64. Типовые информационные технологии, используемые на стратегическом уровне управления

Рассмотрим технологии поддержки принятия решений руководства (ESS - Executive Support Systems).

На высшем, стратегическом уровне структуры управления используются системы, ориентированные в основном на работу с внешними, по отношению к предприятию, данными.

Для них характерна нечеткость, неполнота и противоречивость.

Например, информация о конкурентах, ситуациях на рынке, перспективы изменения тех или иных цен на продукцию, энергоносители, изменение таможенных тарифов и т.д.

Ниже на рисунке - типовые информационные технологии и операции, используемые на стратегическом уровне.

Можно выделить три наиболее распространенных подкласса:

- интеллектуальный анализ данных (BI-технологии: Business Intelligence), который, в свою очередь включеют:

• DM: Data Mining (технологии интеллектуального анализа данных)

• технологии обработки нечеткой информации;

• нейротехнологии.

- системы обработки знаний (экспертные системы)

- агентно-ориентированные системы.

1. Data Maning - поиск закономерностей и связей между различного рода объектами и процессами. (явлениями). Служит для подготовки бизнес-отчетов по продажам, маркетингу, в целях управления, т. н. data mining — добыча данных (способ анализа информации в базе данных с целью отыскания аномалий и трендов без выяснения смыслового значения записей).

Data Mining - мультидисциплинарная область, возникшая и развивающаяся на базе таких наук как прикладная статистика, распознавание образов, искусственный интеллект, теория баз данных и др

Разницу между OLAP –технологией и Data Mining можно продемонстрировать с помощью решения следующей проблемы:

Проблема	Какую задачу можно сформулировать для OLTP-технологии	Какую задачу можно сформулировать для OLAP-технологии	Какую задачу можно сформулировать для DM-технологи
Снижение количества клиентов	Рассчитать количество клиентов по периодам	Какова динамика средних размеров счетов настоящих и бывших клиентов	Какова закономерность в отказе клиентов от наших услуг

Задачи, решаемые с помощью DM-технологий:

• классификации – выявляются признаки, характерные для некоторой группы объектов. Наличие таких признаков позволяет вновь появившийся объект отнести к одному из классов;

• кластеризация – исходные объекты разбиваются на однородные группы (кластеры). Наличие таких групп позволяет принять решение по отношению одной из них;

• выявление ассоциаций, то есть закономерностей, отраженных в данных, фиксирующих наступление каких-либо событий;

• выявление последовательностей, то есть закономерностей, фиксирующих наступление событий с некоторым разрывом во времени.

Создаются средства для решения перечисленных задач, среди которых можно выделить технологию нечетких систем. Существует огромное количество проблем, для решения которых невозможно получить полную и точную информацию. В результате появилось понятие «мягкие вычисления», которые были положены в основу обработки нечетких высказываний (программные пакеты FuzziCalk, CubiCalk, FuzziSoft).

2. Нейросети - предназначенны для воспроизведения неосознанных мыслительных усилий человека в форме нейросетей (NeuroShell, NeuralWorks, Neuro Solution). Нейросети, в отличие от обычных программных систем, не требуют программирования, что ставит их в ряд перспективных средств принятия решений.

Нейронная сеть или нервная система человека – это сложная сеть структур человека, обеспечивающая взаимосвязанное поведение всех систем организма.

Биологический нейрон – это специальная клетка, которая структурно состоит из ядра, тела клетки и отростков. Одной из ключевых задач нейрона является передача электрохимического импульса по всей нейронной сети через доступные связи с другими нейронами. Притом, каждая связь характеризуется некоторой величиной, называемой силой синаптической связи. Эта величина определяет, что произойдет с электрохимическим импульсом при передаче его другому нейрону: либо он усилится, либо он ослабится, либо останется неизменным.

Можно привести следующую сильно упрощенную модель биологической нейронной сети:

Каждый нейрон состоит из тела клетки, которое содержит ядро.

От тела клетки ответвляется множество коротких волокон, называемых дендритами.

Длинные дендриты называются аксонами.

Аксоны растягиваются на большие расстояния, намного превышающее то, что показано в масштабе этого рисунка. Обычно аксоны имеют длину 1 см (что превышает в 100 раз диаметр тела клетки), но могут достигать и 1 метра.

Синапс - (от греч . synapsis - соединение), область контакта (связи) нервных клеток (нейронов) друг с другом и с клетками исполнительных органов. Межнейронные синапсы образуются обычно разветвлениями аксона одной нервной клетки и телом, дендритами или аксоном другой. Между клетками имеется т. н. синаптическая щель, через которую возбуждение передается посредством медиаторов (химический синапс), ионов (электрический синапс) или тем и др. способом (смешанный синапс). Крупные нейроны головного мозга имеют по 4-20 тыс. синапсов, некоторые нейроны - только по одному. ;

Нейронные сети в искусственном интеллекте – это упрощенные модели биологических нейронных сетей.

На этом сходство заканчивается. Структура человеческого мозга гораздо более сложная, чем описанная выше, и поэтому воспроизвести ее хотя бы более менее точно не представляется возможным. На сегодняшний день нейронные сети являются одним из приоритетных направлений исследований в области искусственного интеллекта.

3. Экспертные системы - базируются на моделях знаний (деревья вывода, деревья целей, семантические сети и т.д).

Экспертные системы — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.

Структурные элементы, составляющие экспертную систему, выполняют следующие функции.

База знаний реализует функции представления знаний в конкретной предметной области и управление ими.

Механизм логических выводов выполняет логические выводы на основании знаний, имеющихся в базе знаний.

Пользовательский интерфейс необходим для правильной передачи отве­тов пользователю, иначе пользоваться системой крайне неудобно.

Модуль приобретения знаний необходим для получения знаний от экспер­та, поддержки базы знаний и дополнения ее при необходимости.

Модуль ответов и объяснений формирует заключение экспертной систе­мы и представляет различные комментарии, прилагаемые к заключению, а также объясняет мотивы заключения.

Структура экспертной системы.

Знания в базе знаний представлены в конкретной форме и организация базы знаний позволяет их легко определять, модифицировать и пополнять. Решение задач с помощью логического вывода на основе знаний хранящихся в базе знаний, реализуется автономным механизмом логического вывода. Хотя оба эти компонента системы с точки зрения ее структуры являются независимыми, они находятся в тесной связи между собой и определение модели представления знаний накладывает ограничения на выбор соответствующего механизма логических выводов.

Преимущества экспертных систем:

· Постоянство. Экспертные системы ничего не забывают в отличие от человека-эксперта.

· Воспроизводимость. Можно сделать любое количество копий экспертной системы, а обучение новых экспертов отнимает много времени и средств.

· Эффективность. Может увеличить производительность и уменьшать затраты персонала.

· Постоянство. С использованием экспертных системам подобные транзакции обрабатываются одним и тем же способом. Система будет делать сопоставимые рекомендации для похожих ситуаций.

· Влияние на людей. Новый эффект (самая современная информация, имеющая влияние на здравый смысл). Главный эффект (ранняя информация доминирует над здравым смыслом).

· Документация. Экспертная система может документировать процесс решения.

· Законченность. Экспертная система может выполнять обзор всех транзакций, a человек-эксперт сможет сделать обзор только отдельной выборки.

· Своевременность. Погрешности в конструкциях и-или могут быть своевременно найдены.

· Широта. Могут быть объединены знания многих экспертов, что дает системе больше широты, чем с вероятно может достичь один человек.

· Снижение риска ведения дела благодаря последовательности принятия решения документированности и компетентности.

Недостатки экспертных систем:

· Здравый смысл. В дополнение к широкому техническому знанию, че­ловек-эксперт имеет здравый смысл. Еще не известно, как заложить здравый смысл в экспертные системы.

· Творческий потенциал. Человек-эксперт может реагировать творчески на необычные ситуации, экспертные системы не могут.

· Обучение. Человек-эксперт автоматически адаптируются к изме­не­нию среды; экспертные системы нужно явно модифицировать.

· Сенсорный опыт. Человек-эксперт располагает широким диапазоном сенсорного опыта; экспертные системы в настоящее время основаны на вводе символов.

Экспертные системы не хороши, если решения не существует или когда проблема лежит вне области их компетенции.

Класс экспертных систем сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям: решаемая задача, связь с реальным временем, тип ЭВМ, степень интеграции.

Рассмотренные технологии типовые, они используются в процессе управления объектами в различных областях экономической деятельности: промышленности, связи, транспорте, добывающей отрасли, торговле, банковской и других сферах.

4. Агентно-ориентированные системы в большинстве своем находятся в стадии апробации на реальных объектах.

Агент – это вообще лицо, действующее по поручению кого-либо, представитель учреждения, уполномоченный.

Программный агент – это программа, способная действовать в интересах достижения целей, поставленных перед пользователем.

Они действуют от лица пользователя.

Интеллектуальные программные агенты обладают следующими свойствами:

• автономность – функционирование без вмешательства со стороны своего владельца и контроль внутреннего состояния и своих действий;

• коммуникативность – взаимодействия с другими агентами;

• реактивность – восприятие среды;

• активность- способность генерировать цели и действия рационально;

• наличие базовых знаний о себе, окружающей среде и других агентах.

Особая роль отводиться мобильным агентам – программам, которые могут перемещаться по сети.

Они покидают клиентский компьютер и перемещаются на другой для выполнения своих действий, после чего возвращаются обратно (или не возвращаются).

Например

• агент перемещается на сервер, обрабатывает там данные, посылает их агенту, а затем возвращается;

• агент может отсоединить компьютер от сети и доставить результаты расчетов адресату;

• агент может выполнить расчеты на сервере, где вычислительные мощности достаточные для решения задачи, а затем возвратиться.

Таким образом, программный агент - это «активный искусственный деятель», имеющий цели, мотивацию, обязательства и желания.

Искусственная жизнь – это процесс взаимодействия программных агентов.

Главное направление развития агентно-ориентированных систем связано с поведением в окружающей среде.

В результате их появления стало развиваться искусственное общество, в котором воспроизводятся социальные процессы.

Примером может служить множество агентов, представляющим поведение продавцов бензина (система апробировалась в Западном Йоркшире, Великобритания). Агент пользуется целью максимизировать прибыль и двумя показателями: цена бензина и производственные затраты. Агенты могут наблюдать за соседними бензоколонками. Если их цена отличается, то они уполномочены манипулировать ими в соответствии с правилами. В зависимости от динамики прибыли агент выбирает стратегию поведения.

5. Cloud computing – облачные технологии. Облачные (рассеяные) вычисления (англ. cloud computing, также используется термин Облачная (рассеянная) обработка данных) — технология обработки данных, в которой компьютерные ресурсы и мощности предоставляются пользователю как Интернет-сервис.

Пользователь имеет доступ к собственным данным, но не может управлять и не должен заботиться об инфраструктуре, операционной системе и собственно программном обеспечении, с которым он работает. Термин «Облако» используется как метафора, основанная на изображении Интернета на диаграмме компьютерной сети, или как образ сложной инфраструктуры, за которой скрываются все технические детали

Облачная обработка данных как концепция включает в себя понятия:

инфраструктура как услуга,

платформа как услуга,

программное обеспечение как услуга,

данные как услуга,

рабочее место как услуга

и другие технологические тенденции, общим в которых является уверенность, что сеть Интернет в состоянии удовлетворить потребности пользователей в обработке данных.

Например, Google Apps обеспечивает приложения для бизнеса в режиме онлайн, доступ к которым происходит с помощью Интернет-браузера, в то время как ПО и данные хранятся на серверах Google.