Abstract
Ein Bayes’sches Belief-Netzwerk ist ein diagrammatischer Weg, um probabilistisch zu denken und kausale Schlussfolgerungen in komplexen Systemen zu verstehen. Wir schlagen vor, Bayesian Belief Networks (BBN) in den frühen Phasen von Entwicklungsprojekten einzusetzen, um Komponenten mit hohem Ausfallrisiko zu identifizieren. Die Identifizierung dieser risikobehafteten Komponenten kann Aufschluss darüber geben, wie die Ressourcen für kostspielige Modellierungsaufgaben am besten eingesetzt werden sollten. Darüber hinaus können Komponenten mit hohem Risiko funktionale Modellierungsanforderungen auferlegen, die wiederum die Gestaltung flexibler Systeme für kritische Bereiche beeinflussen. Dieser Ansatz hat das Potenzial, das Risiko erheblich zu verringern, indem er die Modellierungsanstrengungen fokussiert und informiert, was wiederum die Erfolgschancen des Projekts erhöht und die Kosten für alle Beteiligten senkt.
Unter Verwendung eines Software-Prototyps, der entwickelt wurde, um schnell BBNs zu erstellen und einen endgültigen Wahrscheinlichkeitswert für ein bestimmtes Ergebnis (das „Arbeitsprodukt“) zu berechnen, testen wir verschiedene Projektszenarien, die in drei Interviews mit Fachleuten aus der Industrie gesammelt wurden. In jedem Fall identifizieren wir einen Aspekt des Projekts, der sich im Laufe des Projekts mit weitreichenden Auswirkungen verändert hat. Indem wir die Werte und die Struktur dieser Netzwerke anpassen, formulieren wir spezifische funktionale Anforderungen an digitale Modelle und in einigen Fällen auch an die zugehörigen Konstruktionssysteme. Wir stellen fest, dass diese Anforderungen den Gesamtwert der jeweiligen Projekte erhöht hätten, indem sie direkt auf die in der BBN identifizierten Bereiche mit starkem Einfluss und Unsicherheit eingegangen wären.