Att utforma Bayesianska nätverk. Diskussion, erfarenheter och metodik för tillämpningar av Bayesianska nätverk

Den här rapporten har skrivits inom ramarna för projektet OA-metoder som en del i arbetet att dokumentera kompetens kring metoden Bayesianska nätverk på FOI Försvarsanalys. Rapporten avser att bygga vidare på tidigare arbete och baseras i huvudsak på Försvarsanalys samlade erfarenheter av att arbeta med Bayesianska nätverk som metod och beslutsmodell, framför allt för olika tillämpningsområden inom Försvarsmakten. Materialet till rapporten utgörs av intervjuer med medarbetare på Försvarsanalys och på författarnas egna erfarenheter. Artiklar och annat skriftligt material inom området har också utgjort en del av informationsunderlaget. För att exemplifiera erfarenheter, resonemang och diskussioner beskrivs löpande två exempel på Bayesianska nätverk som utvecklats inom FOI, RiskVärderingsModellen för oexploderad ammunition (RVM) samt Militär Analysmetod för Reliabla Taktiska värderingar(MARTA). Rapporten börjar med att översiktligt beskriva vilka typer av problem som lämpar sig för Bayesianska nätverk och under vilka förutsättningar som nätverken kan användas. Vidare beskrivs tre faser för uppbyggandet av ett Bayesianskt nätverk. I första fasen ska en tydlig frågeställning skapas. Det är en förutsättning för att bygga ett Bayesianskt nätverk och rapporten beskriver olika metoder för hur denna kan uppnås. I nästa fas ska en tydlig struktur för nätverket skapas. Här finns det flera fallgropar som modellutvecklare bör vara medvetna om och som bör undvikas. Den sista fasen i skapandeprocessen är att bestämma de identifierade variablernas tillstånd och sannoliksfördelningar. Experter utgör en viktig del i nätverksbyggandet, deras kunskaper är ofte oersättliga vid arbetet exempelvis med att ta fram sannolikstabeller. Modellutvecklarnas och slutanvändarnas behov i form av gränssnitt skiljer sig ofta åt, både under utvecklingen av nätverket och vid den slutliga tillämpningen. För att lösa detta problem kan alternativa gränssnitt utvecklas. Validering och verifiering är viktiga delar för att säkerställa modellens giltighet och kan göras både via funktioner i den använda mjukvaran samt med hjälp av andra tillvägagångssätt. Utifrån de erfarenheter som dokumenterats kring arbetet med Bayesianska nätverk är det möjligt att dra ett flertal slutsatser om metoden och dess användning. En slutsats är att det oftast är bättre med en förenklad struktur med begränsade osäkerheter i data än en komplex men korrekt struktur med stora osäkerheter i data. -++++++-