Студентам ИТ / 2 УПП_ИТ / Дополн_литература / ИТ в Интернет / ИСиТ__УММ

Современныетенденцииразвития ИС

венного интеллекта, геоинформационных технологий, техно- логий виртуальной реальности и т.д.

Технологии аналитической обработки данных (OLAP-

технологии, от англ. On-line Analytical Processing) представ-

ляют собой инструмент для динамического многомерного анализа текущих и исторических данных в интерактивном режиме. Они обеспечивают:

агрегирование и детализацию данных по запросу;

выдачу данных в терминах предметной области;

анализ деловой информации по множеству параметров (например, поставщик, его местоположение, поставляе- мый товар, цены, сроки поставки и т.д.);

многопроходный анализ информации, который позво- ляет выявить не всегда очевидные тенденции в иссле- дуемой предметной области;

произвольные срезы данных по наименованию, выби- раемых из разных внутренних и внешних источников (например, по наименованию товара);

выполнение аналитических операций с использованием статистических и других методов;

согласование данных во времени для использования в прогнозах, трендах, сравнениях (например, согласование курса рубля).

Концепция технологии OLAP была сформулирована

Эдгаром Коддом в 1993 году. Она стала ключевым компонен- том организации данных в информационных хранилищах и их применении. Эта технология основана на построении мно- гомерных наборов данных – OLAP-кубов. Целью использова- ния технологий OLAP является анализ данных и представле- ние этого анализа в виде, удобном для восприятия и принятия решений.

Основные требования, предъявляемые к приложениям для многомерного анализа:

предоставление пользователю результатов анализа за приемлемое время (не более 5 сек.);

91

Информационные системы

осуществление логического и статистического анализа, его сохранение и отображение в доступном для пользо- вателя виде;

многопользовательский доступ к данным;

многомерное представление данных;

возможность обращаться к любой информации незави- симо от места ее хранения и объема.

Многомерный анализ данных может быть произведен посредством клиентских приложений и серверных OLAP- систем.

Клиентские приложения, содержащие OLAP-средства,

выполняют вычисление агрегатных данных. Агрегатные дан- ные размещаются в кэш внутри адресного пространства тако- го OLAP-средства. Кэш – быстродействующий буфер большой емкости, работающий по специальному алгоритму. При этом если исходные данные находятся в реляционной базе, вычис- ления производятся OLAP-средствами клиентского приложе- ния. Если исходные данные размещаются на сервере баз дан- ных, то OLAP-средства приложений посылают SQL-запросы на сервер баз данных и получают агрегатные данные, вычис- ленные сервером.

Примерами клиентских приложений, содержащими OLAP-средства, являются приложения статистической обра-

ботки данных SEWSS (Statistic Enterprise – Wide SPS System)

фирмы StatSoft и MS Excel. Excel позволяет создать и сохра- нить небольшой локальный многомерный OLAP-куб и ото- бразить его двух- или трехмерные сечения.

Многие средства проектирования позволяют создавать простейшие OLAP-средства. Например, Borland Delphi и Borland C++ Builder.

Отметим, что клиентские приложения применяются при малом числе измерений (не более шести) и небольшом разно- образии значений этих измерений.

Серверные OLAP-системы развили идею сохранения кэш с агрегатными данными.

92

Современныетенденцииразвития ИС

Вних сохранение и изменение агрегатных данных, под- держка содержащего их хранилища осуществляется отдель- ным приложением (процессом), называемым OLAP-сервером. Клиентские приложения делают запросы к OLAP-серверу и получают требуемые агрегатные данные.

Применение OLAP-серверов сокращает трафик сети, время выполнения запросов, сокращает требования к ресур- сам клиентских приложений.

Вмасштабе предприятия обычно используются OLAP-

серверы типа Oracle Express Server, MS SQL Server 2000 Analysis Services и др.

Заметим, что MS Excel 2000 (и более поздние его версии) позволяет делать запросы к OLAP-серверам.

Самые современные аналитические системы основыва- ются на информационных хранилищах и обеспечивают весь спектр аналитической обработки.

Под хранилищем данных (Data Warehouse) понимают ав-

томатизированную информационно-технологическую систе- му, которая собирает данные из существующих баз и внешних источников, а также формирует, хранит и эксплуатирует ин- формацию как единую.

Хранилищеданных предоставляетединую среду хранения корпоративных данных, организованных в структурах, оптими- зированныхдлявыполнения аналитическихопераций.

Доступ к информационным хранилищам реализован посредством транзакций. В отличие от OLAP-систем все ос- тальные системы, работающие с транзакциями, называют

OLTP-системами (On-Line Transaction Processing). OLTP-

системы обеспечивают обработку запросов, выдачу отчетов, но не обеспечивают функций анализа данных.

Технологии «добычи данных» (Data Mining) разработа- ны для поиска и выявления в данных скрытых связей и взаи- мозависимостей с целью предоставления их руководителю в процессе принятия решений. Для этого используются стати- стические методы корреляции, оптимизации и другие, позво- ляющие находить эти зависимости и синтезировать дедуктив-

93

Информационные системы

ную (обобщающую) информацию. Инструменты Data Mining обеспечивают:

поиск зависимых данных (реализацию интеллектуаль- ных запросов);

выявление устойчивых бизнес-групп (выявление групп объектов, близких по заданным критериям);

ранжирование важности признаков при классификации объектов для проведения анализа;

прогнозирование бизнес-показателей (например, ожи- даемые продажи, спрос);

оценку влияния принимаемых решений на достижение успеха предприятия;

поиск аномалий и т.д.

Врыночной сегментации технологии «добычи данных» могут быть полезны для идентификации общих характери- стик клиентов, которые покупают одинаковые изделия у ком- пании, а также для предсказания, какие клиенты, вероятно, могут оставить компанию и уйти к конкурентам. При анализе потребительской корзины данные технологии позволяют вы- являть, какие изделия или услуги обычно приобретаются вме- сте. При прямом маркетинге указанные технологии могут дать ответ на вопрос, какие проспекты должны быть включе- ны в список рассылки, чтобы получить максимальную эффек- тивность.

Добыча данных требует разработанной и хорошо по- строенной базы (хранилища) данных. Прежде, чем любая ор- ганизация подумает относительно добычи данных, нужно сначала убедиться, что необходимые данные имеются и что они являются полными и точными.

Технологии искусственного интеллекта (AI) основаны на моделировании мыслительной деятельности человека с ис- пользованием специальных программных средств и баз зна- ний. В литературе дано определение базы знаний как набора эмпирических правил истинности заключений (высказыва- ний) по данной теме (проблеме), базы эмпирических данных

иописания проблемы, а также вариантов её решения.

94

Современныетенденцииразвития ИС

Технологии искусственного интеллекта используются для решения задач, относящихся к классу неформализован- ных и слабо структурированных. Алгоритмизированное ре- шение таких задач или не существует в силу неполноты, не- определенности, неточности, расплывчатости рассматривае- мых ситуаций и знаний о них, или же такие решения неприемлемы на практике в силу сложности разрешающих алгоритмов. Применительно к управлению, указанные техно- логии в настоящее время находят применение в таких облас- тях, как планирование и оперативное управление производ- ством, выработка оптимальной стратегии поведения в соот- ветствии со сложившейся ситуацией и т.д.

Развитие технологий искусственного интеллекта в управ- лении идетв направлении разработки экспертныхсистем.

Экспертные системы – это системы, которые используют логику принятия решения человеческого эксперта и способны

всложных условиях дать квалифицированную консультацию (совет, подсказку, ориентацию) на основе логической перера- ботки данных с целью получения новой информации, которая

вявном виде в базу знаний не вводилась.

Экспертная система моделирует мыслительный процесс человека-эксперта, который является специалистом по реше- нию определенного типа проблем. Такая система должна за- давать вопросы пользователю, производить оценку ситуации и получать решение, представляемое в каком-либо виде поль- зователю. Кроме того, от экспертной системы могут потребо- ваться демонстрация способа, которым получено решение, и его обоснование.

Экспертные системы, являющиеся в настоящее время наиболее распространенным классом систем искусственного интеллекта, обладают способностью рассматривать большое число вариантов, чем это доступно человеку, при доскональ- ном анализе ситуаций в той или иной предметной области и выдавать «интеллектуальные» решения в сложных ситуациях. Поэтому в помощь менеджерам создается ряд экспертных сис- тем. Так, при планировании текущего технического обслужи-

95

Информационные системы

вания самолетов фирма American Airlines использует эксперт-

ную систему MOCA (Maintenance Operation Center Advisor),

что значительно сокращает затраты на техобслуживание и ремонт самолетов по сравнению с планированием вручную. Фирма General Motors использует экспертную систему Expert Scheduling System для оптимизации графиков производства.

Другим направлением эффективного развития техноло- гий искусственного интеллекта в управлении является разви- тие нейронных сетей.

Нейронные сети устроены по аналогии с тем, как рабо- тает человеческая нервная система, и способны распознавать модели, слишком не ясные для людей, чтобы люди могли их обнаружить. Фактически нейронные сети используют стати- стический анализ, чтобы распознавать модели из большого количества информации посредством адаптивного обучения.

Механизм работы нейронной сети следующий. Про- грамме нейронных сетей сначала дается набор данных, со- стоящих из многих переменных, связанных с большим коли- чеством случаев, или исходов, в которых результаты известны. Программа анализирует данные и обрабатывает все корреля- ции, а затем выбирает набор переменных, которые строго со- отнесены с частными известными результатами, как началь- ную модель. Далее программа многократно изменяет модель, регулируя параметры переменных или даже заменяя их, про- буя предсказать результаты различных случаев и сравнивая предсказанные результаты с известными результатами. Дан- ная процедура называется обучением сети. По окончании обучения программа готова делать предсказания для буду- щих случаев.

Направления использования нейронных сетей разнооб- разны. Так, один из крупнейших банков, Bank of America, ис- пользует нейронную сеть для оценки коммерческих заявок на получение ссуды. Банк «Mellon Bank» работает над нейронной системой, которая ускорит распознавание мошеннических подделок кредитных карточек, контролируя такие показатели, как частота использования кредитной карточки и размеры рас-

96

Современныетенденцииразвития ИС

ходов относительно предельного размера кредита. Журнал «Spiegel» использует нейронную сеть для сокращения списка рассылки своих каталогов для продажи по почте, чтобы устра- нить маловероятных потенциальных покупателей.

Геоинформационные технологии предназначены для обработки пространственно-временных данных, основой ин- теграции которых служит географическая информация. Ука- занные технологии обеспечивают принятие решений по оп- тимальному управлению землями и ресурсами, городским хо- зяйством, транспортом, розничной торговлей, экологией и другими сферами деятельности человека на основе интегра- ции данных географического характера.

На основе геоинформационных технологий разрабаты- вается широкий класс геоинформационных систем (ГИС), включающих такие типы, как системы картографической ин- формации, автоматизированные системы картографирова- ния, автоматизированные фотограмметрические системы, зе- мельные информационные системы, автоматизированные ка- дастровые системы, системы информационного обеспечения администрации городов и т.п.

Инструментальные средства ГИС-технологий базируют- ся на моделях представления пространственных данных, та- ких как векторная, топологическая и нетопологическая моде- ли, квадродеревья, растровые модели, линейные сети. Их от- личает ориентация на пользовательские модели данных с учетом предметной области и особенностей приложений, об- разующих единую информационную пользовательскую сре- ду, дополняемую возможностями трехмерного проектирова- ния, генерации планов, автоматического документирования проектов и выбора оптимальных вариантов. Данные техноло- гии позволяют осуществлять векторно-топологическое моде- лирование, буферизацию объектов, анализ сетей, построение цифровых моделей местности и т.д.

Современные ГИС-технологии предназначены для фор- мирования и ведения банков земельных данных о состоянии жилого и нежилого фондов, ведения кадастра недвижимости,

97

Информационные системы

анализа, оценки и планирования городских территорий, управления коммунальным хозяйством и т.д.

Такие различные области, как управление природными ресурсами, государственная служба, военное и градострои- тельное проектирование, используют ГИС-технологии уже более 30 лет. С начала 90-х годов указанные технологии при- влекли внимание деловых пользователей. По мнению многих бизнесменов и аналитиков, сфера приложений ГИС- технологий безгранична.

Сфера применения ГИС-технологий в бизнесе охватыва- ет разные области:

анализ и отслеживание текущего состояния и тенденций изменения рынка;

планирование деловой активности;

оптимальный выбор местоположения новых филиалов фирмы или банка, торговых точек, складов, производст- венных мощностей;

выбор кратчайших или наиболее безопасных маршрутов перевозок и путей распределения продукции;

анализ риска материальных вложений и урегулирование разногласий;

демографические исследования, проводимые в целях изучения спроса на продукцию;

географическая привязка баз данных о земле- и домо- владении.

Впоследнее время всё чаще встречается новое понятие геомаркетинг (geomarketing), связывающее в неразрывное це- лое бизнес и геоинформационные технологии.

Вразных странах ГИС-технологии находят применение

вбизнесе.

Бизнесмены Великобритании с помощью ГИС открыва- ют новые супермаркеты, бензоколонки и станции техобслу- живания автомобилей, а также на основе демографического анализа и моделирования развивают сеть столь популярных в этой стране пивных баров – пабов.

98

Современныетенденцииразвития ИС

ВЮжной Африке ГИС применяются при оптовой и розничной продаже автомобилей, рассылке и разноске почты

идругой корреспонденции, оптовых поставках бакалейных товаров.

ВИспании ГИС используются крупными банками для разработки планов развития и координации деятельности ре- гиональных центров по обслуживанию вкладчиков.

Во Франции пользователями ГИС являются, например, ав- томобильные компании Citroen, Renault и Peugeot, активно вне- дряющие картографиюв свою повседневнуюдеятельность.

ВНовой Зеландии компания Eagle Technology разрабо- тала многофункциональное средство анализа сведенных таб- личных, текстовых и картографических бизнес-данных, демо- графической, статистической, земельной, муниципальной, адресной и другой информации. Это позволило переориен- тировать главную цель маркетинговых усилий с удовлетворе- ния усредненных потребностей населения города или района на оперативное реагирование на запросы каждого человека, живущего или работающего в зоне реализации товаров фир- мы. Достигаемый при таком подходе принципиально новый уровень сервиса получил наименование персонифицирован-

ного маркетинга (personal marketing).

ВСША за последние годы появилась многочисленная группа компаний, специализирующихся на консультацион- ном обслуживании бизнеса, проводящих по заказам аналити- ческие маркетинговые исследования на базе ГИС. Предостав- ляемые этими компаниями результаты и решения способст- вуют выбору оптимальных, наиболее выгодных стратегии и тактики действий их клиентов, быстрому реагированию на изменяющиеся условия рынка, а при необходимости – и пере- ориентации профиля коммерческих фирм.

Вперспективе особенно успешное и выгодное использо- вание ГИС-технологий представляется при массовых перевоз- ках грузов и людей, при создании сетей оптимально разме- щенных торговых точек, анализе существующих и потенци- альных рынков и районов сбыта продукции, в нефтяных,

99

Информационные системы

газовых и электрических компаниях, а также в коммерческих фирмах, занимающихся операциями с недвижимостью, для обоснования, расширения и поддержки банковских опера- ций, в работе авиакомпаний и телекоммуникационных кор- пораций, ряде других сфер деловой активности.

Технологии виртуальной реальности (VR) предназна-

чены для создания окружающей среды, которая кажется ре- альной пользователю-человеку. Существует множество раз- личных применений технологий виртуальной реальности в обороне, медицине, индустрии развлечений и т.п.

Использование виртуальной реальности в управлении и бизнесе разделяется на две основные категории: обучение и проектирование.

Так, фирмы IBM и Chrysler развили систему виртуаль- ной реальности для проектирования автомобилей, благодаря чему часть неисправностей может быть устранена еще до по- явления первого дорогого прототипа.

Система виртуальной реальности «Прогулка внутрь» Virtus Walk Through Pro позволяет сохранять время и деньги розничным торговцам при проектировании планировок мага- зина и витрин.

Множество приложений VR связано с процессами про- изводственного обучения персонала фирм. Так, на фирме Duracell внедрена автоматизированная система обучения работе на новом оборудовании в среде виртуальной реальности. Обучаемый способен полностью зондировать новую часть оборудования внутри настольного виртуального мира, при этом травматизм абсолютно исключен.

Система виртуальной реальности «Truck DriVR» предна- значена для обучения вождению на грузовике. Данная систе- ма, основанная на вариациях опасностей движения, позволяет создавать реалистичную ситуацию с многократными возмож- ностями для пользователя.

100