ИНФОРМАЦИООНЫЙ_МЕНЕДЖМЕНТ / Бочаров_Интегрированные корпоративные ИС(галактика)

ются методом «обучения без учителя» специального вида нейрон­ ных сетей - сетей Кохонена [10, 24].

3. Выявление ассоциаций. Ассоциация - закономерность в дан­ ных, фиксирующая наступление двух (или более) одновременных событий. Типичный пример ассоциации исследуется в задаче оп­ ределения пар одновременно покупаемых продуктов (телевизо­ ры и видеомагнитофоны, зубные пасты и зубные щетки и т.д.).

4.Выявление последовательностей. Последовательность - за­ кономерность в данных, фиксирующая наступление событий не одновременно, а с некоторым определенным разрывом во време­ ни. Таким образом, ассоциация есть частный случай последова­ тельности с нулевым временным лагом. Так, например, если ви­ деомагнитофон не был куплен вместе с телевизором, то в течение месяца после покупки нового телевизора покупка видеомагнито­ фона производится в 51% случаев [23].

5.Прогнозирование - формализованная процедура предсказа­ ния, которая на основе исследования текущих и прошлых дан­ ных позволяет оценить будущие значения числовых показателей.

Взадачах подобного типа наиболее часто используются тради­ ционные методы математической статистики, а также нейронные сети.

Из всего многообразия методов, применяемых для решения задач ИАД, вкратце рассмотрим два наиболее часто применяе­ мых: нейронные сети (более правильно говорить об искусствен­ ных нейронных сетях (ИНС)), моделируемые на ПК, и системы поиска логических правил в данных.

Рис. 1.17. Функциональная схема нейрона

40

Нейронные сети. Формально нейрон представляет собой ма­ тематическую модель процесса, имеющего несколько входов и один выход (рис. 1.17). Вектор входных сигналов x.(i=l,...,n) пре­ образуется нейроном в выходной сигнал с использованием бло­ ка суммирования и блока нелинейного преобразования.

Работа блока суммирования описывается соотношением

Обычно используются многослойные сети с числом нейронов

10^-101 В задачах классификации компоненты входного сигнала пред­

ставляют собой параметры некоторого объекта, а выходной сиг­ нал - числовой признак принадлежности объекта к тому или ино­ му классу.

Первый этап решения задачи классификации с помощью ИНС состоит в «обучении сети учителем». Этот процесс заключается в минимизации целевой функции ошибки E(w):

где ^ - вектор весов;

v.^ - реальное выходное состояниеу-го нейрона выходного слоя ней­ ронной сети при подаче на ее входы к-го образа (обучающей выборки);

cijj^ - требуемое выходное состояние этого нейрона.

41

Обучение начинается с некоторого начального вектора щ . Вектор весов, обеспечивающий глобальный минимум (1.5), бу­ дем обозначать через wmin • Этот вектор является искомым реше­ нием задачи (1.5).

Для решения задачи классификации нового объекта необхо­ димо ввести в формулы (1.3) и (1.4), т.е. в «обученную ИНС», его параметры х. и вычислить соответствующее значение у, по кото­ рому и можно отнести объект к определенному классу.

Методика применения ИНС при использовании «обучения без учителя» (здесь наиболее известен алгоритм Кохонена) значитель­ но сложнее. Не останавливаясь на ее описании, отметим, что ИНС посвящены многие учебники и монографии (см., например, [10] и [24]*). Имеются многочисленные бесплатные пакеты программ, вполне удовлетворительно реализующие основные нейронно-се- тевые алгоритмы.

По мнению исследователей, ИНС занимают уникальное мес­ то среди методов обработки данных, превосходя их в универсаль­ ности и малой чувствительности к форме данных. Недаром ИНС посвящен известный афоризм: «Если ничего не помогает, попро­ буйте нейронные сети». Однако ИАД на основе ИНС не лишен определенных недостатков:

•результаты (т.е. выявленные закономерности), полученные

спомощью ИНС, зачастую с большим трудом поддаются логи­ ческой интерпретации;

•ИНС могут обрабатывать только числовые переменные. Кодирование переменных других типов с помощью чисел не все­ гда позволяет получить удовлетворительные результаты;

•существует много типов многослойных ИНС. Какая имен­ но ИНС будет хорошо обучаться на заданном конкретном обу­ чающем множестве, априори сказать трудно. Здесь многое зави­ сит от опыта и интуиции исследователя.

Всего лишь несколько лет назад к недостаткам ИНС относи­ ли также трудности решения задачи минимизации (1.5). Дело здесь в том, что при решении такого типа задач существует опасность «попадания» в локальный минимум. Однако развитие эффектив-

*В процессе подготовки учебного пособия к изданию авторам стало известно о выходе в свет учебника: Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. - М: Финансы и статистика, 2004, в котором авторам удалось совместить математическую строгость и наглядность изложения вопросов интеллектуального анализа данных.

42

пых методов минимизации (нелинейного программирования) в сочетании с высоким быстродействием современных ПК гаран­ тирует нахождение глобального экстремума с большой вероят­ ностью за приемлемое время расчетов.

Системы поиска логических правил в данных. Они основываются на алгоритмах ограпичеппого перебора, предложенных в 1960-х гг. российским ученым М. Бонгардом [10]. Эти алгоритмы вычисля­ ют частоты комбинаций простых логических событий в подгруп­ пах (классах) данных. Примеры простых логических событий:

X - С{, X < С^\ Х> С^; С^ < X < С^и др., где X - какой-либо параметр (поле), С. - константы. Ограничением служит длина комбинации простых логических событий. На основании срав­ нения вычисленных частот в различных подгруппах данных де­ лается заключение о полезности той или иной комбинации для установления ассоциации в данных, для классификации, прогно­ зирования и т.д.

По описанному принципу работает система «WizWhy» аме­ риканской фирмы WizSoft (www.wizsoft.com). Количество пользо­ вателей этой системы достигло 30 000 при стоимости инсталля­ ции 4 тыс. долл. Демонстрационная версия «WizWhy» полнофун­ кциональна и ограничена только числом анализируемых записей - 1000.

Возможности системы «WizWhy» продемонстрируем на при­ мере задачи классификации объектов, характеризуемых двумя числовыми параметрами - Км Z. Предполагалось, что эксперты заранее распределили некоторое число объектов на три класса. Введя эту обучающую выборку в систему «WizWhy», можно по­ лучить определенное число правил следующего вида.

43

Всего, как показали расчеты авторов, при решении задач клас­ сификации экономических объектов, таких правил может быть 10-30. При этом могут быть выведены правила, как утверждаю­ щие, так и отрицающие принадлежность объекта к некоторому классу.

Система «WizWhy» в отличие от ИНС не является «черным ящиком» - мы получаем в явном виде правила, по которым мож­ но отнести объект к определенному классу. Все это обусловило популярность «WizWhy» на рынке продуктов Data Mining.

Действительно, система демонстрирует хорошие показатели при решении ряда практических задач и применяется, в частно­ сти, во многих медицинских учреждениях западных стран. Это позволило авторам «WizWhy» противопоставить свою систему неиросетевому подходу и даже утверждать, что со временем она займет монопольное положение на рынке Data Mining.

Однако при попытке авторов применить систему «WizWhy» к решению задач классификации с достаточно сложной структу­ рой данных выяснились ее недостатки. В частности, некоторые правила противоречат друг другу. Для отдельных объектов вы­ даются правила, вообще отрицающие их принадлежность к ка­ кому-либо классу! Заметим, что от перечисленных недостатков методика ИНС свободна*.

Для проверки возможностей методов Data Mining группой российских ученых под руководством В.А. Дюка разработаны простые тесты, имеющие очевидные решения [10]. На рис. 1.18 приведен один из подобных тестов.

В этом тесте предлагается задача разбиения на два класса множества объектов, равномерно распределенных на плоскости в произвольном квадрате. Квадрат разделен на четыре области линиями, проходящими через середины сторон. Каждый класс располагается в двух областях, симметричных относительно од­ ной из диагоналей квадрата. Особенность подобной конфигура­ ции данных заключается в том, что признаки А"1 и А2 по отдель­ ности или интервалы на этих признаках не обладают самостоя­ тельной дискриминирующей способностью.

* Более подробно ознакомиться с работами авторов по сравнению ре­ зультатов применения различных методов Data Mining в задачах классифи­ кации можно на страницах «Поволжского гуманитарного Интернет-журна­ ла» (www.seun.ru/journal.htm).

44

Рис. 1.18. Распределение объектов на плоскости анализируемых признаков

Решение представленной тестовой задачи очевидно. Каждый класс описывается двумя логическими правилами (всего четыре правила):

ЕСЛИ (XI > 4) И (Х2 < 5) ТОГДА Класс 1 - крестики ЕСЛИ (Х1< 5) И (Х2 > 4) ТОГДА Класс 1 - крестики ЕСЛИ (Х1< 5) И (Х2 < 5) ТОГДА Класс 2 - нолики ЕСЛИ (XI > 4) И (Х2 > 4) ТОГДА Класс 2 - нолики

Система «WizWhy» «отказывается» находить какое-либо ло­ гическое правило в тесте, приведенном на рис. 1.18. В то же вре­ мя ИНС при том же самом объеме обучающей выборки (20 из 100) правильно проводит классификацию представленных на рис. 1.18 объектов (при расчетах авторами использовалась функ­ ция newlvq из пакета программ Matlab 5.3.1, с помощью которой можно сконструировать так называемую многослойную ней­ ронную сеть «встречного распространения»). К аналогичным выводам пришли и авторы монографии [10] (см. также http:// datadiver.nw.ru/ Articles/Problems.htm).

Приведенные примеры показывают, насколько осторожно следует относиться к рекламируемым достоинствам программ ИАД даже в том случае, если последние приобретены многими тысячами пользователей.

45

Недавно группой В.А. Дюка была разработана система «Deep Data Diver», использующая новые принципы поиска логических закономерностей в данных (http://datadiver.nw.ru/Articles/ Problems.htm).

«Deep Data Diver» «справилась» с тестом, представленным на рис. 1.18, а также еще с несколькими тестами, которые оказались не по силам системе «WizWhy». Однако делать окончательные выводы о достоинствах «Deep Data Diver» рано. Новая система должна пройти серьезную апробацию многими независимыми исследователями.

В странах Запада широко используется аналитическая обра­ ботка данных для поддержки управления бизнес-процессами. Решения, как правило, принимаются только после детального анализа деятельности компании в том или ином разрезе. Несмотря на то что отечественные ученые внесли и вносят большой вклад в развитие алгоритмов интеллектуальной обработки данных, в нашей стране НАД применяется лишь в немногих компаниях. Слабая информационная культура компаний приводит к тому, что они малопрозрачны не только для потенциальных инвесто­ ров и фискальных органов, но и для собственного руководства.

Управленческие решения, принимаемые на основе интуиции топ-менеджеров, не всегда адекватны сложившейся ситуации, поскольку не опираются на детальный и строгий анализ деятель­ ности предприятия.

Специалисты российской компании «Intersoft Lab» [30] про­ анализировали причины сомнений относительно целесообразно­ сти создания в компании современной аналитической системы, которые называют сами руководители предприятий.

Первая из называемых причин - отсутствие необходимых дан­ ных. Действительно, многие компании не собирают либо не хранят необходимое время данные, которые важны для приня­ тия решений. По данным агентства «РосБизнесКонсалтинг» (www.rbc.ru), в России 55% компаний не ведет собственную кли­ ентскую базу. Ориентация таких фирм на нужды клиентов носит самый приблизительный характер. В результате компании выпол­ няют заказы клиентов на «вольготных» для себя условиях. Объяс­ нение такой ситуации лежит на поверхности - это характерная для нашей страны слабая конкуренция во многих секторах эко­ номики. Но это положение меняется, а с вступлением России в ВТО изменится кардинально.

46

Вторая причина состоит в том, что очень часто данные в под­ разделениях компании собираются в разных форматах и даже в разных системах. Например, нередки случаи, когда параллельно существуют базы данных систем «1С:Предприятие», «MS Access», таблицы «MS Excel». Однако для ИАД необходимо анализиро­ вать все эти данные вместе. Чтобы привести данные к одному формату, можно разработать соответствующий интерфейс. Кар­ динальное же решение состоит во внедрении интегрированной информационной системы с единой базой данных.

Третья причина обусловлена сомнениями (и зачастую небе­ зосновательными!) руководства компании в адекватности данных реальному положению вещей в компании. Часто внимание со­ трудников сосредоточено лишь на сборе данных для фискальных органов. Однако для постановки управленческого учета одних только бухгалтерских данных недостаточно. Руководству необ­ ходимо определить, какие данные необходимы, кто несет ответ­ ственность за непредставление данных, за их достоверность.

Четвертая причина, на которую указали топ-менеджеры ком­ паний, - очень большой, по их мнению, объем данных. Причем так говорят, даже не попробовав провести анализ данных. Ведь прогресс персональных компьютеров впечатляющ. Расчеты, ка­ завшиеся «неподъемными» 3-4 года назад, сегодня становятся вполне реальными. При этом нет необходимости опираться цели­ ком на серверные решения. Весьма объемные расчеты теперь мож­ но реализовать на базе клиентского ПК, не перегружая сервер.

В качестве пятой причины называют дороговизну систем ИАД. Действительно, зарубежные системы такого класса очень дороги. Российские поставщики аналитических технологий пред­ лагают собственные решения, не уступающие (а иногда и превос­ ходящие) зарубежным аналогам по возможностям, но за значи­ тельно меньшие суммы [30, 38].

Некоторые руководители не понимают необходимости ИАД: «А зачем нам это нужно? Все и так понятно». Это, быть может, справедливо для малых предприятий. Но когда объем данных большой (например, прайс-лист компании содержит тысячи по­ зиций), то для того, чтобы владеть ситуацией, менеджеру необ­ ходимы отчеты, созданные системами ИАД.

Убедившись в необходимости применения ИАД, некоторые руководители предприятий прибегают к разработке систем «сво­ ими силами». Однако такой подход очень редко оказывается ус-

47

ИСПОЛЬЗОВАНИЕ ИНТЕГРИРОВАННЫХ КОРПОРАТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ

2.1. Анализ рынка экономических информационных управляющих систем стран СНГ

Анализ рынка экономических информационных управляющих систем РФ и стран СНГ затруднен многочисленными рекламны­ ми материалами фирм, зачастую преувеличивающими возмож­ ности своих разработок. Все это следствие жестокой конкурен­ ции на рассматриваемом сегменте рынка ИТ. Кроме того, мно­ гие программные продукты развиваются столь быстро, что ситуация может измениться даже за время подготовки данного учебного пособия к изданию. Вызывает определенные сомнения рекламируемое фирмами количество предприятий, на которых внедрены их продукты. Дело здесь в том, что покупка лицензий вовсе не означает внедрения системы. Практика показывает, что далеко не всегда предприятие, купившее управляющую систему, осуществит полноценное внедрение. Поэтому авторы старались ориентироваться на результаты анализа международных иссле­ довательских и консалтинговых компаний, работающих в обла­ сти информационных технологий и телекоммуникаций:

•IDC - ведущая международная компания, работающая в области информационных технологий и телекоммуникаций в 50 странах мира. Использован отчет компании за 2003 г. (http:// www.idc.com/russia/rus/press/erp_04_rus.htm);

•компания Market-Visio (эксклюзивный дистрибьютер Gartner на территории Финляндии, стран Балтии и России). Ис­ пользованы результаты исследования «Оценка КИС по сегменту

49