Abstract
Sieć przekonań Bayesa jest diagramowym sposobem rozumowania probabilistycznego i rozumienia wnioskowania przyczynowego w złożonych systemach. Proponujemy wykorzystanie Bayesian Belief Networks (BBN) na wczesnych etapach projektów projektowych w celu wyróżnienia komponentów o wysokim ryzyku awarii. Identyfikacja tych komponentów o wysokim ryzyku może informować, w jaki sposób zasoby powinny być najlepiej wykorzystane na kosztowne zadania modelowania. Ponadto, komponenty o wysokim ryzyku mogą narzucić wymagania dotyczące modelowania funkcjonalnego, co z kolei wpłynie na projektowanie elastycznych systemów dla obszarów krytycznych. Takie podejście może potencjalnie znacząco zmniejszyć ryzyko poprzez skupienie i informowanie o wysiłkach związanych z modelowaniem, co z kolei zwiększa szansę powodzenia projektu i obniża koszty dla wszystkich zainteresowanych stron.
Używając prototypowej aplikacji opracowanej w celu szybkiego tworzenia BBN i obliczania ostatecznej wartości prawdopodobieństwa określonego wyniku („produkt pracy”), testujemy różne scenariusze projektu zebrane w wyniku trzech wywiadów z profesjonalistami z branży. W każdym przypadku identyfikujemy aspekt projektu, który zmienił się w trakcie jego trwania, co miało daleko idące implikacje. Dostosowując wartości i strukturę tych sieci, formułujemy konkretne wymagania funkcjonalne dla modeli cyfrowych, a w niektórych przypadkach dla powiązanych systemów konstrukcyjnych. Stwierdzamy, że wymagania te zwiększyłyby ogólną wartość odpowiednich projektów poprzez bezpośrednie odniesienie się do obszarów silnego wpływu i niepewności zidentyfikowanych w BBN.