Студопедия  
Главная страница | Контакты | Случайная страница

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатика
ИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханика
ОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторика
СоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансы
ХимияЧерчениеЭкологияЭкономикаЭлектроника

Системы поддержки принятия делового решения

Читайте также:
  1. CAD/CAM-системы в ТПП
  2. CALS-технологий и единая интегрированной системы управления вуза
  3. I. ЗАДАЧИ ДЛЯ САМОСТОЯТЕЛЬНОГО РЕШЕНИЯ
  4. I. Общие симптомы заболеваний пищеварительной системы.
  5. II. Исследование В-системы иммунитета.
  6. III Рекомендации к написанию курсовой работы по дисциплине «Коррекционно-педагогические системы воспитания и обучения детей дошкольного возраста».
  7. III. Порядок производства и решения дел
  8. IV. Анатомия органов сердечно-сосудистой системы
  9. IV. Просие институты поддержки отечественного бизнеса.
  10. OE (Output Enable) – сигнал разрешения выхода.

В 1980-е гг. американские и японские компании начали развивать новое поколение информационных систем для поддержки производственной деятельности. Эти системы положили начало процессу «интеллектуализации» ИС. Новые системы были более компактными и интерактивными, и их целью было помочь конечным пользователям работать со всеми типами данных, проводить аналитические исследования, строить модели и разыгрывать сценарии для решения слабострук­турированных и вообще неструктурированных проблем в инновационных проектах. Системы, предоставляющие та­кие возможности, называются системами поддержки при­нятия решений — СППР.

В середине 1980-х такие системы стали повсеместно ис­пользоваться в текущей деятельности крупных компаний. В настоящее время СППР является обязатель­ной частью КИС.

Основные характеристики и функ­циональные возможности систем поддержки принятия ре­шения:

• обеспечение информационной поддержки для принятия решений по проблемам, которые не могут быть определены заранее;

• применение сложного многомерного и многофакторного анализа и инструментальных средств моделирования;

• гибкость использования, адаптируемость к конкретным ситуациям;

• максимально удобный пользовательский интерфейс, что позволяет работать практически без участия программистов.

Специализированные подсистемы СППР применяют­ся, как правило, на высшем и среднем уровнях управления предприятием. Руководители компании могут пользоваться финансовыми модулями СППР, чтобы спрогнозировать рост или снижение эффективно­сти использования активов компании при изменении де­ловой активности или экономической ситуации в стране. Менеджерам среднего звена та же система может быть полезной для оценки перспективности краткосрочных ин­вестиций по проектам.

СППР состоят обычно из следующих стандартных ком­понентов:

- программного ядра,

- хранилища данных,

- ана­литических средств обработки и анализа данных,

- средств визуализации и представления информации,

- телекоммуни­кационных устройств.

Хранилище данных предоставляет единую среду хране­ния корпоративных данных, организованных в структуры и оптимизированных для выполнения аналитических опе­раций.

Аналитические системы позволяют решать три основ­ные задачи:

- анализ разнородной многомерной информации разной степени формализованности в реальном времени,

- последующий интеллектуальный анализ данных с построе­нием моделей развития деловой ситуации

- ведение отчет­ности.

СППР-системы — это «средство интеллектуального бизнес-ана­лиза» (Business Intelligence — BI). Важной частью BI-технологий являются также системы интеллектуального поиска информации (Data Mining — DM).

Data Mining — это про­цесс обнаружения в сырых данных ранее неизвестных, практически полезных знаний, необходимых для принятия решений в различных сферах. Технологии Data Mining представляют большую ценность для руководителей и аналитиков в их по вседневной деятельности.

На рис. 12.3 пред­ставлена схема преобразования данных с использованием технологии Data Mining.

 


Важное положение Data Mining — нетривиальность. Это означа­ет, что они должны отражать неочевидные, неожиданные предположения, составляющие так называемые скрытые знания. К де­ловым людям пришло понимание, что «сырые» данные содержат глубинный пласт знаний и при гра­мотной его раскопке могут быть обнаружены «настоящие самородки», которые можно использовать в конкурентной борьбе.

Data Mining является мультидисциплинарной областью, возникшей и развивающейся на базе достижений приклад­ной статистики, распознавания образов, методов искус­ственного интеллекта, теории баз данных и др.

Можно назвать пять видов Data Mining: ассоци­ация, последовательность, классификация, кластеризация и прогнозирование.

Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Например, исследование, проведенное в компьютерном супермаркете, может по­казать, что 55% покупателей компьютеров приобретают также принтер Или сканер; а при наличии скидок за такой комплект принтер приобретают в 80% случаев. Располагая сведениями о подобной корреляции, менеджерам легко оце­нить, насколько полезна предоставляемая скидка.

Если существует цепочка связанных во времени собы­тий, то говорят о последовательности. Так, например, по­сле покупки дома в 45% случаев в течение месяца приоб­ретается новая кухонная плита, а в пределах двух недель 60% новоселов обзаводятся холодильниками и кондицио­нерами.

С помощью классификации выявляются признаки, ха­рактеризующие группу, к которой принадлежит тот или иной объект.

Кластеризация отличается от классификации тем, что группы данных заранее не заданы. С помощью кластери­зации средства Data Mining самостоятельно выделяют раз­личные однородные группы данных.

Данные могут обрабатываются с по­мощью специализированных программных средств — ста­тистических пакетов обработки данных. В качестве примеров наиболее мощных и распространенных статистических пакетов можно назвать SAS, STATGRAPHICS, STATISTICA для WINDOWS, STADIA и пр.

2. Экспертные системы: концепция, архитектура и автоматизированное рабочее место эксперта

Экспертные системы являются частью широкого класса интеллектуальных прикладных систем, которые популяр­ны сегодня в различных предметных областях деятельно­сти. Чаще всего интеллектуальные системы применяются для решения сложных задач, в которых основная сложность заключается в использовании слабо формализованных знаний специалистов. Это, например: оценка ситуации в чрез­вычайных техногенных происшествиях, постановка сложного диагноза в медицине, долгосрочные прогнозы в метеорологии и экономике и т.д.

Способность выполнить экспертный анализ — это не только вопрос наличия определенных знаний и уровня квалификации специалиста. Для этого нужно обладать и очень специфическими навыками, интуицией и умением разобраться в конкретной ситуации в данной предметной области. Реализовать все это программными средства­ми — очень сложная задача. В последнее время она решается на базе методов искусственного интеллекта и создания самообучающихся систем. Исследования в этой области сконцентрированы на разработке и внедрении сложных компьютерных комплек­сов, способных имитировать, воспроизво­дить те области деятельности человека, которые требуют мышления, интуиции, определенного мастерства и нако­пленного опыта. К ним относятся такие задачи, как приня­тие решений, распознавание образов и понимание челове­ческого языка и многие другие.

Самообучающиеся информационные системы или нейронные сети — это класс систем, архитектура которых аналогична структуре нервной ткани, состоящей из нейронов. На нейроны само­го нижнего слоя подаются значения входных параметров, на основе которых нужно принимать какие-то решения, прогнозировать развитие ситуации и т.д. Эти значения рас­сматриваются как сигналы, передающиеся в следующий слой, ослабевая или усиливаясь. В результате на выходе нейрона самого верхнего слоя вы­рабатывается некоторое значение, которое рассматривается как ответ — реакция всей сети на введенные значения вход­ных параметров.

Чтобы сеть можно было применять в дальнейшем, ее прежде надо «натренировать» на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них.

Например, в агентстве недвижимости в систему заносятся характеристики квартир (район, этаж, количество комнат и т.п) и цена. В дальнейшем при вводятся уже только характеристики, а программа сама выдает примерную стоимость квартиры.

В настоящее время на предприятиях используют нейросетевые системы — BrainMaker, NeuroShell, OWL.

 

Экспертная система — это сложный программный ком­плекс, который аккумулирует знания специалистов в кон­кретных предметных областях и оперирует ими с целью вы­работки рекомендаций или решения проблем. В некоторых случаях экспертная система может полностью взять на себя функции, выполнение которых обычно требует привлече­ния опыта человека-эксперта, или играть роль ассистента для человека, принимающего решение.

Экспертная система отличается от прочих прикладных программ наличием следующих признаков:

• Моделирует не столько параметры и алгоритм решения какой-либо задачи, сколько механизм мышления человека применительно к решению задачи. Это существенно отличает экс­пертные системы от систем математического моделирова­ния. Нельзя, конечно, сказать, что программа полностью воспроизводит модель поведения специалиста в этой предметной области, но важ­но, что основное внимание все-таки уделяется воспроизве­дению компьютерными средствами методики решения про­блем, которая применяется экспертом.

• Система, помимо выполнения вычислительных опе­раций, формирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает. Знания в системе представлены, как правило, на некото­ром специальном языке. Этот компонент программы принято называть базой знаний.

• При решении задач основными являются приближенные методы. Такие методы являются приблизительными в том смысле, что:

- они не требуют исчерпывающей исходной информации (облачность над Москвой, никакой конкретики)

- характеризуются определенной степенью уве­ренности (или неуверенности) в том, что предлагаемое ре­шение является верным (вероятность дождя 25%).

Класс экспертных систем образует несколько тысяч раз­личных программных продуктов, предназначенных для ра­боты в достаточно узких профессиональных предметных областях.

Экспертные системы применяют для решения следующих задач:

- интерпретация данных,

- диагностика,

- мониторинг,

- проектирование,

- планирование, прогнозирование,

- обучение,

- управление,

- принятие решений.

Структура экспертной системы, помимо программных и коммуникационных средств, включает, как правило, специ­алистов — инженера по знаниям и эксперта, которые про­веряют и дополняют заключение, сформированное эксперт­ной системой.




Дата добавления: 2014-12-19; просмотров: 78 | Поможем написать вашу работу | Нарушение авторских прав




lektsii.net - Лекции.Нет - 2014-2024 год. (0.011 сек.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав