САНКТ-ПЕТЕРБУРГСКИЙ  ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ 

ИНФОРМАЦИОННЫХ  ТЕХНОЛОГИЙ, МЕХАНИКИ И ОПТИКИ 
 
 
 
 
 
 
 
 
 
 
 
 
 

Реферат на тему:

Информационные  технологии, использующие системы поддержки  принятия решений  или системы искусственного интеллекта. 
 
 
 
 
 
 
 
 
 
 
 
 

Выполнила:

Хахаева М.И.

Группа 3521 
 
 
 
 
 
 
 
 
 
 
 
 

санкт-Петербург

2011 г.

 

Оглавление

Введение

  Одно  из актуальных направлений информатики - интеллектуализация информационных технологий. В результате пользователь сможет не только получить сведения на основе обработки данных,  но и использовать по интересующей его проблеме накопленный опыт и знания профессионалов. Интеллектуальные системы и технологии применяются для распространения профессионального опыта и  решения  сложных  научных задач.  Для обработки и моделирования знаний применяются специальные модели и создаются базы знаний.

Задачи, решаемые с помощью информационных технологий, лежат в пределах от сильно структурируемых (повторяющихся и рутинных, с заранее выработанной процедурой, детально описывающей алгоритм получения решения) до неструктурируемых, для которых описание процесса получения решения невозможно.

Большую группу в этой совокупности составляют слабо структурируемые задачи, решение которых связано с определением количественных и качественных переменных.

Это привело  к созданию программных систем, основанных как на традиционных методах алгоритмической обработки данных, так и на методах создания и использования баз знаний. Наиболее плодотворными программными системами для решения таких задач является новая информационная технология, связанная с разработкой экспертных систем (ЭС) и системы поддержки принятия решений.

Сегодня за счет достижений в области искусственного интеллекта создано большое количество научных разработок, которое существенно  упрощает жизнь людей. Распознавание  речи или отсканированного текста, решение вычислительно сложных  задач за короткое время и многое другое - все это стало доступно благодаря развитию искусственного интеллекта.

Замена  человека-специалиста на системы  искусственного интеллекта, в частности  на экспертные системы, разумеется, там, где это допустимо, позволяет существенно ускорить и удешевить процесс производства. Системы искусственного интеллекта всегда объективны и результаты их работы не зависят от моментного настроения и ряда других субъективных факторов, которые присущи человеку. Но, несмотря на все вышесказанное, не стоит питать сомнительные иллюзии и надеяться, что в ближайшем будущем труд человека удастся заменить работой искусственного интеллекта. Опыт показывает, что на сегодняшний день системы искусственного интеллекта достигают наилучших результатов, функционируя совместно с человеком. Ведь именно человек, в отличие от искусственного интеллекта, умеет мыслить нестандартно и творчески, что позволяло ему развиваться и идти вперед на протяжении всей его эпохи.

 

Системы поддержки принятия решений

Системы поддержки принятия решений (DSS) - это компьютерные системы, почти всегда интерактивные, разработанные, чтобы помочь менеджеру (или руководителю) в принятии решений. DSS включают и данные, и модели, чтобы помочь решить проблемы, особенно те, которые плохо формализованы. Данные часто извлекаются из системы диалоговой обработки запросов или базы данных. Модель может быть простой типа "доходы и убытки", чтобы вычислить прибыль при некоторых предположениях, или комплексной типа оптимизационной модели для расчета загрузки для каждой машины в цехе. DSS и многие из систем, обсуждаемых в следующих разделах, не всегда оправдываются традиционным подходом стоимость — прибыль; для этих систем многие из выгод неосязаемы, типа более глубокого принятия решения и лучшего понимания данных.

Итак, системы поддержки принятия решений (СППР) могут быть необходимы в случае, если у бизнеса есть потребность в обработке больших объемов разнородной (постоянно поступающей) информации с последующим анализом и стратегическим планированием дальнейших действий.

Термины и определения

Когда современный специалист, не только в области информационных технологий, но и просто эрудированный производственник, слышит аббревиатуру ERP, то можно в большинстве случаев ожидать вполне адекватного представления, о чем идет речь. Хотя еще лет десять назад это было не так. До сих пор это «не так» и с системами поддержки принятия решений.

С одной  стороны, ERP, GIS и многие другие прикладные программные средства можно отнести по функциональному назначению к системам поддержки принятия решений - как минимум на 50% они для этого и создавались. Однако когда мы имеем дело с прикладным программированием, мы вынуждены следовать сложившимся стандартам, которые приписывают любому понятию в данной области определенный смысл. Некоторые отклонения, конечно, возможны, но только вокруг некоторой базовой спецификации.

Так же что такое DSS-система?

Можем найти следующее ее определение:

Decision Support Systems (DSS) является классом компьютеризированных информационных систем, которые поддерживают деятельность по принятию решений.

Это определение мало что проясняет и абсолютно не дает возможности идентификации в широком перечне классов информационных систем. Иногда в данного типа определениях присутствует фразы: «система должна облегчать принятие решений», «…анализировать данные и представлять их в удобной для принятия решений форме» и т.п.

Дэниель Пауэр (Daniel Power) в 2002 году идентифицировал пять типов DSS-систем как систем, оперирующих связями, данными, документами, знаниями и моделями.

Вот его  определение:

DSS-система - это интерактивная компьютерная система, предназначенная для помощи лицу, принимающему решения, в использовании связей, данных, документов, знаний и моделей для идентификации и решения проблем и формирования решений.

Это уже, по крайней мере, конструктивно, хотя под данное определение попадают опять очень многие классы систем: ERP, GIS, DocFlow, Business Modeller, SCADA/DCE, Project Management и др.

А вот  еще одно определение (Bonczek, Holsapple & Whinston, 1981):

DSS-система должна помогать лицу, принимающему решение, в решении непрограммируемых, неструктурированных (или полуструктурированных) проблем; DSS-система должна предлагать возможности формирования интерактивных запросов в естественном языке, близком к предметному и легко изучаемому.

Это определение, безусловно, сужает область идентификации.

И наконец, еще одно:

DSS-система помогает менеджеру или лицу, принимающему решение, использовать и манипулировать данными, использовать проверки и эвристики, а также строить и использовать математические модели.

В данном определении ссылка на «математические  модели» - наиболее сильное место, но это противоречит высказанному ранее требованию легкости формирования языка запросов.

Существует  связное понятие - Business Intelligence Tools (инструментальные средства бизнес-интеллекта) - программное обеспечение, которое дает возможность пользователям наблюдать и использовать большие объемы сложных данных.

Выделяют  три типа таких инструментальных средств:

1. Средства  многомерного анализа- также известные  как OLAP (On-Line Analytical Processing) - программное обеспечение, которое дает пользователю возможность наблюдать данные в различных измерениях, направлениях или сечениях.

2. Инструментальные  средства запросов (Query Tools) - программное обеспечение, позволяющее формировать запросы к данным по содержанию или образцу.

3. Инструментальные  средства поиска данных (Data Mining Tools) - программное обеспечение, которое осуществляет автоматический поиск важных образцов (моделей), или зависимостей в данных.

Под приведенное  определение Пауэра это попадает и, наверное, к рассматриваемой теме относится. Но давайте пока отвлечемся от прикладной лингвистики. К ней мы вернемся позже - после рассмотрения целей, назначения и конкретных реализаций, которые должны прояснить дело.

OLAP (Оnline Аnalytical Processing)

OLAP (Оnline Аnalytical Processing) – технология, основанная на инструментах математической статистики, она применяется главным образом для анализа и отображения информации в виде многомерных структур, называемых также «кубы OLAP». Позволяет решать следующие задачи:

• подготовить базы данных (часто объемные и содержащие сложные взаимосвязи);
• организовать гибкий и удобный доступ к базам данных через мощные средства формирования запросов;
• получить результаты запросов в форме, максимально удобной для последующего анализа;
• использовать мощные генераторы отчетов.

Такой подход может быть очень полезен в том случае, если лицо, принимающее решение, использует компьютер только для извлечения необходимых данных, представления этих данных в структурированном, понятном виде, а выводы делает самостоятельно.

Представленное  преобразование данных в трехмерную структуру – один из мощнейших инструментов технологии OLAP. Он отличается гибкостью: каждый пользователь может определять нужные многомерные проекции данных без каких-либо ограничений. Кроме того, в рамках этого метода существует возможность производить детализацию данных до нужного уровня. Таким образом, технологию OLAP стоит рассматривать как средство формирования и поиска запросов к базе данных (хранилищу данных).

При этом функциональности OLAP явно недостаточно, если требуется более детальный анализ либо есть необходимость в автоматизированном поиске скрытых взаимодействий между объектами в представленном массиве информации.

Data Mining

Data Mining – комплексный подход к интеллектуальному анализу данных . В отличие от методов аналитической обработки информации и создания отчетов, концепция Data Mining предполагает обнаружение нетривиальных взаимосвязей между объектами данных, которые нужны для принятия решений. В частности, инструментарий выработки рекомендаций обладает следующими возможностями:

• формирование  множества альтернативных вариантов  решений;
• использование нескольких критериев оценки;
• учет важности критериев;
• выбор лучшего варианта, который выдается как рекомендация.

Выделяют  пять типов закономерностей, которые  позволяет выявлять Data Mining: классификация, кластеризация, регрессия, ассоциация, последовательность и прогнозирование.

Кратко  их можно охарактеризовать так:

• классификация – это отнесение объектов (наблюдений, событий) к одному из заранее известных классов;
• кластеризация – это группировка объектов (наблюдений, событий) на основе данных (свойств), описывающих сущность объектов. Объекты внутри кластера должны быть похожими друг на друга и отличаться от объектов, вошедших в другие кластеры. Чем больше похожи объекты внутри кластера и чем больше отличий между кластерами, тем точнее кластеризация;
• регрессия, в том числе задачи прогнозирования. Установление функциональной зависимости между зависимыми и независимыми перемененными;
• ассоциация – выявление закономерностей между связанными событиями. Примером такой закономерности служит правило, указывающее, что из события X следует событие Y. Такие правила называются ассоциативными. Впервые это задача была предложена для нахождения типичных шаблонов покупок, совершаемых в супермаркетах, поэтому иногда ее еще называют анализом рыночной корзины (market basket analysis);
• последовательные шаблоны – установление закономерностей между связанными во времени событиями. Например, после события X через определенное время произойдет событие Y;
• анализ отклонений – выявление наиболее нехарактерных шаблонов.