- •Управление информационными системами
- •Содержание
- •Часть I. Организации, менеджмент и сетевые корпорации.................................................17
- •Глава 1. Управление киберкорпорациями ...................................................................... 18
- •Глава 2. Информационные корпоративные системы .....................................................................70
- •Глава 3. Информационные системы, организации, менеджмент и стратегия........................ 117
- •Глава 4. Киберкорпорация: электронная коммерция и электронный бизнес ........................ 176
- •Часть II. Информационная инфраструктура.........................................................................................237
- •Глава 5. Управление аппаратными ресурсами............................................................................... 238
- •Глава 6. Управление программными ресурсами........................................................................... 293
- •Глава 7. Управление ресурсами данных.......................................................................................... 349
- •Глава 8. Телекоммуникации и сети ................................................................................................. 401
- •Глава 9. Интернет в инфраструктуре новых информационных технологий........................... 447
- •Часть III. Построение информационных систем в киберкорпорациях.............513
- •Глава 10. Перестройка организации при внедрении информационных систем ………….... 514
- •Часть IV. Управление и организационная поддержка систем
- •Глава 12. Управление знаниями: обработка знаний и искусственный интеллект ……….. 616
- •Глава 13. Совершенствование методов принятия управленческих решений…………......... 667
- •Часть V. Управление информационными системами в киберкорпорации…………………….... 711
- •Глава 14. Безопасность и контроль информационных систем................................................... 712
- •Глава 15. Этическое и социальное влияние информационных систем..................................... 767
- •Глава 16. Управление глобальными информационными системами....................................... 820
- •1.1. Почему информационные системы?
- •I nformation system (информационная система)
- •Information (информация)
- •Input (ввод)
- •I nformation systems literacy (информационная грамотность)
- •Information technology (it) (информационная инфраструктура)
- •1.2. Современный подход к информационным системам
- •1.3. На пути к киберкорпорации: новая роль информационных систем в организациях
- •I nternet (Интернет)
- •I nterorganizational systems (межорганизационные системы)
- •Intranet (интранет)
- •1 .4. Использование информационных систем:
- •I nformation architecture (информационная архитектура/инфраструктура)
- •Положительные и отрицательные воздействия информационных систем
- •Глава 2.
- •2.1. Основные системы, используемые в организациях
- •2.2. Информационные системы: функциональные различия
- •2.3. Интеграция функций и бизнес-процессов: корпоративные системы и межкорпоративные сети
- •I ndustrial networks (промышленные сети)
- •Vertical industrial networks (вертикальные промышленные сети)
- •Глава 3
- •3.1. Организации и информационные системы
- •3.2. Изменение роли информационных систем в деятельности организаций
- •I nformation systems department (отдел информационных систем)
- •Information systems managers (менеджеры информационных систем)
- •V irtual organization (виртуальная организация)
- •3.3. Менеджеры, принятие решений и информационные системы
- •Interpersonal roles (межличностные роли)
- •Informational roles (информационные роли)
- •I ntelligence (разведка /сбор данных)
- •Implementation (внедрение)
- •3.4. Информационные системы и бизнес-стратегия
- •Value chain model (модель добавления стоимости)
- •Value web (ценовая сеть)
- •Information partnership (информационное партнерство)
- •Глава 4
- •4.1. Электронная коммерция, электронный бизнес и развивающаяся киберкорпорация
- •Information asymmetry (информационная асимметрия)
- •4.2. Электронная коммерция
- •4.3. Электронный бизнес и киберкорпорация
- •4.4. Управления возможностями и методами решения проблем
- •5.1. Инфраструктура аппаратного обеспечения и информационных технологий
- •5.2. Организация памяти, а также ввод и вывод данных
- •Voice input deviceХs (устройства речевого ввода)
- •Voice output device (устройство речевого вывода)
- •5.3. Категории компьютеров и компьютерных систем
- •5.4. Управление аппаратными ресурсами
- •I nformation appliance (информационное устройство)
- •Глава 6
- •6.1. Программное обеспечение: определение
- •6.2. Системное по
- •Virtual storage (виртуальное хранилище)
- •Interpreter (интерпретатор)
- •6.3. Прикладное по
- •Very high-level programming language (язык программирования сверхвысокого уровня)
- •I ntegrated software package (интегрированный программный пакет)
- •6.4. Современные инструментальные средства разработки программ
- •Visual programming (визуальное программирование)
- •Inheritance (наследование)
- •X html (extensible hypertext markup language) (расширяемый гипертекстовый язык разметки)
- •6.5. Управление программными ресурсами
- •Глава 7
- •7.1. Структурирование данных в традиционной файловой среде
- •7.2. Базы данных: особый подход к управлению данными
- •Information policy (информационная политика)
- •7.4. Тенденции развития баз данных
- •Глава 8
- •8.1. Телекоммуникационная революция
- •Information superhighway (информационная супермагистраль)
- •8.2. Компоненты и функции телекоммуникационной системы
- •8.3. Коммуникационные сети
- •Частные системы передачи информации, локальные вычислительные сети (лвс) и глобальные вычислительные сети (гвс)
- •Integrated services digital network (isdn) (цифровая сеть связи с комплексными услугами)
- •Voice mail (голосовая почта)
- •Videoconferencing (видеоконференция)
- •Глава 9
- •Internetworking (межсетевой обмен данными)
- •Internet service provider (isp) (провайдер услуг Интернета)
- •Internet protocol (ip) address (адрес Интернет-протокола)
- •Intei net2 (Интернет2)
- •Voice portal (речевой портал)
- •Internet telephony (интернет-телефония)
- •Voice over ip (voip) (передача речи с помощью ip)
- •Virtual private network (vpn) (виртуальная частная сеть)
- •Глава 9. Интернет в инфраструкту
- •Глава 10. Перестройка организации при внедрении информационных систем
- •Глава 11. Понимание ценности информационных систем и управление изменениями
- •Information systems plan (план формирования информационных систем)
- •Information requirements (информационные потребности)
- •Installation (установка)
- •Information center (информационный центр)
- •Глава 11. Понимание ценности инфс
- •Internal integration tools (инструменты внутренней интеграции)
- •Virtual reality modeling language (vrml) (язык моделирования виртуальной реальности)
- •Investment workstation (инвестиционная рабочая станция)
- •I Forward chaining (прямой логический вывод)
- •Intelligent agent (интеллектуальный агент)
- •Intrusion detection system (система обнаружения вторжений)
- •I Resource allocation (распределение ресурсов)
- •15.1. Представление об этических и социальных проблемах, связанных с системами
I Forward chaining (прямой логический вывод)
Стратегия поиска в базе правил экспертной системы, которая начинается с введения пользователем информации и перебирает базу правил, пока не придет к заключению.
Backward chaining (обратный логический вывод)
Стратегия поиска в базе правил экспертной системы, которая действует как решатель задач, начиная с гипотезы и отыскивая больше информации до тех j пор, пока гипотеза не будет доказана или опровергнута.
Стратегия, используемая для поиска в базе правил, называется логическим механизмом. Как правило, используются две стратегии: прямой логический вывод и обратный вывод (рис. 12.11).
При прямом логическом выводе машина начинает обработку с информации, введенной пользователем, и продолжает поиск в базе правил, пока не придет к заключению. Применяемая стратегия состоит в том, чтобы запускать (или выполнять) действие правила, пока условие истинно. На рис. 12.11 видно, что, если пользователь введет клиента с доходом, превышающим $100 тыс., машина запустит все правила в последовательности слева направо. Если пользователь затем введет указание, что этот же клиент владеет недвижимым имуществом, произойдет другой проход по базе правил, в результате чего выполняется больше правил. Обработка продолжается, пока больше ни одно правило не может быть запущено.
При обратном логическом выводе стратегия поиска в базе правил начинается с гипотезы и продолжается формулированием пользовательских вопросов о выбранных фактах, пока гипотеза не будет подтверждена или опровергнута. В рас-
смотренном на рис. 12.11 примере задан вопрос: «Следует ли добавить этого человека в будущую базу данных?» Начните с правой стороны диаграммы и перемещайтесь влево. Можно заметить, что информацию о пользователе нужно добавить в базу данных, если посылается коммерческий представитель, предоставляется страхование на определенный срок или финансовый советник (FinAdv) посещает клиента.
Построение экспертной системы
Построение экспертной системы напоминает создание других информационных систем, хотя это итерационный процесс, на каждой стадии которого может требоваться нескольких итераций, прежде чем будет разработана вся система. Как правило, среда, в которой функционирует экспертная система, непрерывно изменяется, поэтому экспертная система тоже должна непрерывно изменяться. Некоторые экспертные системы, особенно большие, настолько сложны, что через несколько лет расходы на их обслуживание сравниваются со стоимостью разработки.
Группа разработчиков ИИ формируется из одного или более экспертов, имеющих полный контроль над базой знаний и одного или более инженеров по знаниям, которые могут преобразовать знания (описанные экспертом) в набор правил или фреймов. Работа инженеров по знаниям похожа на работу традиционных системных аналитиков, но требует специальных навыков экспертизы по извлечению информации и опыта других специалистов.
Члены группы должны выбрать проблему, подходящую для решения с помощью ЭС. В проекте должен быть соблюден баланс между стоимостью системы и теми выгодами, которые ожидаются от ее применения. Члены группы сначала разрабатывают систему-прототип для проверки предположения о том, как следует кодировать знания экспертов. Затем они разрабатывают систему в полном масштабе, сосредоточившись главным образом на добавлении как можно большего числа правил. Сложность системы в целом растет с увеличением количества правил, а это может угрожать понятности системы. Вообще, система впоследствии будет сокращена для достижения простоты и мощности. Система проверяется рядом экспертов в рамках организации на соответствие критериям эффективности, установленным ранее. После проверки система интегрируется в поток данных и шаблоны работ организации. Примеры успешных экспертных систем
Не существует какого-либо общепринятого определения успешной экспертной системы. Определение «успешный» для академической системы (надо же, работает!) может превратиться в «безуспешный» для корпоративной системы (она может стоить миллионы долларов!). Ниже перечислены примеры экспертных систем, которые предоставляют организации массу преимуществ, включая сни-
Knowledge engineer (инженер по знаниям)
Специалист, который получает от профессионалов информацию и экспертные знания и преобразует их в набор правил или фреймов для экспертной системы.
жение количества ошибок и затрат, уменьшение времени обучения, совершенствование принятия решений и улучшение качества и обслуживания.
Компания BlueCross BlueShield из Северной Каролины использовала оболочку ИИ Aion для формирования автоматизированной системы медицинского страхования (automated medical underwriting system, AMUS). Система AMUS связывает иерархическую базу данных информационно-управляющей системы (IMS) фирмы IBM и внутреннюю систему компании BlueCross BlueShield, обеспечивая назначение ставок, формирование политики и управление рисками. Система принимает решение, стоит ли одобрять прошения претендентов на страхование здоровья, после оценки их состояния и медицинских рисков. Страхователи могут внести изменения в эти правила. Эта экспертная система позволила компании BlueCross BlueShield уменьшить время, необходимое для принятия решение о страховании, от одной недели до одного дня. Кроме того, полученное благодаря этой системе увеличение производительности позволило компании уволить 8 страхователей и 15 человек вспомогательного персонала, заменив их четырьмя страховыми операционистами. После внедрения системы AMUS возросла точность решений по страхованию (Кау, 2000).
Корпорация Countrywide Funding Corp. из Пасадены (штат Калифорния) является ссудно-страховой фирмой, на которую работают около 400 страхователей в 150 офисах по всей стране. В 1992 г. компания разработала экспертную систему для принятия предварительных решений о кредитоспособности претендентов на получение кредита. Компания быстро и продолжительно росла, поэтому требовалось, чтобы система обеспечивала непротиворечивые и высококачественные решения по ссудам. Система CLUES (Countrywide Loan Underwriting Expert System) включает около 400 правил. Корпорация Countrywide проверила систему, передавая ей каждую обработанную человеком-страхователем заявку. Система совершенствовалась, пока принимаемые ею решения не начали в 95% случаев совпадать с решениями страхователей-людей.
Корпорация Countrywide не полагается на систему CLUES при отклонении ссуды, поскольку экспертную систему нельзя запрограммировать на обработку таких исключительных ситуаций, как те, в которых участвуют лица, работающие не по найму, или ситуаций со сложными финансовыми схемами. Страхователь проверяет все отклоненные ссуды, затем принимает окончательное решение. Как правило, за день страхователь может обработать 6 или 7 заявок на получение ссуды. Используя систему CLUES, тот же страхователь может оценить не менее 16 заявок в день. В настоящее время корпорация Countrywide использует правила своей экспертной системы, чтобы ответить на запросы посетителей своего web-сайта, желающих узнать, имеют ли они право на получение ссуды.
ООН разработала экспертную систему, позволяющую подсчитать заработную плату служащих, учитывая многочисленные и сложные правила вычисления таких привилегий, как льготы, основанные на местонахождении работы и контракте служащего. База знаний системы является сетевой и способна автоматически применять права при вычислении платежной ведомости. Система также модифицируется, если утверждено изменение в статусе служащего, и рассчитывает соответствующую заработную плату для очередной платежной ведомости.
Хотя экспертным системам не хватает устойчивых и обобщенных сведений на уровне интеллекта людей, они могут принести пользу организациям, персонал которых осознает имеющие место ограничения. Используя экспертные системы, можно решить только некоторые классы задач. Фактически все успешные экспертные системы имеют дело с задачами классификации с относительно небольшим числом альтернативных исходов, причем возможные исходы известны заранее. Многие экспертные системы требуют серьезных, продолжительных и дорогих про-ектно-конструкторских работ. Наем или обучение большего числа экспертов может оказаться менее дорогим решением, чем создание экспертной системы.
База знаний экспертных систем не очень надежна, причем невозможно их изменение спустя какое-то время. В таких стремительно изменяющихся областях знаний, как медицина или информатика, поддержка современной базы знаний — это критическая проблема. Например, компания Digital Equipment Corporation перестала использовать свою экспертную систему XCON для проектирования компьютеров VAX, поскольку номенклатура ее продукции постоянно изменялась и было слишком трудно продолжать модифицировать систему для накопления этих изменений. Экспертные системы могут только представить ограниченные формы знаний. Импликативные знания (в виде правил IF—THEN) в основном существуют в учебниках. Не существует каких-либо адекватных представлений для глубоких причинно-следственных моделей или временных трендов. Например, ни одна экспертная система не может написать учебник по информационным системам или заняться другой творческой деятельностью, явно не заложенной разработчиками системы. Многие из экспертов не могут сформулировать свои знания, используя формат IF-THEN. Экспертные системы все еще не могут моделировать интуитивные знания, основанные на аналогии и восприятии предметов.
Вопреки преждевременным обещаниям экспертные системы наиболее эффективны в автоматизации канцелярских функций низкого уровня. Они могут предоставить электронные контрольные списки для служащих низшего уровня в банковском деле, страховании, сбыте и социальном обеспечении. Применимость экспертных систем к управленческим задачам весьма ограничена. Вообще, управленческие задачи затрагивают выборку из различных источников фактов и интерпретаций, их оценивание и сравнение одной интерпретации фактов с другой; они не ограничиваются простой классификацией. Экспертные системы на основе предшествующих знаний о нескольких известных альтернативах не подходят для решения задач, с которыми ежедневно сталкиваются менеджеры.
Организационный интеллект: прецедентная аргументация
Прежде всего экспертные системы извлекают знания отдельных экспертов, но организации также обладают коллективными знаниями и опытом, накапливаемым годами. Эти организационные знания можно извлечь и сохранить, используя прецедентную аргументацию (case-based reasoning, CBR). Используются возможности CBR, описание прошлого опыта специалистов, представленного в виде прецедентов, хранится в базе для последующего поиска, необходимость в котором возникает в случае, если пользователь столкнется с новым прецедентом с подобными параметрами. Система ищет среди сохраненных прецедентов
Case-based reasoning (cbr) (прецедентная аргументация (или вывод по аналогии))
Технология ИИ, которая представляет знания как базу прецедентов и решений.
с характеристиками задачи, похожими на новую, находит наиболее точное соответствие и применяет решения старого прецедента по отношению к новому. Успешные решения для нового прецедента отмечаются, и оба хранятся вместе с другими прецедентами в базе знаний. Неудачные решения также добавляются в базу прецедентов наряду с пояснениями того, почему решения не сработали (рис. 12.12). Экспертная система работает, применяя к базе знаний набор правил IF-THEN-ELSE, каждое из которых сформировано экспертами-людьми. Напротив, CBR представляет знание как ряд прецедентов; эта база знаний непрерывно расширяется и совершенствуется пользователями. Например, компания Compaq Computer из Хьюстона (штат Техас) работает в конкурентной и ориентированной на обслуживание клиента бизнес-среде. Ежедневно она захлестывается потоком телефонных обращений клиентов, взывающих о помощи. Удовлетворение потребностей клиентов требует, чтобы компания Compaq ежегодно тратила миллионы долларов на поддержку большого и технически квалифицированного штата служащих для работы с клиентами. Обращающиеся к техническому персоналу клиенты должны
описать проблему, а затем подождать, пока эта служба передаст запрос соответствующему техническому специалисту. После этого клиенты снова описывают проблему, в то время как техники пытаются найти решения; в итоге многие остаются разочарованными. Чтобы улучшить обслуживание клиентов и снизить расходы, компания Compaq начала продавать дорогие программные CBR-средства клиентам в дополнение к покупке ими принтеров Pagemarq.
В рассматриваемом случае программная база знаний — это последовательность из нескольких сотен реальных прецедентов проблем, возникших с принтером Pagemarq, реальные истории о «помятых экземплярах», проблемах с памятью принтера, о принтерах, «зажевавших» бумагу, т. е. все типичные проблемы, с которыми сталкиваются пользователи при работе с лазерными принтерами. Обученный персонал вводит в CBR-систему описание прецедента в текстовом формате, а также такие необходимые для категоризации проблемы ключевые слова, как пятно, мазок, строки, полосы и «заедание» бумаги. Вводится также ряд вопросов, с помощью которых еще больше сужается описываемая проблема. Наконец, к каждому прецеденту прилагаются соответствующие решения.
Благодаря CBR-системе, поставляемой компанией Compaq вместе с ее компьютерами, владельцам не нужно звонить в сервисный отдел Compaq. Вместо этого они запускают программу, затем описывают возникшую проблему. Система быстро ищет реальные случаи, отбрасывая не имеющие отношения к данному и выбирая имеющие отношение. При необходимости еще больше ограничить результаты поиска программа запрашивает у пользователя дополнительную информацию. В итоге один или более прецедентов, соответствующих проблеме, предлагаются пользователю наряду с их решениями. Теперь клиенты могут быстро решить большинство своих проблем, не обращаясь в сервисный отдел, а компания Compaq ежегодно экономит $10-20 млн на обслуживании клиентов.
Такие новые коммерческие программные продукты, как Inference CasePoint Webserver, позволяют клиентам обращаться к базе прецедентов через Сеть. Используя CBR-систему, сервер просит клиентов ответить на ряд вопросов, чтобы локализовать проблему. Затем CasePoint извлекает из базы решения и передает их клиентам. Американский производитель музыкального оборудования Kenwood использовала это инструментальное средство для размещения в Интернете своих инструкций и решений по техническому обслуживанию.
12.4. Другие интеллектуальные технологии
Организации используют и другие интеллектуальные вычислительные методы для расширения своей базы знаний, обеспечивая решение проблем, слишком громоздких или сложных, чтобы их могли обработать люди с ограниченными ресурсами. В перспективных бизнес-приложениях используются нейронные сети, нечеткие логики, генетические алгоритмы и интеллектуальные агенты.
Нейронные сети
Наблюдается всплеск интереса к методам ИИ, которые воплощаются в разработке машин, имитирующих физический процесс мышления биологического мозга.
_--------—™-----------_------------------------------------------------------------,
Neural network (нейронная сеть)
Аппаратные или программные средства, имитирующие принципы работы биологического мозга.
На рис. 12.13 показаны два нейрона мозга пиявки. Сома (или нервная клетка) в центре действует как переключатель, возбуждая другие нейроны и возбуждаясь в свою очередь. Выходящий из нейрона отросток — это аксон, который обеспечивает активную связь с дендритами других нейронов. Аксоны и дендриты — это «провода», электрически соединяющие нейроны друг с другом. Соединение двух нейронов называется синапсом. Эта простая биологическая модель — метафора развития нейронных сетей. Нейронная сеть состоит из аппаратных или программных средств, которые имитируют принципы работы биологического мозга.
Человеческий мозг имеет около 100 млрд (10й) нейронов, каждый из которых включает около 1 тыс. дендритов, формирующих 1014 (100 тыс. млрд) синапсов. Нейроны мозга работают параллельно, человеческий мозг может выполнять около 1016 (или 10 млн млрд) соединений в секунду. Это намного превышает способность любой известной машины или компьютера, задуманных или когда-либо построенных с помощью современной технологии.
Однако сложные сети нейронов моделируются на компьютерах. На рис. 12.14 показана искусственная нейронная сеть с двумя нейронами. Резисторы в схемах являются переменными и могут использоваться для обучения сети. Если сеть ошибается (т. е. выбирает неправильный путь и приходит к ложному заключе-
нию), можно поднять сопротивление в некоторых цепях, вынуждая возбуждаться другие нейроны. Если этот процесс обучения продолжать для тысяч циклов, машина выучит правильный ответ. Нейроны тесно связаны и работают в параллельном режиме.
Нейронная сеть имеет большое количество узлов считывания и обработки, непрерывно взаимодействующих друг с другом. На рис. 12.15 показана нейронная сеть, включающая уровень ввода, уровень вывода и скрытый уровень обработки. В сеть передается обучающая последовательность данных, для входов которой порождается известный набор выходов или заключений. Это помогает компьютеру на примере изучить правильное решение. Если передать компьютеру больше данных, каждый случай сравнивается с известным результатом. Если он отличается, то будет определена поправка, которая применяется к узлам на скрытом уровне обработки. Эти шаги повторяются до тех пор, пока поправка не станет меньше некоторой величины. Показанная на рис. 12.15 нейронная сеть «обучается» тому, как определить низкий риск невыплаты кредита. Различие между нейронными сетями и экспертными системами
Чем отличаются нейронные сети от других подобных систем? Экспертные системы пытаются имитировать или моделировать способ, которым человек-эксперт решает задачи, а разработчики нейронных сетей утверждают, что они не моделируют человеческий интеллект, не программируют решения и не стремятся решить определенные задачи сами по себе. Вместо этого проектировщики нейронных сетей стремятся встроить интеллект в аппаратные средства в форме обобщенной способности обучаться. Напротив, экспертная система слишком специфична для данной проблемы и не может легко переобучаться.
Нейронные сети применяются в медицине, науке и бизнесе, обеспечивая разрешение проблем классификации образцов, прогнозирования и финансового анализа, управления и оптимизации. Система Papnet, построенная на основе нейронной сети, различает нормальные и аномальные клетки при исследовании мазков Папаниколау на рак шейки матки. В этом случае обеспечивается намного большая точность, чем при визуальном наблюдении со стороны специалиста-медика. Компьютер не способен принять окончательное решение, поэтому специалист должен проверить все отобранные аномальные клетки. Используя систему Papnet, специалист тратит на проверку мазка в пять раз меньше времени, причем достигается точность, в десять раз большая, чем у существующего ручного метода.
Нейронные сети используются финансовыми приложениями для распознавания признаков в обширных массивах данных, позволяющих инвестиционным фирмам прогнозировать эффективность ценных бумаг, рейтингов корпоративных облигаций или корпоративного банкротства (Walczak, 1999). Компания VISA International Inc. использует нейронную сеть для выявления случаев мошенничества с кредитными карточками, контролируя все транзакции VISA на предмет выявления резких изменений в моделях покупок владельцами кредитных карточек. Следующий раздел книги иллюстрирует другие приложения нейронных сетей (для распознавания образов).
В отличие от экспертных систем, как правило, объясняющих свои решения, нейронные сети не всегда могут объяснить, почему они пришли к определенному решению. Кроме того, они не всегда могут гарантировать совершенно точное решение, вновь прийти к тому же решению с одними и теми же входными данными или гарантировать лучшее решение (Trippi, Turban, 1989-1990). Они весьма чувствительны и не могут хорошо работать, если их обучение охватывает слишком мало или слишком много данных. В современных приложениях нейронные
Нейронные сети на службе управления системами Скотланд-Ярда
Когда ассоциация Computer Associates (СА) впервые разработала свое программное обеспечение для нейронных сетей, она надеялась использовать эту технологию для совершенствования своих программ по управлению ИТ-инф-раструктурой. Нейронная сеть обучается на отношениях между историческими данными для распознавания образов и применения полученных знаний в обнаружении изменений и прогнозировании результатов. Ассоциация СА хотела привлечь агентов нейронной сети, дублирующих «нейрогентов», чтобы помочь своим программам управления системой предприятия управлять крупной и сложной сетевой системой. Наблюдая за поведением систем, нейронный агент самообучается, совершенствуясь с каждым событием так, что в итоге он может спрогнозировать системные проблемы прежде, чем они происходят. Например, наблюдающий за почтовым сервером нейронный агент может распознать случай очереди сообщений, которая со временем может вызвать сбой в работе сервера. Другой нейронный агент может обнаружить такие ситуации, как замедление работы сервера, выход из строя или деятельность вируса; кроме того, он может спрогнозировать рабочие нагрузки и рекомендовать системные конфигурации.
В компании AGFBrasil (филиале международной страховой компании AGF) работают 15 тыс. зарегистрированных в Бразилии брокеров и агентов. Обеспечение брокеров и агентов самой последней информацией о предоставляемых компанией услугах по страхованию жизненно важно для ее успеха. Для этой цели AGF Brasil сформировала сеть AGF NET с 800 узлами, состоящую из серверов IBM AIX (Unix), серверов Dell, работающих под управлением Windows NT, и 50 локальных сетей. Компания использует СА UnicenterTNG для поддержки единого центра управления, чтобы справиться со всей ИТ-инфраструкту-I рой, включая серверы, настольные компьютеры, принтеры, маршрутизаторы I и концентраторы. Нейронные агенты системы СА помогают контролировать | рабочие характеристики, у них есть аварийные системные администраторы
сети лучше всего используются как вспомогательные средства для лиц, принимающих решения, а не как их заменители.
Нечеткая логика
Традиционные компьютерные программы требуют точности: «включено — выключено», «да — нет», «правильно — неправильно». Однако люди не воспринимают мир таким образом. Все согласятся, что +45° — это жарко, а -25° — холодно; но тогда что такое 25°: жарко, тепло, удовлетворительно или холодно? Ответ зависит от многих факторов: ветра, влажности, индивидуальных ощущений температуры, одежды и чьих-то ожиданий. Многие из наших действий также неточны. Водители трейлеров-тягачей сочли бы почти невозможным дать задний ход в пространстве, которое по ширине не превышает прицеп на дюйм со всех сторон.
Нечеткая логика — относительно новая ИИ-технология, работающая на основе правил, допускает неточность даже в случае решения задач, которые, воз-
для разных процессоров, сети, память и критические параметры базы данных, а также потребность в обеспечении дополнительных web-возможностей. Нейронные агенты одинаково хорошо поддерживают AGF-смесь различных типов серверов, поскольку они «изучают» индивидуальные отличительные особенности машин. Используя технологию нейронной сети, AGFможет поддерживать важные услуги, выполняющиеся без помех круглосуточно немногочисленным персоналом.
Другие приложения могут также извлекать пользу от работы с нейронными агентами. Современный Скотланд-Ярд в Лондоне экспериментирует с нейронными агентами, облегчающими анализ данных. Столкнувшись с повышением уровня преступности и уменьшением числа полицейских, лондонская полиция искала способ лучше использовать свои данные о преступлениях. Новый Скотланд-Ярд поручил нейронными агентам следить за данными в пяти базах данных (включая сообщения о преступлениях, судебно-медицинские улики и фотографии для паспортов), надеясь, что им удастся обнаружить образцы, особенно связанные с совершением грабежей, чтобы помочь полиции идентифицировать серийные ограбления.
Технологии нейронной сети не требуется выборки данных для обнаружения образов. Программное обеспечение может производить поиск в строках в таких текстах, как полицейские отчеты. По словам Патрика Драйдена (Patrick Dryden), аналитика Illuminata Group из города Нэшуя (штат Нью-Гэмпшир), нейронные сети могут предпринимать «лобовую атаку» данных большого объема для выявления интересных тенденций. Тем не менее бизнесмены должны проверять имеющиеся тенденции, определяя наиболее важные среди них.
Информация к размышлению. Насколько полезна технология нейронных сетей для описанных в этой главе приложений? Доверили бы вы нейронному агенту управление большой и сложной клиент-серверной системой? Обоснуйте ответ.
Источники: Sami Lais. «CA Bundles Neural Net, App Development Tools», Computerworid, August 7, 2000; ivwvv.ca.com/proc/ucfs/neugenfsand www. security7.com/products/neugents.
можно, не были бы решены прежде. Нечеткая логика включает целый ряд понятий и методов для представления и вывода неточных, сомнительных или ненадежных знаний. Нечеткая логика может породить правила, использующие приближенные или субъективные значения и неполные или неоднозначные данные. Выражая логику с помощью некоторых тщательно определенных неточностей, нечеткая логика ближе к способу, которым люди на самом деле думают, чем традиционные правила IF-THEN.
Компания Ford Motor разработала приложение нечеткой логики, которое позволяет дать задний ход имитируемому трейлеру-тягачу на некоторой площадке паркования. Приложение использует следующие три правила:
IF грузовик близок к «складыванию», THEN уменьшить угол поворота.
IF грузовик находится далеко от дока, THEN направить к доку.
IF грузовик находится около дока, THEN направить грузовик прямо в док.
Эта логика для людей имеет смысл, поскольку она отражает способ мышления водителя, когда он дает грузовику задних ход, въезжая на место парковки.
Каким образом компьютер понимает это программирование? Ответ относительно прост. Условия (известные функции принадлежности) неточно определяются таким образом, чтобы, например (рис. 12.16), «прохладно» находилось в диапазоне 50-70° (по шкале Фаренгейта), хотя температура «наиболее ясно, что прохладно» держалась между 60-67°. Обратите внимание, что «прохладно» пересекается с «холодно» или «нормально». Чтобы управлять климатом в помещении, используя рассматриваемую логику, программист разработал бы аналогичные неточные определения для влажности и других факторов, например ветреность и температуры внешней среды. Допустим, одно из правил гласит: «Если температура находится в пределах "прохладно" или "холодно" и влажность "низкая", в то время как ветреность вне помещения "высокая" и наружная температура "низкая", необходимо повысить температуру и влажность в помещении». Компьютер объединил бы данные функции принадлежности методом взвешивания и, используя эти правила, поднимал бы и опускал температуру и влажность.
Нечеткая логика широко используется в Японии и популярна в США. Эта популярность частично вызвана тем, что менеджеры считают, будто могут использовать нечеткую логику для уменьшения затрат и сокращения продолжительности разработки. Реализация нечеткой логики требует меньше правил IF-THEN, что делает ее проще традиционного кода. Чтобы реализовать в традиционной логике правила из предыдущего примера и определения их условий, потребуется несколько сотен инструкций IF-THEN. Компактный код требует меньше вычислительных возможностей, что позволило американской компании Sanyo Fisher реализовать средства управления видеокамерой без использования в своей продукции дополнительной дорогой памяти.
Нечеткая логика также позволяет решать ранее неразрешимые задачи, улучшая качество изделий. В Японии система метро Sendai использует средства управления на основе нечеткой логики для плавного ускорения поездов, чтобы стоящим пассажирам не нужно было держаться за поручень. Токийская компания Mitsubishi смогла на 20% уменьшить потребляемую мощность своих кондиционеров в результате реализации программ управления по нечеткой логике. Устройство автоматической фокусировки в камерах работает только благодаря нечеткой логике.
Руководство также находит нечеткую логику полезной для принятия решений и организационного управления. В фирме Wall Street разработали систему, которая выбирает компании для потенциального приобретения и использует язык, понимаемый биржевыми маклерами. Недавно была разработана система для обнаружения возможного мошенничества в медицинских патентных формулах, представляемых на рассмотрение поставщикам системы здравоохранения США.
Генетические алгоритмы
Генетические алгоритмы (также именуемые адаптивным вычислением) относятся к ряду методов решения проблем, идейно основанных на способе, используемом живыми организмами для приспособления к окружающей среде, — процессе эволюции. Они программируются для работы тем же методом, каким люди решают проблемы: изменяя и реорганизуя составные части, используя такие процессы, как воспроизводство, мутация и естественный отбор. Итак, генетические алгоритмы способствуют развитию решений определенных проблем, контролируя порождение, изменение, адаптацию и выбор возможных решений и используя процессы, основанные на генетике. Поскольку решения изменяются и смешиваются, худшие из них отвергаются, а лучшие выживают, чтобы продолжить вырабатывать еще более лучшие решения. Генетические алгоритмы порождают программы, решающие задачи, даже тогда, когда никто не может полностью понять их структуру (Holland, 1992).
Генетический алгоритм работает, представляя информацию в виде строки нулей и единиц. Возможное решение можно представить длинной строкой этих цифр. Генетический алгоритм предоставляет методы поиска всех возможных комбинаций цифр для определения правильной строки, возможно, представляющей лучшую структуру для решения проблемы.
В одном методе программист сначала случайно генерирует совокупность строк, состоящих из комбинаций двоичных цифр (рис. 12.17). Каждая строка соответствует одной из переменных задачи. Одна строка выполняет тест на соответствие, ранжируя строки в совокупности согласно их уровню желательности как возможного решения. После оценки на соответствие исходной совокупности алгоритм генерирует и проверяет на соответствие следующее поколение строк, состоящее из строк, выдержавших тест на соответствие, и строк-потомков, полу-Genetic algorithms (генетические алгоритмы)
Методы поиска решений задачи, содействующие развитию решений определенных задач, использующие модель живых организмов, приспосабливающихся к окружающей среде. .
ченных из совмещенных пар строк. Процесс продолжается, пока не будет получено решение.
Решения некоторых типов задач в области оптимизации, проектирования изделий и мониторинга индустриальных систем особенно подходят генетическим алгоритмам. Многие бизнес-задачи требуют оптимизации, поскольку связаны с такими вопросами, как минимизация затрат, максимизация прибыли, эффективное планирование и использование ресурсов. Если эти ситуации весьма динамичны и сложны, вовлекают сотни переменных или сотни формул, то генетические алгоритмы могут ускорить решение, поскольку позволяют быстро оценить многие отличные альтернативы решений для поиска лучшей. Например, инженеры из компании General Electric использовали генетические алгоритмы для оптимизации конструкции реактивных газотурбинных авиадвигателей, когда каждое изменение конструкции требовало изменений сотни переменных. Компания Coors Brewing Company и американский военно-морской флот использовали генетические алгоритмы в задачах планирования (Burtka, 1993). Гибридные системы ИИ
Генетические алгоритмы, нечеткая логика, нейронные сети и экспертные системы можно интегрировать в одно приложение для использования лучших черт этих технологий. В результате формируются гибридные системы ИИ. Количество гибридных бизнес-приложений постоянно растет. Японские фирмы Hitachi, Mitsubishi, Ricoh, Sanyo и другие начали включать гибридные ИИ в такие изделия, как бытовая техника, фабричное и офисное оборудование. Компания Matsushita разработала «neurofuzzy», стиральную машину, сочетающую нечеткую логику с нейронной сетью. Фирма Nikko Securities работала над neurofuzzy-системой для прогнозирования стоимости конвертируемых облигаций. Интеллектуальные агенты
Интеллектуальные агенты — это программы, функционирующие в фоновом режиме и выполняющие определенные повторяющиеся и предсказуемые задачи
для отдельных пользователей, бизнес-процессов или приложений. Агент использует встроенную или обученную базу знаний для выполнения задач или принятия решений от имени пользователя. Интеллектуальные агенты можно запрограммировать для принятия решений, основанных на личном предпочтении пользователя, например для удаления старой электронной почты, планирования деловых встреч или путешествия по связанным сетям в поиске самого дешевого авиабилета в Калифорнию. Агента можно уподобить личному электронному помощнику, сотрудничающему с пользователем в той же рабочей среде. Он может помочь пользователю, выполняя задачи от его имени, тренируя или обучая пользователя, скрывая сложность трудных задач, помогая пользователю сотрудничать с другими пользователями или контролируя события и процедуры (Maes, 1994). В настоящее время существует много приложений интеллектуальных агентов в операционных системах, прикладном программном обеспечении, системах электронной почты, программном обеспечении мобильных телефонов и сетевых инструментах. Например, мастера в инструментальных программных средствах Microsoft Office имеют встроенные возможности, демонстрирующие пользователям, каким образом выполнить такие разные задачи, как форматирование документов или создание графиков, и предугадывающие, когда пользователи нуждаются в помощи. Особый интерес для бизнеса представляют интеллектуальные агенты для поиска информации в навигационных сетях, включая Интернет. В гл. 9 было описано, каким образом коммерческие роботы помогают потребителям находить необходимые товары и сравнивать цены и другие детали. Поскольку эти мобильные агенты персонализированы, полуавтономны и непрерывно работают, они помогают автоматизировать некоторые стадии закупки, отнимающие больше всего времени, и таким образом уменьшить операционные затраты. Постоянно растущее применение языка XML (расширяемый язык разметки), Java и распределенных объектов (гл. 6) позволяет программным агентам и другим автоматизированным процессам легче взаимодействовать и получать доступ к информации через сеть (Glushko, Tenenbaum, and Meltzer, 1999; Wong, Paciorek, and Moore, 1999).
Резюме
1. Оцените важность управления знаниями в современных организациях. Управление знаниями — это процесс систематического и активного управления и использования хранилищ знаний в организации. Знание — это централь-Hybrid A! systems (гибридные системы ИИ)
Интеграция нескольких технологий ИИ в одно приложение, что позволяет использовать лучшие свойства этих технологий.