35. Понятие искусственного интеллекта. Нейрон.

ИИ – спос-сть комп систем к таким действиям, кот назыв бы интеллектом, если бы исх от чела. В наст время выделяют 2 подхода к ИИ: -эксп системы; -нейр сети (НС). НС – самообуч-ся системы, имитир- деят-ть чел- мозга. НС – это распределенные и параллельные системы, способные к адаптивному обучению, путем реакции на положительные и отрицательные воздействия. Предпочтит там, где имеется оч много входных данных, в кот скрыты закономерности. Исп-ся в задачах, где реш можно найти интуитивно. Примен для предсказ рынков, оптимиз товарн и денеж потоков, В основе постр НС - элементарный преобразователь- искусственный нейрон (узел искуств НС, явл – ся упрощ моделью естеств-го нейрона). Схема. Состояние нейрона определяется по формуле:S = ∑xiwi, где n – число входов нейрона x_i – знач i-го входа нейрона w_i – вес i-го синапса. Затем определяется значение аксона нейрона по формуле Y = f(S), где f – активационная ф-ция.

36. Характеристика этапов работы с нейронной сетью.

1. Формирование файла, содерж данные для обуч сети (В кач файла может выст любой структурир документ, его необход переместить в систему). 2.Определение входных и выходных полей(В самом начале работы с НС нужно определит, какая инфа входная, какая будет на вых). 3. Нормализация значений полей(цель - преобразов данных к виду, наиб подходящ для обраб ср-вами Deductor Studio, т.е. данные, поступ на вход, должны иметь числовой тип, а их знач д б распределены в определ диап. Виды норм полей. 1)Линейная(только для непрер числ полей. Позвол привести числа к диап [min..max], т.е. мин числу из исх диап будет соотв min, а макс- max. Все ост знач располож м/у ними. 2)Уник знач-е(для дискр знач(строки, числа или даты, заданные дискретно). Для величин, для котможно задать отнош порядка. Далее они нумер по пор и значения заменяются их порядк номером. 3)Битовая маска(для дискр знач. Для вел, кот можно сравнить на =, не =). Все знач замен порядк номерами , кот расм-ся в виде маски из 0 и 1. 4.Настройка обучающей выборки. Обуч множ-во ‑ включ записи (примеры), кот будут исп-ся непоср-но для обуч сети, т.е. будут содерж входные и желаемые выходные знач.Тестовое множ – исп-ся для проверки рез-тов обуч-я. 5. Настройка нейросети(выбор колич слоев, нейронов в слоях, алгоритм обуч и тд..) Обучение нейросети. Метод обр-го распр-я ошибки– итеративный градиентный алгоритм обучения, кот исп-ся с целью миним среднеквадратич откл-я текущ знач выходов сети от треб-х. Дост-ва: высокая устойч-ть, а след-но, надежность. Недост: долгий процесс обучения Метод Resilent Propogation (Rprop) ‑ эластичное распр-е. Алгоритм исп-ет «обуч-е по эпохам», когда коррекция весов происх после предъявл-я сети всех примеров из обуч выборки. 6. Использование НС.

37. Реинжиниринг бизнес-процессов. Основные принципы.

Бизнес-пр-с - с-ма послед-х, целенаправл-х и регламентир-х видов д-ти, в кот. поср-вом управл-го возд-я и с пом. опр-х р-сов за опред. время входы пр-са преобр. в выходы - в рез-ты, предст-е ценность для потреб-ля и принос-е прибыль изгото-лю.Реинжиниринг бизнесс пр-сов (BPR)) ‑ стратегия, тактика и план преобр-й орг-и, обесп-е её постоянн. соверш-е и достижение поставленных целей.Реинжиниринг б-с-пр-сов - это сов-ть мет-в и д-й, служ-х для перепроектир-я пр-сов в соотв. с изменивш-ся усл-ми внеш. и внутр. среды и/или целями б-са.Осн-е принципы методологии реинжинир-га биз-с пр-сов можно опр-ть след-м обр-м:- процессн. подход к управл-ю; - вовлеч-е сотруд-ов в управл-е орг-й; - повыш-е роли инф-и и инф-х технол-й; - инженерн.подход к провед-ю измен-й. Процессн. подход к управл-ю – предст-е люб. д-ти как системы проц-в. Люб.д-ь, преобразуем. по опр-м правилам с исп-м необх-х р-сов нечто на входе в нечто на выходе, м. наз. пр-сом. Пр-сы м. объед-ся в с-му, с пом. кот. достиг-ся запланир-я цель и кот. сама м.б. предст-на как пр-с, т.е. м.б. сколь угодно сложн. Рез-м выполн-я пр-са д-но стать появл-е нов. вида прод-и, товара или услуги, им-ей ценность для внутр. или внешн. потреб-ля.Вовлеч-е сотрудн-в в упр-е орг-й – сотр-ки представ.интеллект. ресурс, кот. м.б. исп-н как для реш-я текущ. задач упр-я, так и в кач-ве ист-ка инициатив по совершенств-ю пр-сов.Повыш-е роли инф-и и инф-х технол-й – внедр-е и испо-е предлагаем. инф-ми технол-ми инструментальн. CASE-ср-ва (CASE – Computer Aided Software Engineering) для получ-я доп. данн.при оценке исп-х реш-й. Под CASE-ср-ми поним-ся прогр-е ср-ва, поддержив-е пр-сы созд-я и сопровожд-я инф-х систем, включая анализ и форм-ку треб-й, проектиро-е прикладн. прог. обеспеч-я и БД, генер-ю кода, тестир-е, документир-е, обеспеч-е кач-ва, конфигурационн. упр-е и упр-е проектом, а также др. пр-сы. Инженерн. подход к провед-ю изм-й – д-ть орг-и по соверш-ю б-с пр-сов д-на всестор-не оценив-ся и планир-ся до начала внедр-я изм-й. Перед тем как приступ. к изм-м, необх.зафиксир. существ-е полож-е, т.е. разраб. процессн. модель «AS IS» - «как есть». На осн. анализа этой модели с пом. ABC (Activity Based Costing) метода – метода пооперац. оценки затрат, след. опр-ть неэффект-е или высоко затрат. пр-сы и рассм.возм-е альтернат-е реш-я. Для кажд. альтернат-го реш-я д-на быть также постр. процессн. модель «TO BE» - «как будет» или «как д-но быть».Альтернат-е модели также оцен-ся с пом.ABC- метода и на осн-и сравн-я их оценочн. данн. с рез-ми модели «AS IS» дел-ся выбор наиб.перспект-х вар-тов.