Fuzzy Inference System and Fuzzy Neural Inference System Applied to Risk Matrix Classification in Projects

Sistema de Inferência Fuzzy e Sistema de Inferência Neural Fuzzy Aplicados à Classificação de Matrizes de Risco em Projetos

Autores

Palavras-chave:

Risk Matrices, Projects Risk, Risk Classification, Fuzzy Inference System, Fuzzy Neural Inference System

Resumo

Projects are essential for organizations to transform strategies into results, but uncertain events can impose risks to achieve a certain objective. Risk management aims to support an organization in deciding how to deal with risks, prioritizing them through the application of Risk Matrices (RMs). RMs or Probability and Impact Matrices is used to support decision-making, helping management to classify and prioritize risks to decide which will be ad-dressed, monitored, or tolerated. RMs are supposedly easy to build and explain, but according to the literature they may contain uncertainties. To deal with uncertainty, it is recommended to apply a Fuzzy Inference System, based on Fuzzy Set Theory (FST) or a Fuzzy Neural Inference System with the presence of an artificial neural network. Thus, the aim of this paper was to develop and apply a Fuzzy Inference System (FIS) and a Fuzzy Neural Inference System (FNIS) in the classification of MRs in projects to reduce uncertainty. The analysis of the results indicated that the application of the two systems resulted in a continuous classification rule by smoothing the boundary areas between each of the RM classes, reducing uncertainty and improving risk classification. Both systems showed good results in reducing uncertainty. However, the results obtained with FNIS were more consistent. The main contribution of this work lies in the possibility of improving the decision making by reducing the uncertainty present in RMs.

Downloads

Não há dados estatísticos.

Biografia do Autor

Dacyr Gatto, UNINOVE - Universidade Nove de Julho

Doutorando pelo Programa de Informática e Gestão do Conhecimento (UNINOVE), Mestre pelo Programa de Informática e Gestão do Conhecimento (UNINOVE -2019), Pós-graduado em Especialização em Tecnologia da Informação para Estratégia de Negócios (UNIP - 2015), Gestão de Projetos - Metodologia PMI (UNICSUL - 2016), Cybercrime e Cybersecurity: Prevenção e Investigação de Crimes Digitais (UNYLEYA - 2018), Formação de Docentes para o Ensino Superior (UNINOVE - 2019), Perícia Digital Aplicada à Informática (UNYLEYA - 2020), Big Data (Ciência de Dados) (UNYLEYA - 2020) e Defesa Cibernética (UNYLEYA - 2022). Graduado em Informática com Ênfase em Gestão de Negócios (FATEC Mauá - 2007) com Extensão em Direito Digital e Proteção de Dados (PUC-SP - 2020). Membro do grupo de pesquisa Núcleo de Estudos em Inteligência Computacional na Identificação e Previsão do Presenteísmo e Absenteísmo (ICIPA), cadastrado no DPG-CNPq. Tem experiência na área de Tecnologia da Informação, com ênfase em Infraestrutura de Sistemas, e Telecomunicações. Possui formação técnica em informática e eletrônica, com registro de Técnico de Eletrônica no CFT. Revisor de periódico pela NAVUS Revista de Gestão e Tecnologia (SENAC), Journal of Environmental Protection (JEP), Product: Management & Development, International Journal of Environment and Climate Change, Asian Journal of Pharmaceutical Research International, Asian Journal of Education, Society and Behavioural Science, Asian Journal of Agricultural Extension, Economics & Sociology, Asian Journal of Research in Computer Science, Asian Journal of Agriculture and Ecology Research International, Asian Journal of Education and Social Studies e pela Social Networking (SN). Sólidos conhecimentos na área de TI e Telecom, tendo participado de vários projetos em ambas as áreas. Experiência em coordenação de laboratório técnico e técnicos de campo. Suporte 1º, 2º e 3º níveis em hardware (biometria, PC e DVR) e a sistemas de automação comercial, bancária, e judiciária. Treinamento a usuários em sistemas de segurança digital (biometria e DVR). Certificado em ITIL 4 Managing Professional, ITIL Expert, COBIT, ISO 27001 Professional, ISO 27002, ISO 20000, Prince 2, GreenITF, CloudF, PSM I, SFC, ITMP, Secure Cloud Services, SixSigma Black Belt, Data Protection Officer (DPO), entre outras. Professor de Ensino Superior, nas disciplinas de Gestão de Infraestrutura de Serviços, Modelagem de Processos de Negócios (BPM), Governança Estratégica, Gerenciamento de Serviços e Processos de TI, Serviços de TI e Processos de Negócios.

Roger Leonardis, UNINOVE - Universidade Nove de Julho

Aluno Regular do Programa de Mestrado em Informática e Gestão do Conhecimento (PPGI) na linha de pesquisa de Tecnologia da Informação e Conhecimento. MBA em Operações e Serviços (2006), graduação em Engenharia Elétrica - Ênfase em Energia e Automação pela Universidade de São Paulo (1994). Experiência em Gestão de Tecnologia desde 2004, trabalhando em empresas do setor privado em diversos setores, como Logística, Energia, Revenda e Pesquisa. Atualmente atuando como gestor de TI, operações e projetos de e-commerce.

Domingos Napolitano, UNINOVE - Universidade Nove de Julho

Doutor em Informática e Gestão do Conhecimento pelo PPGI - Programa de Pós Graduação em Informática e Gestão do Conhecimento da UNINOVE (Conceito CAPES 4) realizado com Bolsa CAPES/PROSUP e UNINOVE. Possui mestrado em Administração Gestão de Projetos pela UNINOVE (Conceito CAPES 5), especialização em Energia pela escola politécnica da USP (PECE), Administração Industrial pela Escola Politécnica USP (Fundação Vanzolini), Engenharia de Refrigeração e Ar Condicionado pela FEI (Faculdade de Engenharia Industrial). Atualmente atua como Cientista de Dados na F1rst Tecnologia (Grupo Santader) desenvolvendo soluções de Inteligência Artificial para o negócio de cartões de crédito. Foi pesquisador e docente permanente do Programa de Mestrado e Doutorado em Informática e Gestão do Conhecimento na Universidade Nove de Julho e docente nos cursos de graduação na mesma universidade. Possui certificações PMP Project Management Professional, Segurança da Informação e Cloud Computing. Tem experiência na área de Engenharia Mecânica, com experiência em projetos de Redes de Gás Canalizado, envolvendo as fases de Engenharia Basica e Executiva, Construção e Operação. Têm mais de 25 anos de atuação na indústria de equipamentos e energia, grande parte deles dedicados à gestão de projetos nas áreas de engenharia e construção, tecnologia da informação e também a programas focando o desenvolvimento de competências organizacionais na gestão de riscos de acidentes. Atualmente suas pesquisas envolvem o emprego de técnicas de Inteligência Computacional, estudando o emprego de técnicas como Lógica Fuzzy, Redes Neurais e Máquinas de Vetor de Suporte (SVM), Aprendizado Profundo e Processamento de Linguagem Natural em áreas como detecção de fraudes, na gestão de riscos , bem como no apoio na tomada decisão em condições de riscos e na análise automática de textos educacionais, .

João Evangelista, UNINOVE - Universidade Nove de Julho

Doutorando pelo Programa de Mestrado e Doutorado em Informática e Gestão do Conhecimento da Universidade Nove de Julho (UNINOVE). Mestre pelo Programa de Mestrado e Doutorado em Informática e Gestão do Conhecimento (2020) da Universidade Nove de Julho (UNINOVE). Especialista em Segurança da Informação (2018) pela Universidade Nove de Julho (UNINOVE). Especialista em Informática Forense pelo IPOG - Instituto de Pós-Graduação e Graduação. Graduado em Gestão da Tecnologia da Informação (2014) pela Universidade Nove de Julho (UNINOVE). Sou Analista de Suporte a Aplicações contratado pela GlobalHitss, atuando na área da Segurança da Informação nos ambientes Cloud da Claro. Funcionário Público da Instituição Centro Paula Souza, responsável pela TI da Escola Técnica Etec Itaquera II. Pesquisador na área de Segurança da Informação e Inteligência Artificial com os membros do PPGI da Universidade Nove de Julho, faço parte do Projeto de Pesquisa: Inteligência Analítica Aplicada no Apoio à Tomada de Decisão nas Organizações.

Marcio Romero, UNINOVE - Universidade Nove de Julho

Doutor em Informática e Gestão do Conhecimento pelo Programa de Mestrado e Doutorado em Informática e Gestão de Conhecimento (PPGI) da UNINOVE (2021), Mestre em Engenharia de Produção pelo Programa de Mestrado e Doutorado em Engenharia de Produção (PPGEP) da UNINOVE (2013), MBA em Gestão de Negócios - UNINOVE (2010), Bacharel em Ciência da Computação - UNINOVE (1997). Possui experiência como Professor nos cursos de Graduação e de Pós Graduação em Informática (UNINOVE). Atualmente é Gerente de Projetos na Engineering do Brasil e atua no gerenciamento de projetos globais na área de Salesforce e SAP. Possui experiência na área da Ciência da Computação e Gerenciamento de Projetos, atuando nos seguintes temas: Inteligência de Negócio, Inteligência Computacional, Mineração de Processos, Métodos de Apoio à Tomada de Decisão e Arquitetura Corporativa. Atua como Professor nos cursos de Graduação na UNINOVE nas disciplinas de Modelagem de Processos, Inteligência Competitiva e Gestão de Processos.

Renato Sassi, UNINOVE - Universidade Nove de Julho

Bacharel em Ciências Econômicas pela Faculdade de Economia Finanças e Administração de São Paulo (1987), Especialista (Pós-Graduação Lato Sensu) em Administração de Empresas (Área de Concentração em Análise de Sistemas) pela Fundação Escola de Comércio Álvares Penteado (1988), Especialista (Pós-Graduação Lato Sensu) em Didática do Ensino Superior pelo Centro Universitário Santanna (1996), Mestre em Administração de Empresas (Gestão de Negócios - Área de Concentração em Marketing) pelo Centro Universitário SantAnna (1999) e Doutor em Engenharia Elétrica pela Escola Politécnica da Universidade de São Paulo (EPUSP - 2006). Atualmente é pesquisador e docente permanente no Programa de Mestrado e Doutorado em Informática e Gestão do Conhecimento da Universidade Nove de Julho, docente no curso de Pós-Graduação em Inteligência Artificial e Aprendizagem de Máquina e nos cursos de graduação em Ciência da Computação, Sistemas de Informação e Tecnologia em Análise de Sistemas da mesma universidade, ministrando as disciplinas de Inteligência Artificial, Aprendizado de Máquina, Redes Neurais Artificiais, Projetos de Inteligência Artificial com Aprendizagem de Máquina e Inteligência Competitiva. Foi pesquisador e docente no Programa de Mestrado e Doutorado em Engenharia de Produção da Universidade Nove de Julho (2008-2017). Membro do Núcleo de Estudos Avançados em Informática e Gestão do Conhecimento na Universidade Nove de Julho. Líder do Grupo de Pesquisa denominado Núcleo de Estudos em Inteligência Computacional na Identificação e Previsão do Presenteísmo e Absenteísmo (ICIPA) cadastrado no DGP-CNPq. Membro do Comitê de Ética em Pesquisa (CEP) da Universidade Nove de Julho. Pesquisador Associado do Grupo de Inteligência Computacional, Modelagem e Neurocomputação (ICONE) do Laboratório de Sistemas Integráveis (LSI) da Escola Politécnica da Universidade de São Paulo (USP). Possui experiência na área da Ciência da Computação, Engenharia Elétrica, Engenharia de Produção e Administração de Empresas, atuando principalmente nos seguintes temas: Inteligência Analítica, Inteligência Artificial, Inteligência Computacional, Aprendizado de Máquina, Ciência de Dados, Descoberta de Conhecimento em Bases de Dados, Mineração de Dados e Métodos de Apoio à Tomada de Decisão. Orientador de alunos bolsistas PIBIC, PIBITI, PROSUP Capes, FAPIC, do programa Ciência sem Fronteiras e de uma tese de doutorado, fomentada pela Empresa Brasileira de Correios e Telegráfos, por meio de sua Universidade Corporativa, a Unicorreios.

Referências

Ball, D.; Watt, J. (2013). Further thoughts on the utility of risk matrices. Risk Analysis, 33(11), 2068–2078.

Baruah, P., Kakati, M. Developing Some Fuzzy Modules for Finding Risk Probabilities in Indian PPP Projects, Transportation Research Procedia, Volume 48, 2020, Pages 3939-3968, ISSN 2352-1465, https://doi.org/10.1016/j.trpro.2020.08.026.

Baybutt, P. Calibration of risk matrices for process safety, Journal of Loss Prevention in the Process Industries, Volume 38, 2015, Pages 163-168, https://doi.org/10.1016/j.jlp.2015.09.010.

Chen, H; Zhang, L., Wu, X. Performance risk assessment in public–private partnership projects based on adaptive fuzzy cognitive map, Applied Soft Computing, Volume 93, 2020, 106413, https://doi.org/10.1016/j.asoc.2020.106413.

Cheng, M. Y.; Tsai, H. C.; Sudjono, E. (2010). Conceptual cost estimates using evolutionary fuzzy hybrid neural network for projects in construction industry. Expert Systems with Applications, 37(6), 4224-4231.

Chimmanee, S.; Wipusitwarakun, K.; Runggeratigul, S. (2005). Hybrid neuro-fuzzy based adaptive load balancing for delay-sensitive internet application. Journal of Intelligent & Fuzzy Systems, 16(2), 79-93.

Cox, L. What's wrong with risk matrices? Risk analysis, v. 28, n. 2, p. 497-512, 2008.

Creemers, S.; Demeulemeester, E.; Van de Vonder, S. (2014). A new approach for quantitative risk analysis. Annals of Operations Research, 213(1), 27–65. https://doi.org/10.1007/s10479-013-1355-y.

Del Cano, A.; La Cruz, M. (2002). Integrated methodology for project risk management. Journal of Construction Engineering and Management, 128(6), 473–485.

Duijim, N. J. Recommendations on the use and design of risk matrices. Safety Science, v. 76, p. 21-31, 2015. https://doi.org/10.1016/j.ssci.2015.02.014.

Goerlandt, F.; Reniers, G. On the assessment of uncertainty in risk diagrams. Safety Science, v. 84, p. 67-77, 2016.

Gonçalves, M., Penha, R., da Silva, L., Kniess, C., & Bizzarias, F. (2023). Technological tools for project management in the digital transformation context: Ferramentas tecnológicas para gestão de projetos no contexto da transformação digital. Concilium, 23(5), 381–397. https://doi.org/10.53660/CLM-1045-23C57

Haykin, S (2001). Neural networks: A comprehensive foundation. Beijing: Tsinghua University Press.

Hillson, D. (2009). Managing risk in projects. Aldershot: Gower.

Hsu, W. K.; Huang, S. S.; Tseng, W. Evaluating the risk of operational safety for dangerous goods in airfreights – A revised risk matrix based on fuzzy AHP, Transportation Research Part D: Transport and Environment, Volume 48, 2016, Pages 235-247, ISSN 1361-9209, https://doi.org/10.1016/j.trd.2016.08.018.

Hong, Y.; Pasman, H. J.; Quddus, N.; Mannan, M. S. Supporting risk management decision making by converting linguistic graded qualitative risk matrices through interval type-2 fuzzy sets, Process Safety and Environmental Protection, Volume 134, 2020, Pages 308-322, https://doi.org/10.1016/j.psep.2019.12.001.

Jang, J. Anfis: adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Transactions, v. 23, n. 3, 1993.

Jang, R., Sun, C.; Mizutani, E. (1997). Neuro-fuzzy and soft computing: A computational approach to learning and machine intelligence. Upper Saddle River: Prentice-Hall.

Javaheri, D.; Gorgin, S.; Lee, J.; Masdari, M. Fuzzy logic-based DDoS attacks and network traffic anomaly detection methods: Classification, overview, and future perspectives, Information Sciences, Volume 626, 2023, Pages 315-338, https://doi.org/10.1016/j.ins.2023.01.067.

Ježková, L.; Cordero, P.; Enciso, M. (2017). Fuzzy functional dependencies: A comparative survey. Fuzzy Sets and Systems, 317(15), 88–120.

Jordan, S; Mitterhofer, H.; Jørgensen, L. The interdiscursive appeal of risk matrices: Collective symbols, flexibility normalism and the interplay of ‘risk’ and ‘uncertainty’, Accounting, Organizations and Society, Volume 67, 2018, Pages 34-55, https://doi.org/10.1016/j.aos.2016.04.003.

Kar, S., Das, S.; Ghosh, P. K. (2014). Applications of neuro fuzzy systems: A brief review and future outline. Applied Soft Computing, 15, 243-259.

Kerzner, H. (2013). Project management: A systems approach to planning, scheduling, and controlling. New York, NY: Wiley.

Knezevic, M.; Cvetkovska, M.; Hanák, T.; Braganca, L.; Soltesz, A. (2018). Artificial Neural Networks and Fuzzy Neural Networks for Solving Civil Engineering Problems. Complexity, 2018.

Kuo, R. J.; Xue, K. C. (1999). Fuzzy neural networks with application to sales forecasting. Fuzzy Sets and Systems, 108(2), 123-143.

Kwan, H. K.; Cai, Y. (1994). A fuzzy neural network and its application to pattern recognition. IEEE transactions on Fuzzy Systems, 2(3), 185-193.

Lecchi, T., Almeida, G. M. de ., & Vivacqua, R. P. D. . (2022). Algoritmo de Deep Learning baseado na rede neural YOLOv5 para classificação dermastoscópica e detecçâo de câncer (melanoma). Concilium, 22(7), 813–827. https://doi.org/10.53660/CLM-669-728

Levine, E. (2012). Improving risk matrices: the advantages of logarithmically scaled axes. Journal of Risk Research, 15(2), 209–222.

Liu, S. (2015). Effects of control on the performance of information systems projects: The moderating role of complexity risk. Journal of Operations Management, 36, 46–62. https://doi.org/10.1016/j.jom.2015.03.003.

Malhotra, R.; Malhotra, D. K. (2002). Differentiating between good credits and bad credits using neuro-fuzzy systems. European journal of operational research, 136(1), 190-211.

Markowski, A.; Mannan, S. (2008). Fuzzy risk matrix. Journal of Hazardous Materials, 159(1), 152–157.

Meneganti, M.; Saviello, F. S.; Tagliaferri, R. (1998). Fuzzy neural networks for classification and detection of anomalies. IEEE transactions on neural networks, 9(5), 848-861.

Montibeller, G.; Winterfeldt, D. (2015). Cognitive and motivational biases in decision and risk analysis. Risk Analysis, 35(7), 1230–1251.

Ni, H., Chen, A.; Chen, N. (2010). Some extensions on risk matrix approach. Safety Science, 48(10), 1269–1278.

Nguyen, T. L.; Kavuri, S.; Lee, M. (2018). A fuzzy convolutional neural network for text sentiment analysis. Journal of Intelligent & Fuzzy Systems, 35(6), 6025-6034.

Nozick, L. K.; Turnquist, M. A.; Xu, N. (2004). Managing portfolios of projects under uncertainty. Annals of Operations Research, 132(1–4), 243–256.

Perova, I.; Bodyanskiy, Y. (2017). Fast medical diagnostics using autoassociative neuro-fuzzy memory. International Journal of Computing, 16(1), 34-40.

Porwal, A.; Carranza, E. J. M.; Hale, M. (2004). A hybrid neuro-fuzzy model for mineral potential mapping. Mathematical geology, 36(7), 803-826.

Project Management Institute (2017). Project management body of knowledge (6th ed.). Newton Square, PA: Project Management Institute.

Qazi, A.; Quigley, J.; Dickson, A.; Kirytopoulos, K. (2016). Project complexity and risk management (ProCRiM): Towards modelling project complexity driven risk paths in construction projects. International Journal of Project Management, 34(7), 1183–1198. https://doi.org/10.1016/j.ijproman.2016.05.008.

Praveena, S; Prasanna, S. D. A survey on fuzzy based game theory approaches for supply chain uncertainties in E-Commerce applications, Materials Today: Proceedings, Volume 62, Part 7, 2022, Pages 4862-4868, https://doi.org/10.1016/j.matpr.2022.03.499.

Rajab, S.; Sharma, V. A review on the applications of neuro-fuzzy systems in business. Artificial Intelligence Review, v. 49, n. 4, p. 481-510, 2018.

Raz, T.; Shenhar, A.; Dvir, D. (2002). Risk management, project success, and technological uncertainty. R&D Management, 32(2), 101-109.

Sedighkia, M.; Datta, B. Monitoring ecological status of wetlands using linked fuzzy inference system- remote sensing analysis, Ecological Informatics, Volume 74, 2023, 101971, https://doi.org/10.1016/j.ecoinf.2022.101971.

Sermpinis, G.; Karathanasopoulos, A.; Rosillo, R.; de la Fuente, D. (2019). Neural networks in financial trading. Annals of Operations Research. https://doi.org/10.1007/s10479-019-03144-y.

Shalaginov, A.; Franke, K. (2017). A deep neuro-fuzzy method for multi-label malware classification and fuzzy rules extraction. In 2017 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 1-8). IEEE.

Sharma, A.; Gupta, A. (2012). Impact of organizational climate and demographics on project specific risks in context to Indian software industry. International Journal of Project Management, 30(2), 176–187.

Shihabudheen, K. V.; Pillai, G. N. (2018). Recent advances in neuro-fuzzy system: A survey. Knowledge-Based Systems, 152, 136-162.

Škrjanc, I.; Iglesias, J. A.; Sanchis, A.; Leite, D.; Lughofer, E.; Gomide, F. (2019). Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: a survey. Information Sciences, 490, 344-368. https://doi.org/10.1016/j.ins.2019.03.060.

Smith, E.; Siefert, W.; Drain, D. (2009). Risk matrix input data biases. Systems Engineering, 12(4), 344–360.

Souza, P. V. C. (2020). Fuzzy neural networks and neuro-fuzzy networks: A review the main techniques and applications used in the literature. Applied Soft Computing, 106275. https://doi.org/10.1016/j.asoc.2020.106275.

Tkáč, M.; Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing, 38, 788-804.

Vechione, M.; Cheu, R. L. Comparative evaluation of adaptive fuzzy inference system and adaptive neuro-fuzzy inference system for mandatory lane changing decisions on freeways, Journal of Intelligent Transportation Systems, 2022, https://doi.org/10.1080/15472450.2021.1967153.

Wang, J.; Wang, C.; Chen, P (2014). The bounded capacity of fuzzy neural networks (FNNs) via a new fully connected neural fuzzy inference system (F-CONFIS) with its applications. IEEE Transactions on Fuzzy Systems, 22(6), 1373-1386.

Wideman, M. (1992). Project and program risk management: A guide to managing project risks and opportunities. Newton Square, PA: Project Management Institute.

Zadeh, L. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.

Zamirpour, E.; Mosleh, M. (2018). A biological brain-inspired fuzzy neural network: Fuzzy emotional neural network. Biologically inspired cognitive architectures, 26, 80-90.SE-371 79 Karlskrona Sweden

Downloads

Publicado

2023-06-22

Edição

2023: Global Directions

Seção

Articles