5.3. Инструментальные средства построения проблемно-ориентированного прикладного программного обеспечения

Современные ИТ стали неотъемлемым инструментом руководителя, которому приходится принимать решения в условиях большой неопределенности и риска. Для обеспечения менеджеров крупных предприятий современными средствами для анализа, обоснования принятия управленческих решений используются различные прикладные программные продукты, в основу построения которых положены инструменты, позволяющие оптимизировать экономические процессы предприятия за счет максимально полного использования преимуществ ИТ. К таким инструментам относятся прежде всего аналитические, которые положены в основу разработки большинства программных продуктов, используемых для решения управленческих задач.

В своей деятельности менеджеры предприятий используют три вида анализа — рутинный, целевой и поисковый, которые автоматизируются за счет использования аналитических инструментов.

• . Рутинный анализ — наиболее трудоемкий вид, который заключается в ежедневном просмотре и контроле определенного на­бора показателей и в отслеживании их соответствия заданным (нормативным) значениям. Основное достоинство программ, ориентированных на автоматизацию рутинного анализа, состоит в том, что они автоматически распознают и удаляют из дальнейшего рассмотрения нормативные показатели, т.е. те значения, которые не попадают в заданные интервалы.

• Целевой анализ является самым трудно формализуемым видом анализа, так как заранее невозможно предусмотреть такие вопросы, возникающие в управленческой деятельности, как определение зависимости между показателями, изменение вычисляемого параметра в ретроспективе, прогноз его будущих значений и т.д.

• Поисковый анализ используется для поиска заранее неизвестных закономерностей в больших массивах данных и точного расчета интуитивно понятных зависимостей. Подавляющее большинство аналитических программных продуктов выполняют функции именно поискового анализа, в результате которого менеджер может получить прогноз развития некоторых процессов.

Аналитические инструменты используются в современных программных продуктах для проведения определенного вида анализа информационных ресурсов, организованных на предприятиях в базы данных. Специализированные аналитические программные средства позволяют извлекать полезную информацию для выявления скрытых тенденций при разработке стратегии развития предприятия и выработки новых управленческих решений.

По области применения аналитические прикладные программы подразделяются на следующие классы — финансовый анализ, ин­вестиционный анализ, планирование и анализ маркетинга, прогнозирование.

Финансовый анализ включает расчет финансовых показателей на основании данных финансовой отчетности предприятия. Программы этой группы можно разделить на два класса:

• открытые программы содержат аналитические инструментальные средства, с помощью которых специалист может выполнять адаптацию методов финансового анализа, вводить дополнительные показатели, разрабатывать собственные методы анализа. Эти программы в большей степени пригодны для широкого распространения и адаптации к различным областям применения;

• закрытые программы не допускают каких-либо изменений в методах анализа и предлагают только жестко фиксированную методику.

Инвестиционный анализ. Программы этого класса ориентированы на разработку планов развития предприятия, анализ инвестиций, разработку бизнес-планов.

Планирование и анализ маркетинга предполагает обработку данных и анализ маркетинговой информации, разработку планов маркетинга. Диапазон программ, применяемых для управления маркетингом, достаточно широк. Среди них можно выделить следующие основные классы:

• анализ маркетинга — моделирование стратегии, анализ положения компании на рынке, разработка плана маркетинга;

• анализ продаж — информационная поддержка и анализ процесса продаж, моделирование каналов сбыта.

Прогнозирование заключается в анализе и прогнозе временных рядов. Основной проблемой для пользователей программ прогнозирования является сложность математических моделей, лежащих в основе методов прогнозирования. Для правильной подготовки исходных данных, определения параметров и интерпретации полученных результатов специалист должен понимать условия и ограничения используемых моделей. По степени сложности программы прогнозирования можно разделить на два вида:

• профессиональные, предназначенные для специалистов, хорошо знакомых с методами математической статистики;

• прикладные, с которыми могут работать специалисты, не имеющие глубокой математической подготовки.

Многие аналитические прикладные программные продукты обеспечены как средствами генерации данных, так и средствами их анализа. Они позволяют выполнять интеллектуальную оценку информации, т.е. сделать обобщение, группирование, удаление избыточных данных и повысить достоверность за счет исключения ошибок и обработки нескольких независимых источников информации (не только корпоративных БД, но и внешних). Это становится чрезвычайно актуальным в связи с лавинообразным возрастанием объема информации и увеличением требований к информационным технологиям по производительности, так как сегодня успех в управлении предприятием во многом определяется оперативностью принятия управленческих решений.

К основным аналитическим инструментам прикладного программного обеспечения для выработки и принятия управленческих решений относятся: 1) средства оперативной обработки транзакций; 2) системы оперативной аналитической обработки данных; 3) средства генерации отчетов; 4) средства интеллектуального анализа данных.

1. Средства оперативной обработки транзакций — OLTP (On-line Transaction Processing) — используются в прикладном программном обеспечении для ввода, структурированного хранения и обработки информации (операций, документов) в режиме реального времени.

Функционально OLTP -средства выполняют операции сбора, регистрации, ввода исходных данных, относящихся к той или иной предметной области, первичной обработки данных, их хранения, адекватной визуализации, поиска, выдачи справок и отчетных материалов.

Первичная обработка включает проверку корректности вводимых данных и их соответствия установленным ограничениям, идентификацию описываемых данными объектов, кодирование, передачу данных по горизонтальным и вертикальным связям. Данные в ИТ вводятся либо с документа, имеющего определенную правовую силу, либо непосредственно с места их возникновения. В последнем случае документ, содержащий введенные данные, печатается системой и ему придается правовая сила.

OLTP -средства позволяют одновременно обрабатывать большое количества коротких транзакций от большого числа пользователей. Сами транзакции выглядят относительно просто, например «снять сумму денег со счета», «добавить определенную сумму денег на счет» и т.д. Транзакции изменяют состояние БД и обновляют ее, т.е. приводят в соответствие текущему состоянию того фрагмента, который моделирует база данных.

Транзакция — совокупность операций с БД, которые должны быть выполнены обязательно до конца, чтобы БД оказалась в непротиворечивом состоянии.

OLTP-средства как аналитический инструмент первыми стали интегрировать в специализированное ПО для реализации потребностей специалистов в учете, скорости обслуживания, сборе данных и т.д. Длительное время их использовали для создания специализированных АРМ, предназначенных для обработки групп функционально связанных документов.

С развитием программного обеспечения OLTP -средства стали использовать в процессе разработки полнофункциональных комплексных программных продуктов, которые затем с помощью специалистов настраивались на особенности функционирования предприятия и предметной области специалиста. Однако такие программы имели ряд существенных недостатков — сложность в настройке, невысокие адаптационные возможности к изменениям, происходящим в предметных областях, большие накладные расходы на сопровождение и т.д.

В современных программных продуктах класса OLTP были учтены эти недостатки, и в настоящее время они представляют собой технологический инструмент, позволяющий непосредственно на месте быстро построить или достроить программный продукт с необходимой функциональностью и далее с помощью этого же инструмента его модифицировать в соответствии с возникающими изменениями в предметной области. Кроме того, они могут иметь средства информационного обмена с внешними БД.

В настоящее время OLTP -приложениями охватывается широкий спектр задач во многих областях деятельности — приеме и обработке клиентских заказов, банковских и биржевых операциях, промышленности — регистрация прохождения детали на конвейере, в автоматизации бухгалтерского, складского учета и учета документов и т.п. Приложения OLTP в основном используются для автоматизации структурированных, повторяющихся задач обработки данных, ориентированных на выполнение максимального количества транзакций за короткие промежутки времени (рис. 5.3). Как правило, чаще всего здесь используется фиксированный набор надежных и безопасных методов ввода, модификации, удаления данных и выдачи оператив­ной отчетности. Показателем эффективности в этом случае является количество транзакций, выполняемых за секунду.

Рис. 5.3. Вариант функционирования OLTP-средств

Обычно аналитические возможности OLTP- средств сильно ограничены (либо вообще отсутствуют), поэтому в программных комплексах КИС их используют совместно с другими аналитическими инструментами.

К особенностям программных продуктов класса OLTP можно отнести:

• . относительную алгоритмическую простоту;

• оперативность изменений в части номенклатуры и структуры обрабатываемой информации;

• массовость и территориальную распределенность мест сбора исходных данных;

• высокие требования к достоверности и актуальности вводимых данных;

• поддержку большого числа пользователей;

• небольшое время отклика на запрос;

• относительно короткие запросы;

• участие в запросах небольшого числа таблиц.

К основным недостаткам современных OLTP-средств относятся ограниченные аналитические возможности — предоставляя данные из постоянно синхронизируемых (обновляемых) БД, OLTP-средства не отслеживают динамику изменения процессов на больших временных промежутках, практически не производят обработку данных (за исключением определенных расчетов) и не формируют выводы по имеющимся данным, оставляя эту функцию специалисту.

2. Системы оперативной аналитической обработки данных — OLAP (On-Line Analytical Process) — используется специалистами для быстрой обработки сложных запросов к базе данных. Здесь используется комплексный многомерный анализ данных, который служит для выборки и предварительной обработки данных с целью предоставления результирующей информации пользователям для статистического анализа.

OLAP — это не самостоятельная программа, не язык программирования и даже не конкретная технология, это совокупность концепций, принципов и требований, лежащих в основе программных продуктов, облегчающих доступ к данным. OLAP -сервис представляет собой инструмент для анализа больших объемов данных в режиме реального времени. Взаимодействуя с OLAP -системой, пользователь может осуществлять гибкий просмотр информации, получать произвольные срезы данных и выполнять аналитические операции одновременно по многим параметрам. Вся работа с OLAP-системой происходит в терминах предметной области и позволяет строить статистически обоснованные модели деловой ситуации.

Имея в своем распоряжении гибкие механизмы манипулирования данными и визуального отображения, программы класса OLAP позволяют выявить данные, которые могут быть связаны с решаемой проблемой, сопоставить различные показатели бизнеса между собой для выявления скрытых взаимосвязей, рассмотреть данные, детализировав их, например, разложив на составляющие по времени, регионам или клиентам, или, наоборот, еще более обобщить представление информации, чтобы убрать отвлекающие подробности. Модуль статистической оценки и имитационного моделирования программы позволяет построить несколько вариантов развития событий, а специалист выбирает из них наиболее приемлемый. Например, можно рассмотреть такие параметры, как вид товара, географи­ческое положение покупателя, время оформления сделки и продавца.

В настоящее время поддержка OLAP реализована во многих СУБД, так как является оптимальным решением для большого класса приложений, где пользователи сталкиваются с многомерными данными.

Как правило, OLAP-системы используются в программных комплексах КИС и позволяют различным категориям специалистов компании в режиме реального времени работать с обобщенной аналитической информацией и эффективно ориентироваться в больших объемах данных, организованных в аналитических БД. Главная особенность аналитических БД системы OLAP— это возможность формирования нерегламентированных запросов. Загрузка данных в систему производится из оперативной БД предприятия.

Информационная OLAP-моделъ, на основе которой функционирует ИТ, в полном объеме описывает все аспекты предметной области и обеспечивает наглядность и простоту доступа к необходимым для анализа данным, который может быть реализован посредством одного из стандартных методов:

• факторный (структурный) анализ, например анализ структуры продаж для выявления важнейших составляющих в интересующем разрезе и т.д.;

• анализ динамики (регрессионный анализ — выявление трендов), например выявление тенденций, сезонных колебаний и т.д.;

• анализ зависимостей (корреляционный анализ), например сравнение объемов продаж разных товаров во времени для выявления необходимого ассортимента («корзины») и т.д.;

• сопоставление (сравнительный анализ), например, сравнение результатов продаж во времени или за заданный период, или для заданной группы товаров и т.д.;

• дисперсионный анализ. Исследование распределения вероятностей и доверительных интервалов рассматриваемых показателей. Применяется для прогнозирования и оценки рисков.

Кроме стандартных методов анализа в программных продуктах предусмотрено получение и других видов аналитической отчетности.

Вместе с базовой концепцией существуют еще несколько разновидностей OLAP, которые в целом ориентированы на выполнение аналогичных функций.

Многомерный анализ данных может быть осуществлен как в клиентском приложении, так и на сервере БД (рис. 5.4). Все производители ведущих серверных СУБД (IBM, Informix, Microsoft, Oracle, Sybase) производят серверные средства для такого анализа.

В серверных OLAP-средствах вычисления и хранение агрегатных данных выполняются отдельным процессом — сервером. Одни клиентские приложения могут обращаться с запросами к серверу и в ответ на них получать либо запрашиваемые данные, либо значения, вычисляемые на их основе. Другие приложения могут создавать хранилища данных или обновлять их в соответствии с изменившимися исходными данными.

Агрегат данных — совокупность элементов данных одного или различных типов. Обычно агрегат данных оперативно доступен как в целом, так и по частям.

Источники информации

Рис. 5.4. Вариант функционирования OLAP-средств

Клиентские OLAP-средства представляют собой приложения, осу­ществляющие многомерный анализ данных, содержащихся в какой-либо СУБД, и вычисление агрегатных данных (сумм, средних величин, максимальных или минимальных значений и т.д.). Если исходные данные содержатся в настольной СУБД, то вычисление агрегатных данных производится непосредственно самим OLAP-средством на ПК пользователя; если же источник исходных данных представляет собой серверную СУБД, то многие из клиентских OLAP-средств используют возможности сервера БД для вычисления агрегатных данных.

Клиентские OLAP-средства применяются обычно при небольшом числе параметров, используемых для анализа, и небольшом разнообразии значений этих параметров, так как при увеличении числа параметров объем занимаемой данными оперативной памяти резко увеличивается. Именно поэтому даже самые простые клиентские OLAP-средства обычно содержат инструменты предварительного подсчета объема оперативной памяти, который потребуется при создании и отображении многомерных данных.

Преимущества применения серверных OLAP-средств по сравнению с клиентскими заключаются в том, что пересчет и хранение агрегатных данных происходят на сервере, а клиентское приложение получает лишь результаты запросов к ним, поэтому трафик, время выполнения запроса и потребляемая оперативная память в общем случае оказываются намного ниже, чем в случае использования клиентских OLAP-cpeдcтв с теми же исходными данными. Поэтому при значительным числе параметров, используемых для анализа, при большом разнообразии их значений и большом объеме исходных данных, например масштаба предприятия, применятся серверные OLAP-средства.

3. Средства генерации отчетов (репортинга) — RT {Reporting tools) — позволяют специалистам получать отчеты в структурированном виде и контролировать процессы по различным фиксированным показателям.

Подготовка отчетности — одна из важнейших задач, стоящих перед предприятиями. Сегодня генерация отчетности и выполнение анализа требуются как для всего бизнеса, и так для различных его компонентов — корпоративного транзакционного приложения, базы данных, автоматизированного решения управленческих задач и т.д.

Отчет представляет собой документ, содержимое которого динамически формируется на основе информации, содержащейся в базе данных. Отчеты могут содержать данные из одной или нескольких таблиц либо запросов (например, продажа определенного вида товара за конкретное число), а также данные из одной или нескольких записей (например, счет, в котором помимо сведений о заказе (дата, время, реквизиты заказчика) содержится список заказанных товаров с их количеством, ценами и скидками). Кроме того, отчет может содержать только агрегатные данные (суммы, средние, максимальные минимальные значения и некоторые другие статистические вычисления).

Отчеты создаются с помощью средств RT, которые могут быть интегрированы в проблемно-ориентированные программы и программные комплексы, а также являться самостоятельным программным продуктом (для анализа имеющихся данных безотносительно формирующих их систем). В настоящее время наличие средств генерации отчетов считается обязательным, а сами они рассматриваются как корпоративный стандарт наряду с другими базовыми технологиями (рис. 5.5).

Рис. 5.5. Вариант использования генератора отчетов

4. Системы интеллектуального анализа данных — DM (Data Mining) — посредством поиска корреляций, тенденций, взаимозависимостей и закономерностей в большом объеме информации позволяют построить модель, с помощью которой можно прогнозировать процессы, играющие роль при планировании бизнеса (например, динамику спроса на те или иные товары или услуги и пр.).

Применение DM осуществляется только при наличии достаточно большого количества информации, содержащейся, например, в корректно спроектированном хранилище данных. Данные в хранилище представляют собой пополняемый набор, единый для всего предприятия и позволяющий восстановить картину его деятельности на любой момент времени, а структура данных хранилища проектируется таким образом, чтобы выполнение запросов к нему осуществлялось максимально эффективно. Однако существуют средства DM, которые способны выполнять поиск закономерностей, корреляций и тенденций не только в хранилищах данных, но и в многомерных БД.

Системы DM возникли и развиваются на базе достижений различных областей знаний — прикладной статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др., которые реализованы в различных действующих программных продуктах класса DM. Многие из них интегрируют в себе сразу несколько подходов. Тем не менее, как правило, в каждом ПО имеется ключевой метод, на который делается основной упор.

Существует большое количество разнообразных DM, которые отличаются по методам, положенным в их основу, применяемым технологиям, типам закономерностей.

Инструменты DM являются основой для разработки различных программных продуктов аналитического характера, которые образуют обширный класс систем искусственного интеллекта (Artificial Intelligence — AI), имитирующих решение человеком сложных интеллектуальных задач.

К такому ПО относятся статистические программы, экспертные системы, нейронные сети, системы поддержки принятия решений.

Статистические программы (SAS компании SAS Institute, SPSS од­ноименной компании-разработчика, «Statgraphics» компании Manugistics, «Statistica» для Windows и др.). Последние версии почти всех известных статистических пакетов включают наряду с традиционными статистическими методами также элементы Data Mining. Но основное внимание в них уделяется все же классическим методикам — корреляционному, регрессионному, факторному анализу и др.

Недостатком систем этого класса является требование к специальной подготовке пользователя. Также отмечают, что мощные современные статистические пакеты являются достаточно сложными для массового применения в финансах и бизнесе. Кроме того, большинство используемых статистических методов, входящих в состав пакетов, ориентированы на усредненные характеристики выборки, которые при исследовании практических ситуаций зачастую не отражают реального состояния предметной области.

Однако статистические программные продукты с успехом могут применять небольшие и средние предприятия, а большие многопрофильные компании могут интегрировать их в корпоративную информационную систему.

Экспертные системы («G2 ReThink» компании Gensym, XCON, XSEL, фирмы DEC и др.) представляют собой ПО, которое выполняет функции эксперта при решении слабо формализуемых задач или задач, вообще не имеющих алгоритмического решения в области его компетенции.

Экспертные системы в процессе своего функционирования оперирует со знаниями о конкретной предметной области, определенным образом формализованными и представленными в памяти ЭВМ в виде базы знаний (БЗ), которая может изменяться и дополняться в процессе развития системы (см. раздел 7.5).

В любой момент времени в БЗ существуют три типа знаний:

• структурированные статические знания — постоянные знания о предметной области, которые, после того как система их определила, уже не изменяются;

• структурированные динамические знания — изменяемые знания о предметной области, которые, обновляются по мере выявления новой информации;

• рабочие знания — знания, которые применяются для решения конкретной задачи или проведения консультации.

Для построения БЗ проводится опрос специалистов, являющихся экспертами в конкретной предметной области. Полученные результаты вводятся в вычислительную систему, систематизируются, организуются и снабжаются указателями, чтобы впоследствии их можно было легко извлечь из БЗ.

Знания в БЗ представляются в такой форме, которая может быть легко обработана посредством специальных алгоритмов, позволяющих получать непредусмотренный результат при решении конкретной задачи. Алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических (неформальных) правил. Качество экспертной системы определяется размером базы и набором правил, на основании которых организуется БЗ. Система функционирует в следующем циклическом режиме — выбор (запрос) данных или результатов анализов, их обработка, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения (рис. 5.6).

Решение задачи в экспертных системах начинается с постановки пользователем проблемы в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью БЗ пытается вывести заключение из этих фактов, которое сопровождается понятными пользователю объяснениями. При этом качество получаемых решении обычно не хуже, а иногда и лучше достигаемого специалистами.

Как правило, обобщенная структура экспертной системы содержит интерфейс пользователя, БД, подсистему приобретения знаний, механизм логического вывода, базу знаний, блок объяснений.

Рис. 5.6. Обобщенная схема функционирования экспертной системы

Интерфейс пользователя обеспечивает общение пользователя с экспертной системой в удобной для него форме. Интерфейс позволяет передавать информацию, составляющую содержание базы данных, обратиться к системе с вопросом или за объяснением и подразделяется на два блока:

• интерфейс обычного пользователя, которому требуется консультация экспертной системы;

• интерфейс экспертной группы, посредством которого происходит заполнение базы знаний, осуществляемое с помощью специализированной диалоговой компоненты — подсистемы приобретения знаний, которая позволяет частично автоматизировать этот процесс.

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

Подсистема приобретения знаний предназначена для добавления в базу знаний новых правил и модификации имеющихся. В ее задачу входит приведение правила к виду, позволяющему применять это правило в процессе функционирования. В более сложных экспертных системах предусмотрены еще и средства для проверки вводимых или модифицируемых правил на непротиворечивость с имеющимися правилами.

Механизм логического вывода, представляющий собой программный модуль, который позволяет логически выводить необходимую для пользователя информацию, исходя из сведений, размещенных в базе знаний.

База знаний предназначена для хранения долгосрочных данных, описывающих рассматриваемую предметную область, и правил, описывающих целесообразные преобразования данных этой области. Существует несколько способов представления знаний в БЗ, однако общим для всех них является то, что знания представлены в символьной форме (элементарными компонентами представления знаний являются тексты, списки и т.д.). Тем самым в экспертной системе реализуется принцип символьной природы рассуждений, который заключается в том, что процесс рассуждения представляется как последовательность символьных преобразований.

Блок объяснений, дающий возможность пользователю убедиться в обоснованности информации, получаемой им от экспертной системы, и позволяющий задавать ей вопросы (рис. 5.7).

Рис. 5.7. Обобщенная структура экспертной системы

Следует учесть, что реальные экспертные системы имеют более сложное строение, однако блоки, изображенные на рис. 5.7, непременно присутствуют в любой системе, так как представляют собой стандарт структуры современной экспертной системы.

Все экспертные системы работают в двух режимах: приобретения знаний и решения задач (консультаций).

1. Режим приобретения знаний — общение с экспертной системой осуществляет эксперт, который через специалиста (инженера по знаниям), используя модуль приобретения знаний, наполняет систему знаниями, необходимыми системе в режиме решения самостоятельно (без эксперта) задач из предметной области. Эксперт описывает предметную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, а правила определяют способы манипулирования с данными, характерными для рассматриваемой области.

2. Режим консультации — общение с экспертной системой осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. В режиме консультации данные о задаче через интерфейс пользователя поступают в базу данных (рабочую память, где хранятся промежуточные данные решаемой в текущий момент задачи). На основе входных данных из рабочей памяти, общих данных о проблемной области и правил базы знаний с помощью механизма логического вывода формируется решение задачи. Экспертная система при решении задачи не только исполняет предписанную последовательность операций, но и предварительно формирует ее.

Области применения экспертных систем могут быть сгруппированы в несколько основных классов, представленных в табл. 5.2.

Таблица 5.2

Области применения экспертных систем

Область приме­нения	Использование экспертной системы
Диагностика	Устанавливают связи между неисправностями и их возможными причинами. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования, и заболевания живых организмов, и всевозможные природные аномалии
Прогнозирование	Предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. В системе обычно используется модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые следствия составляют основу для прогнозов с вероятностными оценками
Планирование	Представляют планы действий, относящихся к объектам, способным выполнять некоторые функции. В таких экспертных системах используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности
Интерпретация данных	Определяют смысл данных, которые должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных
Мониторинг	Выполняют непрерывную интерпретацию данных в режиме реального времени и сигнализируют о выходе тех или иных параметров за допустимые пределы
Контроль и управление	Выполняют постоянный мониторинг нескольких объектов и принимают решения, анализируя данные, поступающие от нескольких источников
Проектирование	Выполняют подготовку спецификаций на создание объектов с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов — чертеж, пояснительная записка и т.д.
Обучение	Диагностируют ошибки при изучении какой-либо дисциплины с помощью ПК и подсказывают правильные решения. В процессе усвоения материала обучающимся системы диагностируют слабости в его знаниях и находят соответствующие средства для их ликвидации. Также они планируют общение с обучающимся в зависимости от его успехов с целью передачи знаний.

Экспертные системы получают все большее распространение в различных областях человеческой деятельности. Например, Дамасская торговая фирма Informat предоставляет в распоряжение покупателей несколько рабочих станций, установленных в холле своего офиса, на которых, посредством экспертной системы, проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации ПК в соответствии с требованиями покупателя.

Нейронные сети («Neuro Builder» компании RBC, «NeuroShell» компании Ward Systems Group Inc., «ST Neural Networks» фирмы StatSoft и др.) представляют собой программные продукты, архитектура которых имеет аналогию с построением сетей нервных клеток живого организма. Они позволяют распознавать модели, слишком неясные для людей, и адаптировать их при получении новой информации. Главной характеристикой нейронных сетей является то, что они обучаются.

В отличие от экспертных систем, которые для своего функционирования обязательно требуют в качестве элемента одного или нескольких специалистов, опыт которых вводится в программу, в нейронных сетях прогноз формируется без участия человека. Кроме того, если экспертные системы выполняют рассуждения по заложенным в алгоритм эвристическим (неформальным) правилам, используют параметры, вовлеченные в решение, делают запросы и глубокий поиск в БД и БЗ, то нейронные сети работают по принципу передачи информации от одних слоев нейронов к другим, причем изменения информации, происходящие во время передачи, обусловлены заранее не оговоренными правилами (см. рис. 5.8).

Сущность функционирования программ нейронных сетей (рис. 5.8) заключается в том, что для прогнозирования какого-либо события или факта в ЭВМ вводятся данные, состоящие из множества переменных, связанных с большим количеством случаев, относящихся к задаваемому прогнозу, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, создавая начальную модель, в которую входит набор переменных, строго соответствующий частным известным результатам. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, которые затем сравниваются с известными. Базируясь на этом сравнении, программа изменяет модель, регулируя параметры переменных или заменяя их. Этот процесс повторяется до тех пор, пока усовершенствование начальной модели не будет исчерпано, и программа не сможет сделать прогноз для будущих случаев. Вновь появившиеся данные по прогнозируемому событию вводятся в нейронную сеть, и модель еще раз корректируется. Таким образом, нейронная сеть обучается, и ее способность к заданному прогнозу улучшается.

Рис. 5.8. Обобщенная схема функционирования нейронной сети

Основными недостатками нейронных сетей является необходимость иметь очень большой объем обучающей выборки, частый сбор и трудности обеспечения данными решаемых задач. Кроме того, знания, зафиксированные в нейронной сети, не поддаются анализу и интерпретации человеком. Тем не менее нейронные сети нашли свое применение в экономике, особенно в банковском секторе, например для оценки коммерческих заявок на получение ссуды, распознавания мошеннических подделок кредитных карточек и т.д.

Системы поддержки принятия решений (СППР) (DSS — Decision Support System) (PSTM компании «Skeef Systems», ГНИВЦ ФТС России и компании РДТЕХ, «Советник по кадрам» ЧКВФ «Прагма В.К.С» и др.) представляют собой специализированное ПО, обеспечивающее менеджеров эффективными средствами, позволяющими в режиме реального времени анализировать большие объемы информации, решать слабоструктурированные или неструктурированные задачи и принимать на основе результатных данных обоснованные и эффектные управленческие решения.

Существуют разнообразные виды СППР, но практически все они используют различные аналитические инструменты и характеризуются четкой структурой, которая содержит три главных компонента: интерфейс пользователя, подсистему данных и подсистему моделей.

Интерфейс пользователя дает возможность менеджеру осуществлять диалог, используя разные программы ввода, форматы и технологии вывода. При этом посредством интерфейса пользователь может манипулировать различными формами диалога, изменяя их в процессе принятия решения по своему выбору, передавать данные системе различными способами, получать данные от различных периферийных устройств системы в различном формате, получать помощь по запросу, подсказки и т.д.

Подсистема данных предназначена для хранения, управления, выбора, отображения и анализа данных. Подсистема данных включает:

• базы данных, представляющие собой совокупность элементов, организованных в соответствии с определенными правилами, которые предусматривают общие принципы описания, сохранения и манипулирования данными независимо от прикладных программ;

• хранилища данных предоставляют единую среду хранения корпоративных данных, организованных в структуры и оптимизированных для выполнения аналитических операций;

• аналитические средства позволяют конечному пользователю, не специалисту в области ИТ, осуществлять навигацию и представление данных в терминах предметной области (OLTP);

• аналитические системы позволяют решать три основные задачи: анализ разнородной многомерной информации разной степени формализованности в режиме реального времени (OLAP), последующий интеллектуальный анализ данных с построением моделей развития деловой ситуации (DM) и ведения отчетности (RT).

Подсистема моделей содержит набор (базу) моделей (БМ) для обеспечения ответов на множество запросов пользователей и для аналитических задач, а также систему управления базой моделей (СУБМ):

• БМ обеспечивает проведение анализа в системах поддержки принятия решений. Модели, базируясь на математической интерпретации проблемы, при помощи определенных алгоритмов способствуют нахождению информации, полезной для принятия правильных решений. Внутри БМ пользователь может конструировать, анализировать, интерпретировать одну или несколько моделей;

• СУБМ представляют собой программные средства, обеспечивающие пользователям широкий набор моделей и дающие возможность проводить гибкий доступ, обновление и изменение базы моделей.

Для условий использования СППР существует необходимость доступа информации из значительно более широкого диапазона источников, чем это предусмотрено в обычном ПО. Необходима информация не только из внутренних источников, но и из внешней среды — средств массовой информации, Internet, писем, контрактов и т.д. Потребность во внешних данных тем большая, чем более высокий уровень руководства, которое обслуживается СППР. При этом внутренние учетные данные дополняются нетрадиционными типами данных, например персонифицированные данные о персонале, инженерные данные и т.п., которые должны быть своевременно собраны, введены и поддержаны (рис. 5.9).

Рис. 5.9. Обобщенная схема системы поддержки принятия решений

Системы поддержки и принятия решений ориентированы на решение задач всех уровней управления предприятием.

Стратегические СППР используются на высших уровнях управления для прогнозирования деятельности предприятия на несколько лет вперед. С их помощью устанавливаются цели организации, объемы ресурсов, необходимых для их достижения, а также политика приобретения и использования этих ресурсов. Стратегические СППР могут быть также полезны при выборе вариантов размещения предприятий, прогнозировании политики конкурентов и т.п. Для стратегических моделей характерны широта охвата информационных ресурсов, множество переменных, представление данных в сжатой агрегированной форме.

Тактические СППР применяются менеджерами среднего уровня для распределения и контроля использования имеющихся ресурсов срок от одного месяца до двух лет. Среди сфер их использования следует указать: финансовое планирование, планирование требований к персоналу, увеличения продаж и т.д. Эти системы используются только на отдельных участках предприятия (например, в системе производства и сбыта) и могут также включать в себя агрегированные показатели. Здесь также требуется информация из внешних источников, но основное внимание при реализации систем уделяется внутренним данным предприятия.

Оперативные СППР используются на оперативном уровне управления для поддержки принятия решений на несколько дней и недель. Возможные применения этих систем включают в себя ведение дебиторских счетов и кредитных расчетов, календарное производственное планирование, управление запасами и т.д. Оперативные системы обычно используют для расчетов внутрипроизводственные данные.