2. Особенности информационных систем, их характеристики и место в ряду интеллектуальных информационных сетей
3. Особенности технологии работы систем поддержки принятия решений (их компоненты, основные понятия и особенности работы хранилищ данных)
4. Понятие витрин данных
5. Представление и основные характеристики OLAP технологии, понятие многомерного статистического анализа, характеристика систем MOLAP и ROLAP
6. Классификация ИИС. ИИС как совокупность нескольких технологий
7. Признаки и отличительные черты ИИС
8. Классификация ИИС
9. Методология разработки и реализации управленческого решения
10. Информационные ресурсы при разработке экономических решений
11. Факторы и виды проблемной ситуации
12. Стадии понимания сущности проблемной ситуации и принятия решения о способах её разрешения
13. Проблемные ситуации в экономических структурах и отражающие их технико-экономические показатели
14. Источники информационной базы ИС, виды показателей и методики для выявления проблемных ситуаций в производстве
15. Граф концептуальной модели проблемной ситуации и его толкование
16. Особенности проектирования интеллектуальной экономической информационной системы
17. Основные компоненты и существенные черты ИИС
18. Схема ИИС
19. Характеристика базы знаний и особенности её конструирования. Компоненты баз знаний
20. Определение, назначение и области применения экспертных систем
21. Структура и принцип работы экспертных систем. Схема обобщённой структуры БД
22. Характеристики базы знаний и машины вывода ЭС
23. Особенности технологии создания экспертных систем
24. Нейронные сети как один из альтернативных подходов к решению интеллектуальных задач. Структура персептрона, принципы его работы
1. Схема движения финансовых и экономических потоков в экономике и характеристика ИС их обеспечения
В течение последних 10 лет произошло значительное расширение сферы фактического применения информационных технологий и систем в области экономики. Интенсивное развитие и индустриализация информационных технологий привела к тому, что информационные потоки сопровождают все стадии цикла производство-потребление и соответствующего движения денежных средств в общественном производстве. Информационные системы (ИС) используются в настоящее время в различных сферах экономики (рис. 1.1).
На рисунке этом показаны в виде блоков:
предприятия, производящие национальный продукт;
правительство, собирающее налоги и выделяющее трансферты;
потребители, формирующие денежный поток;
финансовая система, аккумулирующая сбережения потребителей;
инвесторы, инвестирующие производство;
мировая экономическая система, связанная потоками экспорта и импорта с национальным общественным производством.
Каждый из блоков имеет в своем составе ИС и соответствующую ей базу данных, совокупность сведений которой образует экономическое информационное пространство общественного производства. Основное назначение такой информационной системы - обеспечить обработку и выдачу информации для принятия решения по руководству функционированием и развитием экономического объекта. Термин «ИС» относится к классу программных продуктов, облегчающих или «автоматизирующих» ведение бизнеса. Необходимая для выполнения этой задачи информация включает базы данных и модели анализа собственно организации (объекта управления), окружения, с которым происходит взаимодействие; внешних неконтролируемых факторов.
Рис. 1.1. Движение финансовых и информационных потоков в экономике
Современные ИС все более дифференцируются по областям применения. Нa рынке программного обеспечения появляются и широко используются (наряду с системами поиска нормативно-правовой информации) ИС бухгалтерского учета, системы поддержки принятия решений (DSS), информационные системы менеджмента (MIS), ИС управления инвестициями (Project expert), ИС риск-менеджмента (RMIS). Рассмотрим основные характеристики этих систем.

2. Особенности информационных систем, их характеристики и место в ряду интеллектуальных информационных сетей
ИС менеджмента (ИСМ) или «управленческими» системами называют комплексы бухгалтерских или торгово-складских программ. 90% всех таких программ базируются на учетной основе. Однако автоматизация бухгалтерии не может быть основой управленческой ИС. В первую очередь, надо дать инструмент службам снабжения и сбыта, производству, а затем уже накопленная ими информация должна поступать в бухгалтерию. Интегрированные системы менеджмента - наиболее полные и наиболее сложные системы. Их называют корпоративными системами, комплексными информационными системами и т.д. В таблице 1.1 приведены основные функции ИСМ.

Система «Галактика». Система «Галактика» объединяет более 40 модулей, использующих единую базу данных и предназначенных для автоматизации решения задач бухгалтерского и управленческого учета, анализа хозяйственной деятельности, планирования, технико-экономической подготовки производства и т.д.

Таблица 1.1. Основные функции информационных систем менеджмента (ИСМ)

Функции Этапы	Управление финансовыми потоками	Управление товарными потоками	Управление себестоимостью	Управление персоналом
Стратегическое планирование	Финансовое планирование, бюджетирование	Товарный план закупок, продаж	Бизнес-планирование	Бизнес-планирование
Оперативное планирование	Финансовое планирование по контрактам	Товарный календарь по контрактам	Технико-экономическое планирование	Персонификация планирования деятельности по исполнителям
Оперативный учет	Исполнение финансовой части контрактов	Исполнение товарной части контрактов	Мониторинг себестоимости	Табельный учет, наряды, учет контрактов
Бухгалтерский учет	Финансовый раздел	Материальный учет	Учет фактических затрат	Учет труда и зарплаты

Содержит следующие модули:

«Финансовое планирование»;

«Финансовый менеджмент»;

«Контроллинг» для обеспечения автоматизированного расчета затрат по разным видам продукции и принятия управленческих решений (например, закрытие каких-либо направлений);

«Управление ресурсами» для определения оптимальной конфигурации заказов по времени, месту и составу; «Производственное планирование»; «Управление договорами».

На данный момент «Галактика» практически полностью закрывает вопросы, связанные с созданием управленческого слоя на предприятии. Имеется целостная информационная система управления предприятием, развиваются компоненты, связанные с управлением финансами, ресурсами и производственным планированием.

IFS Applications. Компания ФОРС предлагает программный комплекс управления предприятием IFS Applications™, разработку шведской компании IFS - Industrial & Financial Systems. Комплекс охватывает основные сферы деятельности предприятия вне зависимости от его профиля. Комплекс является полномасштабным интегрированным продуктом класса ERP (Enterprise Resource Planning) - планирование ресурсов предприятия. В его основе лежит принцип единого хранилища данных, содержащего всю деловую информацию, накопленную компанией в процессе ведения бизнеса. ERP_системы автоматизируют всю работу современной компании:

отношения с клиентами;

финансовый анализ и планирование;

бухгалтерский учет;

контроль и планирование производства;

управление бюджетом и т.д.

В состав системы входят следующие модули:

«Финансы»;

«Поставки»;

«Производство»;

«Маркетинг»;

«Персонал».

Архитектура комплекса IFS Applications. Комплекс IFS Applications построен в архитектуре трехуровневый клиент-сервер. Уровень хранения данных реализован на современной промышленной постреляционной СУБД Oracle.

Система «БААН». «БААН» поддерживает весь сектор разнообразных управленческих задач (финансового управления, оперативного управления производством, снабжением, сбытом и др.). Наиболее важная функциональная составляющая - подсистема «БААН - Финансы». Анализ данных главной книги дебиторской и кредиторской задолженностей и других данных может осуществляться на уровне отдельного подразделения и на уровне всей компании. Аналитический просмотр финансовой информации обеспечивается в соответствии с установленной структурой счетов главной книги.

3. Особенности технологии работы систем поддержки принятия решений (их компоненты, основные понятия и особенности работы хранилищ данных)
Системы поддержки принятия решений

Этот класс систем содержит в себе новые программные решения, приближающие его к ИИС. В них значительно более гибкие аналитические процедуры за счет предварительного вычисления производных показателей (агрегатов), более дружественный интерфейс, использующий элементы естественного языка; применяются специальные структуры хранения, реализующие сложные пространственно-временные и концептуальные зависимости между данными. Фактически метаданные, хранящиеся в репозитарии, - частный вид базы знаний.

СППР могут быть предназначены для выбора вариантов стратегического плана развития банка, либо выбора заявок на финансирование инвестиционных проектов на основе многокритериального анализа и экспертных оценок. В результате работы СППР вычисляются оценки степени соответствия каждого из возможных вариантов решений предъявляемым требованиям и предпочтениям, а все возможные варианты ранжируются по итоговой степени предпочтительности.

Так, банковскими аналитиками используются СППР в областях стратегического планирования и формирования портфелей привлечения и размещения кредитно-инвестиционных ресурсов, в инвестиционном анализе и расчете лимитов и рисков кредитования. Неотъемлемым компонентом СППР этого уровня являются правила принятия решений, получаемые на основе применения специальных аналитических технологий и архитектур организации и хранения данных. Современные архитектуры средств хранения данных получили название хранилище данных (ХД) (DataWarehouse)

Хранилище данных (ХД)

Термин «создание Хранилищ Данных» (data warehousing) описывает процесс сбора, очистки и просеивания данных из различных рабочих систем, а также предоставление широкой аудитории бизнес-пользователей непосредственного доступа к полученной информации.

Хранилище Данных (ХД) выполняет функции предварительной подготовки и хранения данных для лиц, принимающих решения (ЛПР) на основе информации из базы данных предприятия, а также информации из сторонних источников, которые в достаточном количестве стали доступны на рынке информации.

Концепция ХД предполагает не просто единый логический взгляд на данные организации, а действительную реализацию единого многоаспектного информационного зсурса.

В ХД поддерживается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления собираются одном месте, приводятся к единому формату, согласовываются, агрегируются до минимально требуемого уровня обобщения.

ХД использует схемы данных, получившие названия «звезда», «созвездие» «снежинка». Суть технологии этих схем в выделении из общего объема информации собственно анализируемых данных (или фактов) и вспомогательных данных (называемых измерениями). Однако это приводит к дублированию данных в Хранилище, снижению гибкости структуры и увеличению времени загрузки. В процессе подготовки того или иного решения пользователь анализирует срез фактов по одному или нескольким измерениям.

Идея схемы звезды (star schema) в том, что имеются таблицы для каждого измерения, а все факты помещаются в одну таблицу, индексируемую множественным ключом, составленным из ключей отдельных измерений. Каждый луч схемы звезды задает (в терминологии Кодда) направление консолидации данных по соответствующему измерению (например, Магазин - Город/район - Регион). Рекомендуется создавать таблицы фактов не для всех возможных сочетаний измерений, а только для наиболее полных (тех, значения ячеек которых не могут быть получены с помощью последующей агрегации ячеек других таблиц фактов базы данных).

В сложных задачах с многоуровневыми измерениями используется схема созвездия (fact constellation schema) и схема снежинки (snowflake schema) В этих случаях отдельные таблицы фактов создаются для возможных сочетаний уровней обобщения различных измерений. Это позволяет добиться наилучшей производительности, но часто приводит к избыточности данных.

4. Понятие витрин данных

Витрины данных (рынки данных)

Витриной Данных (иногда говорят рынок данных) - это специализированное Хранилище, обслуживающее одно из направлений деятельности компании, например учет запасов или маркетинг.

Важно, что происходящие здесь бизнес-процессы относительно однородны, круг пользователей ограничен сотрудниками одного подразделения или департамента. Количество сотрудников, вовлеченных в конкретную деятельность, невелико (рекомендуется, чтобы Витрина обслуживала не более 10-15 чел.). При этих условиях удается с использованием современных технологий развернуть Витрину подразделения за 3-4 месяца. Успех небольшого проекта (стоимость которого невелика по сравнению со стоимостью разработки корпоративного Хранилища) способствует продвижению новой технологии и приводит к быстрой окупаемости затрат.

При построении схемы взаимодействия корпоративного Хранилища и Витрин Данных в рамках создания СППР рекомендуется определить некоторую специальную структуру для хранения исторических данных и дополнительно развернуть Витрины, заполняемые данными из этой структуры. Тем самым удается разделить два процесса: накопление исторических данных и к анализ.

Современные витрины данных должны:

хранить сотни гигабайт данных и обеспечивать сложные разновидности аналитической обработки, например, из области добычи данных (data mining);

обеспечивать удаленный доступ к витрине данных для сотен пользователей с использованием технологии Internet и Intranet;

централизованно администрировать и управлять многими витринам данных, которые могут содержать несогласованные и конфликтующие данные.

5. Представление и основные характеристики OLAP-технологии, понятие многомерного статистического анализа, характеристика систем MOLAP и ROLAP
Оперативная аналитическая обработка данных (OLAP)

С многомерными данными сталкиваются организации, работающие в любой области бизнеса, и сложность данных не обязательно напрямую зависит от размера компании. Даже самой маленькой компании хотелось бы отслеживать продажи в зависимости от продукта, торгового представителя, географии, клиента и времени. Каждая из этих описательных категорий - сдельное измерение в модели OLAP.

Организации давно искали средства, позволяющие легко и естественно получать, просматривать и анализировать многомерные данные. OLAP предоставляет организациям наиболее гибкие и производительные средства доступа, просмотра и анализа данных, связанных с бизнесом с помощью естественной интуитивной модели данных. Благодаря легкости перемещения по данным бизнес-пользователи могут более эффективно просматривать и анализировать информацию из своих хранилищ данных, что позволяет организациям лучше осознать ценность этих данных. OLAP ускоряет доставку информации пользователям, просматривающим такие многомерные структуры. С этой целью подготовка некоторых вычисляемых значений в массиве данных осуществляется заранее, а не во время выполнения. Сочетание легкости перемещения и высокой производительности помогает пользователям просматривать и анализировать данные быстрее и эффективнее, чем это было бы возможно только на основе технологии реляционных баз данных. В результате они посвящают больше времени анализу данных и меньше - анализу баз данных.

В основе OLAP лежит многомерное концептуальное представление (multi-dimensional conceptual view) - наиболее естественный взгляд управляющего персонала на объект управления; множественная перспектива из нескольких независимых измерений, вдоль которых могут быть проанализированы определенные совокупности данных. Одновременный анализ по нескольким измерениям данных определяется как многомерный анализ.

Каждое измерение включает направления консолидации данных из серии последовательных уровней обобщения, где каждый вышестоящий уровень соответствует большей степени агрегации данных по соответствующему измерению. Так, измерение Исполнитель может определяться направлением консолидации, состоящим из уровней обобщения «предприятие - подразделение - отдел - служащий». Измерение Время может даже включать два направления консолидации - «год - квартал - месяц - день» и «неделя - день», поскольку счет времени по месяцам и по неделям несовместим. В этом случае возможен произвольный выбор желаемого уровня детализации информации по каждому из измерений. Операция раскрытия или спуска (drilling down) соответствует движению от высших ступеней консолидации к низшим; напротив, операция свертки или подъема (rolling up) означает движение от низших уровней к высшим.

Концептуальное представление модели данных в продукте OLAP должно быть многомерным по своей природе, то есть позволять аналитикам выполнять интуитивные операции сечения «анализа вдоль и поперек» («slice and dice»), вращения (rotate) и размещения (pivot) направлений консолидации. Пользователь не должен знать, какие конкретные средства используются для хранения и обработки данных, как данные организованы и откуда берутся. Аналитик должен иметь возможность выполнять анализ в рамках общей концептуальной схемы. Преобразования, требующие произвольного определения, должны задаваться на функционально полном формальном языке. Переориентация направлений консолидации, детализация данных в колонках и строках, агрегация и другие манипуляции, свойственные структуре иерархии направлений консолидации, должны выполняться в максимально удобном, естественном и комфортном пользовательском интерфейсе. Настоятельно рекомендуется допущение в каждом серьезном OLAP_инструменте как минимум пятнадцати, а лучше двадцати измерений в аналитической модели. Каждое из этих измерений должно допускать практически неограниченное количество определенных пользователем уровней агрегации по любому направлению консолидации.

Доступ к данным должен происходить на языке пользователя, в большинстве случаев не владеющего языками программирования. Можно разработать множество специализированных приложений, каждое из которых будет отвечать на какой-то один тип запросов, но заранее трудно предположить, какие еще запросы будут нужны пользователю. Поэтому универсальное средство должно либо позволять писать такие приложения очень быстро, либо давать возможность пользователю составлять его непредсказуемые запросы самостоятельно, а значит должно использовать язык бизнес-терминов вместо языка программирования.

Если принимается второй вариант, сразу появляется следствие - система должна скрывать от конечного пользователя физическую структуру и способы хранения данных. Знать такие подробности пользователю совсем не нужно. Такая задача решается введением семантического слоя, который ставит каждому бизнес-термину в соответствие способ получения данных.

В основе организации данных OLAP лежит понятие гиперкуба или многомерного куба данных, в ячейках которого хранятся анализируемые (числовые) данные, например объемы продаж. Измерения - это совокупности значений других данных, скажем, названий товаров и названий месяцев года. В простейшем случае двумерного куба мы получаем таблицу, показывающую значения уровней продаж по товарам и месяцам. Дальнейшее усложнение модели данных возможно по нескольким направлениям:

Увеличение числа измерений - данные о продажах не только по месяцам и товарам, но и по регионам. В этом случае куб становится трехмерным;

усложнение содержимого ячейки - например, нас может интересовать не только уровень продаж, но и чистая прибыль или остаток на складе. В этом случае в ячейке будет несколько значений;

введение иерархии в пределах одного измерения - общее понятие ВРЕМЯ естественным образом связано с иерархией значений: год состоит из кварталов, квартал из месяцев и т.д.

Благодаря многомерной модели данных пользователям очень легко формулировать сложные запросы, размещать данные в отчете, переходить от сводной информации к детальной или фильтровать данные, выделяя осмысленные подмножества. Например, в типичном кубе с информацией о продажах в качестве измерений выступали бы «Время», «География», «Продукт», «Канал», «Организация» и «Сценарий» (по бюджету и фактически). Типичными мерами могли бы стать «Продажи в долларах», «Продажи в единицах», «Запасы», «Численность персонала», «Доходы» и «Затраты».

В рамках каждого измерения модели данных OLAP могут быть организованы в виде иерархии, представляющей различные уровни их детализации. Например, в измерении «Время» можно выделить уровни «Годы», «Месяцы» и «Дни». Точно так же в рамках измерения «География» вы могли бы ввести уровни «Страна», «Регион», «Штат/провинция» и «Город». Каждая конкретная модель OLAP будет включать определенные значения для каждого уровня иерархии. При просмотре данных OLAP пользователь будет перемещаться вверх и вниз между уровнями данных, чтобы увидеть больше деталей или получить сводную информацию.

В зависимости от ответа на вопрос, существует ли гиперкуб как отдельная физическая структура или лишь как виртуальная модель данных, различают системы MOLAP (Multidimensional OLAP) и ROLAP (Relational OLAP). На заре развития технологии OLAP большинство производителей считало, что единственное возможное решение при создании OLAP_приложений связано с использованием специализированной, нереляционной модели хранения. Позднее другие производители обнаружили, что применение определенных структур базы данных (схемы «звезда» и «снежинка»), индексации и хранения агрегатов позволяет использовать для OLAP реляционные системы управления базами данных. Такие производители назвали свою технологию Relational OLAP (ROLAP). Поставщики более старых систем затем приняли термин MOLAP (multidimensional OLAP - многомерная OLAP).

Недавно разработаны гибридные решения для OLAP, которые иногда называют HOLAP (hybrid OLAP). Одновременно используя архитектуры ROLAP и MOLAP, они соединяют лучшие черты обоих решений - превосходную производительность и высокую масштабируемость. Один из подходов к созданию HOLAP включает в реляционную базу данных записи с детальной информацией (занимающие наибольший объем) и в то же время помещает агрегаты в отдельное хранилище архитектуры MOLAP.

Для большинства продуктов OLAP предварительное вычисление агрегатов - это основная стратегия, обеспечивающая выигрыш в производительности. В то же время предварительная агрегация связана со значительными затратами: число агрегатов легко может превысить число исходных точек с детальной информацией, что приводит к резкому росту объема хранимых данных, причем коэффициент взрыва данных может составить около 240, так что для управления 10 Мб входных данных потребовалась бы емкость устройства хранения 2,4 Гб.

Предварительное вычисление и сохранение всех возможных комбинаций агрегатов (например, сумма всех объемов производства продуктов и уровней производства продуктов по всем периодам времени, по всем организациям, по всем каналам распространения и т.д.) в традиционных OLAP приводит к мощному взрыву данных.

6. Классификация ИИС. ИИС как совокупность нескольких технологий
Интеллектуальные информационные системы (ИИС)

Как видно из предыдущего раздела, современные базы данных включают в свой состав целый ряд механизмов и технологий, повышающих их интеллектуальные возможности. Это относится прежде всего к многомерной организации данных в хранилищах данных, организации естественно-языкового интерфейса на ограниченном фрагменте языка, реализации сценариев «что если». Все эти механизмы почерпнуты из области исследований по искусственному интеллекту.

Системы поддержки принятия решений - квазиинтеллектуальные системы, поскольку они призваны автоматизировать не сам процесс оценки предпочтительности гипотез или выбора варианта решения, а только готовят аналитические обобщенные данные для окончательного выбора решения специалистом-менеджером.

Важность этих систем для теории и практики и практики искусственного интеллекта определяется двумя обстоятельствами:

в DSS реализуется поиск аналитических зависимостей или агрегатов, при использовании которых правила принятия решений, т.е. зависимости между наблюдаемыми данными и гипотезами становятся более простыми;

в структуре специализированных процессоров или архитектур этих систем реализуются некоторые начальные этапы технологии обработки данных, характерных для технологии искусственного интеллекта. Это относится к организации хранения и обработки больших объемов данных в виде многомерных кубов с учетом семантических взаимосвязей

На начальных стадиях разработки методов искусственного интеллекта создание экспертных систем (ЭС), предназначенных для оценки предпочтительности гипотез на основе наблюдаемых данных, и документальных информационно-поисковых систем (ИПС) и систем управления базами данных (СУБД) шло параллельными путями, затем произошло объединение ИПС как компоненты полнотекстового поиска и реляционных СУБД. В настоящее время постреляционные СУБД включают в себя ряд компонентов из области искусственного интеллекта.

Экспертные системы представляли собою автономные программные комплексы не интегрированные с базами данных и системами аналитических вычислений. Понятие «экспертная система» закрепилось за такими автономными программами, ориентированными на определенную достаточно узкую сферу применения.

Затем стало ясно, что принципы логического вывода и баз знаний применимы к широкому кругу задач, экспертные системы стали использовать базы данных и оформляться как программные продукты, имеющие развитые средства ввода-вывода данных, хранения и ведения баз знаний, прикладные задачи и такую новую генерацию систем стали называть интеллектуальные информационные системы.

ИИС объединяют в себе возможности СУБД, лежащих в основе ИС, и технологию искусственного интеллекта, благодаря чему хранение в них экономической информации сочетается с ее обработкой и подготовкой для использования при принятии решений. Вначале ИИС, называемые также системами, основанными на знаниях, рассматривались как средство, позволяющее не экспертам принимать решения с таким же качеством, как один или более экспертов в конкретной области. Однако очень быстро стало ясно, что эта технология в действительности способна к достижению большего объема знаний и более быстрого реагирования, чем группа специалистов.

Первоначально ИИС использовали знания нескольких экспертов в каждой из областей инвестиций. В настоящее время базы знаний частично формируются посредством машинного обучения, используя методы индукции, генетические алгоритмы и некоторые другие методы извлечения знаний. Менеджер, используя такую схему, теоретически может принимать решения более эффективно и с меньшей стоимостью, чем это смог бы сделать любой индивидуальный эксперт в данной области. Наиболее очевидным преимуществом интеграции некоторых форм искусственного интеллекта в процессе принятия решений по сравнению с постоянным консультированием с группой экспертов обычно является более низкая стоимость и большее соответствие результатов задаче. В отличие от обычных аналитических и статистических моделей, ИИС позволяют получить решение трудно формализуемых слабо структурированных задач. Возможность ИИС работать со слабо структурированными данными подразумевает наличие следующих качеств:

решать задачи, описанные только в терминах мягких моделей, когда зависимости между основными показателями являются не вполне определенными или даже неизвестными в пределах некоторого класса;

способность к работе с неопределенными или динамичными данными, изменяющимися в процессе обработки, позволяет использовать ИИС в условиях, когда методы обработки данных могут изменяться и уточняться по мере поступления новых данных;

способность к развитию системы в плане извлечения знаний из накопленного опыта конкретных ситуаций увеличивает мобильность и гибкость системы, позволяя ей быстро осваивать новые области применения.

Возможность использования информации, которая явно не хранится, а выводится из имеющихся в базе данных, позволяет уменьшить объемы хранимой фактуальной информации при сохранении богатства доступной пользователю информации. Направленность ИИС на решение слабо структурированных, плохо формализуемых задач расширяет область применения ИИС.

Наличие развитых коммуникативных способностей у ИИС дает возможность пользователю выдавать задания системе и получать от нее обработанные данные и комментарии на языке, близком к естественному. Система естественно-языкового интерфейса (СЕЯИ) транслирует естественно-языковые структуры на внутримашинный уровень представления знаний. Включает морфологический, синтаксический, семантический анализ и соответственно в обратном порядке синтез. Программа интеллектуального интерфейса воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель.

Важнейшее требование к организации диалога пользователя с ИИС - естественность, означающая формулирование потребностей пользователя с использованием профессиональных терминов конкретной области применения. Наибольшее распространение ИИС получили для экономического анализа деятельности предприятия, стратегического планирования, инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга.

Применение ИИС совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики для планирования при комплексной автоматизации деятельности предприятия, приносит принципиальные выгоды: реально снижаются операционные издержки; повышается качество управленческих решений.

7. Признаки и отличительные черты ИИС
Детальное обоснование политики предприятия в решении задач расширения и модернизации производства, диверсификации деятельности, повышении эффективности использования производственных мощностей позволяет формировать выполнимые и хорошо контролируемые планы работ. Такое обоснование, базирующееся на текущей производственной загрузке, необходимых материальных и человеческих ресурсах, возможно лишь в хорошо структурированных средах с достаточным информационным базисом. Для ИИС характерны следующие признаки:

развитые коммуникативные способности: возможность обработки произвольных запросов в диалоге на языке максимально приближенном к естественному (система естественно-языкового интерфейса - СЕЯИ);

направленность на решение слабоструктурированных, плохо формализуемых задач (реализация мягких моделей);

способность работать с неопределенными и динамичными данными;

способность к развитию системы и извлечению знаний из накопленного опыта конкретных ситуаций;

возможность получения и использования информации, которая явно не хранится, а выводится из имеющихся в базе данных;

система имеет не только модель предметной области, но и модель самой себя, что позволяет ей определять границы своей компетентности;

способность к аддуктивным выводам, т.е. к выводам по аналогии;

способность объяснять свои действия, неудачи пользователя, предупреждать пользователя о некоторых ситуациях, приводящих к нарушению целостности данных.

Традиционно считается, что ИИС содержит базу данных, базу знаний, интерпретатор правил или машину вывода, компоненту объяснения и естественно-языкового интерфейса, обеспечивающих связный дискурс, т.е. диалог пользователя и системы с попеременным переходом инициативы.

Отличительные особенности ИИС по сравнению с обычными ИС состоят в следующем:

интерфейс с пользователем на естественном языке с использованием бизнес-понятий, характерных для предметной области пользователя;

способность объяснять свои действия и подсказывать пользователю, как правильно ввести экономические показатели и как выбрать подходящие к его задаче параметры экономической модели;

представление модели экономического объекта и его окружения в виде базы знаний и средств дедуктивных и правдоподобных выводов в сочетании с возможностью работы с неполной или неточной информацией;

способность автоматического обнаружения закономерностей бизнеса в ранее накопленных фактах и включения их в базу знаний.

ИИС особенно эффективны в применении к слабо структурированным задачам, в которых пока отсутствует строгая формализация, и для решения которых применяются эвристические процедуры, позволяющие в большинстве случаев получить решение. Отчасти этим объясняется то, что диапазон применения ИИС необычайно широк: от управления непрерывными технологическим процессами в реальном времени до оценки последствий от нарушения условий поставки товаров по импорту.

По мере совершенствования принципов логического и правдоподобного вывода, применяемых в ИИС за счет использования нечеткой, модальной, временной логики, байесовских сетей вывода, ИИС начинают проникать в высокоинтеллектуальные области, связанные с разработкой стратегических решений по совершенствованию деятельности предприятий. Этому способствуют более современные алгоритмы анализа и синтеза предложений естественного языка, облегчающие общение пользователя с системой.

Включение в состав ИИС классических экономико-математических моделей, методов линейного, квадратичного и динамического программирования позволяет сочетать анализ объекта на основе экономических показателей с учетом факторов и рисков политических и внеэкономических факторов, оценивать последствия полученных их ИИС решений.

Наличие в составе ИИС объектно-ориентированной базы данных позволяет однородными средствами обеспечить хранение и актуализацию как фактов, так и знаний.

Проектирование ИИС как крупного программного комплекса как в отношении его жизненного цикла, так и в отношении технологии проектирования незначительно отличается от технологии проектирования ИС. Основная специфика связана с разработкой базы знаний.

8. Классификация ИИС

Классификация ИИС

ИИС можно классифицировать (рис. 1.3) по разным основаниям. Мы выберем в качестве оснований классификации следующие:

предметная область в экономике,

степень автономности от корпоративной ИС или базы данных,

по способу и оперативности взаимодействия с объектом,

адаптивности, модели знаний.

На рисунке для примера приведены ИИС из областей менеджмента, риск-менеджмента и инвестиций. По степени интеграции ИИС могут быть: автономные в виде самостоятельных программных продуктов с собственной базой данных; сопрягаемые с корпоративной системой с помощью средств ODBC или OLE dB; полностью интегрированные. По операивности принято различать динамические и статические ИИС. Однако фактор времени всегда является существенным в ИИС и полностью статических систем не может быть по определению. Предлагается различать ИИС реального времени с собственными сенсорами и эффекторами и советующие, в контур которых вовлечен пользователь.

По адаптивности различаются обучаемые ИИС типа нейронных сетей, т.е. системы, параметры, а возможно структура которых могут изменяться в процессе обучения или самообучения, и ИИС, параметры которых изменяются администратором базы знаний. Наиболее часто используемые модели знаний приведены непосредственно на рис. 1.3. Приведем несколько примеров ИИС.

Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Фирма: Information System Department, New York University. Проблема огромного количества постоянно растущих альтернатив страхования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обширную сферу различных оптимальных решений для менеджеров по риску. В данной системе разработка страхования от риска сформулирована как многоцелевая оптимизационная задача. Данная задача оптимизации включает несколько сложностей, с которыми существующие технические решения не справляются. Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эмуляцию первичных рассуждений, управляющих риском, полезных для выводов и их объяснений.

Система рассуждений в прогнозировании обмена валют. Фирма: Department of Computer Science City Polytechnic University of Hong Kong. Представляет новый подход в прогнозировании обмена валют, основанный на аккумуляции и рассуждениях с поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков - это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования.

Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера-Шейфера.

Nereid: Система поддержки принятия решений для оптимизации работы с валютными опционами. Фирма: NTT Data, The Tokai Bank, Science University of Tokyo.

Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов; более практична и дает лучшие решения, чем обычные системы принятия решений. Краткие характеристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sun_станциях.

PMIDSS: Система поддержки принятия решений при управлении портфелем.

Разработчики: Финансовая группа Нью-Йоркского университета. Решаемые задачи: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.

Страницы: 1, 2