Перспективы развития ПО КИС.

Параллельно с развитием “железа”, на протяжении последних десяти лет, происходит постоянный поиск новых более удобных и универсальных методов программно-технологической реализации КИС. Во-первых, изменяется общий подход к программированию: с начала 90-х годов объектно-ориентированное программирование фактически вытеснило модульное, сейчас непрерывно совершенствуются методы построения объектных моделей. Во-вторых, в связи с развитием сетевых технологий, локальные КИС, уступают своё место клиент-серверным реализациям. Кроме того, в связи с активным развитием сетей Internet, появляются все большие возможности работы с удаленными подразделениями, открываются широкие перспективы электронной коммерции, обслуживания покупателей через Интернет и многое другое. Разумеется, разработчики программного обеспечения стараются поддерживать свои разработки в соответствии со всеми современным возможностями и стандартами.

Даже поверхностный анализ общего состояния на мировом рынке производителей экономического ПО позволяет сделать выводы, что основной тенденцией является повсеместный переход на использование Internet/Intranet-технологий. Практически все гиганты этой индустрии, такие как SAP (http://www.mysap.com), PeopleSoft (http://www.peoplesoft.com), Baan (http://www.baan.com), и другие заявили о выходе Intranet-версий своих программных комплексов в течение 2000 года.

Одним из основополагающих принципов существования информационных технологий является их постоянное развитие. Это относится как к аппаратной базе, так и к программному обеспечению. Наряду с регулярным обновлением версий программного обеспечения, подразумевающим расширение функциональности программных продуктов, их адаптацию к новым возможностям и требованиям оборудования, происходят изменения и в классах КИС.

В настоящее время можно отметить несколько тенденций в развитии КИС:

разработка различных вертикальных решений, предназначенных для сквозной автоматизации предприятий какой-либо отрасли;

создание гибких программных продуктов, оперативно внедряемых и максимально легко настраиваемых под потребности предприятия, на котором они внедряются;

тесная интеграция работы ИТ-специалистов по внедрению и специалистов по кадрам, т.е. разработка КИС, которые удобны и понятны сотрудникам и поэтому легко внедряются в реальную промышленную эксплуатацию.

Несомненно, эволюция корпоративных систем будет продолжаться столько же, сколько развиваются технологии. На динамику процесса также оказывают влияние различные теории корпоративного управления, постоянно появляющиеся, обретающие популярность и внедряемые на предприятиях наряду с КИС. Развитие и совершенствование КИС является одним из элементов естественного процесса технологического и организационного прогресса.


22.Понятие системы искусственного интеллекта (ИИ). Направления использования ИИ в экономике. Роль и место систем ИИ в ИС

Искусственный интеллект(ИИ) — область научного знания, объединяющая различные направ­ления, занимающиеся исследованиями принципов и закономерностей мыслительной деятельности и моделированием задач, которые традиционно относят к интеллектуальным.

Искусств.интеллект-св-во автоматизир.систем брать на себя отд.функции интелл.чел-ка

Интеллект и мышление органически связаны с решением следующих задач: распознавание ситуаций, логический ана­лиз, планирование поведения, игры и упр-е в условиях неопределенности. В процессе их решения проявл-ся такие характ.черты интеллекта, как способность к обучению, обобщ-ю, накоплению опыта и адаптации к изменяющимся условиям.

Интеллектуальная информационная система (ИИС) — это один из видов автоматизированных информационных систем, которая представляет собой комплекс программных, лингвистических и логико-технических средств для реализации основной задачи: осуществление поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке.

Такие системы имеют многокомпонентную и многосвязанную структуру, компонентами которой являются базы знаний и подсистемы извлечения знаний, формирования цели, вывода на знаниях, диалогового общения, обработки внешней и внутренней информации, обучения и самообучения, контроля и диагностики. Пользователь может формировать корректировать основные и вспомогательные БЗ систе­мы

подсистема диалогового общениявзаимное действие с пользователем осуществляется в интерактивном режиме, который предполагает не только ввод задания, но и выдачу подтверждений о понимании задания или запросов на уточнение непонятных моментов.

Подсистема формирования целиобрабатывает формализованное задание и определяет возможность или невозм-сть его выполнения при существующих в данный ресурсах системы и состояний ее компонентов.

Основная БЗдолжна содержать формализованное описа­ние среды, которую должна изменить система, чтобы выпол­нить задание. Знания о среде формируются подсистемой извлечения знаний,дополнительные знания о проблеме -подсистемой обучения и самообучения.Т.о., в основной БЗ создается полная модель среды.

Обработка цели, знаний о среде и проблеме осуществляется подсистемой вывода на знаниях, которая выполняет поиск решения.

Подсистемы обр-ки внешн.и внутр.информациивыполняют анализ текущих изменений информации, для получения которой могут быть использованы разл.устройства, связывающие систему со средой.

Источниками знанийявляются описания сущностей, представленные с использованием определенной формальной модели знаний, приемлемой для аппаратно-программных реализаций

Модель знанийявляется представлением системы знаний с помощью определенного математического аппарата для корректного формального описания и построения процедуры решения задачи.

Пои построении интеллектуальных систем используются семантическая, фреймовая и формально-логическая модели знаний.


23. Матем. методы и модели ИИ: нечеткая логика, генетич.алгоритмы, нейронные сети и др.Искусственный интеллект реализуется на базе четырех подходов: логического, эволюционного, имитационного и структурного.

Основой логического подхода служит булева алгебра и ее логические операторы, в первую очередь оператор IF (если). При этом исходные данные хранятся в базе знаний в виде ак­сиом, а правила логического вывода — как отношения меж­ду ними. данный подход требует эффективной реализации вычислительного процесса, и хорошие результаты достигаются при сравни­тельно небольшом размере базы знаний. Примерами практи­ческой реализации логических методов являются деревья Решений и нечеткая логика.

Самоорганизация — процесс самопроизвольного увеличения порядка, или организации, в системе, происходящий под действием внешней среды. Самоорганизующиеся модели служат в основном для прог­нозирования поведения и структуры систем различной при­роды. В процессе построения моделей участие человека све­дено к минимуму.

Эволюционное моделирование представляет собой уни­версальный способ построения прогнозов состояний системы в условиях задания их предыстории. Общая схема алгоритма эволюции включает: задание исходной организации систе­мы, случайные мутации, отбор для дальнейшего развития той организации, которая является лучшей в рамках некото­рого критерия.

Поиск оптимальной структуры происходит в большей степени случайно и не целенаправленно, что затягивает процесс, но обеспечивает наилучшее приспособление к изменяющимся условиям.

Генетические алгоритмы - это стохастические, эвристические оптимизационные методы, основанные на идее эволюции путем естественного отбора.

Алгоритм работы классического ГА

Генетический алгоритм представляет собой мощное поиско­вое средство, эффективное в различных проблемных областях.

Под структурным подходом подразумевается построе­ние систем ИИ путем моделирования структуры человечес­кого мозга. Нейросетевое моделирование применяется в раз­личных областях — бизнесе, медицине, технике, геологии, физике, где нужно решать задачи прогнозирования, класси­фикации или управления. В основе лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов — формальных нейронов, которые функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации.

Искусственные нейронные сети (ИНС) — это математические модели и их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей.

Как правило, искусственная нейронная сеть используется, когда неизвестны виды связей между входами и выходами.

Для моделей, построенных по аналогии с мозгом человека, характерны простое распараллеливание алгоритмов и свя­занная с этим высокая производительность.Основное использование этих моделей — прогнозирование.

 


24.Интеллектуальный анализ данных. Управление знаниями.

интеллектуальный агент -разумные сущности, наблюдающие за окружающей средой и действующие в ней, при этом их поведение рационально в том смысле, что они способны к пониманию и их действия всегда направлены на достижение какой-либо цели. Такой агент может быть как роботом, так и встроенной программной системой. Об интеллектуальности агента можно говорить, если он взаимодействует с окружающей средой примерно так же, как действовал бы человек.

Всех агентов можно разделить на пять групп, по типу обработки воспринимаемой информации:

Агенты с простым поведением действуют только на основе текущих знаний. Их агентская функция основана на схеме условие-действие IF (условие) THEN действие. Такая функция может быть успешной, только если окружающая среда полностью поддается наблюдению.

Агенты с поведением, основанным на модели, могут оперировать со средой, лишь частично поддающейся наблюдению. Внутри агента хранится представление о той части, что находится вне границ обзора.

Целенаправленные агенты схожи с предыдущим типом, однако они, помимо прочего, хранят информацию о тех ситуациях, которые для них желательны. Это дает агенту способ выбрать среди многих путей тот, что приведет к нужной цели.

Практичные агентыспособны различать, насколько желанно для них текущее состояние. Такая оценка может быть получена с помощью «функции полезности», которая проецирует множество состояний на множество мер полезности состояний.

Обучающиеся агенты - независимость и способность к обучению и приспосабливанию к изменяющимся обстоятельствам.

Под «анализом данных» понимают действия, направленные на извлечение из них информации об исследуемом объекте и на получение по имеющимся данным новых данных. Интеллектуальный анализ данных (ИАД) — общий термин для обозначения анализа данных с активным использованием математических методов и алгоритмов.

В общем случае процесс ИАД состоит из трех стадий;

1. выявление закономерностей;

2. использование выявленных закономерностей для предсказания неизвестных значений;

3. анализ исключений для выявления и толкования аномалийв найденных закономерностях.

Иногда выделяют промежуточную стадию проверки достоверности найденных закономерностей.

Существующие системы ИАД подразделяют на исследо­вательские, ориентированные на специалистов и предназна­ченные для работы с новыми типами проблем; прикладные,рассчитанные на аналитиков, менеджеров, технологов и решающиетиповые задачи (в прикладных системах целесообразно реализовывать не методы, а типовые виды рассуждений, характерные для проблемной области).

Для проведения автоматического анализа данных, на­копленных предприятием в течение жизненного цикла, ис­пользуются технологии под общим названием Data Mining. Data Mining — это технология обнаружения я «сырых» данных ранее неизвестных нетривиальных, практически полезных и доступных интерпретаций знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Алгоритмы, используемые в Data Mining требуют большого количества вычислений, что ранее считалось сдерживающим фактором широкого практического их применения, однако рост производительности современных процессоров снял остроту этой проблемы.

Наибольшее распространение полу­чили следующие методы Data Mining: нейронные сети, деревья решений, алгоритмы кластеризации, алгоритмы обнаружения ассоциативных связей между событиями и т.д.

Деревья решений представляют собой иерархическую древовидную структуру классифицирующих правил типа «если-то». Для отнесения некоторого объекта или ситуации к какому-либо классу следует ответить на вопросы. При положительном ответе осуществляется переход в правому узлу следующего уровня дерева,отрицательном — к левому узлу.

приоритет по­степенно смещается в сторону логических алгоритмов поиска в данных «если — то» правил. Результаты таких алгоритмов эффективны и легко интерпретируются. Главная проблема метода - проблема перебора вариантов за приемлимое время.

В основе концепцииОLАРлежит принцип многомерного представления данных. правила, кото­рым должен удовлетворять программный продукт класса ОLАР:

1. Многомерное концеп­туальное представле­ние данных; 2.Прозрачность; 3.Доступность; 4.Устойчивая производительность; 5.Клиент-серверная архитектура; 6.Равноправие измерений; 7.Поддержка многопользовательского режима; 8.Гибкий механизм генерации отчетов и др.;

Достоинства использования многомерных БД в сис­темах оперативной аналитической обработки:

• поиск и выборка данных осуществляются значительно быстрее.

•простота включения в информационную модель разно­образных встроенных функций.

Управление знаниями - систематическое приобретение, синтез, обмен и использование опыта для достижения успеха в бизнесе или в управлении компанией.

выделяют два типа знаний:

Явные знания— знания, представленные в компании в виде должностных инструкций, регламентов и положений о деятельности подразделений, корпоративные учебные пособия и другое.

Неявные знания — знания, носителем которых является человек (продукт личного опыта), их нельзя увидеть, сложно задокументировать, передать их можно только посредством личного и непосредственного общения. Они могут содержаться в корпоративном хранилище данных, для извлечения которых используются технологии искусственного интеллекта и статистики.

Управлять знаниями так, как управляют, например, фи­нансовыми ресурсами, нельзя, но можно управлять взаимо­действиями явных и неявных знаний, способствовать их об­мену на уровне групп, индивидуальном и корпоративном уровнях, управлять переходом знаний из одной формы в дру­гую. Процедуры взаимодействия могут быть реализованы в портале управления знаниями.

Портал управления знаниями— это корпоративный информационный портал для управления взаимодействием на уровне знаний сотрудников организации, рабочих групп собственно организации.

Система управления содержимым/контентом -программный комплекс, который позволяет управлять электронным контентом.

Системы бизнес-интеллекта (Business Intelegence) – класс информационных систем, которые позволяют преобразовывать разрозненные и необработанные данные операционной деятельности предприятия в структурированную инфу и знания, используемые для принятия управленческих решений.

По оценкам агентства IDС рынок Business Intelegence состоит из 5 секторов:

OLAP-продукты

Инструменты добычи данных

Средства построения Хранилищ и Витрин данных

Управленческие информационные системы и приложения

Инструменты конечного пользователя для выполнения запросов и построения отчетов.

Как правило, функции BI включают поддержку принятия решений, запросы и отчетность, аналитическую обработку оnline, статистический анализ, прогнозирование и количественный анализ.

Потенциальными потребителями BI-систем являются телекоммуникационные компании, банки, промышленные предприятия и сфера торговли, государственные управленческие структуры; крупные компании и холдинги, отрасли энергетики, нефтехимии и др.

Потребность в системах искусственного интеллекта возникает по мере достижения предприятием достаточно высокой культуры управления.


Экспертная система (ЭС).

Под экспертной системой понимают систему искусственного интеллекта, ко­торая включает базу знаний с набором правил и механизмом вы­вода, позволяющую на основании этих правил и предоставляемых пользователем фактов распознавать ситуацию, ставить диагноз, формулировать решение или давать рекомендации для выбора действия.

Целесообразность применения ЭС вытекает из следующего:

1) технология ЭС существенно расширяет круг практически значимых задач, решение которых с использованием современных средств вычислительной техники приносит значительный экономи­ческий эффект; 2) технология ЭС является важнейшим средством в преодоле­нии глобальных проблем традиционного программирования, таких как: длительность, высокая стоимость разработки сложных приложений; высокая стоимость сопровождения сложных систем; низкий уровень повторной используемости программ; 3) объединение технологии ЭС с технологией традиционного программирования, добавляет новые качества к программным про­дуктам; 4) ЭС предназначены для неформализованных задач, т.е. ЭС не отвергают и не заменяют традиц.подхода к разработке про­грамм, ориентированного на решение формализованных задач.

К неформализованным относят задачи, которые обладают од­ной или несколькими из следующих характеристик: 1) задачи не могут бать заданы в числовой форме; 2) цели не могут быть выражены в терминах точно определенной целевой функции; 3) не существует алгоритмического решения задач; 4) алгоритмическое решение существует, но его нельзя исполь­зовать из-за ограниченности ресурсов (время, память).

В основе любой экспертной системы находится обширный запас знаний о конкретной предметной области. Эти знания организуются при помощи некоторой совокупности правил, которые позволяют делать заключения на основе исходных данных или предложений. Архитектуру ЭС можно представить в виде следующей схемы:

Знания + Машина логического ввода = ЭС

Полностью оформленная статическая ЭС имеет 6 существенных компонент:

База знаний (БЗ) — содержит факты (или утверждения) и правила. Факты представляют собой краткосрочную информацию в том отношении, что они могут изменяться, например, в ходе кон­сультации. Правила представляют более долговременную инфор­мацию о том, как порождать новые факты или гипотезы из того, что сейчас известно.

Логическая машина вывода, используя исходные данные из рабочей памяти (РП) и базы знаний, формирует такую последо­вательность правил, которая, приводит к решению задачи. Машина вывода связана с цепочкой рассуждений, которые используются в качестве стратегии для логического вывода. Прямая цепочка рассуждений — это цепочка, которая ведет от данных к гипотезам, при этом в процессе диалога до получения от­вета может быть задано неограниченное количество вопросов. Обратная цепочка рассуждений - попытка найти дан­ные для доказательства или опровержения некоторой гипотезы.

Компонент приобретения знаний автоматизирует про­цесс наполнения ЭС знаниями. Источник таких знаний — эксперт (либо группа таковых).

Объяснительный компонент разъясняет пользователю, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дру­жественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов ра­боты.

База данных (БД) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.

Банк данных — это автоматизированная информационная система централизованного хранения и коллективного использ-я данных. В состав банка данных входит одна или несколько баз данных, справочник баз данных, система управления базами дан­ных, а также библиотека запросов и прикладных программ.

ЭС классифицируются по следующим параметрам:1) по типу приложения; 2) по стадии существования; 3) по масштабу; 4) по типу предметной среды.

Масштаб. Многие специалисты классифицируют ЭС по типу используемой ЭВМ:1) малые ЭС, реализуемые на ПК типа PC или Macintosh; 2)средние ЭС реализуются на рабочих станциях. Они бывают изолированными и интегрированными с БД и электронными табли­цами. Данные приложения охватывают весь спектр использования ЭС; 3)6ольшие ЭС реализуются на рабочих станциях или ЭВМ об­щего назначения (mainframe). Они, как правило, имеют доступ к огромным БД; 4)символьные ЭС реализуются на символьных ЭВМ или с ис­пользованием ИС типа Lisp и Prolog. Эти ЭС являются исследова­тельскими и не используются для решения реальных задач. Понятие "проблемная среда" включает предметную и решаемые в этой предметной области задачи.

Экспертная система может работать в двух режимах: в режиме приобретения знаний и в режиме решения задачи (называемом так­же режимом консультации, или режимом использования).

В режиме приобретения знаний общение с ЭС осущес­твляет эксперт. Используя компонент приобретения знаний, эк­сперт наполняет систему информацией, которая позволяет ЭС в ре­жиме консультации самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности правил и данных. Данные определяют объекты, их характеристики и значения, существующие в области эксперти­зы. Правила определяют способы манипулирования с данными, ха­рактерные для рассматриваемой области.

В режиме консультации общение с ЭС осуществляет конеч­ный пользователь, которого интересует результат и (или) способ его получения. Следует подчеркнуть, что термин "пользователь" является многозначным, так как использовать ЭС, кроме конечного пользователя, может и эксперт, и программист.

В режиме консультации данные о задаче пользователя после об­работки их диалоговым компонентом поступают в рабочую память. Машина логического вывода на основе входных данных, общих данных о проблемной области и правил из БЗ формирует решение задачи.