ИТ_Пантелеева_БСТ1904

1)необходимость эффективно сформулировать задачу, определить критерий отбора хромосом,

2)процедура отбора эвристическая (такой, который помогает находить,

обнаруживать что-либо) и под силу только специалисту,

3) не позволяет проанализировать статистическую значимость решения.

Известный программный пакет – Gene Hunter (рисунок 3.2.3.1).

Рисунок 3.2.3.1 – Программный пакет генетического алгоритма Gene Hunter

3.2.4 Метод группового учета аргументов

Данный метод является разновидностью эволюционного программирования. Он позволяет оценивать характеристики исследуемого процесса с помощью последовательных уточнений результатов статистической подгонки наблюдений, при этом зависимость целевых переменных от остальных ведется в форме полиномов, которые так же в свою очередь поддаются анализу и интерпретации.

3.3 Оптимизационные методы

К данным методам относятся методы и алгоритмы, которые решают следующие традиционные оптимизационные задачи:

1)математическое программирование,

2)динамическое программирование,

3)методы систем массового обслуживания,

4)вариационные методы и другие.

Большинство из них не существуют в виде отдельных программных пакетов, а в составе пакетов прикладных программ – Mathcad (1), Matlab (2), Mathematica (3) (рисунок

3.3.1).

Рисунок 3.3.1 – Прикладные программы, использующие оптимизационные методы

3.4 Экспертные методы

Вданные методы входит:

1)ассоциативные средства (метод “ближайшего соседа”),

2)метод последовательного логического вывода,

3)методы представления и визуализации решений,

4)предметно-ориентированные аналитические системы.

Названия условны, так как применяют их исходя из индивидуального опыта эксперта.

3.4.1 Ассоциативные средства

Ассоциативные средства или метод “ближайшего соседа” – для оценки корректности и достоверности решения системы находят в прошлом близкие аналогичные ситуации и выбирают тот же ответ, который был правильным. Известный программный пакет – Pattern

Recognition Workbench (рисунок 3.4.1.1).

Рисунок 3.4.1.1 – Программный пакет на основе метода “ближайшего соседа”

3.4.2 Метод последовательного логического вывода

Самый распространенный – “дерево решений” – использует разбиение данных на группы на основе значений переменных, и как результат получается иерархическая структура операторов “If… then…” в виде дерева. Для классификации необходимо проходить по правой или левой ветви дерева и приходить к ветви с окончательным решением.

Их используют для решения задач классификации и поэтому они наименее

распространены в области финансов и бизнеса.

Достоинства:

1)простое и понятное представление признаков для пользователей,

2)целевая переменная - измеряемые и неизмеряемые признаки – как следствие обширная область применения метода.

Недостатки:

1)сложность во множестве частных случаев, которые не могут давать обоснованных ответов,

2)полезные результаты только в случае независимых признаков.

Известный программный пакет – SIRINA (рисунок 3.4.2.1).

Рисунок 3.4.2.1 – Программный пакет на основе метода последовательного логического вывода

3.4.3 Методы визуализации данных и результатов их анализа

Могут наглядно отображать полученные выводы. Например, графики, таблицы и так

далее (рисунок 3.4.3.1).

Рисунок 3.4.3.1 – Пример возможного результата методов визуализации данных и результатов их анализа

3.4.4 Предметно-ориентированные аналитические системы

Основаны на фиксированных математических моделях, которые отражают определенную теоретическую концепцию. Эксперт выбирает подходящую его условиям и критериям систему и интерпретацию конечного алгоритма. Такие методы просты и доступны, но порой возникают вопросы достоверности и точности полученного результата.

Известный программный продукт – MetaStock (рисунок 3.4.4.1).

Рисунок 3.4.4.1 – Программный продукт на основе предметно-ориентированной аналитической системе

4. Тренды в цифровой трансформации при внедрении систем

интеллектуального анализа данных

Тренды задают направление, показывают наиболее актуальные сферы, спрос. Еще в

2016 году США опубликовали свой план развития цифровой экономики, на данный момент большая часть развитых стран в той или иной степени зафиксировали программы развития.

В России в государственных документов впервые появилось словосочетание

«цифровая экономика» в 2017 году в Стратегии развития информационного общества.

Итак, общие тренды:

1) технологическое развитие,

Идет гонка в технологическом развитии, роботизация, 5G, новые материалы, чипы,

все больше и больше (рисунок 4.1).

Рисунок 4.1 – Динамика затрат на новые и традиционные ИКТ в мире, млрд долл.

2) Сокращение жизненного цикла технологий из-за появления все более новых технологий и повышенного спроса на технологические продукты (рисунок 4.2),

Рисунок 4.2 – Пример оценки траектории жизненного цикла по методологии TPRL

3)Ускоренная цифровизация вследствие Covid-19,

4)Проблемы кибербезопасности.

4.1Тренды цифровой трансформации в России

Президент Российской Федерации в национальных целях развития страны на период до 2030 г закрепил необходимость цифровизации. Так, необходимо увеличить доли массовых социально значимых услуг, доступных в электронном виде, до 95%; увеличить рост доли домохозяйств, которым обеспечена возможность широкополосного доступа к Интернету, до 97%; увеличить вложения в отечественные решения в сфере информационных технологий в 4 раза по сравнению с показателем 2019 г. На рисунке 4.1.1

мы можем увидеть визуализацию спроса на цифровые технологии, взятую из исследования НИУ ВШЭ.

Рисунок 4.1.1 – Спрос на цифровые технологии в России

4.1.1 Расширение границ применения ITSM-систем

ITSM (IT Service Management) в традиционном понимании призван обеспечивать развитие и эксплуатацию основных ИТ-услуг на предприятии. В настоящее время современная ITSM-система не может замыкаться только на ИТ и ограничиваться привычными классическими процессами ITIL, поэтому, чтобы отвечать потребностям цифровой трансформации, происходит расширение границы применения ITSM-практик в смежные области ИТ-деятельности.

В связи с данными особенностями произошли следующие изменения в функционале на основе базы Naumen Service Desk:

1) Управление разработкой и жизненным циклом продукта или сервиса

(рисунок 4.1.1.1).

Рисунок 4.1.1.1 – Канбан доска

Автоматизация и управление DevOps-процессами возможны через интеграции

Naumen Service Desk с репозиториями кода (например, Gitlub) и средствами непрерывной интеграции ПО (например, Jenkins) для обеспечения сотрудников единым окном выполнения задач, без необходимости переключаться между несколькими инструментами

(рисунок 4.1.1.2).

Рисунок 4.1.1.2 – Процесс разработки

2) Совмещение управления проектной и операционной деятельностью в ITSM-

системе.

Руководитель проекта может отслеживать ход работ, оценивать рентабельность и риски проекта (рисунок 4.1.1.3).

Рисунок 4.1.1.3 – Диаграмма Ганта

3) Управление взаимодействием с подрядчиками как составляющим единой цепочки создания ценности.

Ключевой элемент трансформации — возможность компаний быстро собирать обратную связь и на этой основе быстро проводить любые изменения и запускать новые продукты и сервисы, внутренние и внешние поставщики должны стать единой частью ИТ-

ландшафта предприятия наряду с инфраструктурой и процессами (рисунок 4.1.1.4).

Рисунок 4.1.1.4 – Схема вовлечения подрядчиков

4.1.2 Enterprise service management – управление сервисными службами за

пределами IT

Enterprise Service Management (ESM) – организация внутренней деятельности

компании в соответствии с сервисным подходом для повышения эффективности бизнеса в

целом.

Трендовые сервисные процессы за пределами IT:

1)Управление административно-хозяйственной поддержкой.

2)Управление фронт-офисом.

3)Финансовый учет и бюджетирование.

4)Управление персоналом.

Все услуги внутренних служб упаковываются в один суперсервис. Пример: процесс приема сотрудника на работу.

4.1.3 Переход от классического мониторинга к интеллектуальному управлению

ит-ландшафтом

Сделать работу ИТ-инфраструктуры открытой и гибкой позволяет переход от интуитивного управления ИТ-ландшафтом к управлению, основанному на объективной информации: Data Driven Management, выстраивание высокоуровневых процессов, таких как управление событиями, мощностями, доступностью и непрерывностью, изменениями.

Для обеспечения этих процессов объективной информацией нужны источники данных,

которые классические событийные системы инфраструктурного мониторинга предоставить уже не могут – системы зонтичного и предиктивного мониторинга, которые позволяют использовать всю мощь технологий машинного обучения (Machine Learning) и анализа больших данных (Big Data).

На рисунке 4.1.3.1 представлен зонтический мониторинг.

Рисунок 4.1.3.1 – Зонтический мониторинг

Путь к внедрению и использованию интеллектуальных инструментов управления ИТ-ландшафтом предполагает прохождение следующих этапов повышения зрелости процессов: