Информационные технологии

решений

Стандартизация информационных технологий
4. Информационные системы
5. ИТ поддержки процессов разработки и

принятия управленческих решений
6. ИТ управления проектами

ИС менеджмента и СППР: Экспертные системы [4, с.249-262].
5.2. Методы поддержки

принятия управленческих решений на основе ИТ [4, с.263-267].
5.3. Архитектуры СППР (функциональная, Независимые витрины данных, Двухуровневое и Трехуровневое хранилище данных) их достоинства и недостатки [4, с.267-272].

лицам, принимающим решение в сложных условиях, для полного и объективного

анализа предметной деятельности;

совокупность процедур по обработке данных и суждений, помогающих руководителю в принятии решений, основанная на использовании моделей;

интерактивные автоматизированные системы, помогающие лицу, принимающему решения, использовать данные и модели для решения слабо структурированных проблем;

система, которая обеспечивает пользователям доступ к данным и/или моделям, так что они могут принимать лучшие решения.

ИС менеджмента и СППР: Экспертные системы [4, с.249-262].
5.2. Методы поддержки

принятия управленческих решений на основе ИТ [4, с.263-267].
5.3. Архитектуры СППР (функциональная, Независимые витрины данных, Двухуровневое и Трехуровневое хранилище данных) их достоинства и недостатки [4, с.267-272].

информационных технологий, включая анализ и выработку альтернатив, в СППР используются

следующие методы:
1) информационный поиск;
2) интеллектуальный анализ данных;
3) извлечение (поиск) знаний в базах данных;
4) рассуждение на основе прецедентов;
5) имитационное моделирование;
6) генетические алгоритмы;
7) искусственные нейронные сети;
8) методы искусственного интеллекта

неструктурированной документальной информации и наука об этом поиске.
Термин «информационный

поиск» был впервые введён Кельвином Муром в 1948 в его докторской диссертации, опубликован и употребляется в литературе с 1950.
Сначала системы автоматизированного информационного поиска, или информационно-поисковые системы (ИПС), использовались лишь для управления информационным взрывом в научной литературе.
Многие университеты и публичные библиотеки стали использовать ИПС для обеспечения доступа к книгам, журналам и другим документам.
Широкое распространение ИПС получили с появлением сети Интернет. У русскоязычных пользователей наибольшей популярностью пользуются поисковые системы Google, Yandex и Rambler.

скрытых закономерностей или взаимосвязей между переменными в больших массивах необработанных

данных. Подразделяется на задачи классификации, моделирования и прогнозирования и другие. Термин «Data Mining» введен Григорием Пятецким-Шапиро в 1989 году.
Английский термин «Data Mining» не имеет однозначного перевода на русский язык (добыча данных, вскрытие данных, информационная проходка, извлечение данных/информации) поэтому в большинстве случаев используется в оригинале. Наиболее удачным непрямым переводом считается термин «интеллектуальный анализ данных».
Data Mining включает методы и модели статистического анализа и машинного обучения, дистанцируясь от них в сторону автоматического анализа данных. Инструменты Data Mining позволяют проводить анализ данных предметными специалистами (аналитиками), не владеющими соответствующими математическими знаниями.

(Knowledge Discovery in Databases – KDD) ‑ процесс обнаружения полезных

знаний в базах данных. Эти знания могут быть представлены в виде закономерностей, правил, прогнозов, связей между элементами данных и др. Главным инструментом поиска знаний в процессе KDD являются аналитические технологии Data Mining, реализующие задачи классификации, кластеризации, регрессии, прогнозирования, предсказания и т.д.
Однако, в соответствии с концепцией KDD, эффективный процесс поиска знаний не ограничивается их анализом. KDD включает последовательность операций, необходимых для поддержки аналитического процесса. К ним относятся:
Консолидация данных.
Подготовка анализируемых выборок данных.
Очистка данных от факторов, мешающих их корректному анализу.
Трансформация – оптимизация данных.
Анализ данных – применение методов и технологий Data Mining
Интерпретация и визуализация результатов анализа, их применение в бизнес-приложениях.

и служащий примером или оправданием для последующих случаев подобного рода.

Вывод на основе прецедентов (CBR – Case-Based Reasoning) является подходом, позволяющим решить новую задачу, используя или адаптируя решение уже известной задачи.
Как правило, такие методы рассуждений включают в себя четыре основных этапа, образующие так называемый цикл рассуждения на основе прецедентов или CBR-цикл.
Основная цель использования аппарата прецедентов в рамках СППР и, в частности, систем экспертной диагностики сложных объектов, заключается в выдаче готового решения ЛПР для текущей ситуации на основе прецедентов, которые уже имели место в прошлом при управлении данным объектом или процессом.

процессы так, как они проходили бы в действительности. Такую модель

можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.
Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью с достаточной точностью описывающей реальную систему и с ней проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).
Имитационное моделирование — это частный случай математического моделирования. Существует класс объектов, для которых по различным причинам не разработаны аналитические модели, либо не разработаны методы решения полученной модели. В этом случае математическая модель заменяется имитатором или имитационной моделью.

алгоритм поиска, используемый для решения задач оптимизации и моделирования путем

последовательного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений (англ. evolutionary computation).
Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.
Описание алгоритма. Задача кодируется таким образом, чтобы её решение могло быть представлено в виде вектора («хромосома»). Случайным образом создаётся некоторое количество начальных векторов («начальная популяция»). Они оцениваются с использованием «функции приспособленности», в результате чего каждому вектору присваивается определённое значение («приспособленность»), которое определяет вероятность выживания организма, представленного данным вектором.
После этого с использованием полученных значений приспособленности выбираются векторы (селекция), допущенные к «скрещиванию». К этим векторам применяются «генетические операторы» (в большинстве случаев «скрещивание» - crossover и «мутация» - mutation), создавая таким образом следующее «поколение». Особи следующего поколения также оцениваются, затем производится селекция, применяются генетические операторы и т. д.

а также их программные или аппаратные реализации, построенные по принципу

организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Первой такой моделью мозга был перцептрон. Впоследствии эти модели стали использовать в практических целях, как правило, в задачах прогнозирования.
С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п.
С математической точки зрения обучение нейронных сетей, это многопараметрическая задача нелинейной оптимизации.
С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники.
С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма.
А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

— это наука и разработка интеллектуальных машин и систем, особенно

интеллектуальных компьютерных программ, направленных на то, чтобы понять человеческий интеллект.
При этом используемые методы не обязаны быть биологически правдоподобны. Но проблема состоит в том, что неизвестно какие вычислительные процедуры мы хотим называть интеллектуальным.
А так как мы понимаем только некоторые механизмы интеллекта, то под интеллектом в пределах этой науки мы понимаем только вычислительную часть способности достигнуть целей в мире.
Единого ответа на вопрос чем занимается искусственный интеллект, не существует.
Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки. Обычно эти определения сводятся к следующим:
тест Тьюринга;
когнитивное моделирование;
логический подход;
агентно- ориентированный подход.

ИС менеджмента и СППР: Экспертные системы [4, с.249-262].
5.2. Методы поддержки

принятия управленческих решений на основе ИТ [4, с.263-267].
5.3. Архитектуры СППР (функциональная, Независимые витрины данных, Двухуровневое и Трехуровневое хранилище данных) их достоинства и недостатки [4, с.267-272].

Такие системы часто встречаются на практике, в особенности в организациях

с невысоким уровнем аналитической культуры и недостаточно развитой информационной инфраструктурой.
Характерной чертой функциональной СППР является то, что анализ осуществляется с использованием данных из оперативных систем.
Преимущества:
Быстрое внедрение за счет отсутствия этапа перегрузки данных в специализированную систему
Минимальные затраты за счет использования одной платформы
Недостатки:
Единственный источник данных, потенциально сужающий круг вопросов, на которые может ответить система
Оперативные системы характеризуются очень низким качеством данных с точки зрения их роли в поддержке принятия стратегических решений. В силу отсутствия этапа очистки данных, данные функциональной СППР, как правило, обладают невысоким качеством
Большая нагрузка на оперативную систему. Сложные запросы могут привести к остановке работы оперативной системы, что весьма нежелательно

и встречаются в крупных организациях с большим количеством независимых подразделений,

зачастую имеющих свои собственные отделы информационных технологий.
Преимущества:
Витрины данных можно внедрять достаточно быстро
Витрины проектируются для ответов на конкретный ряд вопросов
Данные в витрине оптимизированы для использования определенными группами пользователей, что облегчает процедуры их наполнения, а также способствует повышению производительности
Недостатки:
Данные хранятся многократно в различных витринах данных. Это приводит к дублированию данных и, как следствие, к увеличению расходов на хранение и потенциальным проблемам, связанным с необходимостью поддержания непротиворечивости данных
Потенциально очень сложный процесс наполнения витрин данных при большом количестве источников данных
Данные не консолидируются на уровне предприятия, таким образом, отсутствует единая картина бизнеса

в рамках компании. Для поддержки такой архитектуры необходима выделенная команда

профессионалов в области хранилищ данных.Это означает, что вся организация должна согласовать все определения и процессы преобразования данных.
Преимущества:
Данные хранятся в единственном экземпляре
Минимальные затраты на хранение данных
Отсутствуют проблемы, связанные с синхронизацией нескольких копий данных
Данные консолидируются на уровне предприятия, что позволяет иметь единую картину бизнеса
Недостатки:
Данные не структурируются для поддержки потребностей отдельных пользователей или групп пользователей
Возможны проблемы с производительностью системы
Возможны трудности с разграничением прав пользователей на доступ к данным

информации. Витрины данных представляют подмножества данных из хранилища, организованные для

решения задач отдельных подразделений компании. Конечные пользователи имеют возможность доступа к детальным данным хранилища, в случае если данных в витрине недостаточно, а также для получения более полной картины состояния бизнеса.
Преимущества:
Создание и наполнение витрин данных упрощено, поскольку наполнение происходит из единого стандартизованного надежного источника очищенных нормализованных данных
Витрины данных синхронизированы и совместимы с корпоративным представлением. Имеется корпоративная модель данных. Существует возможность сравнительно лёгкого расширения хранилища и добавления новых витрин данных
Гарантированная производительность
Недостатки:
Существует избыточность данных, ведущая к росту требований на хранение данных
Требуется согласованность с принятой архитектурой многих областей с потенциально различными требованиями (например, скорость внедрения иногда конкурирует с требованиями следовать архитектурному подходу)