вигляд цільової
функції, а з іншого — дозволяє вирішувати більш комплексні задачі;
— для оцінювання варіантів рішень розроблено низку оригінальних методів,
спрямованих на підвищення достовірності результатів експертизи (загальний ви-
гляд самих результатів залежить від конкретної поставленої задачі).
Далі пропонується розглянути кілька прикладів оригінальних технологій, де
принципи цільового динамічного оцінювання альтернатив застосовуються в конк-
ретних предметних областях.
С. В. Каденко
116
Приклади технологій, що використовують
цільове динамічне оцінювання альтернатив
Технологія оцінки вагомості проєктів, описана в [6] і проілюстрована прикла-
дом, у якому оцінюється ефективність заходів із виконання національної космічної
програми [19], включає низку ключових етапів:
1) формування ієрархії критеріїв (або цілей, які впливають на виконання за-
даної головної мети);
2) оцінювання відносних ваг критеріїв;
3) агрегацію оцінок ваг критеріїв і проєктів (у тому числі, уніфікацію оцінок,
наведених у різних шкалах, перевірку та, за необхідності, поліпшення узгодженості
— внутрішньої і взаємної — оцінок, наданих різними експертами);
4) обчислення відносної ефективності проєктів і побудова їхнього загального
рейтингу.
Особливістю даної технології [6] є можливість використання експертами різ-
них шкал оцінювання, що дозволяє без тиску на експертів отримувати більш дос-
товірні результати експертизи.
У технології стратегічного планування, що описана у [7, 8], до вищевказаних
4-х етапів додається 5-й етап, власне, стратегічного планування. Якщо вже вико-
нано етапи 1)–4), тобто побудовано зважену ієрархію цілей і проєктів (цілей ато-
марного рівня, на які ОПР може впливати напряму), то стратегія визначається як
оптимальний розподіл обмежених ресурсів між проєктами, який забезпечує най-
більш ефективне досягнення головної стратегічної мети у визначеному часовому
проміжку. Особливостями даної технології [7, 8] є врахування часових рамок (за-
тримок) виконання проєктів і використання генетичного алгоритму для визначення
оптимальної стратегії розподілу ресурсів між ними. У [7] розглядається приклад
розподілу ресурсів між проєктами оборонної галузі, а у [8] — приклад розподілу
ресурсів між проєктами, спрямованими на охорону довкілля у мегаполісі.
Технологія прийняття рішень рівня громади з урахуванням громадської дум-
ки [20], в силу специфіки розв’язуваних задач, є алгоритмічно простішою порів-
няно з технологією, описаною у [6]. Принципово, вона включає 4 аналогічні етапи
— від побудови ієрархії критеріїв до оцінки вагомості критеріїв найнижчого рівня.
Втім, оскільки, власне, оцінювання здійснюється не експертами, а пересічними
представниками громади, ієрархія критеріїв має деревоподібну (а не мережеву)
структуру, а оцінювання здійснюється не у шкалах парних порівнянь, а у шкалі
згоди-незгоди Лайкерта [21] (якщо йдеться про критерії найнижчого рівня), або у
долях одиниці шляхом графічного введення оцінок (якщо йдеться про критерії ви-
щих рівнів). Ці особливості дозволяють зробити процес оцінювання максимально
простим та наочним, зокрема, для представників громади. При цьому формування
самого графа ієрархії критеріїв покладається саме на експертів у відповідній галузі.
У [20] наводиться приклад рішень зі сфери урбаністичного планування. Технологія
дозволяє розв’язувати задачі не лише оцінювання, а й голосування. Якщо йдеться
про оцінювання, то передбачається, що існує певне істинне значення параметра,
який оцінюється (ground truth). У цьому випадку слід забезпечити узгодженість оці-
нок (зовнішню та внутрішню [22]). Якщо ж ідеться про голосування, кожен респон-
дент просто висловлює судження щодо питання, яке може не мати «вірної» відпо-
віді.
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 117
Гібридна технологія ППР на основі експертних і відкритих даних, описана в
[3, 23], розглядається в контексті протидії інформаційним операціям. Технологія
включає вищевказані 4 ключові етапи — від побудови ієрархії до визначення рей-
тингу проєктів. Особливістю даної конкретної технології є використання даних з
відкритих джерел (а саме — даних аналізу тематичних інформаційних потоків [24])
для розпізнавання інформаційних «вкидань» та ознак інформаційних операцій.
Аналіз даних з відкритих джерел дозволяє перевірити гіпотезу про здійснення ін-
формаційної операції, відповідним чином скоригувати вигляд зваженої ієрархії
критеріїв і цілей (бази знань (БЗ) про предметну область), і спланувати протидію
негативним інформаційним впливам, якщо такі мають місце.
Технологія прогнозування сценаріїв розвитку подій [9], окрім 4-х основних
етапів, включає також додаткові підготовчі та подальші етапи. Підготовчі етапи
покликані забезпечити ознайомлення експертів (аналітиків) з предметною областю
та методологією. Після декомпозиції предметної області (виконання «стандартних»
4-х етапів, у загальному випадку, із залученням даних з відкритих джерел і контент-
моніторингу [4]), фактори впливу ранжируються за критерієм «непередбачуванос-
ті». Два (або більше) найменш передбачуваних фактори визначають вигляд можли-
вих сценаріїв розвитку подій. У рамках методу аналізу конкурентних гіпотез [25],
до так званої «оціночної матриці» вводяться у шкалі Лайкерта оцінки впливів ви-
значених аналітиками індикаторів, які підтверджують (підкріплюють), або ж спро-
стовують настання виділених непередбачуваних факторів. Після цього, на основі
оціночної матриці, СППР визначається рейтинг імовірностей настання можливих
сценаріїв розвитку подій і найбільш імовірний сценарій.
Спільні риси та відмінності конкретних технологій
Як показує наведений огляд, спільними рисами перелічених підходів є:
1) застосування експертної інформації для отримання знань про предметну
область: ця властивість зумовлена специфікою предметних областей — невизначе-
ністю та браком доступної інформації;
2) застосування принципу декомпозиції, теорії графів та ієрархічного під-
ходу: основу БЗ про предметну область складає зважений граф ієрархії критеріїв,
факторів, чи цілей, які її характеризують у розрізі заданої ОПР глобальної мети.
Інші ознаки, специфічні для конкретних технологій, дозволяють побудувати
їхню умовну класифікацію. Для наочності представимо таку класифікацію у ви-
гляді таблиці.
Зазначимо, що технології стратегічного планування, розглянуті в [3, 8, 9] пе-
редбачають можливість групової роботи експертів у віддаленому режимі у відпо-
відній СППР [26]. Деякі програмні продукти та рішення, що використовують інші
методи (наприклад, AHP/ANP [27, 28], TOPSIS [29]) теж передбачають таку мож-
ливість. Відповідно, йдеться скоріше про апаратне, а не алгоритмічне рішення, яке
недоцільно використовувати як критерій для класифікації технологій.
Слід зазначити, що не тільки технології на базі МЦДОА можуть застосовува-
тися для більш різноманітних і комплексних (складних) задач. Наприклад, метод
AHP/ANP у поєднанні з іншими алгоритмічними рішеннями використовується для
розподілу ресурсів у продуктах Decision Lens [11, 27], а на вхід методів TOPSIS
С. В. Каденко
118
[29], ANP чи DEMATEL [30] можна подавати інформацію з будь-яких джерел.
Утім, лише в поєднанні з додатковими алгоритмічними рішеннями, інші підходи,
вказані в таблиці, можна пристосувати для розподілу ресурсів або ж аналізу сцена-
ріїв. При цьому, МЦДОА від самого початку [13] розроблявся для планування ба-
гаторівневих комплексних цільових програм, що одразу робить підхід більш уні-
версальним і створює підґрунтя для ширшого використання відповідних техноло-
гій.
Умовна класифікація технологій ППР у слабко структурованих предметних областях
Технології
та методи
Джерела
інформації
Складність БЗ (ієрар-
хічної декомпозиції)
Розв’язувані задачі
Е
к
сп
ер
ти
В
ід
к
р
и
ті
д
ж
ер
ел
а
А
н
к
е
ти
,
о
п
и
ту
в
а
н
н
я
1
р
ів
ен
ь
>
1
р
ів
н
я
м
ер
еж
а
М
ер
еж
а
з
ц
и
к
л
ам
и
Р
ан
ж
и
р
у
в
ан
н
я
,
р
ей
ти
н
г
Р
о
зп
о
д
іл
р
е
су
р
-
сі
в
,
ст
р
ат
ег
.
п
л
а
н
и
П
р
о
ти
д
ія
н
ег
ат
и
-
в
н
и
м
в
п
л
и
в
ам
,
р
о
зв
’я
за
н
н
я
ко
н
ф
л
ік
ті
в
П
р
о
гн
о
зу
в
ан
н
я
(с
ц
ен
ар
ії
в
т
а
ін
.)
ELECTRE + – – + – – – + - – –
AHP + – – + + – – +
+
[27]
– –
ANP + – – + + + – + +[27] + –
TOPSIS +
+
[29]
– + – – – + – – –
PROMETH
EE\GAIA
+ – – + – - – + – – –
DEMATEL + – – + + + + + – – –
Технології
на основі
МЦДОА
+ + + + + + + + + + +
Проблеми та можливості застосування ШІ у технологіях ППР
Попри зростання популярності засобів генеративного штучного інтелекту
(ШІ), в таблиці серед джерел інформації вони окремо не вказані. На думку автора,
генеративний ШІ не доцільно розглядати як незалежне джерело знань. ШІ — лише
доповнює експертні дані, адже неексперт (інженер знань) не може, в загальному
випадку, без ревізії використовувати рекомендації ШІ, бо він не в змозі перевірити
їхню релевантність. Водночас, дані з відкритих джерел та опитувань (знов-таки,
можливо, отримані у процесі взаємодії з ШІ) можна використовувати, не звертаю-
чись до експерта.
Наведемо деякі міркування щодо можливостей використання ШІ у рамках те-
хнологій ППР в умовах невизначеності.
1. Генеративний ШІ навчається на наявних у мережі даних (корпусах текс-
тів). Відповідно, якщо проблема є унікальною (що є типовою ситуацією у слабко
структурованих предметних областях), то у мережі може не бути достатньо вели-
кого корпусу текстів для того, щоби ШІ міг згенерувати достовірну відповідь чи
рекомендацію.
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 119
2. Саме знання експертів, викладені в тематичних текстах, наявних у мережі,
складають основу матеріалу, на якому навчається ШІ. Відповідно, результати но-
вих експертиз якраз стають джерелом знань для навчання ШІ, а не навпаки.
3. Окремі класи задач, такі як, наприклад, прогнозування зовнішньополітич-
ної обстановки чи безпекового середовища [9], вимагають тривалої роботи реаль-
них експертів. На ШІ має сенс покладатися, коли великий обсяг уже наявної але не
агрегованої/обробленої інформації треба обробити протягом дуже малого часу (кі-
лькох секунд чи хвилин, як це відбувається, наприклад, у бойовій обстановці). На-
віть при цьому остаточне рішення та відповідальність за його прийняття належить
людині, яка є компетентним фахівцем.
4. У певних сферах, таких як творча робота (написання музики, віршів, іноді
— редагування текстів [31]) ШІ часто показує незадовільні результати. Аналітична
праця також є творчою, оскільки вимагає розвиненого абстрактного мислення, зда-
тності до дедукції (виділення головного) та узагальнення.
5. Генеративний ШІ видає свої відповіді у формі загальних абстрактних ду-
мок, а для ППР потрібна конкретика. Щоб добитися конкретних відповідей, треба,
знов-таки, залучати експертів і фахівців для формулювання запитів (промптів).
6. Будь-які відповіді ШІ, за замовчуванням, мають рекомендаційний харак-
тер. Відповідальність за рішення, знов-таки, лежить на людині (ОПР, фахівцеві).
7. Не унормовані юридичні та етичні аспекти використання ШІ для прий-
няття рішень [32].
Водночас, вже існує багато цікавих прикладів використання засобів ШІ як до-
поміжного засобу у розв’язанні подібних чи суміжних задач (наприклад [28, 33,
34]).
Узагальнена концепція технології збору і обробки інформації
для ППР в умовах невизначеності
Як зазначено вище, усі технології, розглянуті у попередніх пунктах, передба-
чають побудову формальної моделі предметної області у вигляді зваженого графа.
З науково-філософської точки зору, ієрархічна декомпозиція предметної області на
фактори або «підцілі» є процесом аналізу, тобто руху «згори вниз», від абстракт-
ного до конкретного, від загального до частинного. Зважування цих факторів є про-
цесом синтезу, руху «знизу вгору», від частинного до загального, від конкретного
до більш абстрактного. На основі визначених експертним (або іншим) шляхом від-
носних ваг факторів і підцілей визначається їхній вплив на головний критерій або
ж ціль, у розрізі якої визначається ефективність варіанта рішення. Дана процедура
є спільною складовою більшості розглянутих підходів. Відповідно, має сенс по-
класти її в основу концепції узагальненої технології збору і обробки знань для ППР
у слабко структурованих предметних областях. Інші складові можуть варіюватися,
додаватися чи виключатися, залежно від поставлених задач.
Узагальнена технологія передбачає наступну послідовність кроків.
1. Підбір експертів\аналітиків у заданій предметній області.
2. Підготовчі етапи: обговорення предметної області, ознайомлення з мето-
дикою та інструментарієм (за необхідності).
С. В. Каденко
120
3. Постановка ОПР або ж усією експертною групою головної мети, у розрізі
якої оцінюватиметься ефективність варіантів рішення.
4. Декомпозиція головної мети на підцілі (підкритерії) до рівня конкретних
проєктів, на які може безпосередньо впливати ОПР. У загальному випадку — де-
композиція здійснюється групою експертів у віддаленому режимі [26]. Як допоміж-
ні інструменти експерти можуть використовувати засоби генеративного ШІ [28],
контент-моніторингу і аналізу інформаційних потоків [3, 24]. Ці засоби можуть ви-
користовуватися як для декомпозиції певного критерію на підкритерії, так і для фор-
мулювання і узгодження назв критеріїв і підцілей перед їхнім внесенням до БЗ (іє-
рархії).
5. Задання та введення до СППР відносних ваг підцілей і підкритеріїв.
5.1. Якщо досвід оцінювання подібної множини критеріїв уже мав місце, то
можна визначати їхню вагомість за допомогою методів факторного аналізу — кар-
динального (МНК, МГУА [35]) та ординального ([36, 37]).
5.2. Якщо дана експертиза відбувається вперше, то ваги можуть задаватися
експертами (аналітиками, респондентами) в різних шкалах. У загальному випадку
введення ваг критеріїв відбувається в процесі віддаленої роботи групи експертів у
СППР:
a) найпростіші варіанти шкал — шкали безпосереднього оцінювання (напри-
клад, бальні) та згоди-незгоди Лайкерта;
б) інший розповсюджений варіант (специфічний для слабко структурованих
предметних областей, де немає еталонів та одиниць виміру) — шкали парних порі-
внянь. Наявні оригінальні методи дозволяють оперувати як повними, так і непов-
ними МПП [38, 39] і надавати експертам можливість вводити кожне порівняння у
шкалі обраного рівня докладності [6]. При цьому бажано враховувати порядок по-
дачі пар критеріїв експерту для порівняння [40, 41] та конфігурації заповнення
МПП [42, 43]. Ще один важливий аспект, який слід враховувати під час введення
та агрегації ваг критеріїв і підцілей — вагомість джерел інформації, з яких вони
отримані. Підходи до визначення та врахування компетентності експертів і ваг дже-
рел інформації під час експертиз описані, зокрема, в [13, 39, 44, 45].
Узгодженість оцінок — індивідуальних і групових — можна враховувати як
під час їхнього введення до МПП [39], так і апостеріорно — за допомогою суто
спектральних [22] або ж комбінованих [46] підходів. Якщо узгодженість оцінок —
недостатня для їхньої агрегації, пропонується організувати зворотній зв’язок з екс-
пертами для її підвищення (у [36, 37, 47] наведено процедури підвищення ордина-
льної узгодженості, у [22, 46] — процедури підвищення спектральної узгодженості,
у [39] йдеться про апріорну узгодженість парних порівнянь). У процесі введення
ваг критеріїв генеративний ШІ та відкриті джерела також можуть використовува-
тися експертами як допоміжні засоби для коригування значень цих ваг.
6. Обчислення відносного впливу критеріїв на головну ціль або критерій.
Дана операція здійснюється засобами СППР. Передбачено можливість обчислення
відносного впливу критеріїв у графах ієрархії, що мають структуру дерева або ме-
режі, з циклами чи без [8]. Кінцевий результат цього етапу — БЗ про предметну
область, її формальна модель, яка має вигляд зваженого графа ієрархії критеріїв,
що впливають на досягнення заданої головної мети.
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 121
7. Отримання результатів експертизи, залежно від поставленої задачі.
7.1. Ранжирування та рейтинг проєктів (критеріїв найнижчого рівня) за роз-
міром впливу на головну ціль. Даний етап є завершальним етапом технології, якщо
варіантами рішення є саме проєкти і задачею є їхній відбір.
7.2. Визначення оптимальної стратегії діяльності ОПР як найбільш ефектив-
ного в контексті поставленої мети розподілу наявних ресурсів між проєктами (кри-
теріями найнижчого рівня). Цей розподіл розраховується, беручи до уваги терміни
початку та закінчення кожного з проєктів, та обмеження на мінімальні та максима-
льні обсяги ресурсів, що необхідні для їхньої реалізації [8]. На разі, ефективним
інструментом розрахунку оптимального розподілу ресурсів є генетичний алгоритм
(ГА) [8]. У термінах ГА [48, 49] цільовою функцією (fitness function) є ступінь до-
сягнення головної мети за заданих рівнів реалізації проєктів, а «особинами» висту-
пають вектори ступенів впровадження проєктів. Оптимальний розподіл ресурсів і
відповідна стратегія досягнення ГМ як обраний варіант рішення є кінцевим резуль-
татом роботи технології, якщо на вході було поставлено задачу стратегічного пла-
нування.
7.3. Побудова та рейтинг сценаріїв розвитку подій.
7.3.1. Визначення множини найменш передбачуваних критеріїв нижнього рі-
вня ієрархії для подальшого прогнозування сценаріїв розвитку подій. Найменш пе-
редбачувані критерії (фактори) визначаються експертами (аналітиками) з ураху-
ванням рейтингу, побудованого СППР, та використовуються як основа для форму-
лювання конкурентних гіпотез [9] щодо того, які сценарії будуть найбільш імовір-
ними.
7.3.2. Формування оціночної матриці (на основі кожної пари факторів буду-
ється 4 сценарії (2×2)) та аналіз конкурентних гіпотез щодо настання різних сцена-
ріїв. Імовірність настання сценаріїв визначається експертами-аналітиками шляхом
ПП чи безпосереднього оцінювання та вводиться до БЗ СППР.
7.3.3. Визначення засобами СППР на основі експертних оцінок рейтингу ймо-
вірності настання різних сценаріїв розвитку подій з урахуванням найменш перед-
бачуваних факторів. Рейтинг сценаріїв є кінцевим результатом роботи технології,
якщо на вході було поставлено задачу сценарного аналізу.
Узагальнена концептуальна схема технології отримання, передачі та обробки
знань для ППР показана на рисунку. Як можна побачити з рисунку та вищенаведе-
ного опису, «ядром» технології є побудова БЗ про предметну область у вигляді зва-
женого графа ієрархії підцілей або факторів, від яких залежить досягнення ГМ, по-
ставленої ОПР. Дана БЗ дозволяє вирішувати декілька класів конкретних задач ба-
гатокритеріального вибору (зокрема, рейтинг або ранжирування альтернатив, роз-
поділ ресурсів між альтернативами та визначення найімовірніших сценаріїв роз-
витку подій). Математичне та програмне забезпечення кожного етапу технології
описане у відповідних працях автора та наукового колективу, до якого він нале-
жить.
С. В. Каденко
122
Покрокова концептуальна схема застосування технології збору, отримання,
передачі і обробки знань для ППР в умовах невизначеності
Ні
Так
Рейтинг Стратегічне планування Прогноз. сценаріїв
Формулювання головної мети (ГМ)
Підбір та реєстрація в СППР експертів (аналітиків)
Підготовчі етапи: обговорення предметної області; ознайомчі тренінги
Ієрархічна декомпозиція ГМ на критерії/фактори або під-цілі до рівня,
на якому можна здійснювати моніторинг
Визначення (експертна оцінка чи розрахунок на основі досвіду) та
введення в СППР оцінок ваг критеріїв
Перевірка рівня узгодженості та повноти інформації
Рівень
достатній?
Підвищення узгодженості та
повноти інформації шляхом
зворотного зв’язку з експертами
Агрегація оцінок ваг критеріїв (під-цілей)
Розрахунок СППР відносних впливів критеріїв (під-цілей) на ГМ
Побудова СППР
рейтингу проєктів
(нижнього рівня)
за величиною
впливу на ГМ
Визначення
діапазонів обсягів
ресурсів на проєкти
та тривалості
їхнього виконання
Визначення множини
пар найменш
передбачуваних
факторів
Формулювання
сценаріїв та оцінка
імовірностей
їхнього настання
Побудова СППР
рейтингу сценаріїв за
імовірністю їхнього
настання
Визначення СППР
оптимального
розподілу ресурсів
для досягнення ГМ
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 123
Висновок
Показано, що спільними ознаками ключових технологій ППР у слабко струк-
турованих предметних областях залишаються використання теорії графів, принци-
пів ієрархічної декомпозиції та експертних підходів. Запропоновано умовну класи-
фікацію технологій ППР, що розглядаються. Отримано узагальнену концепцію тех-
нології отримання, передачі і обробки знань для ППР у слабко структурованих пред-
метних областях.
1. Proceedings of the International Symposium for the Analytic Hierarchy Process [Online].
Available at https://www.isahp.org/proceedings/. Accessed 06.11.2025.
2. Ланде Д.В. OSINT у кібербезпеці: навч. пос. Київ: ТОВ «Інжиніринг», 2024. 522 с.
3. Tsyganok V., Kadenko S., and Andriichuk O. Hybrid Decision Support Methodology Based on
Objective and Expert Data. 2020 IEEE 11th International Conference on Dependable Systems, Services
and Technologies (DESSERT). Kyiv, Ukraine, 2020. Р. 265–271. DOI: 10.1109/DESSERT50317.
2020.9125022.
4. Lande D., and Kondratenko Y. Features of construction systems of distributed content monitoring
of global information networks. Information Technology and Security. January-June 2017. Vol. 5, Іssue 1,
pp. 5-11, , https://doi.org/10.20535/2411-1031.2017.5.1.120550.
5. Saaty T.L. The analytic hierarchy process. McGraw Hill, 1980.
6. Tsyganok V.V., Kadenko S.V., Andriichuk O.V. Using Different Pair-wise Comparison Scales
for Developing Industrial Strategies. Int. J. Management and Decision Making. 2015. Vol. 14. No 3.
Р. 224–250. DOI:10.1504/IJMDM.2015.070760
7. Циганок В.В., Каденко С.В., Качанов П.Т., Андрійчук О.В., Роїк П.Д. Інструментарій під-
тримки прийняття рішень як засіб стратегічного планування. Озброєння та військова техніка. 2015.
№ 3. С. 59–66.
8. Tsyganok V., Kadenko S., Andriichuk O., Roik P. Usage of multicriteria decision-making support
arsenal for strategic planning in environmental protection sphere. Journal of Multi-criteria Decision
Analysis. 2017. 24(5–6). Р. 227–238. https://doi.org/10.1002/mcda.1616
9. Tsyganok V., Beselovskyi R., Minas V., Holota V., Hryhorenko O. Scenario Development of
Problem Situations Using Automated Solutions on the Knowledge Transfer Platform. Selected Papers of
the XXIV International Scientific and Practical Conference «Information Technologies and Security» (ITS
2024). CEUR WS Proceedings. 2024. Vol. 4068. Р. 14–26.
10. Keeney R.L, Raiffa H. Decisions with Multiple Objectives: Preferences and Value Trade-Offs.
Cambridge University Press, 1993. https://doi.org/10.1017/CBO9781139174084.
11. Каденко С.В., Циганок В.В., Андрійчук О.В., Карабчук А.В. Аналіз інструментарію підт-
римки прийняття рішень у контексті вирішення задач стратегічного планування. Реєстрація, збері-
гання і оброб. даних. 2020. Т. 22, № 2. С. 77–91. DOI: https://doi.org/10.35681/1560-9189.2020.
22.2.211281.
12. Roy B. Classement et choix en présence de points de vue multiples (la méthode ELECTRE). La
Revue d'Informatique et de Recherche Opérationelle. 1968. 8. Р. 57–75. https://doi.org/10.1051/ro/
196802V100571
13. Тоценко В.Г. Методи та системи підтримки прийняття рішень. Алгоритмічний аспект.
Київ: Наук. думка, 2002 (російською мовою).
14. Saaty T.L. Decision Making with Dependence and Feedback: The analytic Network Process.
Pittsburgh, RWS Publicaitons, 1996.
15. Hwang C.L. & Yoon K. Multiple Attribute Decision Making: Methods and Applications. New
York: Springer-Verlag, 1981. http://dx.doi.org/10.1007/978-3-642-48318-9.
16. Mareschal B., Brans J.-P. «PROMETHEE Methods», Ch 5 in: Figueira J., Greco S., and Ehrgott
M., eds., Multiple Criteria Decision Analysis: State of the Art Surveys Series. New York: Springer, 2005.
DOI:10.1007/0-387-23081-5_5.
https://www.isahp.org/proceedings/
https://doi.org/10.1109/DESSERT50317.2020.9125022
https://doi.org/10.1109/DESSERT50317.2020.9125022
https://doi.org/10.20535/2411-1031.2017.5.1.120550
https://doi.org/10.1504/IJMDM.2015.070760
https://doi.org/10.1002/mcda.1616
https://doi.org/10.1017/CBO9781139174084
https://doi.org/10.35681/1560-9189.2020.22.2.211281
https://doi.org/10.35681/1560-9189.2020.22.2.211281
https://doi.org/10.1051/ro/196802V100571
https://doi.org/10.1051/ro/196802V100571
http://dx.doi.org/10.1007/978-3-642-48318-9
https://doi.org/10.1007/0-387-23081-5_5
С. В. Каденко
124
17. Si, Sheng-Li & You, Xiao-Yue & Liu, Hu-Chen & Zhang, Ping. (2018). DEMATEL Technique:
A Systematic Review of the State-of-the-Art Literature on Methodologies and Applications. Mathematical
Problems in Engineering. 2018. 1-33. https://doi.org/10.1155/2018/3696457
18. Циганок, В.В. Удосконалення методу цільового динамічного оцінювання альтернатив та
особливості його застосування. Реєстрація, зберігання і оброб. даних. 2013. Т. 15, № 1. С. 90–99.
DOI: https://doi.org/10.35681/1560-9189.2013.15.1.103369
19. Закон України «Про затвердження Загальнодержавної цільової науково-технічної косміч-
ної програми України на 2013-2017 роки». URL: https://zakon.rada.gov.ua/laws/show/439-18#Text
20. Каденко С.В., Висоцький В.О. Метод формального опису слабкоструктурованих предме-
тних областей з урахуванням громадської думки. Реєстрація, зберігання і оброб. даних. 2018. Т. 20,
№ 3. С. 49–66. DOI: https://doi.org/10.35681/1560-9189.2018.20.3.158510/
21. Likert R.A Technique for the Measurement of Attitudes. Archives of Psychology. 1932. # 140.
P. 1–55.
22. Olenko A., & Tsyganok V. Double entropy inter-rater agreement indices. Applied Psychological
Measuremen. 2016. 40(1). P. 37–55. http://dx.doi.org/10.1177/0146621615592718.
23. Tsyganok V., Kadenko S. and Andriichuk O. Using data from open sources for decision-making
under information warfare. Collection «Information Technology and Security». 2019. 7(1). P. 35–48.
https://doi.org/10.20535/2411-1031.2019.7.1.184221.
24. Dodonov A., Lande D., Tsyganok V., Andriichuk O., Kadenko S., Graivoronskaya A.
Information Operations Recognition. From Nonlinear Analysis to Decision-Making. Lambert Academic
Publishing, 2019.
25. R.J. Heuer Jr., Psychology of Intelligence Analysis. «Chapter 8: Analysis of Competing
Hypotheses». Center for the Study of Intelligence, Central Intelligence Agency, 1999. URL:
https://www.cia.gov/resources/csi/static/Pyschology-of-Intelligence-Analysis.pdf
26. Свідоцтво про реєстрацію авторського права на твір № 75023. Комп’ютерна програма
«Система розподіленого збору та обробки експертної інформації для систем підтримки прийняття
рішень – «Консенсус-2» / Циганок В.В., Роїк П.Д., Андрійчук О.В., Каденко С.В. // від 27/11/2017.
27. Decision Lens Integrated Planning Software. URL: https://www.decisionlens.com/
28. Poudel S., Bhattarai Sh. AI Integration Demonstration at the AHP Based Mobile App Decision
Mentor. In Proceedings of the 18th International Symposium on the Analytic Hierarchy/Network Process
(ISAHP 2024). Web Conference. Dec 13–15, 2024. Available at: https://www.isahp.org/uploads/
26_001.pdf (Last access: Nov 06, 2025); https://doi.org/10.13033/isahp.y2024.009.
29. Das D., Paladugu N., Nagalla S. Automation and Remote Monitoring by using TOPSIS Method.
Journal on Electronic and Automation Engineering. 2024. Vol. 3(3). P. 16–24. https://doi.org/10.46632/
jeae/3/3/3.
30. Gigović L., Pamučar D., Bajić Z., & Milićević M. The Combination of Expert Judgment and
GIS-MAIRCA Analysis for the Selection of Sites for Ammunition Depots. Sustainability. 2016. 8(4). 372.
https://doi.org/10.3390/su8040372.
31. Andriichuk O., Kadenko S., Tsyhanok O., Besklinska O., Trubitsyna O. Usage Artificial
Intelligence Toolkit for Improving Translations to English. Selected Papers of the III International
Scientific Symposium «Intelligent Solutions» (IntSol-2023). CEUR WS Proceedings. 2023. Vol. 3538.
Р. 328–336.
32. Kesavan E.A. Review on Ethical and Legal Issues in Artificial Intelligence and Data Privacy.
International Journal of Innovations in Science, Engineering and Management. 2024. 3, 4(Dec. 2024).
Р. 94–99. DOI: https://doi.org/10.69968/ijisem.2024v3i494-99.
33. Lande D., Alekseichuk L., Svoboda I., and Strashnoy L. Methodology of a Swarm of Virtual
Experts for Evaluating the Weight of Connections in Network. Theoretical and Applied Cybersecurity.
2024. Vol. 6, No. 2. Р. 25–33. https://doi.org/10.20535/tacs.2664-29132024.2.319946.
34. Бойко О. Сучасні методи штучного інтелекту для виявлення пропаганди в тексті. Реєст-
рація, зберігання і оброб. даних. 2025. Т. 27, № 1. С. 120-131. DOI: https://doi.org/10.35681/1560-
9189.2025.27.1.336147
35. Ivakhnenko A. Polynomial theory of complex systems (PDF). IEEE Transactions on Systems.
Man and Cybernetics. SMC-1. 1971. (4): 364–378. DOI: 10.1109/TSMC.1971.4308320.
36. Каденко С.В., Циганок В.В. Про один підхід до прийняття кадрових рішень. Реєстрація,
зберігання і оброб. даних. 2009. Т. 11, № 3. С. 66–74.
https://doi.org/10.1155/2018/3696457
https://doi.org/10.35681/1560-9189.2013.15.1.103369
https://zakon.rada.gov.ua/laws/show/439-18#Text
https://doi.org/10.35681/1560-9189.2018.20.3.158510
http://dx.doi.org/10.1177/0146621615592718
https://doi.org/10.20535/2411-1031.2019.7.1.184221
https://www.cia.gov/resources/csi/static/Pyschology-of-Intelligence-Analysis.pdf
https://www.decisionlens.com/
https://www.isahp.org/uploads/26_001.pdf
https://www.isahp.org/uploads/26_001.pdf
https://doi.org/10.13033/isahp.y2024.009
https://doi.org/10.46632/jeae/3/3/3
https://doi.org/10.46632/jeae/3/3/3
https://doi.org/10.3390/su8040372
https://doi.org/10.69968/ijisem.2024v3i494-99
https://doi.org/10.20535/tacs.2664-29132024.2.319946
https://doi.org/10.35681/1560-9189.2025.27.1.336147
https://doi.org/10.35681/1560-9189.2025.27.1.336147
https://doi.org/10.1109/TSMC.1971.4308320
Узагальнена концепція технології збору і обробки знань
для підтримки прийняття рішень в умовах невизначеності
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 125
37. Kadenko S.V. Defining the Relative Weights of the Alternatives Estimation Criteria Based on
Clear and Fuzzy Rankings. Journal of Information and Automation Sciences. 2013. Vol. 45, Іssue 2. Р. 41–
49. DOI:10.1615/JAutomatInfScien.v45.i2.50.
38. Bozóki S., Tsyganok V. The (logarithmic) least squares optimality of the arithmetic (geo-metric)
mean of weight vectors calculated from all spanning trees for incomplete additive (multiplicative) pairwise
comparison matrices. International Journal of General Systems. 2019. 48(4). Р. 362–381.
https://doi.org/0.1080/03081079.2019.1585432.
39. Kadenko S., Tsyganok V., Szádoczki Z., Bozóki S. An update on combinatorial method for
aggregation of expert judgments in AHP. Production. 2021. 31. https://doi.org/10.1590/0103-6513.
20210045.
40. Andriichuk O., Kadenko S., Tsyganok V. Significance of the order of pair-wise comparisons in
Analytic Hierarchy Process: an experimental study. Journal of Multi-Criteria Decision Analysis. 2024.
31(3-4), e1830. https://doi.org/10.1002/mcda.183.
41. Kadenko S., Andriichuk O., Homeniuk H. Simulation of Incomplete Ranking-dependent Expert
Estimates. Selected Papers of the XXIV International Scientific and Practical Conference «Information
Technologies and Security» (ITS 2024). CEUR WS Proceedings. 2024. Vol. 4068. Р. 43–55.
42. Szádoczki Z., Bozóki S., Tekile H. Filling in pattern designs for incomplete pairwise comparison
matrices: (quasi-)regular graphs with minimal diameter. Omega. 2022. 107. https://doi.org/10.1016/
j.omega.2021.102557.
43. Szádoczki, Z.; Bozóki, S.; Juhász, P. et al. Incomplete pairwise comparison matrices based on
graphs with average degree approximately 3. Ann Oper Res. 2023. 326. Р. 783–807. https://doi.org/
10.1007/s10479-022-04819-9.
44. Гнатієнко Г.М., Снитюк В.Є. Експертні технології прийняття рішень: монографія. Київ:
ТОВ Маклаут, 2008. 444 c.
45. Tsyganok V.V., Kadenko S.V., & Andriichuk O.V. Significance of expert competence consi-
deration in group decision making using AHP International Journal of Production Research. 2012. 50(17).
Р. 4785–4792. https://doi.org/10.1080/00207543.2012.657967.
46. Tsyganok V., Olenko A., Roik P., Vlasenko O. Determining Adequate Consistency Levels for
Aggregation of Expert Estimates. Selected Papers of the XXIII International Scientific and Practical
Conference «Information Technologies and Security» (ITS 2023). CEUR WS Proceedings. 2023. Vol.
3887. Р. 21–34.
47. Kadenko S., Tsyganok V. A Method for Improving the Consistency of Individual Expert
Rankings during Their Aggregation. Journal of Automation and Information Sciences. 2012. Vol. 44, Issue
4. P. 23–31. DOI:10.1615/JAutomatInfScien.v44.i4.30.
48. Holland J. Adaptation in Natural and Artificial Systems. University of Michigan Press. Ann
Arbor, USA,(1975.
49. Mitchell M. An Introduction to Genetic Algorithms. Cambridge, MA: MIT Press, 1996.
DOI:10.7551/mitpress/3927.001.0001.
Надійшла до редакції 15.11.2025
https://doi.org/10.1615/JAutomatInfScien.v45.i2.50
https://doi.org/0.1080/03081079.2019.1585432
https://doi.org/10.1590/0103-6513.20210045
https://doi.org/10.1590/0103-6513.20210045
https://doi.org/10.1002/mcda.183
https://doi.org/10.1016/j.omega.2021.102557
https://doi.org/10.1016/j.omega.2021.102557
https://doi.org/10.1007/s10479-022-04819-9
https://doi.org/10.1007/s10479-022-04819-9
https://doi.org/10.1080/00207543.2012.657967
https://doi.org/10.1615/JAutomatInfScien.v44.i4.30
https://doi.org/10.7551/mitpress%2F3927.001.0001
|
| id | drspiprikievua-article-354611 |
| institution | Data Recording, Storage & Processing |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-09T01:00:25Z |
| publishDate | 2025 |
| publisher | Інститут проблем реєстрації інформації НАН України |
| record_format | ojs |
| resource_txt_mv | drspiprikievua/a1/bdea71da0a00b1b7c657d9b2e338efa1.pdf |
| spelling | drspiprikievua-article-3546112026-06-08T07:18:31Z A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty Узагальнена концепція технології збору і обробки знань для підтримки прийняття рішень в умовах невизначеності Каденко, С. В. decision-making support, goal-oriented hierarchic decomposition, rating, ranking, strategic planning, scenario analysis : підтримка прийняття рішень, цільова ієрархічна декомпозиція, рейтинг, ранжирування, стратегічне планування, метод аналізу сценаріїв In this article the author suggests a generalized concept of information collection, transfer, and processing technology for decision-making support in uncertain environments. First, key features of uncertain environments and a generalized decision concept are outlined. Decision is defined as the choice of one or more of the existing alternative options, such as objects, projects, strategies, or scenarios. Second, existing approaches are analyzed in retrospect, including the analytic hierarchy and network processes, ELECTRE, TOPSIS, PROMETHEE\GAIA, and DEMATEL techniques. Special attention is given to technologies based on complex dynamic evaluation of alternatives. The key common features of the analyzed technologies are: 1) usage of expert data alongside data from other available sources and 2) construction of a knowledge base for a given uncertain environment in the form of a weighted hierarchy\network graph. Nodes of this graph represent criteria and factors, describing the chosen domain in the context of a specified main goal, set by the decision-maker, while edges represent relative impacts of these factors and their respective weights. Such a knowledge base allows decision-makers and analysts to solve problems of several types, such as: rating and prioritization of alternatives and projects, allocation of limited resources to projects within a specified period of time, strategic planning, and scenario analysis. Based on conducted analysis, the author suggests a general classification of outlined technologies according to information sources used, complexity of knowledge bases built, and types of problems solved. A separate section is dedicated to challenges and prospects of generative AI application for decision support in uncertain environments. The final outcome of the paper is the unified concept of information collection and processing technology for decision-making support in weakly formalized domains, characterized by high uncertainty levels, complete with references to respective mathematical and software tools that should be used at each stage of technology implementation. Tabl.: 1. Fig.: 1. Refs: 49 titles. Проаналізовано кілька технологій і методик підтримки прийняття рішень в умовах невизначеності. Зокрема, інструментарій підтримки прийняття рішень розглянуто в контексті задач відбору проєктів, стратегічного планування (на різних рівнях), розподілу ресурсів, протидії негативним впливам в інформаційній боротьбі, побудови та аналізу прогнозованих сценаріїв розвитку подій. На основі проведеного аналізу розроблено умовну класифікацію наявних підходів і узагальнену концепцію технології збору і обробки знань, яка забезпечує прийняття поінформованих і компетентних рішень різного характеру в слабко структурованих предметних областях. Інститут проблем реєстрації інформації НАН України 2025-12-23 Article Article application/pdf https://drsp.ipri.kiev.ua/article/view/354611 10.35681/1560-9189.2025.27.3.354611 Data Recording, Storage & Processing; Vol. 27 No. 3 (2025): Special issue; 112-125 Регистрация, хранение и обработка данных; Том 27 № 3 (2025): Спецвипуск; 112-125 Реєстрація, зберігання і обробка даних; Том 27 № 3 (2025): Спецвипуск; 112-125 1560-9189 uk https://drsp.ipri.kiev.ua/article/view/354611/343191 Авторське право (c) 2025 Реєстрація, зберігання і обробка даних |
| spellingShingle | decision-making support goal-oriented hierarchic decomposition rating ranking strategic planning scenario analysis Каденко, С. В. A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty |
| title | A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty |
| title_alt | Узагальнена концепція технології збору і обробки знань для підтримки прийняття рішень в умовах невизначеності |
| title_full | A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty |
| title_fullStr | A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty |
| title_full_unstemmed | A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty |
| title_short | A generalized concept of knowledge collection and processing technology for decision-making support under uncertainty |
| title_sort | generalized concept of knowledge collection and processing technology for decision-making support under uncertainty |
| topic | decision-making support goal-oriented hierarchic decomposition rating ranking strategic planning scenario analysis |
| topic_facet | decision-making support goal-oriented hierarchic decomposition rating ranking strategic planning scenario analysis : підтримка прийняття рішень цільова ієрархічна декомпозиція рейтинг ранжирування стратегічне планування метод аналізу сценаріїв |
| url | https://drsp.ipri.kiev.ua/article/view/354611 |
| work_keys_str_mv | AT kadenkosv ageneralizedconceptofknowledgecollectionandprocessingtechnologyfordecisionmakingsupportunderuncertainty AT kadenkosv uzagalʹnenakoncepcíâtehnologíízboruíobrobkiznanʹdlâpídtrimkiprijnâttâríšenʹvumovahneviznačeností AT kadenkosv generalizedconceptofknowledgecollectionandprocessingtechnologyfordecisionmakingsupportunderuncertainty |