Содержание
1. Схема движения финансовых и экономическихпотоков в экономике и характеристика ИС их обеспечения
2. Особенности информационных систем, иххарактеристики и место в ряду интеллектуальных информационных сетей
3. Особенности технологии работы системподдержки принятия решений (их компоненты, основные понятия и особенностиработы хранилищ данных)
4. Понятие витрин данных
5. Представление и основные характеристики OLAPтехнологии, понятие многомерного статистического анализа, характеристика системMOLAP и ROLAP
6. Классификация ИИС. ИИС как совокупностьнескольких технологий
7. Признаки и отличительные черты ИИС
8. Классификация ИИС
9. Методология разработки и реализацииуправленческого решения
10. Информационные ресурсы при разработкеэкономических решений
11. Факторы и виды проблемной ситуации
12. Стадии понимания сущности проблемнойситуации и принятия решения о способах её разрешения
13. Проблемные ситуации в экономическихструктурах и отражающие их технико-экономические показатели
14. Источники информационной базы ИС, видыпоказателей и методики для выявления проблемных ситуаций в производстве
15. Граф концептуальной модели проблемнойситуации и его толкование
16. Особенности проектирования интеллектуальнойэкономической информационной системы
17. Основные компоненты и существенные чертыИИС
18. Схема ИИС
19. Характеристика базы знаний и особенности еёконструирования. Компоненты баз знаний
20. Определение, назначение и областиприменения экспертных систем
21. Структура и принцип работы экспертныхсистем. Схема обобщённой структуры БД
22. Характеристики базы знаний и машины выводаЭС
23. Особенности технологии создания экспертныхсистем
24. Нейронные сети как один из альтернативныхподходов к решению интеллектуальных задач. Структура персептрона, принципы егоработы
1. Схемадвижения финансовых и экономических потоков в экономике и характеристика ИС ихобеспечения
В течение последних 10 лет произошло значительное расширение сферыфактического применения информационных технологий и систем в области экономики.Интенсивное развитие и индустриализация информационных технологий привела ктому, что информационные потоки сопровождают все стадии цикла производство-потреблениеи соответствующего движения денежных средств в общественном производстве.Информационные системы (ИС) используются в настоящее время в различных сферахэкономики (рис. 1.1).
На рисунке этом показаны в виде блоков:
Ø предприятия, производящие национальный продукт;
Ø правительство, собирающее налоги и выделяющее трансферты;
Ø потребители, формирующие денежный поток;
Ø финансовая система, аккумулирующая сбережения потребителей;
Ø инвесторы, инвестирующие производство;
Ø мировая экономическая система, связанная потоками экспорта и импорта снациональным общественным производством.
Каждый из блоков имеет в своем составе ИС и соответствующую ей базуданных, совокупность сведений которой образует экономическое информационноепространство общественного производства. Основное назначение такойинформационной системы – обеспечить обработку и выдачу информации для принятиярешения по руководству функционированием и развитием экономического объекта.Термин «ИС» относится к классу программных продуктов, облегчающих или«автоматизирующих» ведение бизнеса. Необходимая для выполнения этой задачиинформация включает базы данных и модели анализа собственно организации(объекта управления), окружения, с которым происходит взаимодействие; внешнихнеконтролируемых факторов.
/>
Рис. 1.1. Движение финансовых и информационных потоков в экономике
Современные ИС все более дифференцируются по областям применения. Нa рынке программного обеспечения появляются и широко используются (наряду ссистемами поиска нормативно-правовой информации) ИС бухгалтерского учета,системы поддержки принятия решений (DSS), информационные системыменеджмента (MIS), ИС управления инвестициями (Projectexpert), ИС риск-менеджмента (RMIS). Рассмотрим основныехарактеристики этих систем.2. Особенности информационныхсистем, их характеристики и место в ряду интеллектуальных информационных сетей
ИС менеджмента (ИСМ) или «управленческими» системами называют комплексыбухгалтерских или торгово-складских программ. 90% всех таких программбазируются на учетной основе. Однако автоматизация бухгалтерии не может бытьосновой управленческой ИС. В первую очередь, надо дать инструмент службамснабжения и сбыта, производству, а затем уже накопленная ими информация должнапоступать в бухгалтерию. Интегрированные системы менеджмента – наиболее полныеи наиболее сложные системы. Их называют корпоративными системами, комплекснымиинформационными системами и т.д. В таблице 1.1 приведены основные функции ИСМ.
Система «Галактика». Система «Галактика» объединяет более 40модулей, использующих единую базу данных и предназначенных для автоматизациирешения задач бухгалтерского и управленческого учета, анализа хозяйственнойдеятельности, планирования, технико-экономической подготовки производства ит.д.
Таблица 1.1. Основные функции информационных системменеджмента (ИСМ)
/>Функции
Этапы Управление финансовыми потоками Управление товарными потоками Управление себестоимостью Управление персоналом Стратегическое планирование Финансовое планирование, бюджетирование Товарный план закупок, продаж Бизнес-планирование Бизнес-планирование Оперативное планирование Финансовое планирование по контрактам Товарный календарь по контрактам Технико-экономическое планирование Персонификация планирования деятельности по исполнителям Оперативный учет Исполнение финансовой части контрактов Исполнение товарной части контрактов Мониторинг себестоимости Табельный учет, наряды, учет контрактов Бухгалтерский учет Финансовый раздел Материальный учет Учет фактических затрат Учет труда и зарплаты
Содержит следующие модули:
· «Финансовое планирование»;
· «Финансовый менеджмент»;
· «Контроллинг» для обеспеченияавтоматизированного расчета затрат по разным видам продукции и принятияуправленческих решений (например, закрытие каких-либо направлений);
· «Управление ресурсами» для определенияоптимальной конфигурации заказов по времени, месту и составу; «Производственноепланирование»; «Управление договорами».
На данный момент «Галактика» практически полностью закрывает вопросы,связанные с созданием управленческого слоя на предприятии. Имеется целостнаяинформационная система управления предприятием, развиваются компоненты,связанные с управлением финансами, ресурсами и производственным планированием.
IFSApplications. Компания ФОРС предлагаетпрограммный комплекс управления предприятием IFS Applications™, разработку шведской компании IFS – Industrial & Financial Systems. Комплекс охватываетосновные сферы деятельности предприятия вне зависимости от его профиля.Комплекс является полномасштабным интегрированным продуктом класса ERP (Enterprise Resource Planning) – планирование ресурсов предприятия. В его основе лежит принцип единогохранилища данных, содержащего всю деловую информацию, накопленную компанией впроцессе ведения бизнеса. ERP‑системы автоматизируютвсю работу современной компании:
Ø отношения с клиентами;
Ø финансовый анализ и планирование;
Ø бухгалтерский учет;
Ø контроль и планирование производства;
Ø управление бюджетом и т.д.
В состав системы входят следующие модули:
Ø «Финансы»;
Ø «Поставки»;
Ø «Производство»;
Ø «Маркетинг»;
Ø «Персонал».
Архитектура комплекса IFSApplications. Комплекс IFS Applications построен вархитектуре трехуровневый клиент-сервер. Уровень хранения данных реализован насовременной промышленной постреляционной СУБД Oracle.
Система «БААН». «БААН» поддерживает весь сектор разнообразныхуправленческих задач (финансового управления, оперативного управленияпроизводством, снабжением, сбытом и др.). Наиболее важная функциональнаясоставляющая – подсистема «БААН – Финансы». Анализ данных главной книгидебиторской и кредиторской задолженностей и других данных может осуществлятьсяна уровне отдельного подразделения и на уровне всей компании. Аналитическийпросмотр финансовой информации обеспечивается в соответствии с установленнойструктурой счетов главной книги.3. Особенности технологииработы систем поддержки принятия решений (их компоненты, основные понятия иособенности работы хранилищ данных)
Системы поддержки принятия решений
Этот класс систем содержит в себе новые программные решения, приближающиеего к ИИС. В них значительно более гибкие аналитические процедуры за счетпредварительного вычисления производных показателей (агрегатов), болеедружественный интерфейс, использующий элементы естественного языка; применяютсяспециальные структуры хранения, реализующие сложные пространственно-временные иконцептуальные зависимости между данными. Фактически метаданные, хранящиеся врепозитарии, – частный вид базы знаний.
СППР могут быть предназначены для выбора вариантов стратегического планаразвития банка, либо выбора заявок на финансирование инвестиционных проектов наоснове многокритериального анализа и экспертных оценок. В результате работыСППР вычисляются оценки степени соответствия каждого из возможных вариантоврешений предъявляемым требованиям и предпочтениям, а все возможные вариантыранжируются по итоговой степени предпочтительности.
Так, банковскими аналитиками используются СППР в областях стратегическогопланирования и формирования портфелей привлечения и размещениякредитно-инвестиционных ресурсов, в инвестиционном анализе и расчете лимитов ирисков кредитования. Неотъемлемым компонентом СППР этого уровня являются правилапринятия решений, получаемые на основе применения специальных аналитическихтехнологий и архитектур организации и хранения данных. Современныеархитектуры средств хранения данных получили название хранилище данных(ХД) (DataWarehouse)
Хранилище данных (ХД)
Термин «создание Хранилищ Данных» (datawarehousing) описывает процесс сбора, очистки и просеивания данных изразличных рабочих систем, а также предоставление широкой аудиториибизнес-пользователей непосредственного доступа к полученной информации.
Хранилище Данных (ХД) выполняет функции предварительной подготовки ихранения данных для лиц, принимающих решения (ЛПР) на основе информации из базыданных предприятия, а также информации из сторонних источников, которые вдостаточном количестве стали доступны на рынке информации.
Концепция ХД предполагает не просто единый логический взгляд на данныеорганизации, а действительную реализацию единого многоаспектногоинформационного зсурса.
В ХД поддерживается хронология: наравне с текущими хранятся историческиеданные с указанием времени, к которому они относятся. В результатенеобходимые доступные данные об объекте управления собираются одном месте,приводятся к единому формату, согласовываются, агрегируются до минимальнотребуемого уровня обобщения.
ХД использует схемы данных, получившие названия «звезда», «созвездие»«снежинка». Суть технологии этих схем в выделении из общего объемаинформации собственно анализируемых данных (или фактов) и вспомогательныхданных (называемых измерениями). Однако это приводит к дублированию данных вХранилище, снижению гибкости структуры и увеличению времени загрузки. Впроцессе подготовки того или иного решения пользователь анализирует срез фактовпо одному или нескольким измерениям.
Идея схемы звезды(star schema) в том, что имеются таблицы для каждогоизмерения, а все факты помещаются в одну таблицу, индексируемую множественнымключом, составленным из ключей отдельных измерений. Каждый лучсхемы звезды задает (в терминологии Кодда) направление консолидации данныхпо соответствующему измерению (например, Магазин – Город/район – Регион).Рекомендуется создавать таблицы фактов не для всех возможных сочетанийизмерений, а только для наиболее полных (тех, значения ячеек которых не могутбыть получены с помощью последующей агрегации ячеек других таблиц фактов базыданных).
В сложных задачах с многоуровневыми измерениями используется схема созвездия(fact constellation schema) и схема снежинки (snowflake schema) В этих случаях отдельныетаблицы фактов создаются для возможных сочетаний уровней обобщения различныхизмерений. Это позволяет добиться наилучшей производительности, но частоприводит к избыточности данных.
4. Понятие витрин данных
Витрины данных (рынки данных)
Витриной Данных (иногда говорят рынок данных) – это специализированноеХранилище, обслуживающее одно из направлений деятельности компании,например учет запасов или маркетинг.
Важно, что происходящие здесь бизнес-процессы относительно однородны, кругпользователей ограничен сотрудниками одного подразделения или департамента.Количество сотрудников, вовлеченных в конкретную деятельность, невелико(рекомендуется, чтобы Витрина обслуживала не более 10–15 чел.). При этихусловиях удается с использованием современных технологий развернуть Витринуподразделения за 3–4 месяца. Успех небольшого проекта (стоимость которогоневелика по сравнению со стоимостью разработки корпоративного Хранилища)способствует продвижению новой технологии и приводит к быстрой окупаемостизатрат.
При построении схемы взаимодействия корпоративного Хранилища и Витрин Данныхв рамках создания СППР рекомендуется определить некоторую специальную структурудля хранения исторических данных и дополнительно развернуть Витрины,заполняемые данными из этой структуры. Тем самым удается разделить двапроцесса: накопление исторических данных и к анализ.
Современные витрины данных должны:
Ø хранить сотни гигабайт данных и обеспечиватьсложные разновидности аналитической обработки, например, из области добычиданных (data mining);
Ø обеспечивать удаленный доступ к витрине данныхдля сотен пользователей с использованием технологии Internet и Intranet;
Ø централизованно администрировать и управлятьмногими витринам данных, которые могут содержать несогласованные иконфликтующие данные.5. Представление и основныехарактеристики OLAP-технологии, понятие многомерногостатистического анализа, характеристика систем MOLAP и ROLAP
Оперативная аналитическая обработка данных (OLAP)
С многомерными данными сталкиваются организации, работающие в любойобласти бизнеса, и сложность данных не обязательно напрямую зависит от размеракомпании. Даже самой маленькой компании хотелось бы отслеживать продажи взависимости от продукта, торгового представителя, географии, клиента и времени.Каждая из этих описательных категорий – сдельное измерение в модели OLAP.
Организации давно искали средства, позволяющие легко и естественнополучать, просматривать и анализировать многомерные данные. OLAP предоставляет организациям наиболее гибкие и производительные средствадоступа, просмотра и анализа данных, связанных с бизнесом с помощьюестественной интуитивной модели данных. Благодаря легкости перемещения поданным бизнес-пользователи могут более эффективно просматривать и анализироватьинформацию из своих хранилищ данных, что позволяет организациям лучше осознать ценностьэтих данных. OLAP ускоряет доставку информации пользователям,просматривающим такие многомерные структуры. С этой целью подготовка некоторыхвычисляемых значений в массиве данных осуществляется заранее, а не во времявыполнения. Сочетание легкости перемещения и высокой производительностипомогает пользователям просматривать и анализировать данные быстрее иэффективнее, чем это было бы возможно только на основе технологии реляционныхбаз данных. В результате они посвящают больше времени анализу данных и меньше –анализу баз данных.
В основе OLAP лежит многомерное концептуальное представление(multi-dimensional conceptual view) – наиболее естественныйвзгляд управляющего персонала на объект управления; множественная перспективаиз нескольких независимых измерений, вдоль которых могут быть проанализированыопределенные совокупности данных. Одновременный анализ по несколькимизмерениям данных определяется как многомерный анализ.
Каждое измерение включает направления консолидации данных из сериипоследовательных уровней обобщения, где каждый вышестоящий уровеньсоответствует большей степени агрегации данных по соответствующему измерению.Так, измерение Исполнитель может определяться направлением консолидации,состоящим из уровней обобщения «предприятие – подразделение – отдел – служащий».Измерение Время может даже включать два направления консолидации – «год – квартал– месяц – день» и «неделя – день», поскольку счет времени по месяцам и понеделям несовместим. В этом случае возможен произвольный выбор желаемого уровнядетализации информации по каждому из измерений. Операция раскрытия или спуска(drilling down) соответствует движению отвысших ступеней консолидации к низшим; напротив, операция свертки илиподъема (rolling up) означает движение от низших уровней к высшим.
Концептуальное представление модели данных в продукте OLAP должно быть многомерным по своей природе, то есть позволять аналитикамвыполнять интуитивные операции сечения «анализа вдоль и поперек» («slice and dice»), вращения (rotate) и размещения (pivot) направлений консолидации.Пользователь не должен знать, какие конкретные средства используются дляхранения и обработки данных, как данные организованы и откуда берутся. Аналитикдолжен иметь возможность выполнять анализ в рамках общей концептуальной схемы.Преобразования, требующие произвольного определения, должны задаваться нафункционально полном формальном языке. Переориентация направлений консолидации,детализация данных в колонках и строках, агрегация и другие манипуляции,свойственные структуре иерархии направлений консолидации, должны выполняться вмаксимально удобном, естественном и комфортном пользовательском интерфейсе.Настоятельно рекомендуется допущение в каждом серьезном OLAP‑инструменте как минимум пятнадцати, а лучше двадцати измерений ваналитической модели. Каждое из этих измерений должно допускать практическинеограниченное количество определенных пользователем уровней агрегации полюбому направлению консолидации.
Доступ к данным должен происходить на языке пользователя, в большинствеслучаев не владеющего языками программирования. Можно разработать множествоспециализированных приложений, каждое из которых будет отвечать на какой-тоодин тип запросов, но заранее трудно предположить, какие еще запросы будутнужны пользователю. Поэтому универсальное средство должно либо позволять писатьтакие приложения очень быстро, либо давать возможность пользователю составлятьего непредсказуемые запросы самостоятельно, а значит должно использовать языкбизнес-терминов вместо языка программирования.
Если принимается второй вариант, сразу появляется следствие – системадолжна скрывать от конечного пользователя физическую структуру и способыхранения данных. Знать такие подробности пользователю совсем не нужно. Такаязадача решается введением семантического слоя, который ставит каждомубизнес-термину в соответствие способ получения данных.
В основе организации данных OLAP лежит понятие гиперкуба илимногомерного куба данных, в ячейках которого хранятся анализируемые(числовые) данные, например объемы продаж. Измерения – это совокупностизначений других данных, скажем, названий товаров и названий месяцев года. Впростейшем случае двумерного куба мы получаем таблицу, показывающую значенияуровней продаж по товарам и месяцам. Дальнейшее усложнение модели данныхвозможно по нескольким направлениям:
Ø Увеличение числа измерений – данные о продажах не только по месяцам итоварам, но и по регионам. В этом случае куб становится трехмерным;
Ø усложнение содержимого ячейки – например, нас может интересовать не толькоуровень продаж, но и чистая прибыль или остаток на складе. В этом случае вячейке будет несколько значений;
Ø введение иерархии в пределах одного измерения – общее понятие ВРЕМЯестественным образом связано с иерархией значений: год состоит из кварталов,квартал из месяцев и т.д.
Благодаря многомерной модели данных пользователям очень легкоформулировать сложные запросы, размещать данные в отчете, переходить от своднойинформации к детальной или фильтровать данные, выделяя осмысленные подмножества.Например, в типичном кубе с информацией о продажах в качестве измеренийвыступали бы «Время», «География», «Продукт», «Канал», «Организация» и«Сценарий» (по бюджету и фактически). Типичными мерами могли бы стать «Продажив долларах», «Продажи в единицах», «Запасы», «Численность персонала», «Доходы»и «Затраты».
В рамках каждого измерения модели данных OLAP могут быть организованы в виде иерархии, представляющей различныеуровни их детализации. Например, в измерении «Время» можно выделить уровни«Годы», «Месяцы» и «Дни». Точно так же в рамках измерения «География» вы моглибы ввести уровни «Страна», «Регион», «Штат/провинция» и «Город». Каждаяконкретная модель OLAP будет включать определенные значения длякаждого уровня иерархии. При просмотре данных OLAP пользователь будет перемещаться вверх и вниз между уровнями данных, чтобыувидеть больше деталей или получить сводную информацию.
В зависимости от ответа на вопрос, существует ли гиперкуб как отдельнаяфизическая структура или лишь как виртуальная модель данных, различают системы MOLAP (Multidimensional OLAP) и ROLAP (Relational OLAP). На заре развитиятехнологии OLAP большинство производителей считало, чтоединственное возможное решение при создании OLAP‑приложений связано с использованием специализированной,нереляционной модели хранения. Позднее другие производители обнаружили, чтоприменение определенных структур базы данных (схемы «звезда» и «снежинка»),индексации и хранения агрегатов позволяет использовать для OLAP реляционные системы управления базами данных. Такие производители назвалисвою технологию Relational OLAP (ROLAP). Поставщики более старых систем затем приняли термин MOLAP (multidimensional OLAP – многомерная OLAP).
Недавно разработаны гибридные решения для OLAP, которые иногда называют HOLAP (hybrid OLAP). Одновременно используя архитектуры ROLAP и MOLAP, они соединяют лучшие черты обоих решений – превосходнуюпроизводительность и высокую масштабируемость. Один из подходов к созданию HOLAP включает в реляционную базу данных записи с детальной информацией(занимающие наибольший объем) и в то же время помещает агрегаты в отдельноехранилище архитектуры MOLAP.
Для большинства продуктов OLAP предварительное вычисление агрегатов – это основная стратегия, обеспечивающаявыигрыш в производительности. В то же время предварительная агрегация связанасо значительными затратами: число агрегатов легко может превысить числоисходных точек с детальной информацией, что приводит к резкому росту объемахранимых данных, причем коэффициент взрыва данных может составить около 240,так что для управления 10 Мб входных данных потребовалась бы емкость устройствахранения 2,4 Гб.
Предварительное вычисление и сохранение всех возможных комбинацийагрегатов (например, сумма всех объемов производства продуктов и уровнейпроизводства продуктов по всем периодам времени, по всем организациям, по всемканалам распространения и т.д.) в традиционных OLAP приводит к мощному взрыву данных.6. Классификация ИИС. ИИС каксовокупность нескольких технологий
Интеллектуальные информационные системы (ИИС)
Как видно из предыдущего раздела, современные базы данных включают в свойсостав целый ряд механизмов и технологий, повышающих их интеллектуальныевозможности. Это относится прежде всего к многомерной организации данных вхранилищах данных, организации естественно-языкового интерфейса на ограниченномфрагменте языка, реализации сценариев «что если». Все эти механизмыпочерпнуты из области исследований по искусственному интеллекту.
Системы поддержки принятия решений – квазиинтеллектуальные системы,поскольку они призваны автоматизировать не сам процесс оценкипредпочтительности гипотез или выбора варианта решения, а только готовятаналитические обобщенные данные для окончательного выбора решенияспециалистом-менеджером.
Важность этих систем для теории и практики и практики искусственногоинтеллекта определяется двумя обстоятельствами:
Ø в DSS реализуется поисканалитических зависимостей или агрегатов, при использовании которых правилапринятия решений, т.е. зависимости между наблюдаемыми данными и гипотезамистановятся более простыми;
Ø в структуре специализированных процессоров илиархитектур этих систем реализуются некоторые начальные этапы технологииобработки данных, характерных для технологии искусственного интеллекта. Это относитсяк организации хранения и обработки больших объемов данных в виде многомерныхкубов с учетом семантических взаимосвязей
На начальных стадиях разработки методов искусственного интеллекта созданиеэкспертных систем (ЭС), предназначенных для оценки предпочтительностигипотез на основе наблюдаемых данных, и документальных информационно-поисковыхсистем (ИПС) и систем управления базами данных (СУБД) шлопараллельными путями, затем произошло объединение ИПС как компонентыполнотекстового поиска и реляционных СУБД. В настоящее время постреляционныеСУБД включают в себя ряд компонентов из области искусственного интеллекта.
Экспертные системы представляли собою автономные программныекомплексы не интегрированные с базами данных и системами аналитических вычислений.Понятие «экспертная система» закрепилось за такими автономными программами,ориентированными на определенную достаточно узкую сферу применения.
Затем стало ясно, что принципы логического вывода и баз знаний применимы кширокому кругу задач, экспертные системы стали использовать базы данных иоформляться как программные продукты, имеющие развитые средства ввода-выводаданных, хранения и ведения баз знаний, прикладные задачи и такую новуюгенерацию систем стали называть интеллектуальные информационные системы.
ИИС объединяют в себе возможности СУБД, лежащих в основе ИС, и технологиюискусственного интеллекта, благодаря чему хранение в них экономическойинформации сочетается с ее обработкой и подготовкой для использования припринятии решений. Вначале ИИС, называемые также системами, основанными назнаниях, рассматривались как средство, позволяющее не экспертам приниматьрешения с таким же качеством, как один или более экспертов в конкретнойобласти. Однако очень быстро стало ясно, что эта технология в действительностиспособна к достижению большего объема знаний и более быстрого реагирования, чемгруппа специалистов.
Первоначально ИИС использовали знания нескольких экспертов в каждой изобластей инвестиций. В настоящее время базы знаний частично формируютсяпосредством машинного обучения, используя методы индукции, генетическиеалгоритмы и некоторые другие методы извлечения знаний. Менеджер, используятакую схему, теоретически может принимать решения более эффективно и с меньшейстоимостью, чем это смог бы сделать любой индивидуальный эксперт в даннойобласти. Наиболее очевидным преимуществом интеграции некоторых формискусственного интеллекта в процессе принятия решений по сравнению с постояннымконсультированием с группой экспертов обычно является более низкая стоимость ибольшее соответствие результатов задаче. В отличие от обычных аналитических истатистических моделей, ИИС позволяют получить решение трудно формализуемыхслабо структурированных задач. Возможность ИИС работать со слабоструктурированными данными подразумевает наличие следующих качеств:
Ø решать задачи, описанные только в терминах мягкихмоделей, когда зависимости между основными показателями являются не вполнеопределенными или даже неизвестными в пределах некоторого класса;
Ø способность к работе с неопределенными илидинамичными данными, изменяющимися в процессе обработки, позволяетиспользовать ИИС в условиях, когда методы обработки данных могут изменяться иуточняться по мере поступления новых данных;
Ø способность к развитию системы в планеизвлечения знаний из накопленного опыта конкретных ситуаций увеличиваетмобильность и гибкость системы, позволяя ей быстро осваивать новые областиприменения.
Возможность использования информации, которая явно не хранится, авыводится из имеющихся в базе данных, позволяет уменьшить объемы хранимойфактуальной информации при сохранении богатства доступной пользователюинформации. Направленность ИИС на решение слабо структурированных, плохоформализуемых задач расширяет область применения ИИС.
Наличие развитых коммуникативных способностей у ИИС даетвозможность пользователю выдавать задания системе и получать от нееобработанные данные и комментарии на языке, близком к естественному. Системаестественно-языкового интерфейса (СЕЯИ) транслирует естественно-языковыеструктуры на внутримашинный уровень представления знаний. Включаетморфологический, синтаксический, семантический анализ и соответственно вобратном порядке синтез. Программа интеллектуального интерфейса воспринимаетсообщения пользователя и преобразует их в форму представления базы знаний и,наоборот, переводит внутреннее представление результата обработки в форматпользователя и выдает сообщение на требуемый носитель.
Важнейшее требование к организации диалога пользователя с ИИС – естественность,означающая формулирование потребностей пользователя с использованиемпрофессиональных терминов конкретной области применения. Наибольшеераспространение ИИС получили для экономического анализа деятельностипредприятия, стратегического планирования, инвестиционного анализа, оценкирисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга.
Применение ИИС совместно со стандартными методами исследования операций,динамического программирования, а также с методами нечеткой логики для планированияпри комплексной автоматизации деятельности предприятия, приносит принципиальныевыгоды: реально снижаются операционные издержки; повышается качествоуправленческих решений.7. Признаки и отличительныечерты ИИС
Детальное обоснование политики предприятия в решении задач расширения имодернизации производства, диверсификации деятельности, повышении эффективностииспользования производственных мощностей позволяет формировать выполнимые ихорошо контролируемые планы работ. Такое обоснование, базирующееся на текущейпроизводственной загрузке, необходимых материальных и человеческих ресурсах,возможно лишь в хорошо структурированных средах с достаточным информационнымбазисом. Для ИИС характерны следующие признаки:
Ø развитые коммуникативные способности:возможность обработки произвольных запросов в диалоге на языке максимальноприближенном к естественному (система естественно-языкового интерфейса – СЕЯИ);
Ø направленность на решениеслабоструктурированных, плохо формализуемых задач (реализация мягких моделей);
Ø способность работать с неопределенными идинамичными данными;
Ø способность к развитию системы и извлечениюзнаний из накопленного опыта конкретных ситуаций;
Ø возможность получения и использованияинформации, которая явно не хранится, а выводится из имеющихся в базе данных;
Ø система имеет не только модель предметнойобласти, но и модель самой себя, что позволяет ей определять границы своейкомпетентности;
Ø способность к аддуктивным выводам, т.е. квыводам по аналогии;
Ø способность объяснять свои действия, неудачипользователя, предупреждать пользователя о некоторых ситуациях, приводящих кнарушению целостности данных.
Традиционно считается, что ИИС содержит базу данных, базу знаний,интерпретатор правил или машину вывода, компоненту объяснения иестественно-языкового интерфейса, обеспечивающих связный дискурс, т.е. диалогпользователя и системы с попеременным переходом инициативы.
Отличительные особенности ИИС по сравнению с обычными ИС состоят вследующем:
Ø интерфейс с пользователем на естественном языке с использованиембизнес-понятий, характерных для предметной области пользователя;
Ø способность объяснять свои действия и подсказывать пользователю, какправильно ввести экономические показатели и как выбрать подходящие к его задачепараметры экономической модели;
Ø представление модели экономического объекта и его окружения в виде базызнаний и средств дедуктивных и правдоподобных выводов в сочетании свозможностью работы с неполной или неточной информацией;
Ø способность автоматического обнаружения закономерностей бизнеса в ранеенакопленных фактах и включения их в базу знаний.
ИИС особенно эффективны в применении к слабо структурированным задачам, вкоторых пока отсутствует строгая формализация, и для решения которыхприменяются эвристические процедуры, позволяющие в большинстве случаев получитьрешение. Отчасти этим объясняется то, что диапазон применения ИИС необычайноширок: от управления непрерывными технологическим процессами в реальном временидо оценки последствий от нарушения условий поставки товаров по импорту.
По мере совершенствования принципов логического и правдоподобного вывода,применяемых в ИИС за счет использования нечеткой, модальной, временной логики,байесовских сетей вывода, ИИС начинают проникать в высокоинтеллектуальныеобласти, связанные с разработкой стратегических решений по совершенствованиюдеятельности предприятий. Этому способствуют более современные алгоритмыанализа и синтеза предложений естественного языка, облегчающие общениепользователя с системой.
Включение в состав ИИС классических экономико-математических моделей,методов линейного, квадратичного и динамического программирования позволяетсочетать анализ объекта на основе экономических показателей с учетом факторов ирисков политических и внеэкономических факторов, оценивать последствияполученных их ИИС решений.
Наличие в составе ИИС объектно-ориентированной базы данныхпозволяет однородными средствами обеспечить хранение и актуализацию как фактов,так и знаний.
Проектирование ИИС как крупного программногокомплекса как в отношении егожизненного цикла, так и в отношении технологии проектирования незначительноотличается от технологии проектирования ИС. Основная специфика связана сразработкой базы знаний.8. Классификация ИИС
Классификация ИИС
ИИС можно классифицировать (рис. 1.3) по разным основаниям. Мы выберем вкачестве оснований классификации следующие:
Ø предметная область в экономике,
Ø степень автономности от корпоративной ИС или базы данных,
Ø по способу и оперативности взаимодействия с объектом,
Ø адаптивности, модели знаний.
На рисунке для примера приведены ИИС из областей менеджмента,риск-менеджмента и инвестиций. По степени интеграции ИИС могут быть: автономныев виде самостоятельных программных продуктов с собственной базой данных;сопрягаемые с корпоративной системой с помощью средств ODBC или OLE dB; полностью интегрированные. По операивностипринято различать динамические и статические ИИС. Однако фактор времени всегдаявляется существенным в ИИС и полностью статических систем не может быть поопределению. Предлагается различать ИИС реального времени с собственнымисенсорами и эффекторами и советующие, в контур которых вовлечен пользователь.
По адаптивности различаются обучаемые ИИС типа нейронных сетей, т.е.системы, параметры, а возможно структура которых могут изменяться в процессеобучения или самообучения, и ИИС, параметры которых изменяются администраторомбазы знаний. Наиболее часто используемые модели знаний приведенынепосредственно на рис. 1.3. Приведем несколько примеров ИИС.
IntelligentHedger: основанный на знаниях подходв задачах страхования от риска. Фирма: Information System Department, New York University. Проблемаогромного количества постоянно растущих альтернатив страхования от рисков,быстрое принятие решений менеджерами по рискам в ускоряющемся потокеинформации, а также недостаток соответствующей машинной поддержки на раннихстадиях процесса разработки систем страхования от рисков предполагает обширнуюсферу различных оптимальных решений для менеджеров по риску. В данной системеразработка страхования от риска сформулирована как многоцелевая оптимизационнаязадача. Данная задача оптимизации включает несколько сложностей, с которымисуществующие технические решения не справляются. Краткие характеристики:система использует объектное представление, охватывающее глубокие знания поуправлению риском и облегчает эмуляцию первичных рассуждений, управляющихриском, полезных для выводов и их объяснений.
Системарассужденийвпрогнозированииобменавалют. Фирма: Department of Computer Science City Polytechnic University of Hong Kong. Представляет новый подход в прогнозированииобмена валют, основанный на аккумуляции и рассуждениях с поддержкой признаков,присутствующих для фокусирования на наборе гипотез о движении обменных курсов.Представленный в прогнозирующей системе набор признаков – это заданныйнабор экономических значений и различные наборы изменяющихся во временипараметров, используемых в модели прогнозирования.
Краткие характеристики: математическая основа примененного подходабазируется на теории Демпстера–Шейфера.
Nereid: Система поддержки принятиярешений для оптимизации работы с валютными опционами. Фирма: NTT Data, The Tokai Bank, Science University of Tokyo.
Система облегчает дилерскую поддержку для оптимального ответа как один извозможных представленных вариантов; более практична и дает лучшие решения, чемобычные системы принятия решений. Краткие характеристики: система разработана сиспользованием фреймовой системы CLP, которая легко интегрируетфинансовую область в приложение ИИ. Предложен смешанный тип оптимизации,сочетающий эвристические знания с техникой линейного программирования. Системаработает на Sun‑станциях.
PMIDSS: Система поддержки принятия решений при управлении портфелем.
Разработчики: Финансовая группа Нью-Йоркского университета. Решаемыезадачи: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций.Краткие характеристики: смешанная система представления знаний, использованиеразнообразных механизмов вывода: логика, направленные семантические сети,фреймы, правила.9. Методология разработки иреализации управленческого решения
Методология разработки и реализацияуправленческого решения
Реализация в экономической модели объекта информатизации позволяет строитьклассическую схему управления по следующим этапам:
Ø планирование работ;
Ø сбор и анализ данных о происходящих процессах;
Ø анализ соответствия фактических результатов плановымпоказателям;
Ø разработка организационных, финансовых,маркетинговых и иных процедур, снижающих влияние неблагоприятных факторов:снижение рыночного спроса или изменения стоимости комплектующих изделий;
Ø адаптация дальнейших планов работ с учетом сложившихсяусловий.
При всей своей очевидности такая схема управления на практике не имеетуниверсальных решений. Она формируется с учетом специфики и масштаба бизнеса,существующего менеджмента, уровня детализации решаемых задач.
Выработка решений в виде стратегии функционирования и развитияпроизводится на основе миссии и целей предприятия с учетомдоступных ресурсов и результатов обработки данных обратной связи от объектауправления.
Типы решений:
1. Миссия и цель предприятия. Требует учётадоступных ресурсов. Задача высшего руководства.
2. Выработка стратегии развития – Задача высшегоруководства.
3. Формирование и совершенствованиеорганизационной структуры – Задача высшего руководства.
4. Оценка позиций фирмы на рынке – Задача высшегоруководства.
5. Определение ассортимента продукции – Задачавысшего руководства.
6. Организация деятельности аппарата управлениякомпании – Задача высшего руководства.
7. Календарное планирование производства – Задачаменеджеров среднего звена.
8. Подбор и расстановка кадров – Задача менеджеровсреднего звена.
9. Реализация инноваций – Задача менеджеровсреднего звена.
10. Реализация систем материального стимулирования –Задача менеджеров среднего звена.
Основой деятельности менеджера-пользователя ИС должен быть процессобнаружения, описания и разрешения проблемных ситуаций (ПС).
Возникающие в объекте управления ПС находятсвое отражение в базе данных в виде определенных значений атрибутов.10. Информационные ресурсыпри разработке экономических решений
Семантическое содержание понятий, используемых в задачах принятия решений.
Лицо, принимающее решение (ЛПР)– это субъект решения, т.е.руководитель или менеджер, наделенный надлежащими полномочиями и несущий ответственностьза последствия принятого им и реализованного решения.
В своих действиях ЛПР опирается на собственные профессиональные навыки,прошлый опыт, интуицию. Однако при сложных и нечетко сформулированныхзадачах ЛПР не может использовать опыт, а опора на только на интуициюувеличивает риск принятия неверного или неоптимального решения. В подобныхситуациях ЛПР вынужден привлекать к выработке решения экспертов – специалистовв разных областях знаний, для анализа проблемы и подготовки вариантов решений.
Принятие решения– это процесс выбора способа действий, уменьшающего расхождение междусуществующим (наблюдаемым) и желаемым (возможно, идеальным) состояниямиорганизации. Процесс принятия решения состоит из упорядоченных определеннымобразом этапов (процедур), содержание которых описывается в терминах цели,проблемы, проблемной ситуации, альтернативы и самого решения какрезультата выбора альтернативы (варианта действий).
Цель– под этим понимают ожидаемоеи желаемое состояние системы, в которое она должна перейти под действиемуправляющих воздействий и внутренних законов движения экономического объекта.Например, в экономике свободного предпринимательства цель бизнеса вдолгосрочном периоде состоит в максимизации прибыли или получении желаемойсуммы прибыли.
Различают стратегические и тактические цели. Стратегические целиносят более общий характер и рассчитаны на более длительный период времени, чемтактические.
Проблема– это расхождение между фактически наблюдаемым и желаемым или заданнымсостоянием управляемого объекта (организации). Проблема возникает, если:
· функционирование организации в данный момент необеспечивает достижение стоящей перед нею цели;
· функционирование организации в будущем негарантирует достижения поставленной цели;
· происходит пересмотр целей организации,вызванный, например, изменением общей макроэкономической ситуации, рыночнойконъюнктуры и т. п.
Проблемная ситуация (ПС)– это содержательное описание проблемы совместно с комплексом условий,факторов и обстоятельств, вызвавших ее возникновение. Ситуационные факторы,породившие ту или иную проблему, можно подразделить на внутренние и внешние поотношению к организации (объекту управления) (рис. 2.1).
Внутренние факторыописывают состояние собственной среды предприятия как системы(экономической, организационной, материальной и т.д.). Принципиальнаяособенность внутренних факторов в том, что они подконтрольныруководству организации.
Внешние неконтрoлируемые фaктoрыoтpaжaют состояние cpeды, в которой функционируетпредприятие. Они непосредственно влияют на поведение и экoнoмическyю активностьпредприятия. Эти факторы внешней среды не могут регулироваться (а нередко ипрогнозироваться) организацией, но именно они обычно вызываютизменение стоящих перед ней целей. К таким факторам относятся:
1. Положение в экономике, рыночная конъюнктура,
2. платежеспособный спрос и поведениепотребителей,
3. проводимая правительством налоговая политика,
4. бюджетно-финансовая система,
5. участие государства в регулированиимакроэкономических процессов,
6. развитость и эффективность работы различныхинститутов рынка и т.п.
Анaлиз прoблемнoй cитуaции– это совместное рассмотрение проблемы в контексте вызвавших ее факторов.
/>
Рис. 21 Информационные ресурсы при разработке решения
11. Факторы и виды проблемнойситуации
Факторы и виды проблемной ситуации. Определениерешения проблемы
Итак, проблема характеризуется факторами: признаками, событиями, оценкамии показателями, породивших её причин. Очевидно, они могут иметь (имеют)различную природу и соответственно, различную формулу представления:
Ø Численное;
Ø Логическое (в виде логического высказывания);
Ø Лингвистическое – в виде лингвистической переменной или вербальногоописания (определения).
С точки зрения точности формализации описания проблемы ипоследующего выбора ее решения различают структурированные,слабоструктурированные и неструктурированныепроблемы.
Проблема структурированная, если удается представитьвсе составляющие ее элементы (признаки, проявления, причины, обстоятельства) изависимости между ними в формализованной (аналитической или логической) форме.
Описание слабоструктурированных проблем возможно главнымобразом в виде качественных зависимостей между ее элементами, информацияо части которых может отсутствовать. С точки зрения ЛПР, слабоструктурированныепроблемы отличаются наличием неопределенностей:
1. характере зависимостей и
2. значениях их параметров.
Неструктурированной является проблема, для которой могут быть определены зависимости лишь междуклассами объектов и отношений, к которым они принадлежат.
Решениеявляется реакцией организации на возникшую проблему: оно всегда принимаетсятам, где возникает ПС. С содержательной точки зрения, решение естьидентификатор программы или плана разрешения проблемной ситуации.12. Стадии понимания сущностипроблемной ситуации и принятия решения о способах её разрешения
Стадии и этапы процесса понимания сущностипроблемы
Решая проблему, то есть, выбирая из возможных её решений наилучшее, ЛПРявляется экспертом и проходит в процессе принятия решения ряд стадий пониманиясущности ПС. Чтобы ИИС адекватно строила его информационное обслуживание,необходимо знать их содержание.
Различают следующие стадии понимания сущности ПС и принятия решения оспособах разрешения:
1.Интерпретация поступающих данных и выявление проблемы.
2.Структурирование и диагностика проблемы.
3.Классификация ситуации.
3.Проектирование решений.
4.Выбор решения.
5.Реализация решения.
Каждая из стадий, в свою очередь, может состоять из некоторого количестваэтапов.
В зависимости от рассматриваемого вопроса и стадии его решения, ЛПР можносчитать находящимся в различных состояниях.
Проблеме и фазе его решения соответствует определенное подмножествопоказателей базы данных. Интенсивная, т.е. мгновенное состояние базы данных,имплицирует одно из возможных решений. Принимаемые решения и состояния базыданных связаны определенными отношениями. Пользователь может находиться всостоянии неосведомленности относительно значения некоторых факторов проблемы.В этом случае он генерирует запрос к базе данных и получает ответ в видезначений специфицированных в условиях выдачи запроса атрибутов. ЛПРосуществляет интерпретацию данных, относящихся к проблемной ситуации.
Интерпретация – это процесс оценки данных; при этом ИС обеспечиваетвозможность работы ЛПР при наличии неполных и противоречивых данных. Цельданной стадии – выявление существования проблемы, степени ее критичности и приведениеее, если это возможно, к некоторому виду, удобному для понимания и проведениядальнейшего анализа.
На стадии структуризации и диагностикиосновная цельЛПР – выявление основных факторов и зависимостей, обусловившихвозникновение ПС, чему предшествуют уточнение показателей, сопровождающих возникновениепроблемы: симптомов проблемы и сбор дополнительной релевантной информации. Диагностикавключает в себя выявление отклонений от установленных значений показателей инарушений функционирования системы.
Классификация ситуации предполагает определение подходящей модели, тоесть выбор основных свойств, аналитических зависимостей и/или логическихвыражений для просчетов вариантов решений.
С целью уточнения значений отдельных параметров он генерируетзапросы в ИС.
На основе понимания ситуации ЛПР переходит к проектированию решения,осуществляя генерацию, анализ и отбор вариантов решения ПС, используя типовыепроблемные ситуации и эвристики (опыт пользователя по разрешению прошлых «подобных»проблемных ситуаций).
Процесспроектирования решения включает в себя следующиефазы (этапы):
1.Представление. ЛПР в процессе разрешения ПС выдвигает гипотезыотносительно подходящей модели. Затем в рамках определенной модели (системыаксиом) осуществляется декомпозиция, т.е. разложение задачи на подзадачи ивыбор конкретных значений переменных, атрибутов и предикатов, входящих всистему аксиом модели ситуации.
2.Отыскание решения. Процесспоиска вывода в системе аксиом или нахождение оптимальногорешения в рамках моделей, построенных ЛПР врезультатеизучения ситуации. Поиск траектории в пространствесостояний, обеспечивающей достижение заданного состояния с учетомограничений.
Процесс выбора решениявключает в себя следующие фазы:
Оценка решения. Построение функционала оценки множествавариантов решений, оценка затрат ресурсов. На стадии генерированияальтернативных вариантов ЛПР на основе уточненных им целей определяет критерии,по которым будут оцениваться варианты решений, а также ограничения,которые в соответствии с имеющимися в его распоряжении ресурсами будут накладыватьсяна них.
Прогнозирование – это предсказание будущих состояний на основепринципов дедуктивного вывода и аналитических оптимизационныхмоделей. На этом этапе руководитель пытается спрогнозировать последствияпринятого решения с использованием таких методов, как прогнозирование на основевременных рядов (методы сглаживания временных рядов, построение тренда).Трудности в этой части заключаются в необходимости учета временныхзависимостей, а также модальностей, учета немонотонности теории.
Противоположностью гипотеко-дедуктивного метода вывода является логический.
Процесс реализации решения. На завершающей стадии ЛПР осуществляет выбор наилучшего решения иорганизует реализацию. Процесс реализации включает в себя в качестве этапа:планирование – формирование программы действий по разрешению ПС, включая выдачузаданий на разработку частных программ, планирование объемов и сроков будущихработ. План должен учитывать ограниченность ресурсов и противоречивость целей,неполноту данных и возможность их изменения во времени. По сути дела планированиес позиции модальной логики и семантики возможных миров означает описаниевозможного будущего мира с утверждением, что будущий возможный мир наступиттолько тогда, когда будет иметь действие ЛПР, которое он намерен осуществить.На этом же этапе определяются структурные подразделения, конкретныеисполнители, ответственные за реализацию и контроль исполнения решения.13. Проблемные ситуации вэкономических структурах и отражающие их технико-экономические показатели
Проблемные ситуации (ПС) и отражающие их технико-экономические показатели
Проблема
Показатели, регистрирующие возникновение проблемной ситуации (ПС)
Форма представления показателей в отчетах
Признаки структуризации показателей (измерения)
1. Снижение объема реализации товаров и услуг Объем продаж в натуральном выражении; объем отгрузки товаров и изделий по счету-фактуре и транспортным накладным
Темпы роста; фактические значения; динамика фактически значений; прогнозные
значения и их динамика
Время (месяц, квартал,
год); виды товаров услуг; сегментация рынка 1.1. Низкая конкурентоспособность продукции и производства Доля предприятия на рынке одноименных товаров; цены комплектующих и стоимость сборки изделий; уровень качества изделий и комплектующих Фактические значения; средние значения (подгруппе ведущих предприятий); отклонение от средних; рейтинг, ранги, списки; качественные оценки (балльные, лингвистические шкалы) Время; вид товара; сегмент рынка; показатели качества изделия 1.2. Низкая эффективность руководства и службы маркетинга в области распределения и продвижения товаров на рынке Доля предприятия на рынке одноименных товаров и услуг; объем продаж изделий в натуральном выражении; численность сотрудников службы маркетинга; отношение расходов на маркетинг к выручке от реализации продукции Отклонение фактических значений от числовых; динамика фактических значений (темпы роста) Время; вид изделия услуги
1.3. Сокращение объемов производства
изделий и услуг Объем производства; численность персонала; производственная мощность Отклонение фактических значений от числовых; динамика числовых и фактических значений Время; вид товара, фазы производственного цикла; производственного подразделения
2. Снижение выручки от реализации продукции и услуг
Выручка от реализации
Отклонения фактических значений от числовых; динамика числовых и фактических показателей
Время; вид товара; сегмент рынка 2.1. Неблагоприятные сдвиги в структуре и в ассортименте продукции Доля основных видов продукции в общей номенклатуре Отклонения фактических значений от числовых Время; вид товара
3. Нехватка оборотных средств для нормального функционирования предприятия
Коэффициент текущей ликвидности; коэффициент абсолютной ликвидности; оборотный капитал
Отклонения фактических значений от нормативных и среднеотраслевых
Время; тип хозяйственной операции 3.1. Сокращение общей величины оборотных средств Текущие активы предприятия (оборотные средства); доля оборотных средств в активах предприятия Отклонения фактических значений от нормативных; динамика фактических значений Время; категория оборотных средств (производственные запасы, готовая продукция денежные средства дебиторская задолженность) 3.3. Нестабильность и сокращение поступления денежных средств Поступление денежных средств Отклонения фактических значений от нормативных Время
3.4. Увеличение сроков оборачиваемости и общей величины дебиторской задолженности Оборачиваемость дебиторской задолженности; величина дебиторской задолженности Фактические значения; нормативные значения Время, категории задолженности по срокам (30, 60, 90 дней) 3.5. Увеличение сроков оборачиваемости и общей величины товарно-материальных ценностей (ТМЦ) Оборачиваемость товарных запасов (ТМЦ); величина ТМЦ Фактические значения; нормативные значения Время, вид ТМЦ (производственные запасы, незавершенное производство, готовая продукция)
4. Недостаточная обеспеченность производства комплектующими
Поступление комплектующих; запасы комплектующих; число поставщиков
Отклонения фактических значений от нормативных; динамика фактических значений
Время; вид комплектующих; вид запаса 4.1. Неблагоприятные ценовые условия для поставщиков комплектующих Удельный вес комплектующих, закупаемых в кредит на условиях частичной предоплаты или за наличный расчет; удаленность постав-щиков; стоимость грузоперевозок Средние значения по группе предприятий; отклонения фактических значений от средних; качественные оценки Время; вид комплектующих; категория поставщика; регион поставщика 4.2. Неэффективная забота службы снабжения предприятия комплектующими Поступление комплектующих; численность сотрудников службы снабжения; число поставщиков на единицу персонала службы снабжения Отклонения фактических значений от нормативных; качественные оценки (оценочные циклы, лингвистические шкалы) Время; вид комплектующих; категория поставщика
14. Источники информационной базы ИС, виды показателей иметодики для выявления проблемных ситуаций в производстве
Источники информационной базы ИС, виды показателей и методики длявыявления ПС.
В качестве информационной базы используются формы годовой отчетности, атакже нормативные значения показателей, определяемые на основе средних значенийпо отрасли или группе аналогичных предприятий.
Наиболее распространенная форма выявления проблем с использованиемтехнико-экономических показателей – сравнение их фактических величин счисловыми, нормативными или средними значениями и вычисление абсолютных иотносительных отклонений.
Показателями, могущие использоваться для выявления проблем, касающихсяфинансового состояния предприятия и определения степени их критичности наоснове анализа финансовых коэффициентов, результатовпроизводственно-коммерческой деятельности и эффективности использованияресурсов могут выступать:
Ø коэффициент ликвидности;
Ø коэффициент покрытия;
Ø коэффициент обеспеченности собственными средствами, %;
Ø рентабельность продукции, %;
Ø реализация товарной продукции, %;
Ø фондоотдача, %;
Ø производительность труда, %;
Ø износ основных средств, %;
Можно также применять методики выявления ПС, базирующиеся на определенныханалитических соотношениях технико-экономических показателей, в состав которыхвходят следующие элементы:
Ø индекс прибыли;
Ø индекс амортизационных отчислений;
Ø индекс затрат на заработную плату;
Ø индекс оборотных средств;
Ø индекс основных производственных фондов;
Ø индекс численности работающих.
Выявление проблем осуществляется нахождением отклонения от определенныханалитических зависимостей между этими показателями и дальнейшей ихинтерпретации.
Например, если отмечается отставание темпа роста прибыли оттемпа роста объемов производства, делается заключение об определенныхпроблемах в сфере маркетинговой деятельности предприятия, в частности, в областиценообразования.
Во многих случаях для определения пороговых значений объемов производстваи сбыта, выручки от реализации целесообразно применять методику «анализбезубыточности», а именно расчет точки безубыточности и «запаса прочности»предприятия, выражающего (в процентах) соотношение текущего объема производстваи объема, соответствующего точке безубыточности.
Для технико-экономических показателей, характеризующих проблемную ситуацию,которые могут быть представлены статистическими рядами данных, используютсябазовые статистические методы, например, расчет средних, стандартных отклонений,дисперсий.
На рис. 2.2 показан фрагмент «дерева причин», связанный со снижением объемапроизводства и реализации услуг.
/>
Рис. 2.2. Дерево причин проблемной ситуации «снижение объемов производстваи реализации»
Итак, нам стало ясно, что в качестве основных причин возникновения ПСвыступают состояния и изменения состояний элементов внутренней и внешней средыорганизации (ресурсы, структурные подразделения, виды продукции, виды затрат,поставщики, потребители).
Поэтому можно говорить о структуризации проблемы в соответствии не толькос причинами ее возникновения, но и с элементами внешней и внутренней среды организации,а также характеризующими их показателями.15. Граф концептуальноймодели проблемной ситуации и его толкование
Построение логических правил для выбора действий и правил принятия решений.
После формирования дерева причин производят построение логических правил,используемых для выбора действий и правил принятия решений (ППР).
Первый элемент ППР – таблица условий – описание проблемной ситуации в видеопределенной совокупности объектов, их параметров и отношений между ними.
Второй элемент ППР – перечень действий, которые могут быть принятыв той или иной проблемной ситуации. Для комплексного представления результатаструктуризации проблемы и методов ее решения можно использовать концептуальную модель(рис. 2.3). В соответствии с этой моделью проблема может быть представлена ввиде графа с четырьмя видами вершин: X, Р, ДиС
/>
Рис 2.3. Концептуальная модель проблемной ситуации
X – множество проблем.
Р – множество атрибутов описания проблем.
D – множество типовых решений проблем.
С – множество условий, разделяющих проблемы и решения, ориентированныедуги выражают множество отношений, описывающих взаимосвязь проблем.
Логический анализ проблем-причин на низших уровнях иерархии, показывает,что во многих случаях они позволяют сформулировать варианты решения проблем болеевысокого уровня. В общем случае в качестве вариантов решений можно использоватьклассы стратегий, предлагаемых в экономической литературе.16. Особенностипроектирования интеллектуальной экономической информационной системы
Проектирование ИИС начинается с обследованияпредметной области. Современные технологии такого обследованиябазируются на концепции и программных средствах реинжиниринга бизнес-процессов (BPR).
Реинжиниринг бизнес-процессов – это фундаментальное переосмысление и радикальное перепланированиекритических бизнес-процессов в процессе внедрения средств информатизации, имеющеецелью резко улучшить качество функционирования с точки зрения затрат, качестваобслуживания и скорости выполнения.
Бизнес-процесс – это упорядоченное множество операций (видов) деятельности, реализуемых ворганизационной структуре в соответствии с ее миссией и целями, начинающихся содной или более входных операций и заканчивающихся созданием продукции, необходимойклиенту.
Процесс – это систематически упорядоченная совокупность работ, заданий(активностей) во времени и в пространстве с указанием начала и конца и точнымопределением входов и выходов.
Ключевой элемент модели бизнеса – это описаниеархитектуры компании, т.е. описание ее наиболее важных статических истабильных структур: отделений, отделов, а также продукции и материалов. Однакопросто организационная схема плохо отражает суть функционирования компании,поэтому важны динамические структуры – это процессы и потоки событий.Кроме этого, необходимо описать процессы и потоки событий. Необходимо описатькак входные данные, поступающие из внешнего мира, так и действия (операции)процесса, которые производятся над исходными данными, а также потребляемыересурсы.
Субъект – это все то, что в окружении взаимодействует с бизнесом: клиенты,поставщики, партнеры.
Сценарий – совокупность транзакций в системе, выполняемыхдля реализации функций бизнеса.
Транзакция – неделимое множество действий, выполняемых или целиком, или невыполняемых вовсе, и в совокупности составляющих единое задание.
Объекты могут соответствовать задачам, видам продукции или сущностям.
Обычно разделяют следующие виды объектов:
· объект-сущность,
· управляющие объекты и
· интерфейсные объекты.
Интерфейсные и управляющие объекты представляют задачи, а не типыресурсов.
Интерфейсные объекты представляют в бизнесе операции, включающие взаимодействие с окружением бизнеса.
Управляющие объекты участвуют в управлении потоками при обработке продукции.
Объекты-сущности – это продукция и предметы, обрабатываемые бизнесом.
Могут быть выделены следующие разновидности отношений:
Ø ссылки – связи, ведущие от одного экземпляра объекта к другому;
Ø наследования – связывают два класса.
Агрегат объектов. Отношения включения: «состоит из» и «является частью» – представляют собоюварианты отношения ссылки. Они используются для выражения того, что объектсостоит из других объектов. Конструкция данного типа называется агрегатом.
Отношения коммуникации. Объекты должны иметь возможность обмениваться данными. Этот тип отношениявыражается отношением коммуникации между двумя объектами. Направление отношенияпоказывает направление передачи стимулов. Отношение коммуникации почти всегдаявляется отношением между экземплярами.
Отношения наследования. Отношения наследования – это отношения между классами. При конкретизациипоследующего класса (потомка) его экземпляр получает все характеристики(атрибуты, операции и отношения), описанные в суперклассе.
Поведение. Изучая сценарии, в которых участвует объект,можно получить представление об обязательствах объекта по отношению к егоокружению. Поведение объекта можно разделить на несколько последовательных действий,называемых операциями. Выполнение каждой такой операции инициируется определеннымстимулом. Чтобы выполнить операцию, нужно знать определенные входные и выходныеданные, называемые параметрами операции. Протокол класса устанавливает связьмежду посылаемыми объекту стимулами и реализуемыми объектом методами (операциями).
Атрибут. Характеристика объекта моделируется атрибутамиобъекта. Отношение «атрибут» имеет имя, описывающее роль, которую атрибутиграет по отношению к объекту. Отношение также может иметь мощность, указывающуюсколько экземпляров атрибута может быть ассоциировано с этим отношением. Отношение«атрибут» обычно связывает экземпляр класса объектов с экземпляром типаатрибут.
Состояния объектов. Объект может получать различные стимулы в зависимости от значенияатрибутов и ранее выполненных операций, то есть объект может находиться вразличных состояниях. Состояния объекта целесообразно описывать диаграммамисостояний и переходов.
Взаимодействие объектов в сценарии. Взаимодействие объектов в сценарии отражает динамику объектной модели. Этоттип представления содержит (помимо объектов) отношения коммуникации, необходимыедля выполнения сценария. Один и тот же объект может участвовать в несколькихсценариях, выступая в разных ролях.
Диаграммы взаимодействий. Если необходимо описать, как при выполнении потока событий взаимодействуютобъекты модели, строится диаграмма взаимодействий, показывающая, как взаимодействующиеобъекты реализуют прецедент. При этом идентифицируются стимулы, передаваемыемежду объектами, и параметры этих стимулов, т.е. идентифицируются протоколывзаимодействия объектов, составляется полный перечень операций. Сценарий обычносодержит несколько вариантов хода событий, изображаемых разными диаграммами. Длябольших систем вначале строят упрощенную модель, а затем вводят отношениярасширения.
Описание сценария может быть довольно сложным для понимания, если оно содержитслишком много альтернативных, необязательных потоков событий, выполняемых приопределенных условиях. Один из способов сделать описание «прозрачнее» – извлечьнекоторые его фрагменты и рассматривать их как отдельный сценарий. Говорят, чтоэтот новый сценарий расширяет первоначальный, отношение расширения можнорассматривать как способ структурирования потока событий.
Отношения использования. При описании сценариев можно обнаружить, что некоторые из них имеют общиефрагменты. Чтобы не описывать эти общие фрагменты более одного раза, ихописывают в виде самостоятельного сценария. Его затем могут использоватьостальные. Отношение использования позволяет избежать лишних описаний, позволяяповторно применять общие фрагменты потока событий. Отношения использования иотношения расширения можно рассматривать как вид наследования.
Подсистемы и сценарии. В большом бизнесе можно выделить много частей (подбизнесов). Подсистемавключает функционально близкие объекты и (или) подсистемы.
В чем разница между сценариями и подсистемами? В подсистеме объектысобраны в соответствии с их функциями. Сценарий, наоборот, может выполняться объектамиразных подсистем.17. Основные компоненты и существенныечерты ИИС
Существенные черты ИИС:
Ø наличие знаний,
Ø способности логического вывода и
Ø особенно системы управления знаниями.
Ø Способность производить выводы – принципиальнаяособенность современных информационных технологий.
Эта способность основывается на знаниях, причем знания различаются по форме,начиная от простых фактов, хранящихся в обычной базе данных, до сложныхвысказываний о реальном или моделируемом мире. С точки зрения логики, базу данныхможно рассматривать как множество фактов, при этом запросы и ограничения целостностиявляются формулами, которые необходимо интерпретировать, используясемантическое определение истинности.
Формально базу данных можно рассматривать как теорию первого порядка, точнее,как множество аксиом в некоторой теории первого порядка. В свою очередь, базазнаний есть множество теорем, которые могут быть получены из множества хранящихсяаксиом использованием множества универсальных механизмов вывода.
На начальном этапе применения методов искусственного интеллекта к ИСнаибольшее распространение получили экспертные системы (ЭС), т.е. компьютерныепрограммы, имеющие дело с проблемами, для которых не существует непосредственноаналитических методов, но в которых они позволяют получить результаты. Первыеэкспертные системы разработаны для некоторых устоявшихся, хорошо определенныхприложений, например, помощи химикам-органикам (ЭС ДЕНДРАЛ); в области медицины(например, MYCIN, INTERNIST/CADUCEUS, PUFF). На рис 3.3 представлена типичная организацияэкспертной системы.
Логические выводы, возможности получения логических следствий ивозможности решения проблем обычно бывают встроены в машину вывода ЭС. Влитературе по искусственному интеллекту термин «решение проблем» относится кметодологии поиска пути из начального состояния в целевое состояние. Техникарешения проблем включает общий решатель проблем и поисковый алгоритм. Некоторыеиз таких алгоритмов имеют имена (например, А* алгоритм).
Компонента синтеза объяснения – это тип выходной информации, используемой, чтобы оправдать некоторыевыдаваемые системой заключения и предоставить пользователю некоторые поясненияв форме, подходящей для интерпретации лицом, принимающим решения.
Способность интеллигентного редактирования есть виртуальная необходимость для системы приобретения знаний.
Машинное обучение – это механизм для автоматическогоприобретения знаний. Системы машинного зрения могут быть использованы дляраспознавания информации с экранных форм и приобретения знаний.
Обработка естественного языка и системы распознавания речи могут бытьэффективно использованы, чтобы обеспечить дружественный к пользователю интерфейс.
ЭС успешно применены в целом ряде областей, включая математику, геологию,проектирование и разработку систем. В последнее время ЭС стали очень широко применятьсяв области бизнеса, страхования и банковского дела. Основные составляющие ЭС:
База знаний. Служит для представления эвристической и фактологической информации, частов форме фактов, утверждений и правил вывода.
Машина вывода. Механизм, играющий рольинтерпретатора, применяющего знания подходящим образом, чтобы получитьрезультат.
Система естественно-языкового интерфейса(СЕЯИ). Механизм, преобразующийзапросы и выдающий ответы пользователю, иногда отыскивающий дополнительнуюинформацию для машины вывода. Эта компонента включает средства, необходимые длявзаимодействия ИИС с пользователем.
СЕЯИ, занимающая в этом арсенале средств особое место, позволяетпользователю общаться с ИС на естественном языке, т.е. реализует дружественныйк пользователю интерфейс.18. Схема ИИС
ИИС (рис. 3.4) функционирует, используя систему управления базой данных ибазу знаний.
В ИИС интегрируются знания, поступающие от экспертов, относительно 5акономерностейконкретной предметной области наряду с фундаментальными (энциклопедическимизнаниями), составляющими суть научных теорий и моделей. Эти знания хранятся врепозитарии знаний, а конкретные [) акты – B базе данных под управлением системы управления базойданных.
/>
Рис. 3.4. Схема интеллектуальной информационной системы
Для хранения данных в ИИС используются либо реляционные, либо для гегрированногохранения данных и знаний – объектно-ориентированные базы данных. На рис. 3.5показана схема интеграции базы данных и базы знаний.
/>
Рис. 3.5. Интеграция базы данных и базы знаний
Базы данных обрабатывают то,что называется форматированными данными посредством описания структуры данныхразличных прикладных программ и единообразного описания их в единственнойконцептуальной схемебазы данных для всего предприятия. Концептуальная схематрадиционных СУБД в очень малой степени затрагивает смысл данных. Поэтомунепосредственно база данных только в ограниченном смысле может быть источникомпринятия решений на предприятии.
В современных моделях семантики обеспечивается механизм для моделированиядинамического поведения и динамических ограничений: концепция истории иконцепция события / триггер а. Часто, когда сущность изымается, необходимосохранить факт, что сущность была частью класса для дальнейших ссылок.Концепция истории позволяет сохранить историю класса при помощи специальногомеханизма, называемого историей класса.
Концепция события триггера используется для описания модификации азыданных, которое требует исполнителя дополнительных операций или которые зависятот предыдущих событий.
Событие зависит либо от условияоперации, либо от условия времени, триггер описывает операцию, которая должнабыть выполнена, если происходит связанное с ним событие. Акции (Actions) могут контролироваться выполнением некоторых событий, зависящих отопределенных условий посредством отсрочки выполнения акций, пока не будетвыполнено множество определенных событий.
Мы называем схему базы данных R объектно-ориентированной, если и только если для каждой схемы отношения R множество всех FD, относящихся к R эквивалентно одной единственной FD: К –> R, т.е. факт, что К есть уникальный ключ R. Атрибуты, которые являются (не являются частью)ключа, называются первичными (непервичными).
Объектно-ориентированная схема базы данных может быть записана как множество пар (Kj. Pi), где К; – множество первичных атрибутов; Pj – множество непервичных атрибутов реляционнойсхемы Rj. Такую схему базы данных можно рассматриватькак множество объектов, идентифицированных их ключами.
В случае если множество ограничений С не содержит зависимости включения, Спополняется ID, которые вновь экстрагируются из словаря данныхи знаний администратора базы данных. Зависимость включения Rj[x] с Rj[Y] называется основанной на ключе, если Y = К, т.е. Y есть ключ R. Зависимости включения формируют утверждения относительно зависимостеймежду классами объектов. Следовательно, они являются основой для генерации иерархии,агрегации, генерализации и группировки, которые определяют отношения междуклассами в ООБД. С другой стороны, неключевые зависимости включенияустанавливают произвольные ограничения целостности, которые мы должны усилитьпре- и постусловиями базовых действий, связанных с ООБД-классами объектов.19. Характеристика базызнаний и особенности её конструирования. Компоненты баз знаний
Характеристика знаний
Таблица 3.2. Характеристики использования знанийприложениями ИИСБольшие объемы данных
Объемы знаний могут быть чрезвычайно велики вплоть до 1010 байт. Порядок этой величины больше емкости доступной виртуальной памяти Постоянство Время жизни знаний превышает время жизни конкретного приложения, которое использует знания Совместное использование Знания совместно используются многими приложениями, которые могут их одновременно считывать и записывать Стратифицированность Знания сегментируются на многие различные типы [факты, процедуры, ограничения, определения на многих уровнях (объект, мета, метамета…)] Пространственно-временная семантика Семантика пространства и времени является доминантой представления знаний как внутри, так и вне пользовательского интерфейса Распределенность Источники и/или пользователи знаний связаны слабо, и обеспечивается возможность для распределенной параллельной обработки Интеллектуальность Обработка является более сложной по сравнению с обычными функциями клерка и призвана обеспечить интеллектуальный совет и помощь в принятии решений Предопределенность Многие аспекты обработки являются предопределенными и изменяются медленно или вовсе не изменяются во время жизни приложения Высокие показатели Высокие показатели требуются для интеллектуальной обработки больших объемов за короткое время
Конструирование базы знаний
Для хранения, обновления и использования знаний применяются системы управлениябазами знаний, которые должны удовлетворять следующим требованиям.
Представление знаний. Подобно базам данных, представление знаний в ЭС, основанных на правилах, являетсясравнительно простым, состоящим из представления фактов и правил вывода.Знания, хранящиеся в ИИС, интегрируются в результате объединения знаний, поступившихот многих индивидуальных экспертов, и могут принимать такие формы, как базы данныхи правила вывода. Часто элементы знаний выражаются на одном из этих языков. Онидолжны быть агрегированы в гибридное представление знаний в виде одного источниказнаний, который может быть далее агрегирован в глобально совместную базу знаний.Важно иметь разнообразие выразительных средств для поддержания высокой степенисовместности посредством механизма гибридного представления.
Организация знаний. Базы знаний могут быть организованы с использованием фундаментальныхзнаний, проблемно-ориентированных знаний, и знаний, необходимых для поддержаниядиалога. Знания, специфичные для диалога, должны иметь стандартизированную процедурудиалога, состоящую, из анализа пользовательских требований и запросов,интерпретации этих запросов по отношению к прикладнойсистеме, основанной на знаниях и генерации ответа на основе кооперативногодиалога.
Если база фактов становится большой или необходимо обеспечить доступ квнешним базам фактов, механизмы СУБД должны использоваться в ЭС. Обычно этопредполагает наличие некоторого метазнания о схеме базы данных, ограниченияхцелостности, доступных интерфейсах, посредством которых факты выбираются ихранятся. Сложные средства оптимизации дедуктивных запросов требуются, чтобыобеспечить подходящее время реакции. Они могут использоваться в комбинации сдругими стратегиями, которые обеспечивают контроль за применением правил.
Окружение. Это средства, доступные в рамках оболочкиэкспертной системы. В одной методологии (тесное связывание) доступ к базеданных скрыт от пользователя, насколько это возможно, в других (слабое связывание),пользователь будет загружать внешние данные эксплицитно до запуска диалогаконсультаций. Так, необходимо окружение, через которое различные базы знаний могутбыть заполнены. Это аспект приобретения знаний или обучения, который частичноможет быть реализован экспертами в данной предметной области и лингвистами всотрудничестве со специалистами по компьютерам.
Связывание. Помимо обеспечения доступа к внешним базамданных, экспертным системам часто необходимо установить связь с другимисредствами информационных систем, таким как численные вычисления или графика.
Системы баз знаний должны содержать следующиекомпоненты:
Ø язык представления знаний, который эффективно выражает структуру данногоприложения;
Ø средства организации знаний, которые позволяютсохранять и эффективно обрабатывать большие количества сложных структур знаний;
Ø методологию и окружение, посредством которыхмногочисленные приложения баз знаний и других приложений эффективновзаимодействуют друг с другом.
20.Определение, назначение и области применения экспертных систем
1.1. Думать или вычислять?
В 1950 году английский математик Тьюринг поставил вопрос «могут ли машиныдумать?». В те времена предположение «да, через 50 лет» Тьюрингу показалосьвполне осуществимым.
Стремительное развитие компьютеров и методов программирования, начиная совторой половины 20-го века, постоянно расширяет область применениявычислительной техники. Сейчас уже никого не удивляет стремление заменитьчеловека машиной. Практически во всех областях деятельности, от простейшихтехнологических операций на конвейерном производстве до экспертного анализа ипринятия решений, автоматические системы работают не хуже средней рукиспециалиста. Более того, машина не подвержена так называемому «человеческомуфактору» – допускаемыми людьми ошибкам, которые не возможно формализовать ипредсказать.
Не исключением стала и интеллектуальная деятельность человека. С моментазарождения кибернетики разработчики компьютерных программ пыталисьвоспроизвести механизм мышления человека или, иначе говоря, ставилась задачанаучить компьютер «думать». Начало исследованиям в области создания и использованияинтеллектуальных систем положили работы «отца кибернетики» Норберта Винера [1]и Г.С. Альтшуллера [2].
Первые попытки создания интеллектуальных систем сводились к разработкепрограмм, решающих задачи с помощью разнообразных эвристических методов, основанныхна свойственном человеческому мышлению обобщении, использованию универсальныхподходов к решению различных задач. То есть усилия были направлены на созданиеуниверсальных программ. Результатами этой работы явились такие программы, какЛОГИК-ТЕОРЕТИК, предназначенная для доказательства теорем в исчислениивысказываний, и ОБЩИЙ РЕШАТЕЛЬ ЗАДАЧ, созданные Ньюэллом, Саймоном и Шоу,занимавшихся исследованием процессов решения различных задач [3]. Также следуетотметить всевозможные игровые программы и вычислительные системы.
Так, например, были созданы кибернетические игрушки типа «электронной мыши»Клода Шеннона, которая управлялась сложной релейной схемой. Эта мышка могла «исследовать»лабиринт, и находить выход из него. Впоследствии, помещенная в уже известный ейлабиринт, она не пыталась искать выход заново, а, используя накопленнуюинформацию, сразу же выходила из лабиринта, не заглядывая в тупиковые ходы.
Американский кибернетик А. Самуэль разработал программу, играющую в шашки.Причем в ходе игры машина обучалась, совершенствуя свою игру на основенакопленного опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшимшашистом в США и победила. Такой высокий результат машине удалось достичьблагодаря вычислению на каждом шагу игры некоторой оценочной функции, числовогопоказателя, оценивающего качество хода. Эта функция была основана на сочетаниях(в виде линейной комбинации с экспериментально подбираемыми коэффициентами илиболее сложным образом) знаний о правилах игры, стратегиях и приемах выигрывания(например, как в шашках, и так и в шахматах обычно невыгодно терять своифигуры, и, напротив, выгодно брать фигуры противника; подвижность фигур и правовыбора ходов позволяет держать под боем большое число полей на доске и пр.), атакже знаниях, относящихся к отдельным стадиям игры – дебюту, миттэндшпилю,эндшпилю. Сравнивая между собой показатели эффективности различных возможных наданном шаге ходов, машина выберет ход, соответствующий наибольшему показателю.Совершенствование игры состоит в подстройке параметров (коэффициентов)оценочной функции на основе анализа совершенных ходов и игр с учетом их исхода.Следует отметить, что все эти элементы интеллекта заложены в программу ееавтором. И хотя машина и совершенствует свою стратегию игры в процессесамообучения, способность выигрывать основана на вычислительной мощности еепроцессора. К примеру, компьютер фирмы IBM, победивший в шахматы мирового чемпиона Каспарова, имел 256 процессоров,каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этоткомплекс мог просчитывать более 100000000 ходов в секунду.
Еще одним примером является программа американского математика Хао Ванга.Эта программа за 3 минуты работы IBM‑704 вывела 220относительно простых лемм и теорем из фундаментальной математическоймонографии, а затем за 8.5 минут выдала доказательства еще 130 более сложныхтеорем, часть их которых еще не была выведена математиками. Правда, до сих порни одна программа не вывела и не доказала ни одной теоремы, которая была быпринципиально новой.
Однако, несмотря на некоторые интересные достижения, попытки созданияуниверсальных программ не привели к существенным открытиям и их промышленномуиспользованию. Разработка таких программ оказалась слишком трудным и, вконечном счете, бесплодным делом. Чем шире класс задач, которые может решатьодна программа, тем беднее оказываются ее возможности при решении конкретнойчастной проблемы.
Дальнейшие исследования в области искусственного интеллекта былисосредоточены не на универсальных алгоритмах решения задач, а на общих методахи приемах программирования, пригодных для создания специализированных программ.Разрабатывались методы представления задачи – способы формулирования проблемытаким образом, чтобы ее можно было легко решить, и методы поиска – эффективныеалгоритмы управления ходом решения задачи. Однако значительного продвижениявперед удалось достигнуть в 70-х годах, когда специалисты начали понимать, чтоэффективность программы при решении задач зависит не только от формализмов иалгоритмов вывода решения, которые она использует, но в первую очередь отзнаний, которые в нее заложены. Новая концепция построения интеллектуальныхсистем привела к развитию специализированных программ со сходной архитектурой,каждая из которых предназначена для решения задач в некоторой узкой предметнойобласти. Эти программы получили название экспертные системы (ЭС).
Назначение экспертных систем
Экспертная система, прежде всего, является программным продуктом, и ееназначение – автоматизация деятельности человека. Однако принципиальнымотличием ЭС от других программ является то, что она выступает не в роли«ассистента», выполняющего за человека часть работы, а в роли «компетентногопартнера» – эксперта-консультанта в какой-либо конкретной предметной области.ЭС аккумулируют в себе и тиражируют опыт и знания высококвалифицированныхспециалистов, позволяют пользоваться этими знаниями пользователям«неспециалистам» в данной предметной области. То есть, ЭС не призваны заменитьсобою эксперта в его непосредственной деятельности, а, напротив, расширяютвозможную сферу применения знаний авторитетных специалистов. Кроме того,способности ЭС решать поставленные перед ними задачи не ослабевают со временеми не забываются при отсутствии практики, легко распространяются, так какявляются компьютерной программой, прекрасно документированы, а значит иаргументированы, при многократном решении одной и той же задачи ЭС выдают однои тоже решение в отличие от человека, который подвержен эмоциональным факторам.Плюс ко всему эксплуатация ЭС значительно дешевле, чем оплата трудачеловека-эксперта.
Хотя указанные преимущества и очевидны, следует отметить, что ЭС необладают интуицией и общими знаниями о мире, их ход и метод решения проблемы неможет выйти за рамки тех знаний, что в них заложены. ЭС также будут бессильныпри решении проблемы в изменяющихся условиях, например, при смене методикирешения или появлении нового оборудования. Эксперты могут непосредственновоспринимать весь комплекс входной сенсорной информации, будь то визуальная,звуковая, осязательная или обонятельная. ЭС воспринимает только символы,которыми представлены знания. Поэтому сенсорную информацию необходимопроанализировать и преобразовать в символьную форму, пригодную для машинной обработки.При преобразовании человеком сенсорной информации неизбежно возникают искаженияи потери, но классифицировать весь поток информации на значимое ивторостепенное или абсурдное способен только человек. Так, например, любойчеловек сразу же выразит свое недоумение, если его попросят найти номертелефона Аристотеля, но едва ли найдется программа, которая скажет, чтодревнегреческие философы не пользовались телефонами.
Таким образом, назначением экспертных систем является консультирование поузкоспециальным вопросам при принятии решений человеком. То есть ЭСиспользуются для усиления и расширения профессиональных возможностей ихпользователей.
Традиционными областями применения экспертных систем являются следующие[4]:
•Интерпретация данных. Это одна из традиционных задач для экспертныхсистем. Под интерпретацией понимается определение смысла данных, результатыкоторого должны быть согласованными и корректными. Обычно предусматриваетсямноговариантный анализ данных.
•Диагностика. Под диагностикой понимается обнаружение неисправности в некоторойсистеме. Неисправность – это отклонение от нормы. Такая трактовка позволяет сединых теоретических позиций рассматривать и неисправность оборудования втехнических системах, и заболевания живых организмов, и всевозможные природныеаномалии. Важной спецификой является необходимость понимания функциональнойструктуры («анатомии») диагностирующей системы.
•Мониторинг. Основная задача мониторинга – непрерывная интерпретация данных вреальном масштабе времени и сигнализация о выходе тех или иных параметров задопустимые пределы. Главные проблемы – «пропуск» тревожной ситуации и инверснаязадача «ложного» срабатывания. Сложность этих проблем в размытости симптомовтревожных ситуаций и необходимость учета временного контекста.
•Проектирование. Проектирование состоит в подготовкеспецификаций на создание «объектов» с заранее определенными свойствами. Подспецификацией понимается весь набор необходимых документов чертеж,пояснительная записка и т.д. Основные проблемы здесь – получение четкогоструктурного описания знаний об объекте и проблема «следа». Для организацииэффективного проектирования и, в еще большей степени, перепроектированиянеобходимо формировать не только сами проектные решения, но и мотивы ихпринятия. Таким образом, в задачах проектирования тесно связываются дваосновных процесса, выполняемых в рамках соответствующей ЭС: процессвывода решения и процесс объяснения.
•Прогнозирование. Прогнозирующие системы логически выводятвероятные следствия из заданных ситуаций. В прогнозирующей системе обычноиспользуется параметрическая динамическая модель, в которой значения параметров«подгоняются» под заданную ситуацию. Выводимые из этой модели следствиясоставляют основу для прогнозов с вероятностными оценками.
•Планирование. Под планированием понимается нахождение планов действий, относящихся кобъектам, способным выполнять некоторые функции. В таких ЭС используются моделиповедения реальных объектов с тем, чтобы логически вывести последствияпланируемой деятельности.
•Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплиныс помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания огипотетическом «ученике» и его характерных ошибках, затем в работе способныдиагностировать слабости в знаниях обучаемых и находить соответствующиесредства для их ликвидации. Кроме того, они способны планировать обучениеученика в зависимости от его успехов.
21.Структура и принцип работы экспертных систем. Схема обобщённой структуры БД
Все ЭС имеют сходную архитектуру. В основе этой архитектуры лежитразделение знаний, заложенных в систему, и алгоритмов их обработки. Так,например, программа решающая квадратное уравнение, несомненно, используетзнание о том, как следует решать этот вид уравнений. Но это знание «зашито»в текст программы и его нельзя не прочитать, не изменить, если исходныетексты программы недоступны. Программы подобного класса весьма удобны для тех,кто решает квадратные уравнения целыми днями. Однако если пользователь хочетрешить другой тип уравнения ему не обойтись без программиста, который сможетнаписать ему новую программу.
Теперь, предположим, задача поставлена несколько иначе: программадолжна считывать при запуске тип уравнения и способ его решения из текстового файла,и пользователь должен иметь возможность самостоятельно вводить новые способырешения уравнений, например, чтобы сравнить их эффективность, точность и пр.Формат этого файла должен быть одинаково «понятен» как компьютеру, так ипользователю. Такой способ организации программы позволит изменять еевозможности без помощи программиста. Даже если пользователь решает только одинтип уравнений новый подход предпочтительней прежнего хотя бы потому, что понятьпринцип решения уравнений, можно просто изучив входной текстовый файл. Данныйпример, несмотря на свою простоту и нетипичность предметной области дляприменения технологии ЭС (для решения математических уравнений обычноиспользуют специализированные пакеты программ, а не экспертные системы), хорошоиллюстрирует особенность архитектуры ЭС – наличие в ее структуре базы знаний,которую пользователь может просмотреть непосредственно или с помощьюспециального редактора.
Базу знаний можно также редактировать, что позволяет изменять работу ЭСбез ее перепрограммирования.
Реальные ЭС могут иметь сложную, разветвленную структуру модулей, но длялюбой ЭС необходимо наличие следующих основных блоков (Рисунок 1–1. Обобщеннаяструктура ЭС):
1. БЗ – база знаний – наиболее ценный компонентядра ЭС, совокупность знаний о предметной области и способах решения задач,записанная в форме, понятной неспециалистам в программировании: эксперту,пользователю и др. Обычно знания в БЗ записываются в форме, приближенной кестественному языку. Форма записи знаний получила название язык представлениязнаний (ЯПЗ). В различных системах могут использоваться различные ЯПЗ.Параллельно такому «человеческому» представлению БЗ может существовать вовнутреннем «машинном» представлении. Преобразование между различными формамипредставления БЗ должно осуществляться автоматически, так как редактирование БЗне подразумевает участие программиста-разработчика.
2.МВ – машина вывода – блок, моделирующий ходрассуждений эксперта на основании знаний, заложенных в БЗ. Машина выводаявляется неизменной частью ЭС. Однако большинство реальных ЭС имеют встроенные средства управлением ходом логического вывода спомощью так называемых метаправил, записываемых в БЗ.
Р – редактор базы знаний – предназначен для разработчиков ЭС. С помощьюэтого редактора в БЗ добавляются новые знания или редактируются существующие.
И – интерфейс пользователя – блок, предназначенный для взаимодействия ЭС спользователем, через который система запрашивает необходимые для ее работыданные, и выводит результат. Система может иметь «жесткий» интерфейс,ориентированный на определенный способ ввода и вывода информации, или можетвключать средства проектирования специализированных интерфейсов для болееэффективного взаимодействия с пользователем.
/>
Рисунок 1–1.Обобщенная структура ЭС22. Характеристики базызнаний и машины вывода ЭС
С точки зрения изучения технологии экспертных систем наибольшийинтерес представляют база знаний и машина вывода, различные аспекты реализациикоторых будут рассмотрены ниже.
В процессе функционирования ЭС считывает информацию из своей базы знаний ипытается осуществить логический вывод решения поставленной перед нейзадачи.
В базе знаний могут храниться два основных вида записей:
· факты, описывающие состояние предметнойобласти, составляющие ее объекты и их свойства, а также
· правила, описывающие способы решения задачи.
Все правила БЗ имеют одинаковую форму записи и состоят из двух частей:
· условие и
· действие.
Предварительным этапом работы ЭС является сбор исходных фактов,описывающих проблему на языке представления знаний. Эти факты могут поступать всистему различными способами:
· в режиме диалога через интерфейс пользователя,
· посредством файлов или баз данных,
· от внешних датчиков или приборов.
После считывания исходной информации машина вывода начинает просмотр базызнаний и последовательно сопоставляет описание задачи с записями БЗ,описывающими ход решения.
Если условие текущего правила БЗ подтверждается множеством исходныхфактов, то система выполняет действие, записанное в данном правиле, добавляя вБЗ новые, производные факты.
На первый взгляд процесс вывода кажется достаточно простым – выполняютсяоднотипные операции по перебору записей БЗ и сравнении их с имеющимися фактами,пока не будет найдено решение или некий целевой факт. Однако, управлениепроцессом вывода, независящее от контекста проблемы не практике малоэффективно. При решении реальных задач человек крайне редко прибегает кперебору данных. Вместо этого, люди пользуются эвристическими правилами, которыезначительно ограничивают пространство поиска решения и позволяет быстро иэффективно решать задачи. Эвристические знания имеют эмпирическую природу, тоесть формируются на базе опыта и интуиции эксперта. Ярким примеромпревосходства эвристического подхода перед алгоритмическим (основанным наполном или частичном переборе) является игра в шахматы [5]. В начале игры«белые» имеют возможность сделать любой из 20 допустимых ходов, в ответ накоторый «черные» могут также совершить один из 20 ходов. Нетрудно посчитать,что следующий ход «белых» может быть выбран уже из 400 возможных различныхсостояний партии. Далее, по мере развития игры возникает неуправляемыйкомбинаторный взрыв. Особенно остро подобная проблема стоит в эндшпиле. Имея понескольку фигур на доске, каждый из игроков располагает более чем 50 вариантамивозможных ходов. Очевидно, шахматные мастера при всем желании не смогли быосуществлять перебор ходов, для поиска лучшего варианта. Вместо этого онииспользуют краткосрочные и долгосрочные стратегии. Каждая конкретная стратегиявыбирается в соответствии с текущей ситуацией на игровой доске.
Другим более простым примером может служить способ строительства стен «сухим»методом. На первом этапе работы имеется большое количество камней различнойформы, из которых нужно сложить ровную и устойчивую стену. Более того, камнимогут подвозиться по мере необходимости, и осмотр всех камней в целях перебораможет быть в принципе невозможен. Строитель вначале не знает, как и какиеименно камни он будет выбирать. В процессе строительства время от времени оносматривает стену, определяет, какие камни остались, и выбирает краткосрочнуюстратегию, в частности, включающую возврат (удаление камней из стены). Имеяодин и тот же набор камней, он, возможно, никогда не построит дважды стенуодинаково.
Существует два основных типа логическоговывода: прямой и обратный.
Прямой вывод соответствует обычному ходу решения задачи – от исходных фактов кцелевым. Примером прямого вывода является задача классификации. ЭС осуществляетпостепенное обобщение исходных фактов, описывающих свойства исследуемогообъекта, выявляя наиболее характерные признаки того или иного класса.
Обратный вывод соответствует, как следует из названия,обратной задаче – определить какие именно факты требуются для подтвержденияданной цели.
Этот тип вывода соответствует противоположному ходу решения:
· сначала машина вывода рассматривает те правилаБЗ, действием которых является вывод целевого факта.
· Затем выбираются новые подцели из условий этихправил, и
· процесс продолжается от целевых фактов кисходным.
Можно сказать, что при обратном выводе происходит конкретизация свойствисследуемого объекта. Этот вид логического вывода наделяет ЭС новымфундаментальным свойством – способностью объяснить, как было полученорешение, или что требуется, для того, чтобы имел место тот или иной факт.
В реальных системах, как правило, используется комбинация из прямого иобратного вывода. А для управления всем процессом логического выводапредназначены метаправила – специальный вид правил БЗ, представляющие собойдирективы машины вывода.
Используя метаправила можно упорядочить применение знаний в зависимости отконкретных значений фактов и текущего состояния БЗ.
Продемонстрировать отличие мета правил от обычных правил можно на примере«игрушечной» ЭС. Пусть задачей этой ЭС является размещение мебели (столов,стульев, парт и пр.) в аудиториях университета с учетом требований эргономики,безопасности и т.д. На основании знаний:
· об оборудовании помещения взависимости от расположения и размеров аудитории,
· от вида занятий (лекции, практика илилабораторные работы) и других параметров,
В БЗ заложены правила предписывающие тот или иной способ размещениямебели. Это обычный вид правил.
Но в данной предметной области может понадобиться уточнить способ решениязадачи с помощью метаправил вида:
«Если имеет место свойство X, то сначалаприменить группу правил N».
Таким метаправилом может быть, например, следующее: «Если аудитория предназначенадля лабораторных занятий, то сначала применить правила, касающиеся компьютерови лабораторного оборудования, а затем мебели».
Если обычные правила БЗ представляют шаги решения задачи, тометаправила описывают стратегию получения решений.
Тот факт, что фактически изменяемой компонентой в архитектуре ЭСявляется БЗ, наталкивает на закономерный вопрос: «Можно ли взять готовуюэкспертную систему из одной предметной области, заложить в нее знания из другойпредметной области, и получить новую ЭС?»
Для редактирования или даже при полной замене содержимого БЗ не требуетсяизменение кода ЭС и привлечение программистов, поэтому такой перенос готовыхпрограммных решений в принципе возможен. Исследования в этом направлениипривели к созданию так называемых оболочек экспертных систем.
Оболочки ЭС включают машину вывода и интерпретатор ЯПЗ, развитый интерфейсразработчика, а также средства проектирования интерфейса пользователя.Наполнение БЗ оболочки позволяет получить ЭС для различных задач. Повторноеиспользование разработанных компонентов ЭС значительно сокращает времяразработки новых ЭС.
Однако, как показала практика применения оболочек ЭС, перенос методоврешений и средств представления знаний из одной области знаний в другую невсегда возможен. Инструментальные средства, успешно применяемые дляодного вида задач, оказываются неэффективными при попытке использовать их длярешения других видов задач. Структура и методы описания знаний, в задачахмедицинской диагностики и поиска неисправностей в электронных схемах,существенно отличаются от тех, что используются при проектированиитехнологических цепочек или выборе конфигурации компьютера.
Таким образом, возникло новое направление исследований – классификацияэкспертных задач, таких как медицинская диагностика, планирование,интерпретация сигналов, и т.п. Были предприняты попытки эвристическойклассификации методов описания знаний и решения проблем в зависимости отрешаемой задачи. Такая классификация стала рассматриваться в качестве этапа,предваряющего выбор методов и инструментов решения задач.23. Особенности технологиисоздания экспертных систем
Как уже было отмечено выше, архитектура различных ЭС, с точки зрениявходящих в нее программных модулей, идентична практически для любых задач.Детали реализации модулей, конечно, могут сильно отличаются в различныхпроектах, но их базовый состав и взаимодействие четко определено. Такимобразом, при создании ЭС основные усилия должны быть сконцентрированына проектировании БЗ, в рамках которого выбирается:
· язык представления знаний,
· способы логического вывода и пр.
То есть, несмотря на то, что по своей сути ЭС это программный продукт,разработка новой ЭС сильно отличается от написания новой программы. В случае жеесли в качестве инструментального средства используется оболочка ЭС, этаппрограммирования вообще исключается из процедуры создания ЭС.
Учитывая вышесказанное, технологию разработки ЭС можно представить схемой,включающей следующие этапы (Рисунок 1–2. Этапы разработки ЭС.):
1. Предварительный этап – этот этап включаетдеятельность предшествующую решению о разработке новой ЭС. В рамках этого этапаосуществляются конкретизация задачи, подбор экспертов в данной предметнойобласти для совместной работы, выбор подходящих инструментальных средств. Главнойособенностью этого этапа является то, что может быть принято решение онецелесообразности разработки ЭС для выбранной задачи.
2. Этап прототипирования – в ходе этого этапасоздается прототип ЭС, предназначенный проверки правильности выбранных средстви методов разработки новой ЭС. К прототипу системы не предъявляются высокиетребования. Основная его задача состоит в иллюстрации возможностей будущейсистемы для специалистов, непосредственно участвующих в разработке, а также дляпотенциальных пользователей. На этом этапе может быть осуществленакорректировка проекта, уточнены время, стоимость и необходимые ресурсы длязавершения работы.
3. Этап доработки – это по сути основной, наиболеерутинный и продолжительный этап работы над ЭС. Все компоненты многократнотестируются и доводятся до соответствия требованиям проекта. Наибольшуюсложность вызывает доработка и доказательство адекватности и эффективности БЗ,так как количество записей в ней может быть на порядок больше, чем в прототипе.
На практике граница между этапами может быть размыта, а сам процесспроектирования является достаточно неформальным, так как связан с исследованиеми попыткой копирования деятельности человека. Большое количество применяемыхэвристик, интуитивный подход к решению задач экспертами делают процесс созданияЭС творческим. Впрочем, формализация технологии ЭС, разработка в ее рамкахматематических методов и алгоритмов формирования и обработки знаний – это иесть суть современной теории ЭС. Еще одной особенностью разработки ЭС являетсяпоэтапное ее внедрение. Первые версии новой ЭС начинают эксплуатироваться вограниченном объеме уже на этапе прототипирования.
/>
Рисунок 1–2.Этапы разработки ЭС24. Нейронные сети как одиниз альтернативных подходов к решению интеллектуальных задач. Структура персептрона,принципы его работы
Нейронные сети
Технология создания структур, подобных структуре мозга, получила названиенейрокибернетика. Физиологами давно установлено, что основой человеческогомозга является большое количество связанных между собой и нервных клеток –нейронов, взаимно влияющих друг на друга посредством электрических сигналов испособных менять свои характеристики. Поэтому усилия нейрокибернетики были сосредоточенына создании элементов, аналогичных нейронам, и их объединении в функционирующиесистемы. Эти системы принято называть нейронными сетями, или нейросетями.
Первые нейросети были созданы в конце 50-х гг. американскими учеными Г. Розенблаттом и П. Мак-Кигюком. Этобыли попытки создать системы, моделирующие человеческий глаз и еговзаимодействие с мозгом. Устройство, созданное ими, получило названиеперсептрона. Оно умело различать буквы алфавита, но было чувствительно ких написанию, например, буквы А, А и А для этого устройства были тремяразными знаками. Но главной особенностью этого устройства была способность кобучению. Перед началом работы устройству демонстрировались обучающие примерысимволов, а затем, после завершения обучения, персептрон мог различатьразличные символы, которым его обучили.
/>
Рисунок 5.3. Структура персептрона
В наиболее простом виде персептрон (Рисунок 5–3. Структура персептрона.)состоит из совокупности чувствительных (сенсорных) элементов (S‑элементов), на которые поступают входные сигналы. S‑элементы случайным образом связаны с совокупностью ассоциативныхэлементов (А-элементов), выход которых отличается от нуля только тогда,когда возбуждено достаточно большое число S‑элементов, подающих сигналы на входы А-элемента.
А-элементы соединены с реагирующими элементами (R‑элементами) связями,коэффициенты усиления (v) которых переменны и изменяются в процессеобучения.
Взвешенные комбинации выходов R‑элементов составляют реакцию системы,которая указывает на принадлежность распознаваемого объекта определенномуобразу. Если распознаются только два образа, то в персептроне устанавливаетсятолько один R‑элемент, который обладает двумяреакциями – положительной и отрицательной. Если образов больше двух, то длякаждого образа устанавливают свой R‑элемент, выходная реакция которогопредставляет линейную комбинацию связанных с ним выходов A-элементов:
/>
где Rj— реакция j‑го R‑элемента; xi– реакция i‑го A‑элемента; νij– вес связи от i‑го A‑элемента к j‑муR элементу; θj– порог j‑го R‑элемента.
Что такое искусственная нейронная сеть. Как работает нейронная сеть
Искусственная нейронная сеть (ИНС, нейронная сеть) – это набор нейронов, соединенных междусобой. Как правило, передаточные функции всех нейронов в нейронной сетификсированы, а веса являются параметрами нейронной сети и могут изменяться.Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторыевыходы – как внешние выходы нейронной сети. Подавая любые числа на входынейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети.Таким образом, работа нейронной сети состоит в преобразовании входного векторав выходной вектор, причем это преобразование задается весами нейронной сети.
Практически любую задачу можно свести к задаче, решаемой нейронной сетью.В этой таблице показано, каким образом следует сформулировать в терминахнейронной сети задачу распознавания рукописных букв.
Задача распознавания рукописных букв
Дано: растровое черно-белоеизображение буквы размером 30x30 пикселов
Надо: определить, какая это буква(в алфавите 33 буквы)
Формулировка для нейронной сети:
Дано: входной вектор из 900двоичных символов (900=30x30)
Надо: построить нейронную сеть с900 входами и 33 выходами, которые помечены буквами. Если на входе нейроннойсети изображение буквы «А», то максимальное значение выходного сигналадостигается на выходе «А». Аналогично нейронная сеть работает для всех 33 букв.
Поясним, зачем требуется выбирать выход нейронной сети с максимальнымуровнем сигнала. Дело в том, что уровень выходного сигнала, как правило, можетпринимать любые значения из какого-то отрезка. Однако, в данной задаче насинтересует не аналоговый ответ, а всего лишь номер категории (номер буквы в алфавите).Поэтому используется следующий подход – каждой категории сопоставляется свойвыход, а ответом нейронной сети считается та категория, на чьем выходе уровеньсигнала максимален. В определенном смысле уровень сигнала на выходе «А» – этодостоверность того, что на вход нейронной сети была подана рукописная буква «A».Задачи, в которых нужно отнести входные данные к одной из известных категорий,называются задачами классификации. Изложенный подход – стандартныйспособ классификации с помощью нейронных сетей.