КОРПОРАТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ ТЕМА 5 ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

КОРПОРАТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ ТЕМА 5: ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. СРЕДСТВА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ (продолжение)

СППР И СРЕДСТВА СОЗДАНИЯ ЭС И СППР 1. Системы поддержки принятия решений (СППР) и их структура 2. Инструментальные средства создания ЭС и СППР

СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ И ИХ СТРУКТУРА 1

Системы поддержки принятия решений (СППР) – это системы, обеспечивающие лиц, принимающих решения (ЛПР), необходимыми для их принятия данными, знаниями, выводами и/или рекомендациями

СППР делятся на классы: l l l Для руководства высшего уровня (EIS – Executive Information System) Для руководства среднего уровня (DSS - Decision Support System) Подклассы СППР: Стратегические информационные системы (SISStrategic Information Systems) Производственные информационные системы обработки транзакций (Transaction Processing Systems - TPS) Управленческие информационные системы (Management Information Systems - MIS)

СППР классифицируют по: концептуальным моделям l решаемым задачам l области применения l организационным уровням l

Этапы проектирования и разработки СППР Идентификация задачи l Концептуализация задачи l Формализация баз данных, знаний и моделей l Построение баз данных, знаний и моделей и всей системы в целом l Тестирование l Опытная эксплуатация l

МЕТОДЫ МНОГОКРИТЕРИАЛЬНОЙ ОЦЕНКИ АЛЬТЕРНАТИВ Аксиоматические методы l Прямые методы l Методы компенсации l Методы порогов несравнимости l Человеко-машинные методы l

Архитектура СППР

КЛАССЫ СППР Системы сбора информации l Базы данных l СУБД l Блоки формирования вариантных решений l Базы знаний l СУБЗ l Экспертные системы l

Наиболее распространенные программные пакеты СППР l l l l l ASSISTANT CHOICE, EXPERT CHOICE STUDY EXPERT, TRIZ, DEDUCTOR NEUFRAME, DARWIN POLYANALYST, KNOWLEDGE SEEKER, XPERTRULE ANALYSER Hyperion Enterprise, Hyperion Essbase my. SAP Business Intelligence Project Expert (Про-Инвест), Парус, Галактика Анжелика-Бухгалтер Касатка-маркетинг, БЭСТ-маркетинг

ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА СОЗДАНИЯ ЭС И СППР 2

ИСПОЛЬЗУЕМЫЕ МЕТОДЫ: НЕЧЕТКИЕ МНОЖЕСТВА l ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ (ЭВОЛЮЦИОННЫЕ МЕТОДЫ) l НЕЙРОННЫЕ СЕТИ l

НЕЧЕТКИЕ МНОЖЕСТВА l l l Обработка нечетких (стохастических/вероятностных) данных. Реализуются логические операции «ORили» , «AND-и» и «NOT-не» . Нечеткое множество (НМ) задает какую-нибудь группу объектов, каждый из которых определяется вероятностью принадлежности к этому множеству. Нечеткие множества используются при описании неопределенных ситуаций в области финансов, управлении производством, инвестиционном анализе и проектировании СППР.

Эволюционные методы или генетические алгоритмы (ГА) l l Генетический алгоритм осуществляет огромный перебор разных значений и сужает их до оптимального множества решений, представленных в виде хромосом, а гены определяют параметры этих задач (математическая интерпретация генно-хромосомной теории наследственности). Компоненты ГА: Хромосомы, включающие гены. Начальная популяция хромосом. Набор операторов для генерации новых решений из предыдущей популяции. Целевая функция для оценки приспособленности (fitness) решений. Над генами могут выполняться различные операции: перестановки, мутации, селекции и др. ГА, в отличие от метода Монте-Карло, позволяют накапливать удачные решения для отдельных подсистем

НЕЙРОННЫЕ СЕТИ Нейронные сети – совокупность связанных узлов, моделирующих структуру биологического нейрона Области применения нейронных сетей: l l l l Распознание ручного и печатного шрифтов, чтение текстов Контроль качества на производстве, классификация дефектов Финансовый анализ и прогнозирование инвестиционных проектов, курса валют и ценных бумаг Области управления и оптимизации производства Военная промышленность, моделирование военных конфликтов Медицина Область ИТ-индустрии

БИОЛОГИЧЕСКИЙ НЕЙРОН

Искусственный нейрон Структура искусственного нейрона, виды функций активации, одно- и двухслойный перцептрон

ПРИМЕРЫ ИЕРАРХИИ СТРУКТУРЫ ЗАДАЧ ДЛЯ СППР

ПРИМЕР № 1 Цель-проблема: Выбор наилучшей стратегии фирмы Критерии: l Затраты l Временные характеристики l Характеристики продукции l Риск стратегии

ПРИМЕР № 2 Цель-проблема: Выбор лидера команды Критерии: l Деловые качества l Личные качества

ПРИМЕР № 3 Цель-проблема: Выбор процесса для реинжиниринга Критерии: l Стратегическая важность процесса l Качество выполнения процесса l Ожидания клиентов по отношению к процессу l Возможность достижения желаемых результатов

Применение СППР в сфере бизнеса: l l l Оценка финансового состояния предприятия и планирование его развития Анализ состояния производства, обслуживания клиентов, смежных организаций Анализ и прогнозирование денежного обращения, состояния кредитно-финансовой системы Общеэкономическое положение отрасли в сопоставлении с макроэкономическими показателями Состояние и прогнозирование отдельных рынков и услуг Планирование и прогнозирование в государственных структурах, фирмах и корпорациях

РЫНОК СППР l l l l Реализация пилот-проектов по СППР-системам Создание совместно с Заказчиком полнофункциональных СППР-систем, включая ХД и средства Business Intelligence Проектирование архитектуры ХД Установка и настройка средств OLAP и Business Intelligence Интеграция систем СППР в корпоративные интранетсети Разработка Информационных Систем Руководителя (EIS) Обучение специалистов и оказание консалтинговых услуг Заказчику Модернизация вычислительной инфраструктуры, обеспечивающей функционирование СППР

Системы Business Intelligence BI-системы – это класс ИС, позволяющий превратить сырые данные в полезную для бизнеса информацию и знания, используемые в управлении и принятии решений

СПЕКТР ЗАДАЧ BI-СИСТЕМ l l l l Анализ продаж Управление складскими запасами Оперативное управление поставками продукции Анализ эффективности маркетинговых акций Мониторинг вывода продукта на рынок Ежедневный контроль денежных потоков Разработка новых продуктов Расчет сложных показателей

ТИПЫ BI-СИСТЕМ l l l l l Аналитическая и управленческая отчетность Оперативный анализ информации OLAP Информационные панели Системы нетривиального анализа данных и получения знаний (на базе технологий Data Mining), которые применяются для решения сложно формализуемых задач: Прогнозирование Выявление мошенничества Сегментация клиентов Оценка риска и принятие решений в кредитовании Анализ покупательской корзины