→ Пошук по сайту       Увійти / Зареєструватися
Знання Керування знаннями Технологии управления знаниями

Поддержка решений

Оглавление

  1. Введение
  2. Основы концепции СППР
  3. Типы СППР
  4. Поставщики решений
  5. Необходимость использования СППР
  6. Список источников

Введение

Развитие компьютерных технологий и достижения в области нейрофизиологии сделали возможным реализацию некоторых простых функций человеческого мозга на комьютере. Однако целью исследований в этих областях и разработок интеллектуальных систем является не замена мозга человека компьютером, а создание эффективного симбиоза человека с компьютером, снабженного соответствующими интеллектуальными модулями, моделями и методами. Есть основания считать, что некоторые способности человеческого мозга никогда не будут поняты до конца. Самыми ценными качествами человеческого мозга являются интуиция, инсайт (озарение), способность к глобальному охвату, владение метафорой.

Сила человека - в его знании предмета исследования, понимании и использовании контекста, в котором проводится исследование, в интуиции, чувстве правильного решения, аудиовизуальных возможностях, творчестве и т.д. Сила компьютера - это его вычислительная мощность, легкость, с которой он производит огромное число операций, значительно превосходящая в этом отношении возможности человека. Правильно использованная мощность компьютера существенно увеличивает интеллектуальную силу человека, осуществляя для него необходимый детальный анализ, помогает избежать многих интуитивно не обнаруживаемых ловушек, связанных со сложностью систем.

Использование компьютера как гаранта и усилителя интуиции при поддержке управленческих решений и решении системных задач - это одно из важнейших его применений.

Система поддержки принятия решений (СППР) связывает интеллектуальные ресурсы управленца со способностями и возможностями компьютера для улучшения качества решений.

 Интеллектуальная СППР - это компьютерная система, состоящая из следующих пяти основных взаимодействующих компонентов:

  • языковая подсистема (механизм обеспечения связи между пользователем и другими компонентами интеллектуальной СППР);
  • информационная подсистема (хранилище данных и средств их обработки). Состоит из БД, системы управления БД, средств организации запросов, справочника данных, внешних источников данных;
  • подсистема знаний (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, средства обработки знаний);
  • подсистема моделей (хранилище моделей, языки моделирования, средства управления моделированием). Состоит из базы моделей, системы управления моделями, языков моделирования, справочника моделей и процессора, который осуществляет реализации на модели, интегрирует модели и руководит процесом моделирования;
  • подсистема обработки и решения задач (связующее звено между другими системами). Подсистема обработки и решения задач реализует свои отдельные специфические функции в их рамках. Эта подсистема обладает основными способностями по манипуляции и обработке задая для принятия решений.

Абдикеев Н. М., Киселев А. Д. Управление знаниями корпорации и реинжиниринг бизнеса. - М. : Инфра-М, 2010.

Система поддержки принятия решений (СППР) ( Decision Support System, DSS) — компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности.

Информационная система руководителя (Executive Information System ,EIS)-компьютерная система, предназначенная для обеспечения текущей адекватной информации для поддержки принятия управленческих решений менеджером.

Основы концепции СППР

Система поддержки принятия решений включает в себя правила принятия решений и соответствующие модели с базами данных, а также интерактивный компьютерный процесс моделирования.

Основу СППР составляет комплекс взаимосвязанных моделей с соответствующей информационной поддержкой исследования, экспертные и интеллектуальные системы, включающие опыт решения задач управления и обеспечивающие участие коллектива экспертов в процессе выработки рациональных решений.

Рассмотрим более подробно каждый элемент вышеприведенной схемы . 

  1. Первоначально информация хранится в оперативных базах данных OLTP-систем. Агрегированная информация организуется в многомерное хранилище данных. Затем она используется в процедурах многомерного анализа (OLAP) и для интеллектуального анализа данных (ИАД).
    OLTP (Online Transaction Processing) — обработка транзакций в реальном времени. Способ организации БД, при котором система работает с небольшими по размерам транзакциями, но идущими большим потоком, и при этом клиенту требуется от системы минимальное время отклика.
    OLAP (online analytical processing, аналитическая обработка в реальном времени) — технология обработки данных, заключающаяся в подготовке суммарной (агрегированной) информации на основе больших массивов данных, структурированных по многомерному принципу.
  2. Хранилища данных. Принятие решений должно основываться на реальных данных об объекте управления. Такая информация обычно хранится в оперативных базах данных OLTP-систем. Но эти оперативные данные не подходят для целей анализа, так как для анализа и принятия стратегических решений в основном нужна агрегированная информация.
    Решением данной проблемы является создание отдельного хранилища данных (ХД), содержащего агрегированную информацию в удобном виде. Целью построения хранилища данных является интеграция, актуализация и согласование оперативных данных из разнородных источников для формирования единого непротиворечивого взгляда на объект управления в целом.
    Концепция хранилищ данных предполагает не просто единый логический взгляд на данные организации, а действительную реализацию единого интегрированного источника данных. Таким образом, хранилище данных функционирует по следующему сценарию. По заданному регламенту в него собираются данные из различных источников – баз данных ,систем оперативной обработки.
    В хранилище поддерживается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления собираются в одном месте, приводятся к единому формату, согласовываются и, в ряде случаев, агрегируются до минимально требуемого уровня обобщения. 
  3.  OLAP-технологии. В основе концепции оперативной аналитической обработки (OLAP) лежит многомерное представление данных. Термин OLAP ввел E. F. Codd в 1993 году. В своей статье он рассмотрел недостатки реляционной модели, в первую очередь невозможность «объединять, просматривать и анализировать данные с точки зрения множественности измерений, то есть самым понятным для корпоративных аналитиков способом», и определил общие требования к системам OLAP, расширяющим функциональность реляционных СУБД и включающим многомерный анализ как одну из своих характеристик.
  4.  Интеллектуальный анализ данных (Data Mining) — это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания.

Типы СППР

*пояснения к терминам и аббревиатурам, используемым в таблице, можно найти в [список источников, 9]

Перечислим основные типы СППР [источник]

  1. Управляемые моделями/ориентированные на модели (model-driven)
    Среди систем поддержки принятия решений исторически первыми были именно такие DSS, что неудивительно – они строились примерно на тех же кибернетических подходах, которые применялись в создании технических систем управления с начала 60-х годов. В отечественной практике модели довольно широко использовались в различного рода автоматизированных системах управления. Отличительной особенностью Model-Driven DSS является использование ограниченных по размерам наборов данных и параметров, их объем не должен быть больше, чем необходимо для создания репрезентативной модели, требуемой для анализа финансовой или экономической ситуации. Алгоритмическая основа для моделирования может быть весьма разнообразной, в том числе может быть сведена к графическому представлению данных. Кстати, первая электронная таблица VisiCalc, предложенная для ПК в 1978 году, как легко догадаться из ее названия, предназначалась не столько для расчетов, сколько для визуализации результатов, то есть являлась средством для моделирования. Model-Driven DSS не потеряли своей актуальности и до сих пор используются в ограниченном количестве университетских и академических исследовательских работах, к тому же некоторые системы, построенные на принципах OLAP, можно рассматривать как гибридные, сочетающие в себе свойства управляемых моделями и управляемых данными систем.
  2. Управляемые данными (data-driven)
    Системы этого типа обеспечивают доступ и манипулирование большими базами структурированных данных, чаще всего упорядоченных по времени внутрикорпоративных или внешних. В них основой для составления запросов и выборки нужных сведений служат простые средства для доступа к файлам, они же обеспечивают необходимое агрегирование данных и, если есть необходимость, то и требуемые вычисления. Хранилища, позволяющие манипулировать данными с привлечением инструментов, адаптированных к определенным задачам, обеспечивают более высокий уровень функциональности. Data-Driven DSS с возможностями аналитической работы обеспечивают более высокий уровень функциональности и поддержку анализа исторических данных. Сегодня BI сводится исключительно к анализу Data-Driven DSS, что не вполне корректно.
  3. Управляемые сообщениями (communication-driven) или групповые СППР (group DSS)
    поддерживаются самыми разнообразными технологиями групповой работы.
  4. Управляемые документами (document driven)
    Системы этого типа обеспечивают поиск, выделение, классификацию в неструктурированных тестовых документах. Они основываются на комплексе самых разнообразных поисковых технологий, включая техники работы с гипертекстовыми документами, аудио- и видеофайлами.
  5. Управляемые знаниями (knowledge-driven)
    Подобные системы еще называют Suggestion DSS («рекомендательные») или Management Expert System, поскольку они могут давать менеджеру определенные указания или делать предположения, основываясь на правилах бизнеса и базе знаний. Такие системы можно представлять как системы «раскопки» (mining) скрытых образов в базах знаний. Они обеспечивают просмотр больших объемов данных и выделение контекста.

Поставщики решений

  • Cognos
  • SPSS
  • ILOG

  • MS Dynamics AX
  • MS Dynamics NAV
  • MS Dynamics CRM
 
 

  • OLAP
  • Real-Time Decisions (RTD)
  • Business Intelligent
  • Hyperion Data Relationship
    Management

  • Business Suite
    (CRM, ERP, PLM, SCM, SRM)
 
 

  • IQ
  • RAP
  • Complex Event Processing

  • Business Intelligence

Полный список здесь: http://www.dssresources.com/vendorlist/index.php

Необходимость использования СППР

Существует множество доводов в пользу того, что интеллектуаль­ные системы могут и должны стать важнейшей составной частью в системах поддержки решений, при управлении сложными объек­тами в технологи и современных производств и решении широкого спектра экономических задач.

Если в качестве примера объекта взять предприятие, то здесь при управлении возникают следующие проблемы:

  • управление предприятием требует организации больших объемов информации;
  • преодоление сложности (сложности управления возникают, когда приходится делать выбор из множества возможных решений);
  • как уменьшить информацию до того уровня, который необходим для принятия решения (потеря информации, поступающей от объектов, работающих в реальном режиме времени, может суще­ственно сказаться на результате);
  • нехватка времени на принятие решения (проявляется по мере усложнения производства);
  • проблема координации (решения необходимо координировать с другими звеньями процесса или объекта);
  • необходимость сохранения и распространения знаний очень опытных экспертов, полученных ими в процессе многолетней работы в результате большого практического опыта. Сегодня про­блема извлечения знаний и их распределения — одна из главных проблем

СППР помогают находить ответы на следующие типичные вопросы:

  1. Анализ примеров (case analysis) - оценка значений выходных величин для заданного набора значений входных переменных.
  2. Параметрический анализ {«Что, если... ?»)- оценка поведения выходных величин при изменении значений входных переменных.
  3. Анализ чувствительности - исследование поведения результирующих переменных в зависимости от изменения значений одной или нескольких входных переменных.
  4. Анализ возможностей - нахождение значений входной переменной, которые обеспечивают желаемый результат (известен также под названием «поиск целевых решений», «анализ значений целей», «управление по целям»).
  5. Анализ влияния - выявление для выбранной результирующей переменной всех входных переменных, влияющих на ее значение, и оценка величины изменения результирующей переменной при заданном изменении входной переменной, скажем, на 1 %.
  6. Анализ данных - прямой ввод в модель ранее имевшихся данных и манипулирование ими при прогнозировании.
  7. Сравнение и агрегирование - сравнение результатов двух или более прогнозов, сделанных при различных входных предположениях, или сравнение предсказанных результатов с действительными, или объединение результатов, полученных при различных прогнозах или для разных моделей.
  8. Командные последовательности (sequences) - возможность записывать, исполнять, сохранять для последующего использования регулярно выполняемые серии команд и сообщений.
  9. Анализ риска - оценка изменения выходных переменных при случайных изменениях входных величин.
  10. Оптимизация - поиск значений управляемых входных переменных, обеспечивающих наилучшее значение одной или нескольких результирующих переменных.

Список источников

  1. Трахтенгерц Э. А. Компьютерная поддержка принятия решений. – М.: СИНТЕГ, 1998
  2. Баин А. М. Современные информационные технологии систем поддержки принятия решения. - М. : Форум, 2009 В учебном пособии раскрываются вопросы применения новых информационных технологий для поддержки принятия решений в различных сферах человеческой деятельности. Приводится основные теоретические положения теории принятия решении и способы аналитической обработки данных (ОLAP-технология). Раскрываются основные направления в области искусственного интеллекта, описаны методы приобретения, представления и обработки знаний в интеллектуальных системах поддержки принятия решений. Особое внимание уделяется проблемам поиска информации в СППР. Рассматриваются практические аспекты применения систем поддержки принятия решений в логистике, бизнес-отношениях (технологии В2В), образовательном процессе (технология E-learning). Пособие предназначено для студентов, аспирантов и преподавателей высших учебных заведений.
  3. Кравченко Т.К., Перминов Г.И. Информационная технология процесса принятия экономических решений. – УМК, М.: ГУ-ВШЭ, 2009
  4. Библиотека SDB.su, раздел «Системы поддержки принятия решений» http://sdb.su/sppr/. Собрание статей и лекций по СППР.
  5. Подборка статей по теме СППР http://corportal.ru/Resources/DataTech/DSS/
  6. Краткая история развития СППР http://corportal.ru/History/DataTech/DSS/DSS.aspx. Хроника, фиксирующая идеи и практические решения специалистов, работающих над темой СППР. Несколько разделов статьи описывают события с 1965 до середины 90-х годов. В них выделены сходявшиеся и расходяшиеся со временем направления создания DSS, связанные с модельно-ориентированными (model-oriented) DSS, экспертными системами, многомерным анализом, средствами запросов и отчетов, онлайновым анализом, системами управления бизнесом, групповыми DSS и с экзекутивными информационными системами.
  7. DSS системы поддержки принятия решений (Decision Support Systems) http://corpsys.ru/ToOrder/DSS.aspx. Краткая статья, обосновывающая необходимость применения DSS для принятии решений.
  8. 8. СППР в бизнесе http://www.management.com.ua/ims/ims096.html. Темой настоящей статьи является анализ развития и состояния бурно развивающегося направления программных прикладных систем — систем поддержки принятия решений. Данная область, по мнению автора, во многом будет определять развитие отрасли в ближайшее десятилетие.
  9. 9. Лекция Интернет-университета информационных технологий, посвященная СППР и смежным темам. http://www.intuit.ru/department/database/datamining/17/datamining_17.html. Содержит классификацию DSS.
  10. A Brief History of Decision Support Systems http://dssresources.com/history/dsshistory.html. Подробная статья Дэна Пауэра (Dan J. Power), описывающая истрию развития DSS и приводящая основные их типы. Тема отражена очень глубоко и детально. Язык английский.
  11. Types of Decision Support Systems (DSS) http://www.gdrc.org/decision/dss-types.html Краткая статья Дэна Пауэра о классификации СППР.
  12. Decision Support Systems Time Line http://www.dssresources.com/history/DSSTimelinetable.htm. Таблица, показывающая этапы развития вычислительной теники и информационных технологий, начиная с создания Вэниваром Бушем устройства "Memex" в 1945 году, и вплоть до появления International Society for Decision Support Systems (ISDSS) в 2003 году. Ситуационные центры также относятся к СППР.
  13. Ларичев О. И., Петровский А. В. Системы поддержки принятия решений. Современное состояние и перспективы их развития. // Итоги науки и техники. Сер. http://www.raai.org/library/papers/Larichev/Larichev_Petrovsky_1987.pdf 

По материалам сайта:
sites.google.com/site/upravlenieznaniami

загрузка...
Сторінки, близькі за змістом