Главная страница
Навигация по странице:

  • Системы поддержки принятия решений

  • Добыча данных" (

  • Добыча данных может использоваться для ... Применение

  • Виртуальная реальность (

  • Системы поддержки работы группы (

  • Рабочие станции участников Рис. 1.7.

  • Географические информационные системы (

  • Информационные технологии для менеджеров - Грабауров В. А.. Информационные


    Скачать 18.31 Mb.
    НазваниеИнформационные
    АнкорИнформационные технологии для менеджеров - Грабауров В. А..doc
    Дата16.09.2017
    Размер18.31 Mb.
    Формат файлаdoc
    Имя файлаИнформационные технологии для менеджеров - Грабауров В. А..doc
    ТипДокументы
    #8551
    КатегорияЭкономика. Финансы
    страница5 из 42
    1   2   3   4   5   6   7   8   9   ...   42

    1.3. Новые возможности управляющих информационных систем в менеджменте



    Рассмотрим новые возможности управляющих информационных систем в менеджменте, которые появились в связи с интенсивным развитием информационных технологий. С ростом технической мощи ИТ компьютеры начали не просто облегчать работу человека, а позволяют выполнять то, что без ИТ было невозможным. В связи с тем, что менеджеру приходится принимать решения в условиях большой неопределенности и риска, новые возможности информационных систем очень быстро начинают находить применение в бизнесе.

    Говоря о "новых" возможностях ИС в менеджменте, более справедливо называть некоторые из них новыми только для нас. Например, системы поддержки принятия решений уже более двух десятилетий используются в развитых странах, но пока еще не получили широкого распространения в нашей стране. Поэтому оставим название "новое" для всех описываемых в этой главе возможностей ИС в менеджменте. Некоторые из них более подробно рассматриваются в последующих главах.

    1.3.1. Системы поддержки принятия решений (Decision Support System)



    Системы поддержки принятия решений(DSS) - это компьютерные системы, почти всегда интерактивные, разработанные, чтобы помочь менеджеру (или руководителю) в принятии решений. DSS включают и данные, и модели, чтобы помочь принимающему решения решить проблемы, особенно те, которые плохо формализованы. Данные часто извлекаются из системы диалоговой обработки запросов или базы данных. Модель может быть простой типа "доходы и убытки", чтобы вычислить прибыль при некоторых предположениях, или комплексной типа оптимизационной модели для расчета загрузки для каждой машины в цехе. DSS и многие из систем, обсуждаемых в следующих разделах, не всегда оправдываются традиционным подходом стоимость - прибыль; для этих систем многие из выгод неосязаемы, типа более глубокого принятия решения и лучшего понимания данных.

    Рис. 1.4 показывает, что система поддержки принятия решений требует трех первичных компонентов: модели управления, управления данными для сбора и ручной обработки данных и управления диалогом для облегчения доступа пользователя к DSS. Пользователь взаимодействует с DSS через пользовательский интерфейс, выбирая частную модель и набор данных, которые нужно использовать, а затем DSS представляют результаты пользователю через тот же самый пользовательский интерфейс. Модель управления и управление данными в значительной степени действуют незаметно и варьируются от относительно простой типовой модели в электронной таблице до сложной комплексной модели планирования, основанной на математическом программировании.

    Рис. 1.4. Компоненты системы поддержки принятия решений
    Чрезвычайно популярный тип DSS - в виде генератора финансового отчета. С помощью электронной таблицы типа Lotus 1-2-3 или Microsoft Excel создаются модели, чтобы прогнозировать различные элементы организации или финансового состояния. В качестве данных используются предыдущие финансовые отчеты организации. Начальная модель включает различные предположения относительно будущих трендов в категориях расхода и дохода. После рассмотрения результатов базовой модели менеджер проводит ряд исследований типа "что, если", изменяя одно или большее количество предположений, чтобы определить их влияние на исходное состояние. Например, менеджер мог бы зондировать влияние на рентабельность, если бы продажа нового изделия росла на 10% ежегодно. Или менеджер мог бы исследовать влияние большего, чем ожидаемое, увеличения цены сырья, например 7% вместо 4% ежегодно. Этот тип генератора финансового отчета - простые, но мощные DSS для руководства принятием финансовых решений.

    Пример DSS по приведению транзакций данных - система определения размеров ассигнований на полицейские выезды, используемая городами Калифорнии. Эта система позволяет офицеру полиции увидеть карту и выводит данные географической зоны, показывает полиции звонки вызовов, типы вызовов и время вызовов. Интерактивная способность графики системы разрешает офицеру манипулировать картой, зоной и данными, чтобы быстро и легко предположить вариации альтернатив полицейских выездов.

    Другой пример DSS - интерактивная система для планирования объема и производства в большой бумажной компании. Эта система использует детальные предыдущие данные, прогнозирующие и планирующие модели, чтобы проиграть на компьютере общие показатели компании при различных плановых предположениях. Большинство нефтяных компаний развивают DSS, чтобы поддержать принятие решения капиталовложений. Эта система включает различные финансовые условия и модели для создания будущих планов, которые могут быть представлены в табличной или графической форме.

    Все приведенные примеры DSS названы специфическими DSS. Они -фактические приложения, которые помогают в процессе принятия решения. Напротив, генератор системы поддержки принятия решений - это система, которая обеспечивает набор возможностей быстро и легко строить специфические DSS. Генератор DSS - пакет программ, разработанный для выполнения на частично компьютерной основе. В нашем примере финансового отчета Microsoft Excel или Lotus 1-2-3 могут рассматриваться как генераторы DSS, в то время как модели для проектирования финансовых отчетов для частного отделения компании на базе Excel или Lotus 1-2-3 - это специфические DSS.

    Более подробно DSS рассматриваются в разд. 2.2.

    1.3.2. Исполнительные информационные системы (Executive Support System)



    Исполнительные информационные системы (Executive Support System - ESS) появились в 80-х годах. Ключевая концепция исполнительной информационной системы состоит в том, что такая система поставляет интерактивную совокупность текущей информации относительно конъюнктур рынка, формирует легкий доступ для старших руководителей и других менеджеров без помощи посредников. ESS использует современную графику, связь и методы хранения данных, обеспечивая исполнителям легкий интерактивный доступ к текущей информации относительно состояния организации.

    Первоначально большинство ESS создавалось только для самих высших руководителей в фирме, но сейчас круг пользователей в большинстве компаний расширен, чтобы охватить все уровни управления. ESS использует данные, которые были отфильтрованы и обличены в итоге в форму, полезную для руководителей организации. Кроме того, много эффективных ESS включают качественные данные типа информации о конкурентоспособности, оценки и прогнозы.

    Рис. 1.5. Дисплей Commander Decision
    Например, Comshare's Commander Decision является клиент-сервером (о технологии клиент-сервер более подробно см. в гл. 6.2) и программой на базе intranet (локальная сеть, взаимодействующая с Internet), способствует быстрому широкому применению ориентированных на покупателей приложений типа поддержки принятия решения, таких, как анализ выполнения, исполнительные информационные системы и управление сообщениями. Commander Decision допускает, чтобы деловые пользователи получали информацию в любом виде, включая карты, диаграммы, вставки, запросы, вычисления и даже персональные напоминания об условиях предусмотренных встреч. Этот универсальный инструмент может использоваться, чтобы строить традиционные ESS-приложения для исполнителей, как описано выше, или систем поддержки принятия решений для менеджеров на различных уровнях бизнеса. Commander Decision предоставляет для продажи большое количество легких в использовании и просто интерпретируемых изображений для предоставления ключевой информации менеджерам. Кроме того, он обеспечивает выборочный контроль, интеллектуальную углубленную способность распознавать необходимую детальную информацию, демонстрацию десяти лучших или худших показателей, внимание к важным предметам новостей и экранное определение тенденций, отношений и новые версии данных. Пример дисплея Commander Decision показан на рис. 1.5.

    Возможно, самая ранняя ESS, описанная в печати, - управление информацией и поддержка принятия решения (MIDS) системы в Lockheed-Georgia Company. Спонсором для MIDS были президент Lockheed-Georgia и специальный штаб, сообщавший вице-президенту финансовое развитие системы. Для развития MIDS был использован эволюционный подход с ограниченным числом показов, разработанных первоначально для ограниченного числа руководителей. Например, дисплей мог показывать предполагаемым клиентам типы самолетов или графически описывать прогноз и фактическую продажу в течение прошлого года.

    Начальная версия MIDS в 1979 г. имела только 31 дисплей. К 1985 г. было поставлено 710 дисплеев, система использовалась 30 старшими исполнителями и 40 работающими менеджерами. Успех MIDS зависел от многих особенностей, но, возможно, наиболее важным было то, что система выдавала ту информацию (основанную на количественных и качественных данных), в которой нуждались старшие руководители и их компании, чтобы достичь успеха.

    В Великобритании фирма "Transco" использовала Commander Decision для создания ESS для 150 человек, от директора компании до финансовых аналитиков и менеджеров первого уровня. ESS включали информацию о расходах, данные о системах поставок и кредиторах. Пользователи имели свободный доступ к информации и могли углубляться вплоть до уровня детализации, в которой они нуждались; они могли также рассматривать многократные перспективы и ставить вопросы типа "что, если", "как изменится себестоимость, если наша критическая рабочая нагрузка повысится на 5 %?". "Commander Decision помогает нам принимать лучшие решения", - говорит Colin Jonson, менеджер District Operation, Transco.

    Фирма "Welch Allyn" - ведущий поставщик медицинских диагностических инструментов на международном рынке (термометров, офтальмоскопов, приборов кровяного давления и аудиометров). В связи с интенсивным продвижением на международный рынок фирма решила, что требуется "всемирная исполнительная система поддержки принятия решений, которая обеспечит быстрый доступ к значимой информации". Используя программные изделия Comshare, Welch Allyn построила систему финансовой отчетности, которая обращается с ежемесячным накоплением и обменом валюты. Это также обеспечивает возможности полного анализа для менеджеров, аналитиков и исполнителей. Система анализа взаимных продаж допускает менеджеров к передаче информации о всемирных продажах по линиям, областям и клиентам. "Наш процесс обработки настолько быстр, что мы можем теперь осуществлять продажу во всем мире и объединить данные таким образом, как мы никогда не мечтали", - говорит вице-президент и казначей этой фирмы Kevin Cahill.

    1.3.3. Переработка руды данных (Data Mining)



    Ранее идея "складирования" данных - идея выбора данных компании из операционных систем и помещения их в отдельной базе данных представлялась так, чтобы пользователи могли иметь доступ к ним и анализировать данные без опасности для операционных систем. Аргументом было то, что создание и обслуживание базы данных является операционной системой, поэтому база данных поддерживает всю организацию, создавая данные, доступные каждому, в то время как анализ данных выполняется для отдельного менеджера или маленькой группы менеджеров, и, следовательно, это система поддержки управления. Сейчас анализ данных производится в базе, потому что системы поддержки принятия решений, описанные в предыдущем разделе, часто извлекают данные, в которых они нуждаются, непосредственно из баз данных организаций.

    "Добыча данных" (DataMining)использует ряд технологий (типа деревьев решений и нейронных сетей), чтобы искать или "добывать" маленькие "самородки" информации из крупных объемов данных, запасенных в базе данных организации. Добыча данных, которая иногда рассматривается как вспомогательный аппарат систем поддержки принятия решений, является особенно полезной, когда организация имеет большие объемы данных в базе. Понятие "добыча данных" не ново, хотя название стало популярным только в конце 1990 г. По крайней мере в течение двух десятилетий много больших организаций использовали внутренних или внешних аналитиков, часто называемых специалистами управления, пробуя распознавать тренды или создавать модели в больших массивах данных, используя методы статистики, математики и искусственного интеллекта. С развитием крупномасштабных баз данных и недорогих мощных процессоров возобновился интерес к тому, что названо в последние годы "добычей данных".

    Наряду с возобновлением интереса появился ряд высокопроизводительных и относительно легких в использовании пакетов программ, добывающих коммерческие данные.

    Какие методы решения или подходы используются при "добыче данных"? Фирма "KnowledgeSeeker" использует только одну технологию -дерево решений. Это структура в виде дерева, полученная из данных, чтобы представить наборы решений, приводящих к различным результатам. Когда создан новый набор решений в виде информации относительно частного покупателя, дерево решений предсказывает результат. Нейронные сети, область искусственного интеллекта, которые будут обсуждаться позже в этой главе, включены в пакеты программ Marksman, Intelligent Miner и Darwin (последние два также используют дерево решений). Другие популярные технологии включают правила предположений, извлечение из правил "если, то", основанные на статистическом значении; сортировку записей, основанных на наиболее близких им в базе данных; генетические алгоритмы, т.е. методы оптимизации, основанные на концепциях генетической комбинации, мутации и естественного выбора.

    Конечно, менеджеру более важно то, что может быть выполнено с "добычей данных", чем использованные в технологии решения. Ниже даны типичные приложения обработки данных. Для бизнеса любого вида эти приложения хороши, если смогут увеличить прибыль организации. Большинство этих приложений сосредоточивается на извлечении ценной информации для клиентов.
    Добыча данных может использоваться для ...


    Применение

    Описание

    Рыночная сегментация

    Характеристики клиентов

    Обнаружение мошенничества

    Прямой маркетинг

    Интерактивный маркетинг

    Анализ потребительской корзины

    Анализ тренда

    Идентифицирует общие характеристики клиентов, которые покупают одинаковые изделия у вашей компании
    Предсказывает, какие клиенты, вероятно, могут оставить вашу компанию и уйти к конкуренту
    Идентифицирует тех, чьи действия, наиболее вероятно, будут мошенническими
    Идентифицирует, какие проспекты должны быть включены в список рассылки, чтобы получить самую высокую эффективность
    Показывает индивидуумов, обращающихся к Web site, как наиболее интересных для наблюдения
    Предполагает, какие изделия или услуги обычно приобретаются вместе (например, пиво и пеленки)
    Показывает отличия между типичным клиентом в текущем месяце и в предыдущем месяце


    Популярная пресса рассказывает о примерах успешной добычи данных. "Firster Bank", холдинговая компания с оборотом 20 млрд долл, основанная в Милуоки (США), использовала добычу данных для прямой отправки по почте набора заказов, чтобы увеличить быстродействие. Firster применила пакет обработки данных Marksman, сгруппировав карточки заказов клиентов на основе банка данных, который они уже использовали (типа карт расходов, акций домашних займов, сберегательных счетов и выполнения инвестиций), и затем предсказала, какие изделия будут предложены каждому клиенту и в какое время.

    Bank of America, основанный в Сан-Франциско, был завален запросами клиентов. Банк был заинтересован в новых способах текущего контроля за счетами клиентов при наборе новых клиентов. Сначала банковские маркетологи хотели выяснить, кто из клиентов имел тенденцию использовать конкретные изделия и какое сочетание услуг лучше соответствует потребностям различных групп клиентов. Через обширный процесс добычи данных, использующий различные программные изделия, Bank of America сгруппировал клиентов в небольшие группы, которые имели близкие интересы и потребности. "Некоторые клиенты неправильно использовали платежи, так что мы приступаем к их преобразованию", - говорит вице-президент по маркетингу Bank of America. - "Мы вошли в контакт с ними по почте или по телефону и нашли, что реакция была обычно очень благоприятная. Иногда это означало несколько долларов в месяц дополнительно, но зато мы чувствовали, что клиенты будут испытывать большее доверие к банку, который смотрел за их деньгами".

    Добыча данных требует разработанной и хорошо построенной базы (склада) данных с сохраняемыми в ней данными. Прежде чем любая организация подумает относительно добычи данных, нужно сначала убедиться, что необходимые данные имеются и что они являются полными и точными. Например, отделение заказов по почте фармацевтического гиганта Merck-Medco, основанного в Нью Джерси, потратило 4 года на работу над громоздкой базой данных пациентов и обращений прежде, чем сделать банки данных готовыми к добыче данных. В Merek-Medco главными задачами реинжиниринга стали очистка данных и объединение их в значимую структуру.

    1.3.4. Искусственный интеллект (Artificial Intelligence)



    Идея искусственного интеллекта (AI),т.е. изучение того, как компьютеры могут "думать", имеет приблизительно 30-летний возраст, но только недавно появились достаточно мощные компьютеры, чтобы делать коммерчески привлекательными AI-приложения. AI-исследования развились в пять отдельных, но связанных областей: естественные языки, робототехника, системы ощущения (системы зрения и слуха), экспертные системы и нейронные сети.

    Чтобы работать с естественными языками, необходимо создание систем, которые переводят обычные человеческие инструкции в язык, который компьютеры могут понимать и выполнять. Робототехника в большей степени относится к промышленности. Исследование систем ощущения направлено на создание машин, обладающих визуальными и слуховыми способностями, которые воздействуют на их физическое поведение. Другими словами, это исследование нацелено на создание роботов, которые могут "видеть" или "слышать" и реагировать соответственно тому, что они видят или слышат.

    Заключительные две ветви AI наиболее пригодны для поддержки управления. Экспертные системы – это системы, которые используют логику принятия решения человеческого эксперта. Самая новая отрасль AI - нейронные сети, которые устроены по аналогии с тем, как работает человеческая нервная система, но фактически используют статистический анализ, чтобы распознать модели из большого количества информации посредством адаптивного изучения.

    1.3.5. Экспертные системы (Expert Systems)



    Как применяет логику эксперта компьютерная система? Чтобы спроектировать экспертную систему, специалист, называемый инженером знания (специально подготовленный системный аналитик), очень тесно работает с одним или большим количеством экспертов в изучаемой области. Инженеры знания пробуют узнавать все относительно способа, которым эксперт принимает решения. Если строится экспертная система для планирования оборудования, то инженер знания работает с опытными планировщиками оборудования, чтобы видеть, как они работают. Знание, полученное инженером знания, затем загружается в компьютерную систему, в специализированном формате, в блоке, названном базой знаний (рис. 1.6). Эта база знаний содержит правила и заключения, которые используются в принятии решений, - параметры, или факты, необходимые для решения.

    Другие главные фрагменты экспертной системы - создатель заключения и интерфейс пользователя. Создатель заключения – логический каркас, который автоматически проводит линию рассуждения и который обеспечен правилами заключения и параметрами, вовлеченными в решение. Таким образом, один и тот же создатель заключения может использоваться для многих различных экспертных систем с различной базой знаний. Интерфейс пользователя - блок, используемый конечным пользователем, например неопытным планировщиком оборудования. Идеальный интерфейс - очень дружественный. Другие блоки включают подсистему объяснения, чтобы разъяснять доводы, что система движется в направлении решения, подсистему накопления знания, чтобы помочь инженеру знания в регистрации правил заключения и параметров в базе знаний, рабочую область, чтобы использовать компьютер, поскольку решение сделано.


    Рис. 1.6. Архитектура экспертной системы

    Примеры экспертных систем


    Классический пример экспертной системы - MYCIN, она была создана в "Stanford University" в середине 70-х годов, чтобы диагностировать обращения по болезням крови и менингита. "General Electric" развивала экспертную систему CATS-1, чтобы диагностировать механические проблемы в дизельных локомотивах, фирма AT&T разработала АСЕ для обнаружения повреждений в телефонных кабелях. Международная нефтяная компания "Schlumberger" развивала экспертную систему, названную Dipmeter, применяемую для подачи сигналов, когда сверло заклинивает и когда сверление идет нормально. Эти примеры относятся к проблемам диагностики ситуаций и предписывают соответствующие действия, потому что эксперты не всегда присутствуют, когда возникают проблемы на производстве.

    Некоторые экспертные системы специализируются в просеивании массивов наборов правил или других предписаний, иногда называемых основанными на случаях аргументации. "Human Service Agency" из Merced County (Калифорния) использует экспертную систему по имени Magic, которая включает 6000 правительственных постановлений в отношении благосостояния, продовольственных талонов, медицины, поощрения забот и т.д. Magic определяет, соответствует ли претендент пользе, и затем вычисляет тип и количество выгод. Полный процесс от заявления до заключительного решения теперь составляет примерно три дня, в то время как до этого он составлял три месяца. Кроме того, клерки, которые обрабатывают приложения, не требуют глубокого обучения, которое прежде требовалось. Все, что они должны уметь делать, это проводить претендента шаг за шагом через ряд вопросов, задаваемых компьютером.

    Организация Объединенных Наций развила подобную экспертную систему, названную Entitlements System, для объяснения комплексных норм жалованья для всех служащих Секретариата ООН во всем мире. Плата служащих ООН определяется на основе жалованья плюс прибавки, а прибавки включают выгоды, формируемые на месте работы, плюс другие договорные соглашения. Правила и нормы для прибавок занимают три издания по несколько сотен страниц каждый. Используя PowerModel - программное обеспечение из IntelliCorp, ООН построила экспертную систему, которая определяет и применяет прибавки автоматически при использовании интерактивной базы знаний, содержащей правила прибавок. Экспертная система облагает налогом прибавки всякий раз, когда происходят изменения в статусе служащего.

    Компания "Credit Clearing House" (CCH) развила экспертную систему, чтобы ответить на запросы абонентов, разыскивающих информацию относительно предпринимателей в швейной промышленности. Экспертная система ССН включает приблизительно 800 правил, и ее развитие стоит 1 млн долл. Когда абонент вызывает запрос информации относительно кредита бизнеса, система анализирует историю оплаты, финансовый отчет, эффективность бизнеса, оценивает кредитоспособность и рекомендации и устанавливает рекомендуемый лимит кредитования в долларах.

    Планирование - другая важная область для экспертных систем. Экспертные системы, используемые в настоящее время, включают отправку грузовиков и систему планирования, которая определяет последовательность остановок на маршруте, чтобы обеспечить лучшее обслуживание и промышленную систему проектирования, которая организовывает машины и операторов, чтобы обеспечить эффективный поток материалов через фабрику и использование ресурсов. "American Airlines" использует экспертную систему МОСА (Maintenance Operation Center Advisor), которая установлена на компьютере Macintosh, для планирования текущего технического обслуживания для всех 622 самолетов флота American. МОСА включает 5000 правил, которые были получены от 30 самолетных техников. Самолет должен проходить текущее техническое обслуживание через каждые 60 ч полета, и система МОСА должна выдать график, который выполняет это правило, охватывает маршруты всей Америки и сокращает пустые полеты самолетов к региональным центрам обслуживания. По американским оценкам, МОСА сохранила компании половину миллиона долларов в год по сравнению с планировщиками-людьми.

    Другой пример планирования: фирма General Motors создала Expert Scheduling System, или ESS, для формирования жизнеспособных графиков производства. Чтобы построить систему, GM использовала структуру экспертной системы IntelliCorp's Knowledge Engineering Enviroment и язык программирования Lisp. ESS включает эвристику, которая была заложена опытным фабричным планировщиком в системе и связывает в GM управляемое компьютером производство и окружающую среду так, чтобы оперативная информация завода использовалась для формирования графика работы завода.

    1.3.6. Нейронные сети (Neural Networks)



    В то время как экспертные системы пробуют ввести опыт людей в компьютерную программу, нейронные сети пытаются создать значимые модели из большого количества данных. Нейронные сети могут распознавать модели, слишком не ясные для людей, и адаптировать их при получении новой информации.

    Ключевая характеристика нейронных сетей в том, что они обучаются. Программе нейронных сетей сначала дается набор данных, состоящих из многих переменных, связанных с большим количеством случаев, или исходов, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, а затем выбирает набор переменных, которые строго соотнесены с частными известными результатами, как начальная модель. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, а предсказанные результаты сравниваются с известными результатами. Базируясь на этом сравнении, программа изменяет модель, регулируя параметры переменных или даже заменяя их. Этот процесс программа нейронных сетей повторяет много раз, стремясь улучшить прогнозирующую способность при наладке модели. Когда в этом итерационном подходе дальнейшее усовершенствование исчерпывается, программа готова делать предсказания для будущих случаев.

    Как только станет доступным новое большое количество случаев, эти данные также вводятся в нейронную сеть, и модель еще раз корректируется. Нейронная сеть обучается в основном относительно причинно-следственных моделей из этих дополнительных данных, и прогнозирующая способность улучшается.

    Коммерческие программы нейронных сетей (фактически это конструкции) доступны за приемлемую цену, но наиболее трудная часть создания и применения нейронных сетей - частый сбор данных и трудности обеспечения данных. Однако возрастает число развертывающихся приложений. Bank of America использует нейронную сеть, чтобы оценить коммерческие заявки на получение ссуды. "American Express" использует нейронную систему, чтобы читать почерк на кредитной карте; штат Вайоминг - чтобы читать заполненные от руки налоговые формы. "Oil giant Arco" и "Texaco" используют нейронные сети, чтобы помочь обнаружить места газовых и нефтяных месторождений под поверхностью земли. "Mellon Bank" работает над нейронной системой, которая ускорит распознавание мошеннических подделок кредитных карточек, контролируя такие показатели, как частота использования кредитной карточки и размеры расходов относительно предельного размера кредита. Журнал "Spiegel", который создает каталоги для продажи по почте, использует нейронную сеть как способ сокращения списка рассылки, чтобы устранить тех, кто, маловероятно, закажет журнал снова.

    В 80-е и 90-е годы экспертные системы и приложения нейронной сети слишком рекламировались в популярной прессе как решающие большинство проблем, стоящих перед менеджерами. В конце 20-го столетия индустрия приняла более реалистическую перспективу использования AI-приложений: AI - не панацея, но имеется значительное число потенциально ценных приложений для AI-методов. Каждое потенциальное применение должно быть тщательно оценено. Результатом этих тщательных оценок был устойчивый рост, а не вспышка в развитии и использовании экспертных систем и нейронных сетей, чтобы помочь предпринимателям в проблемных ситуациях найти лучшие полезные решения.

    1.3.7. Виртуальная реальность (Virtual Reality)



    Виртуальная реальность (VR)предполагает использование машинных систем для создания окружающей среды, которая кажется реальной пользователю-человеку. Впечатляющий пример виртуальной реальности - игра Holodeck Enterprise, где каждый участник может стать Шерлоком Холмсом в реальной обстановке, с реальными характеристиками и где Жан-Люк Пикард может играть роль жестокого разбойника в начале 20-го столетия.

    Использование VR в неразвлекательных установках разделяется на две категории: обучение и проектирование. Примеры обучения будут приведены позже, сопровождаясь примерами использования VR в проекте.

    Армия США использует виртуальную реальность для тренировки экипажей танков. Посредством больших экранов и звука солдаты как бы помещаются внутри танка, катящегося среди Иракской пустыни, и должны реагировать, как будто они были в реальном танковом сражении. В научно-исследовательской работе в Университете Северной Каролины виртуальная реальность использовалась в медицинских целях, например для представления объемной модели опухоли внутри тела пациента. После надевания специальных окуляров радиолог был способен добраться внутрь этой модели тела пациента и направить лучи так, чтобы они пересеклись в центре опухоли и не задели чувствительной к излучению ткани спинного мозга и пищевода. В близкой области виртуальная реальность используется для хирургического обучения. Новые врачи могут практиковать хирургические методы на виртуальных пациентах в виртуальной реальности хирургическим набором программ. Если врач сделает ошибку, то можно повторить операцию без опасности для пациента.

    "Amoco" развила основанную на PC систему виртуальной реальности, названную "truck driVR", для обучения водителей. Эта система, основанная на вариациях опасностей движения, стала удачным способом испытания для 12 000 водителей. Система VR, создание которой стоит приблизительно 50 000$, использует шлем с визуальной и слуховой информацией и полностью погружает пользователя в виртуальный мир. Вождение грузовика с driVR реалистично, с многократными возможностями для пользователя, включая перспективы и левых, и правых зеркал заднего вида, которые появляются тогда, когда пользователь поворачивает голову налево или направо.

    Фирма "Duracell" также использует виртуальную реальность для обучения. "Duracell" установила новое оборудование, чтобы производить новую линию перезаряжаемых батарей, и компании нужно было обучить фабричный персонал работе на новом оборудовании безопасным и рентабельным способом. "Duracell" является системой без погружения (никаких шлемов или специальных очков), также выполняется на PC и включает блок ознакомления, блок действий и блок поиска неисправностей. С этой системой пользователь способен полностью зондировать новую часть оборудования внутри настольного виртуального мира. "С помощью специальной мыши Magellan обучаемые могут ходить вокруг оборудования, заглядывать снизу и сверху", - говорит Neil Silverstein, менеджер, обучающийся в "Duracell". - Они могут забраться в самые маленькие углубления машины, что Вы никогда не сможете сделать в реальном мире, потому что Вы могли бы потерять палец". В результате обучение стандартизовано и полностью безопасно, и нет никакой потребности в производственном обучении.

    Фирмы "Chrysler" и IBM развили систему виртуальной реальности, чтобы помочь в проектировании автомобилей. Конструктор автомобиля, снабженный специальными стеклами и специальной перчаткой, чтобы взаимодействовать с системой, находится на водительском месте будущего автомобиля. Он направляет рулевое колесо и использует рычаги и кнопки, как если бы он был в реальном автомобиле. Благодаря этой системе неисправности в приборной панели и управлении могут быть устранены прежде, чем будут построены дорогие прототипы.

    Одно недорогое применение виртуальной реальности (с ценой около 500$) - использование для размещения товаров розничной продажи в универмагах. При использовании программного обеспечения "прогулки внутрь (walk-through)" типа Virtus Walk Through Pro на Macintosh или PC много розничных торговцев сохранили время и деньги при проектировании планировок магазина и витрин. Walk Through Pro обеспечивает трехмерное изображение на экране компьютера без специальных стекол. Пользователь может прогуляться внутри и осмотреть расположение с различными перспективами. Могут быть легко изменены имущество и цветовая палитра, могут быть добавлены кирпичи и плитка, а стены, двери и окна могут быть перемещены. В подобных приложениях можно было воображать агента недвижимого имущества, предлагающего виртуальные прогулки внутрь зданий на рынке, или агента путешествия, предлагающего виртуальные прогулки по курортам, или круизы на корабле.

    Развитие виртуальной реальности находится в грудном возрасте, и пройдет длительное время, прежде чем, возможно, кто-нибудь отдаленно приблизится к Holodeck Enterprise. Однако много продавцов развивают VR, программное и техническое обеспечение, и начинают появляться многочисленные ценные приложения VR.

    1.3.8. Системы поддержки работы группы (Group Support Systems)



    Системы поддержки работы группы (GroupSupportSystems - GSS) - важный вариант DSS, в котором система разработана, чтобы поддержать группу, а не индивидуума. GSS, иногда называемые системами поддержки принятия решений группы или системами электронных встреч, стремятся воспользоваться преимуществом возможностей группы, чтобы находить лучшие решения, чем решения личностей, действующих отдельно. Это специализированный тип группового программного обеспечения, которое специально предназначено для поддержки встреч. Менеджеры расходуют значительную часть своего времени на участие в работе групп (встречи, комитеты, конференции). В среднем у менеджеров это составляет 35% рабочего времени в неделю, у главных управляющих - от 50 до 80%. GSS старается сделать сеансы электронных встреч группы более производительными.

    GroupSystems, разработанные в университете Аризоны, являются превосходным примером программного обеспечения GSS. GroupSystems используются более чем 1200 клиентами, включая 500 преуспевающих компаний типа "Chevron", "Hewlett-Packard", IBM и "Procter and Gamble", а также правительственные организации типа армии США, флота, морских пехотинцев и военно-воздушных сил. В типовом исполнении (рис. 1.7) компьютерная встреча представляет собой микрокомпьютеры для каждого участника, связанные локальной вычислительной сетью. Большой общий экран облегчает общий просмотр информации, когда это желательно. GroupSystems, установленная на каждой машине в сети, обеспечивает компьютеризированную поддержку для генерации идей, располагая их по приоритетам и выявляя основную идею.

    Каждый участник сеанса группы (например, сеанса мозгового штурма) имеет возможность обеспечить вход анонимно и открыто через компьютерную клавиатуру. Это сделано специально, чтобы никто не мог быть осмеян с "глупой идеей". Каждая идея или комментарий оценивается сама по себе лучше, чем от лица, внесшего ее. Кроме того, в сеансе голосования на участников не будет влиять, как кто-то голосует. Таким образом, GSS типа GroupSystems должна генерировать более высококачественные идеи и решения, которые лучше представляются группой.

    Раньше работа в области GSS проводилась без поддержки традиционного сеанса группы, как описано выше. Новый акцент направлен на поддержку работы команды вне зависимости от того, работает ли бригада в "одно время, в одном месте" при традиционной встрече или способом "различное время, различное место". Например, отдаленная GroupSystems допускает, чтобы члены группы использовали GroupSystems по World Wide Web так же, как через ЛВС. "Ventana Corporation" в настоящее время развивает версию клиента - сервера GroupSystems, который разрешит поддерживать встречи "в любом месте, в любое время" через WWW или локальную сеть компании или комбинацией их обоих. (Подробнее о системах поддержки работы команд см. в разд. 7.2.)



    Рабочие станции участников
    Рис. 1.7. Схема системы поддержки работы группы

    1.3.9. Географические информационные системы (Geographical Information System)



    Географические информационные системы (GIS)- пространственные системы поддержки принятия решений: геодемографическое, компьютерное картографирование и автоматизированные шаблоны - так называется группа приложений, основанных на обработке связей в пространстве. GIS собирает, запасает, преобразует, демонстрирует и анализирует данные, пространственно привязанные к земле. GIS имеет дисплей с богатыми возможностями демонстрации окружающей среды, что очень полезно для людей, принимающих решения.

    Такие различные области, как управление природными ресурсами, государственная служба, NASA, военное и градостроительное проектирование, использовали GIS в течение 30 лет. Ученые, планировщики, нефтяные и газовые зонды, лесничие, военные и картографы стимулировали эту технологию, развивая сложные возможности для создания, показа и управления географической информацией. В 90-х годах географические компьютерные технологии привлекли внимание деловых пользователей. Сегодня Бюро статистики США обеспечивает бизнес высококачественными кодируемыми географическими данными, чтобы анализировать и манипулировать на рабочем столе с помощью GIS, без оцифровывания карт или сканирования фотографий.
    Бизнес принимает GIS
    Использование GIS в бизнесе было много лет хорошо охраняемым секретом; самые ранние деловые энтузиасты географических технологий редко говорили о ней из-за ее высокой стоимости. Фирмы типа Mc-Donalds, у которых успех зависит от лучшего расположения, чем у конкурентов, были первыми, кто распознал деловые выгоды от применения GIS.

    Выявление удобных участков - одно из наиболее распространенных деловых использований GIS, другие приложения включают рыночный анализ и планирование, материально-техническое снабжение и распределение, технику моделирования эксплуатационных условий и модели территориального расширения банков.

    Эти примеры поясняют, как много функциональных областей в бизнесе используют GIS, чтобы распознавать и управлять их географическими зависимостями. Например, стоимость перевозок кажется, очевидно, более важной для транспорта, чем для здравоохранения. Однако связанные со здоровьем приложения GIS включают анализ приемлемых цен и готовность к поездкам по вызовам, планирование расположения услуг и комплектование персоналом в амбулаториях и центрах неотложной помощи, долгосрочное планирование потребностей службы здравоохранения и скорой помощи.

    На чем базируются географические технологии


    В GIS используются две основные модели для представления и анализа пространственных данных: растровый и векторный подходы. Хотя многие из сегодняшних настольных приложений могут использовать оба, полезно понять их различия.

    Растровый подходпредполагает разделение пространства на маленькие, одного размера ячейки, расположенные в сетке. В GIS эти ячейки могут задавать диапазон значений и "сознают" их расположение относительно других ячеек. Пиксели на экране компьютера основаны на той же самой идее. Размер ячеек относительно деталей ландшафта определяет точность данных. Спутниковые изображения и другие приложения дистанционного зондирования использовали способность растрового подхода, чтобы распознавать модели, которые встречаются среди больших пространств.

    Наиболее знакомое, основанное на растре, применение географической технологии - прогноз погоды, который Вы видите по телевидению каждый день. Анализ данных растра, использующих статистические методы и математические модели, предполагает, что метеорологи отличают дождь от визуальных помех, а лесники распознают пораженные участки леса. Растровый подход доминировал в деловых приложениях для поиска природных богатств. В сельском хозяйстве используется основанная на растре GIS Глобальная навигационная система спутниковых приемников, чтобы планировать и обеспечивать снабжение гербицидами, пестицидами, удобрениями только те части поля, которые в этом нуждаются, избегая ненужного химического пересыщения почвы.

    Векторный подход вGIS широко использовался в государственной службе и коммунальных сооружениях и наиболее широко в бизнесе. В векторных системах элементы ландшафта обозначаются точкой, линией или многоугольником. Точки часто используются, чтобы представить маленькие элементы типа адресов клиентов, полюсов энергии или движущихся предметов типа грузовиков. Линии используются для обозначения линейных элементов типа дорог и рек, они могут быть соединены вместе сетями. Многоугольники представляют области и поверхности типа озер, участков земли, коммерческих территорий, округов и почтовых индексов. Связи между векторными элементами называются их топологией; топология определяет, накладываются эти элементы или пересекаются. Векторные системы могут различать, например, остров в озере, пересечение двух дорог и клиентов внутри участка двухкилометрового радиуса.

    Большинство GIS использует концепцию "слоя". Различные слои представляют разные типы географических элементов в той же самой области и сложены друг над другом (рис. 1.8). На этом рисунке [24] показаны следующие слои карты США: страна (State), штаты (Counties), скоростные магистрали (Highways), продавцы (Customer), продажи (Sales). Слои представляют собой одинаково обработанные прозрачные поверхности карт, чтобы были видны вместе различные географические особенности. Таким образом, намного лучше, чем в бумажных отображениях, электронные слои облегчают географическую обработку и анализ. Вопросы "что может" включают географический анализ:

    • Что является соседним для этого элемента?

    • Какой участок является самым близким?

    • Что содержится внутри этой области?

    • Какие элементы пересекаются?

    • Сколько элементов и на каком они расстоянии на участке?

    Бесконечный объектив с переменным фокусным расстоянием, панорамирование и центрирование, определение расстояния между двумя пунктами, нахождение и маркировка элементов, изменение символов и цвета по требованию - основные возможности для любого GIS. Рабочий стол GIS также обеспечивает пространственную обработку типа пересечения и соединения, назначение географических ссылок на адреса через кодирование и стандартную поддержку языка запроса для взаимодействия с данными атрибута.

    Некоторые GIS-приложения автоматизировали сложные задачи поддержки принятия решения типа:

    • обнаружение кратчайшего (длиннейшего) безопасного маршрута от А до В;

    • определение, имеются ли другие области с подобными частями;

    • группировка коммерческих территорий для минимизации внутреннего расстояния проезда, выравнивание потенциала или отсеивание наихудших перспектив.

    Новые направления в географических технологиях включают:

    • объемное и динамическое моделирование, чтобы моделировать время и место (типа движения урагана);

    • показываемые на картах узлы Интернет и другой дружественной клиенту технологии типа VISA Web site, которые будут распознавать три самых близких места к точке ATM;

    • географические возможности, вложенные в существующие приложения типа электронных таблиц, складов данных и средств добычи данных;

    • беспроволочные технологии, объединенные с GPS, чтобы поддержать оперативный ввод движущихся объектов типа грузовиков.



    Рис. 1.8. Слои карты США в GIS

    1   2   3   4   5   6   7   8   9   ...   42


    написать администратору сайта