Системы поддержки принятия решений (DSS)

Оперативная аналитическая обработка данных (OLAP)

Системы, ориентированные на анализ данных

Хранилища данных

 

Глобализация и развитие финансовых рынков, средств электронной коммерции и формирование в Интернете доступных для анализа баз данных финансово-экономической информации, снижение стоимости программной реализации ИС, привели к резкому росту их использования в экономике и дальнейшему развитию.

Естественным результатом развития обычных информационных систем стали - интеллектуальные информационные системы (ИИС), которые, используя наиболее наукоемкие технологии, обеспечивают не только подготовку информации для принятия решений, но и выработку вариантов решений, опирающихся на полученные информационной системой данные.

Отличие ИИС от традиционных ИС заключается в реализации инструментов основанных на «искусственном интеллекте». Работы в области искусственного интеллекта ведутся давно. Однако, только в последний период развитие и внедрение экспертных систем, получение результатов их практического применения, показали, что подобные инструменты могут быть хоро­шим дополнением или заменой специалиста предметной области принимающего решения в форме вы­бора одной из альтернативных гипотез на основании наблюдаемых данных.

Эти результаты стимулировали применение технологий и методов искусствен­ного интеллекта в самых разных отраслях экономики.

Первые экспертные системы были оторваны от корпоративных информацион­ных систем и строились как самостоятельные программы, имели собственную организацию хранения данных и знаний. Поэтому возникали проблемы, связанные с высокой трудоемкостью создания и реорга­низации базы знаний традиционными методами интервьюирования экспертов, а также с загрузкой, хранением и актуализацией больших объемов данных. Новая волна и значительный эффект от применения технологии искусст­венного интеллекта получены в результате разработки и применения интел­лектуальных информационных систем, явившихся синтезом экспертных и ин­формационных систем. Создание ИИС стало естественным продолжением широкого применения информационных систем классического типа.

 

Системы поддержки принятия решений (СППР) (DSS – Decision Support System) (слд с эф 151)– это синтез экспертных и ин­формационных систем. В этом случае потребовался значительно больший объем информации как собственно о предприятии, так и о его окружении, т.е. природных, политиче­ских, экономических и других факторах, конкурентах, поставщиках и т.д., а также значительно более сложные вычисления, необходимость учета слабо формализуемых факторов, высокий уровень интерфейса. Поставленные зада­чи реализованы в системах поддержки принятия решении (СППР - DSS).

Модель принятия решения включает три основных циклически повторяющихся этапа: сбор и исследование данных, разработка вариантов решения и выбор одного из них... (По Саймону (Herbert A. Simon), Паркеру (Charles Parker) и Кейсу (Thomas Case))

 

Их отличи­тельная черта — значительно более высокий уровень «интеллекта», чем у обычных интегрированных систем управления производством; наличие спе­циальных процедур для отбора и ввода данных, в том числе и по расписанию из различных внешних систем. В DSS производится заблаговременное вычис­ление (в целях обеспечения уменьшения времени реакции) агрегированных данных, часто используемых в запросах; используется специальная организа­ция хранения данных, обеспечивающая возможность многоаспектного поиска с изменяемой глубиной агрегирования/дезагрегирования данных. Эта техноло­гия получила название хранилищ и витрин данных в сочетании с OLAP (опе­ративная аналитическая обработка данных).

Наиболее мощные фирмы, разрабатывающие системы управления базами данных (СУБД) (слд 152) — ORACLE, SYBASE, Microsoft, — поставляют на рынок системы, в которые DSS входят как компонента. В состав таких входят тех­нологии искусственного интеллекта — нейронные сети, интеллектуальный анализ данных. Объектно-ориентированная структура этих баз данных сде­лала реальностью идеологию фреймов, разработанную в рамках искусствен­ного интеллекта.

Архитектуры систем поддержки принятия решений (слд 153)

На сегодняшний день можно выделить четыре наиболее популярных типа архитектур систем поддержки принятия решений:

1. Функциональная СППР.

2. Независимые витрины данных.

3. Двухуровневое хранилище данных.

4. Трехуровневое хранилище данных.

Функциональная СППР

Функциональная СППР (Рисунок 1) является наиболее простой с архитектурной точки зрения. Такие системы часто встречаются на практике, в особенности в организациях с невысоким уровнем аналитической культуры и недостаточно развитой информационной инфраструктурой.

Рисунок 1. Функциональная СППР

Характерной чертой функциональной СППР является то, что анализ осуществляется с использованием данных из оперативных систем.
Преимущества:

• Быстрое внедрение за счет отсутствия этапа перегрузки данных в специализированную систему
• Минимальные затраты за счет использования одной платформы

Недостатки:

• Единственный источник данных, потенциально сужающий круг вопросов, на которые может ответить система
• Оперативные системы характеризуются очень низким качеством данных с точки зрения их роли в поддержке принятия стратегических решений. В силу отсутствия этапа очистки данных, данные функциональной СППР, как правило, обладают невысоким качеством
• Большая нагрузка на оперативную систему. Сложные запросы могут привести к остановке работы оперативной системы, что весьма нежелательно

СППР с использованием независимых витрин данных

Независимые витрины данных (Рисунок 2) часто появляются в организации исторически и встречаются в крупных организациях с большим количеством независимых подразделений, зачастую имеющих свои собственные отделы информационных технологий.

Рисунок 2. Независимые витрины данных

Преимущества:

• Витрины данных можно внедрять достаточно быстро
• Витрины проектируются для ответов на конкретный ряд вопросов
• Данные в витрине оптимизированы для использования определенными группами пользователей, что облегчает процедуры их наполнения, а также способствует повышению производительности

Недостатки:

• Данные хранятся многократно в различных витринах данных. Это приводит к дублированию данных и, как следствие, к увеличению расходов на хранение и потенциальным проблемам, связанным с необходимостью поддержания непротиворечивости данных
• Потенциально очень сложный процесс наполнения витрин данных при большом количестве источников данных
• Данные не консолидируются на уровне предприятия, таким образом, отсутствует единая картина бизнеса

 

СППР на основе двухуровневого хранилища данных

Двухуровневое хранилище данных (Рисунок 3) строится централизованно для предоставления информации в рамках компании. Для поддержки такой архитектуры необходима выделенная команда профессионалов в области хранилищ данных.

 

 

Рисунок 3. Двухуровневое хранилище данных

Это означает, что вся организация должна согласовать все определения и процессы преобразования данных.

Преимущества:

• Данные хранятся в единственном экземпляре
• Минимальные затраты на хранение данных
• Отсутствуют проблемы, связанные с синхронизацией нескольких копий данных
• Данные консолидируются на уровне предприятия, что позволяет иметь единую картину бизнеса

Недостатки:

• Данные не структурируются для поддержки потребностей отдельных пользователей или групп пользователей
• Возможны проблемы с производительностью системы
• Возможны трудности с разграничением прав пользователей на доступ к данным

 

СППР на основе трёхуровневого хранилища данных

Хранилище данных представляет собой единый централизованный источник корпоративной информации. Витрины данных представляют подмножества данных из хранилища, организованные для решения задач отдельных подразделений компании. Конечные пользователи имеют возможность доступа к детальным данным хранилища, в случае если данных в витрине недостаточно, а также для получения более полной картины состояния бизнеса.

 

Рисунок 4. Трёхуровневое хранилище данных

Преимущества:

• Создание и наполнение витрин данных упрощено, поскольку наполнение происходит из единого стандартизованного надежного источника очищенных нормализованных данных
• Витрины данных синхронизированы и совместимы с корпоративным представлением. Имеется корпоративная модель данных. Существует возможность сравнительно лёгкого расширения хранилища и добавления новых витрин данных
• Гарантированная производительность

Недостатки:

• Существует избыточность данных, ведущая к росту требований на хранение данных
• Требуется согласованность с принятой архитектурой многих областей с потенциально различными требованиями (например, скорость внедрения иногда конкурирует с требованиями следовать архитектурному подходу)

 

ХРАНИЛИЩЕ ДАННЫХ (ХД)

Термин «создание Хранилищ Данных» (data warehousing) описывает про­цесс сбора, очистки и просеивания данных из различных рабочих систем, а также предоставление широкой аудитории бизнес-пользователей непосред­ственного доступа к полученной информации. Хранилище Данных (ХД) вы­полняет функции предварительной подготовки и хранения данных для лиц, принимающих решения (ЛПР) на основе информации из баз данных пред­приятия, а также информации из сторонних источников, которые в доста­точном количестве стали доступны на рынке информации. Концепция ХД предполагает не просто единый логический взгляд на данные организации, а действительную реализацию единого многоаспектного информационного ресурса.

 

Современные витрины данных должны:

o хранить сотни гигабайт данных и обеспечивать сложные разновидности аналитической обработки, например, из области добычи данных (data mining);

o обеспечивать удаленный доступ к витрине данных для сотен пользовате­лей с использованием технологии Internet и Intranet;

o централизованно администрировать и управлять многими витринам дан­ных, которые могут содержать несогласованные и конфликтующие дан­ные.

 

Интеллектуальные технологии

Искусственный интеллект (слд 162) – это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считавшимися интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка. (Гаврилова, Хорошевский. Базы знаний ИС.)

Центральная задача интеллектуальных технологий – это получение и обработка знаний. Системы, ядром которых является база знаний или модель предметной области, описанная на языке сверхвысокого уровня, приближенном к естественному, называют интеллектуальными.

(Слд 163) Инструментальная среда ИИС с СППР предназначена для анализа данных ме­тодами, относящимися к технологии «data mining» (извлечение знаний). Ос­новная задача технологии извлечения знаний состоит в выявлении в боль­ших наборах данных скрытых закономерностей, зависимостей и взаимосвя­зей, полезных при принятии решений на различных уровнях управления. Такие закономерности представляются в виде моделей различного типа, позволяющих проводить классификацию ситуаций или объектов, прогнозиро­вать их поведение, выявлять группы сходных объектов и т.п. Модели стро­ятся автоматически на основе анализа имеющихся данных об объектах, на­блюдениях и ситуациях с помощью специальных алгоритмов, без привлечения экспертов.

Системы поддержки принятия решений — квазиинтеллектуальные системы, поскольку они призваны автоматизировать не сам процесс оценки предпочтительности гипотез или выбора варианта решения, а только готовят аналитические обобщенные данные для оконча­тельного выбора решения специалистом-менеджером.

Важность этих систем для теории и практики искусственного интеллекта определяется двумя обстоятельствами: (СЛАЙД 164)

· в DSS реализуется поиск аналитических зависимостей или агрегатов, при использовании которых правила принятия решений, т.е. зависимости ме­жду наблюдаемыми данными и гипотезами становятся более простыми;

· в структуре специализированных процессоров или архитектур этих сис­тем реализуются некоторые начальные этапы технологии обработки дан­ных, характерных для технологии искусственного интеллекта. Это отно­сится к организации хранения и обработки больших объемов данных в виде многомерных кубов с учетом семантических взаимосвязей.

Т.О., вначале ИИС, называемые также системами, основанными на знаниях, рассматривались как средство, по­зволяющее не экспертам принимать решения с таким же качеством, как один или более экспертов в конкретной области. Однако очень быстро ста­ло ясно, что эта технология в действительности способна к достижению большего объема знаний и более быстрого и более адекватного реагирования, чем группа спе­циалистов.

Следовательно, наиболее очевидным преимуще­ством интеграции некоторых форм искусственного интеллекта в процессе принятия решений по сравнению с постоянным консультированием с груп­пой экспертов обычно является более низкая стоимость и большее соответ­ствие результатов решаемой задаче.

Для ИИС характерны следующие признаки: (СЛАЙД 165)

· развитые коммуникативные способности: возможность обработки произ­вольных запросов в диалоге на языке максимально приближенном к ес­тественному (система естественно-языкового интерфейса — СЕЯИ);

· направленность на решение слабоструктурированных, плохо формали­зуемых задач (реализация мягких моделей);

· способность работать с неопределенными и динамичными данными;

· способность к развитию системы и извлечению знаний из накопленного опыта конкретных ситуаций;

· возможность получения и использования информации, которая явно не хранится, а выводится из имеющихся в базе данных;

· система имеет не только модель предметной области, но и модель самой себя, что позволяет ей определять границы своей компетентности;

· способность к аддуктивным выводам, т.е. к выводам по аналогии;

· способность объяснять свои действия, неудачи пользователя, предупреж­дать пользователя о некоторых ситуациях, приводящих к нарушению це­лостности данных.

 

ИИС можно классифицировать по разным основаниям. На рис. приведен один из вариантов классификации ИИС. (СЛАЙД 166)

 

Необходимо отметить, что до появления термина ИИС, эти системы назывались экспертными. Традиционно считается, что ЭС содержит базу данных, базу знаний, интерпретатор правил или машину вывода, компоненту объяснения и есте­ственно-языкового интерфейса, обеспечивающих связный дискурс, т.е. диа­лог пользователя и системы с попеременным переходом инициативы. (СЛАЙД 167, СЛАЙД 168)

 

Отличительные особенности ИИС по сравнению с обычными ИС со­стоят в следующем: (СЛАЙД 169)

· интерфейс с пользователем на естественном языке с использованием бизнес-понятий, характерных для предметной области пользователя;

· способность объяснять свои действия и подсказывать пользователю, как правильно ввести экономические показатели и как выбрать подходящие к его задаче параметры экономической модели;

· представление модели экономического объекта и его окружения в виде базы знаний и средств дедуктивных и правдоподобных выводов в соче­тании с возможностью работы с неполной или неточной информацией;

· способность автоматического обнаружения закономерностей бизнеса в ранее накопленных фактах и включения их в базу знаний.

ИИС особенно эффективны в применении к слабо структурированным задачам, в которых пока отсутствует строгая формализация, и для решения которых применяются эвристические процедуры, позволяющие в большин­стве случаев получить решение. Отчасти этим объясняется то, что диапазон применения ИИС необычайно широк: от управления непрерывными техно­логическим процессами в реальном времени до оценки последствий от на­рушения условий поставки товаров по импорту.

(ЭВРИСТИЧЕСКИЕ методы -

Нейросетевые системы

Общие сведения о НС

Несмотря на бурное развитие информационных технологий и их широкое использование, достаточно трудно ответить на вопрос о том, как конкретно в экономической сфере возникает и используется информация, которая может приносить при­быль. Исследования почти всегда показывают, что никакая устойчивая стратегия торговли не дает постоянной прибыли, и это, во всяком случае, так, если учитывать еще и расходы на совершение сделок. Хорошо извест­но также, что участники рынка (и весь рынок в целом) могут принимать совершенно различные решения исходя из сходной или даже неизменной информации.

Участники рынка в своей работе, как правило, имеют в запасе несколько сценариев действий, и то, какой из них пускается в ход, зависит подчас от внешних незаметных признаков. Один из возможных подходов к многомерным и зачастую плохо формализуемым задачам заключается в том, чтобы по возможности подражать образцам пове­дения участников рынка, используя такие методы искусственного интеллек­та.

На моделирование процессов принятия решений этими методами было потрачено много усилий. Оказалось, однако, что многие методы реализованные в экспертных системах в сложных ситуациях хорошо работают лишь тогда, когда системе присуща внутренняя стационарность (т.е. когда на каждый входной вектор имеется единственный не меняющийся со временем ответ).

Нейронные сети предлагают совершенно новые многообещающие воз­можности для участников рынка, которым по роду своей деятельности приходится решать задачи в условиях небольших априорных знаний о среде.

Характер разработок в области нейронных сетей принципиально от­личается от экспертных систем: последние построены на утверждениях типа «если..., то...», которые нарабатываются в результате длительного процесса обучения системы, а прогресс достигается, главным образом, за счет более удачного использования формально-логических структур.

В основе нейронных сетей лежит преимущественно-поведенческий подход к решаемой задаче: сеть «учится на примерах» и подстраивает свои пара­метры при помощи так называемых алгоритмов обучения через механизм обратной связи.

Проблемная специализация

⇐ Предыдущая3456789101112Следующая ⇒

Поделиться:

Популярное:

1. B. Функции языка как театральной коммуникативной системы
2. II этап. Обоснование системы показателей для комплексной оценки, их классификация.
3. II. НЕПОСРЕДСТВЕННОЕ ОБСЛЕДОВАНИЕ ДЫХАТЕЛЬНОЙ СИСТЕМЫ У ДЕТЕЙ
4. XVI. Основные правовые системы современности.
5. АВТОМАТИЗИРОВАННЫЕ ИНФОРМАЦИОННО – УПРАВЛЯЮЩИЕ СИСТЕМЫ
6. Автоматизированные системы управления
7. Алгоритм перевода чисел из одной системы счисления в другую
8. Альтернативный подход к принятию кредитных решений
9. АНАЛИЗ СИЛЬНЫХ И СЛАБЫХ СТОРОН, ВОЗМОЖНОСТЕЙ И УГРОЗ организации (предприятия) системы потребительской кооперации
10. Анализ структуры и выполняемые функции информационной подсистемы «Кадры» ОГУ
11. Анализ эффективности работы видеосистемы
12. АНАТОМИЯ И ФИЗИОЛОГИЯ ДЕТОРОДНОЙ СИСТЕМЫ