.Почему бизнес заинтересован в искусственноминтеллекте?
Хотя ИИ-приложения более ограничены, чем человеческийинтеллект,они представляют большой интерес для бизнеса по следующимпричинам:
Онихранятинформациювактивнойформевкачествеорганизационнойпамяти, создавая базу знаний организации, к которой могут обращатьсяболь-
шинство служащих, и сохраняя экспертные знания, которые могут бытьутеря-ны в случае, если авторитетный эксперт покинетфирму.
Они формируют механизм, не подвластный таким человеческимчувствам,как усталость и тревога. Он может быть особенно полезен, если заданияэколо-гически, физически или морально опасны для людей. Эти системы такжемогутбыть полезны советникам во временакризиса.
Они принимают на себя рутину и неприятные работы,выполняемыелюдьми.
Они расширяют базу знаний организации, предлагая решения рядапро-блем, слишком громоздких и сложных, чтобы бытьпроанализированнымилюдьми за короткоевремя.
.Что такое интеллектуальный анализданных?
Системы класса Business intelligence (BI) - это информационныесистемы,предназначенные для построения отчетов и анализа информации одеятельно-стипредприятияиегоокружениявходеработынадзадачами,связаннымиспринятием решений на основе фактических данных. Системы BIвключаюттакже инструменты, используемые для преобразования, хранения,моделирова-ния, доставки и трассировки информации. BI- технологии позволяютанализи-ровать большие объемы информации, заостряя внимание пользователейлишьна ключевых факторах эффективности, моделируя исход различныхвариантовдействий, отслеживая результаты принятия тех или иных решений. СпомощьюИС этого класса лица, принимающие решения, должны прииспользованииподходящих технологий получать нужные сведения и в нужное время.
Другие возможные и часто встречающиеся переводы термина нарусскийязык - бизнес-анализ и интеллектуальный анализ данных. Использованиепро-грамм финансового анализа позволяет организации: ускорить иупроститьпроцесс получения прогнозов развития финансовой ситуации напредприятии.Компьютерная техника позволяет проводить сложные математическиевычис-ления в максимально короткий промежуток времени, причем исключается«че-ловеческий фактор» - ошибки, которые может сделать человек поневниматель-ности. иметь подготовленные на единой методологической основевариантыпоследствий управленческих решений. Использование комплексакомпьютер-ных моделей позволит формировать единую стратегию финансовогоуправле-ния на предприятии и является стимулом к формированиюаналитическойслужбы предприятия как единого законченного подразделения.оптимизироватьпроцесс обработки и получения необходимой финансовой информации.Дан-ные для анализа экспортируются из программ бухгалтерского учета,обрабаты-ваются, и сразу же выносится заключение о финансовом состоянии ипрогноз-наядинамиканабудущеекаквтабличнойформе,таки,какправило,ввидеграфиков идиаграмм.
В основе технологии BI лежит организация доступа конечныхпользова-телей и анализ структурированных количественных по своей природе данныхиинформации о бизнесе. BI порождает итерационный процессбизнес-пользователя,включающийдоступкданнымииханализ,итемсамымпрояв-ление интуиции, формирование заключений, нахождение взаимосвязей,чтобыэффективно изменять предприятие в положительную сторону. BI имеетширо-кий спектр пользователей на предприятии, включая руководителей ианалити-ков.
Сегодня BI-системы, как правило, включают следующиеинструменты:генераторы запросов и отчетов, инструменты добычи данных (data mining),ин-струменты оперативной аналитической обработки (OLAP) идр.
Генераторы запросов и отчетов - инструменты, предоставляющиепользо-вателям доступ к базам данных, выполняющие некоторый анализ иформирую-щие отчеты. Запросы могут быть как незапланированными, так и иметьрегла-ментный характер. Современные BI-системы имеют возможности созданиярассылок, публикации отчетов на Web, механизмы извещения о событияхилиотклонениях.
Добыча данных (data mining) представляет собой процессобнаруженияскрытыхкорреляций,тенденций,шаблонов,связейикатегориймеждупере-менными в больших массивах необработанных данных. Она выполняетсяпутемтщательного исследования данных с использованием технологийраспознава-ния шаблонов, а также статистических и математических методов. Приразвед-кеданныхмногократновыполняютсяразличныеоперацииипреобразованиянад сырыми данными (отбор признаков, стратификация, кластеризация,визуа-лизация и регрессия), которыепредназначены:
для нахождения представлений, которые являются интуитивнопонят-ными для людей, которые, в свою очередь, лучше понимают бизнес-процессы,лежащие в основе ихдеятельности;
для нахождения моделей, которые могут предсказать результатилизначение определенных ситуаций, используя исторические илисубъективныеданные.
Английский термин «data mining» не имеет однозначного переводанарусский язык (добыча данных, вскрытие данных, разведка данных,информаци-онная проходка, извлечение данных/информации) поэтому в большинствеслу-чаев используется в оригинале. Наиболее удачным непрямым переводомсчита-ется термин «интеллектуальный анализ данных»(ИАД).
Важное положение data mining - нетривиальность разыскиваемыхшабло-нов. Это означает, что найденные шаблоны должны отражатьнеочевидные,неожиданные регулярности в данных, составляющие так называемыескрытыезнания.
Инструменты data mining позволяют решать следующиезадачи:
классификация - отнесение входного вектора (объекта, события,наблю-дения) к одному из заранее известныхклассов;
кластеризация - разделение множества входных векторов на группы(кла-стеры) по степени «похожести» друг надруга;
сокращение описания - для визуализации данных, лаконизмамоделей,упрощения счета и интерпретации, сжатия объемов собираемой ихрани-мойинформации;
ассоциация - поиск повторяющихся образцов. Например, поиск«устой-чивых связей в корзине покупателя» - вместе с пивом частопокупаюторешки;
прогнозирование;
анализ отклонений - например, выявление нетипичной сетевойактивно-сти позволяет обнаружить вредоносныепрограммы;
визуализация - наглядное пользователю представлениеданных.
OLAP - технология обработки информации, включающая составлениеидинамическую публикацию отчетов и документов. Используетсяаналитикамидля быстрой обработки сложных запросов к базеданных.
Причина использования OLAP для обработки запросов - это скорость.Ре-ляционные базы данных хранят сущности в отдельных таблицах,которыеобычнохорошонормализованы.Этаструктураудобнадляоперационныхбазданных, но сложные многотабличные запросы в ней выполняютсяотноситель-номедленно.Болеехорошеймодельюдлязапросов,анедляизменения,явля-ется пространственная база данных. OLAP делает мгновенный снимокреляци-онной базы и структурирует ее в пространственную модель для запросов.Заяв-ленное время обработки запросов в OLAP составляет около 0,1% отаналогич-ных запросов в реляционную базуданных.
OLAP-структура, созданная из рабочих данных, называетсяOLAP-куб.Кубсоздаетсяизсоединениятаблицсприменениемсхемызвезды.Вцентре
«звезды» находится таблица фактов, которая содержит ключевые факты, поко-торым делаются запросы. Множественные таблицы с измерениямиприсоеди-нены к таблице фактов. Эти таблицы показывают, как могутанализироватьсяагрегированные реляционные данные. Количество возможныхагрегированийопределяется количеством способов, которыми первоначальные данныемогутбыть иерархическиотображены.
ПримерOLAP-кубапредставленнарис.12.Каждыйсрезтакогоотчета-кубаназываетсяизмерением.СредстваOLAPпозволяютисследоватьданныепо различным произвольным измерениям. Пользователи могут выбрать,какиепоказателианализировать,какиеизмеренияикакотображатьвотчете,обме-нять строки и столбцы, сделать срезы и вырезки («slice&dice»), чтобысконцен-трироваться на определенной комбинации размерностей. Можно изменятьде-тальность данных, двигаясь по уровням с помощью детализации иукрупнения
(«drilldown/rollup»),атакжекросс-детализации(«drillacross»)черездругиеизмерения.
Рисунок 12.OLAP-куб
Отметим,чтовотличиеотиспользованияOLAPразведкаданныхвзна-чительно меньшей степени направляется пользователем, вместо этогополагает-ся на специализированные алгоритмы, которые устанавливаютсоотношениеинформации и помогают распознать важные (и ранее неизвестные)тенденции,свободные от предвзятости и предположений пользователя. Средстваdatamining отличаются от средств OLAP тем, что вместо проверкипредполагаемыхвзаимозависимостей, они на основе имеющихся данных могут производитьмо-дели, позволяющие количественно оценить степень влияния исследуемыхфак-торов. Кроме того, средства data mining позволяют создавать новые гипотезыохарактере неизвестных, но реально существующих отношений вданных.
Таблица 1. Примеры формулировок задач при использованииметодовOLAP и DataMining
Кроме перечисленных инструментов, в состав BI могут входитьследую-щие средства анализа: пакеты статистического анализа и анализ временныхря-
довиоценкирисков;средствамоделирования;пакетыдлянейронныхсетей;средства нечеткой логики и экспертные системы. Дополнительно нужноотме-тить средства для графического оформления результатов: средства деловойинаучно-технической графики; «приборные доски», средства визуализациимно-гомерныхданных.
Несмотря на то, что модуль финансового планирования с системамибиз-нес-аналитикисталустанавливатьсяуженасистемахMRP-II,многиероссий-ские предприятия предпочитают пользоваться отечественнымиразработкамисистем BI, которые лучше ориентированы под отечественные условияведениябизнеса. В качестве примера систем бизнес-аналитики отметим российскиераз-работки «ИНЭК-Аналитик», «Audit Expert», «Альт- Финансы»,«АБФИ-Предприятие» и западные «титаны» рынка - Business Objects, Cognos,OLAP-сервисы MS SQL Server идр.