Информационные системы и технологии. М. С. Гаспариан Г. Н. Лихачева Информационные системы
 Скачать 1.98 Mb.
|
|
всеобщей виртуализации. Штатных работников могут заменить внештатные, что означает появ- ление виртуальных рабочих мест, когда многие будут рабо- тать дистанционно дома. Это дает ряд преимуществ (эконо- мия денег, уменьшение потерь рабочего времени, повышение продуктивности, сокращение рабочих площадей и т.д.), но и приводит к ряду сложных проблем (поддержка разнородного оборудования, скрытая стоимость решений, вопросы лицен- зирования программных продуктов, повышенные требования к пропускной способности каналов и т.д.). Появляются виртуальные рабочие группы и виртуаль- ные компании, состав которых будет меняться по ходу работы, и виртуальных сотрудников которых никто не видел. Из-за сложности переобучения и быстрой смены требуе- мой квалификации работников становится выгодным нанимать внештатных работников по краткосрочным контрактам. Меняется культура обслуживания. Бизнес становится бо- лее осмысленным. Производство готовой продукции становит- ся интеллектуальным. Оно может воспринимать требования заказчика и выпускать изделия, соответствующие этим требо- ваниям. Заказы передаются в реальном времени, например, по сети интернет. Остается ждать, когда заказ включат в план про- изводства, и он будет выполнен. Такая технология получила название массовой адаптации к требованиям заказчика. Резко возрастает спрос на таланты, так как решение сложнейших технических проблем недоступно квалифициро- ванным кадрам. Технологии меняются быстрее, чем способно- сти реализовать их и эксплуатировать. Это приводит к кризи- су квалификации, появляется нехватка квалифицированных кадров. Возникает проблема поиска талантов, переобучения специалистов, конфликтов между квалифицированными ве- теранами и талантливой молодежью. Нужно создавать усло- вия для совместной работы всех, чтобы появился стимул к по- вышению квалификации и обучению новым технологиям. Квалификация должна меняться вместе с технологиями и Технологии интегрированных информационных систем общего назначения 293 требованиями бизнеса. Одним из путей снижения затрат на поддержку виртуальных работников являются инвестиции в повышение квалификации штатного персонала. Следует развивать такие качества, как деловая актив- ность и умение вести переговоры, достигая согласия. 8.7. Технологии экспертных систем Первые автоматизированные системы управления обра- батывали большие объемы данных отдельных экономических задач или функциональных подсистем. Ни о каких серьезных управленческих задачах речь не шла, так как только намеча- лись научные подходы их решения. Им на смену пришли информационные системы. ИС состоит из нескольких функциональных подсистем, обрабатывающих множество локальных баз данных. При этом разные функции управления реализуются разными подсис- темами. Например, для контроля исполнения документов (приказов, инструкций, писем и т.д.) разрабатывались испол- нительные информационные системы EIS (Execution Informa- tion System). Для выполнения других управляющих функций разрабатывались управленческие информационные системы MIS (Management Information System). Их реализация зависела от поставленных целей, типа предприятия, циркулирующих регламентных форм документов, деления на подсистемы и т.д. Однако эти системы не обеспечивали подсказку для выбо- ра правильного решения, стратегического планирования, реор- ганизации бизнеса. Корпоративные информационные систе- мы также не обеспечивают поддержку принятия решения. Технологии управления связаны с принятием решения: какого специалиста принять на работу, какой вид продукции выпускать, какого поставщика выбрать, куда лучше вложить деньги и т.д. Первые технологии были основаны на рассмот- рении всех доступных человеку положительных и отрица- тельных последствий принимаемого решения. Однако выяс- Информационные технологии 294 нилось, что для принятия рационального решения требуется доступ ко всей информации о последствиях этого решения и неограниченное время для анализа этой информации. Обыч- но ни того, ни другого нет. В середине 70-х гг. прошлого столетия модели принятия решения стали базироваться на методах теории вероятности. В них ввели фактор неопределенности. В это же время начал- ся процесс автоматизации управленческой деятельности на базе этих и других моделей. Задачи управления требовали нетривиальных подходов к их решению. Это объясняется рядом факторов: для принятия решений требуются не просто данные, но их новый вид – знания; для получения знаний требовались алгоритмы перера- ботки больших объемов информации, выявления скры- тых знаний (скрытых закономерностей и зависимостей данных) и преобразования их в явные; решение необходимо принимать, учитывая противоре- чивые требования; необходимо учитывать быстро меняющуюся обстановку; требовались алгоритмы решения плохо формализуемых задач; требовались новые методы управления. Для принятия управленческого решения требуется не только информация, а знание о ситуации, по которой прини- мается решение. Практическое применение самообучающих- ся интеллектуальных систем для решения управленческих за- дач позволило разработать технологии записи знаний спе- циалистов, получивших название экспертных систем. Потребности решения задач управления, наличие моде- лей представления знаний и способов их формализованного представления в базе знаний привели к разработке эксперт- ных систем. Экспертная система – система искусственного интеллекта, включающая базу знаний с набором правил и механизмом вы- вода, позволяющим на основании правил и предоставляемых Технологии интегрированных информационных систем общего назначения 295 пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия. Экспертные системы, применяемые в управлении, бази- руются на эвристических, эмпирических знаниях, оценках, полученных от экспертов. Они способны анализировать дан- ные о ситуации, требующей решения, объяснить пользовате- лю свои действия и показать знания, лежащие в основе приня- тия решений. Экспертные системы основаны на формализованном способе представления знаний эксперта – специалиста в ис- следуемой предметной области. Их успех во многом опреде- лялся тем, насколько компетентны эксперты, насколько они способны передать свой опыт специалистам по представле- нию и записи знаний в базу, четко ли очерчена решаемая проблема, достаточен ли полученный объем знаний для под- сказки решения. В процессе разработки экспертных систем специалисты по представлению знаний (программисты) в интерактивном режиме совместно с экспертом записывали знания в базу зна- ний. Эксперт описывал ситуацию и возможные управленческие решения словами (вербально) в терминах предметной области. Он формулировал либо некоторые общие высказывания и правила по ситуации, либо описывал конкретные примеры, образцы решений и действий в конкретных ситуациях. Для представления знаний использовались фреймовые и объектно-ориентированные модели. Фрейм – структура представления знаний, состоящая из слотов. Слот состоит из элементов, заполнение которых определенными значениями превращает фрейм в описание конкретной ситуации. Слот определяет имена атрибутов ситуации, их значения и ссылки на другие слоты. Создание экспертной системы выполнялось методом проектирования, при котором происходит постоянное нара- щивание базы знаний при итерационном прохождении каж- дого этапа проектирования экспертной системы. Информационные технологии 296 При применении экспертной системы вводится описа- ние ситуации, для которой требуется подсказка решения. Вы- полняется поиск подобной ситуации в базе знаний, и если она найдена, выдаются рекомендации по принятию решений. Ес- ли описание ситуации отсутствует, можно его добавить. В дальнейшем при проектировании экспертных систем использовались семантические сети, теория графов, лингвис- тические процессоры, когнитивная графика и др. Семантиче- ские сети дают способ представления знаний в виде помечен- ного ориентированного графа (гипертекстовая модель), в кото- ром вершины соответствуют понятиям, объектам, действиям, ситуациям или сложным отношениям, а дуги – свойствам или элементарным отношениям. Теория графов изучает графы, се- ти и действия над ними. Реализуется графическим процессо- ром, преобразующим модели знаний в данные для принятия решений. Лингвистические процессоры предназначены для перевода текстов на естественном языке в машинное представ- ление и обратно. Позволяют использовать естественный язык (русский) для описания ситуаций, требующих принятия реше- ний. Когнитивная графика позволяет образно представить со- стояние системы, например, экономической, при возникнове- нии различных ситуаций. На многооконном экране (полиэк- ране) могут быть даны диаграммы состояний по разным состояниям функционирования системы: поставки, продажи, состояние рынка, состояние оборудования и т.д. В случае ка- ких-то отклонений в соответствующем окне нормальный цвет (например, зеленый) меняется от предупреждающего (желтого) до цвета опасности (красного). Визуально видно, где произо- шел сбой: вышло из строя оборудование, поставщики задержи- вают поставки, изменения на рынке сбыта и т.д. Руководителю соответствующего ранга сразу видно, на что нужно обратить внимание. Это позволяет ему сократить время поиска причины и принять обоснованное решение. Экспертные системы помогают принимать решения в ситуациях, когда алгоритм принятия решения заранее не из- вестен и формулируется одновременно с формированием ба- зы знаний. Технологии интегрированных информационных систем общего назначения 297 Экспертные системы применяются во многих сферах че- ловеческой деятельности. Они используются в управлении про- изводством, транспортными системами и других направлениях экономической деятельности. Примером может служить система страхования коммерческих займов CLUES. Экспертные системы включаются в системы поддержки принятия решений. 8.8. Технологии интеллектуального анализа данных Объем данных в организациях настолько возрос, что привел к увеличению массива знаний, который выходит за рамки экономической ценности и практической применимо- сти. Это дало толчок к развитию информационных техноло- гий, появлению интеллектуальных технологий анализа деловых данных, аналитических систем и систем интеллекту- альной поддержки принятия решений на их базе. Новые ин- формационные технологии позволили найти нетривиальные подходы к автоматизации управленческого труда и отказаться от старых методов управления. Технологии интеллектуального анализа данных обеспечи- вают формирование аналитических данных посредством вы- полнения операции очищения данных локальных баз организа- ции, применения статистических методов и других сложных ал- горитмов. Появлению аналитических систем способствовало осознание руководящим звеном предприятий факта, что в базах данных содержится не только информация, но и знания (скры- тые закономерности). Последние позволяют охарактеризовать процесс управления предприятием и дать интеллектуальную информацию для более обоснованного принятия решений. Можно выделить следующие технологии интеллекту- ального анализа данных: оперативный анализ данных посредством OLAP-систем; поиск и интеллектуальный выбор данных Data Mining; деловые интеллектуальные технологии BIS; интеллектуальный анализ текстовой информации. Информационные технологии 298 Аналитические системы OLAP (On-Line Analytical Proc- essing) предназначены для анализа больших объемов инфор- мации в интерактивном режиме для создания интеллектуаль- ного капитала (аналитических данных), позволяющего руково- дителю принять обоснованное решение. Они обеспечивают: агрегирование и детализацию данных по запросу; выдачу данных в терминах предметной области; анализ деловой информации по множеству измерений (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). Аналитические системы позволяют использовать дан- ные новым образом. Вместо поиска отдельных фактов они позволяют получать результаты не через экспериментирова- ние, теоретизирование или моделирование, а посредством информационных операций (установление корреляций, тенденций, других статистических методов). Появилась еще одна форма информационного процесса – наблюдение за текущей информацией. 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- Технологии интегрированных информационных систем общего назначения 299 ния технологий OLAP является анализ данных и представле- ние этого анализа в виде, удобном для восприятия управлен- ческим персоналом и принятия на их основе решений. Основные требования, предъявляемые к приложениям для многомерного анализа: предоставление пользователю результатов анализа за приемлемое время (не более 5 сек.); осуществление логического и статистического анализа, его сохранение и отображение в доступном для поль- зователя виде; многопользовательский доступ к данным; многомерное представление данных; возможность обращаться к любой информации незави- симо от места ее хранения и объема. Аналитические данные содержат факты и агрегатные данные. Факт – это число, значение. Над фактами производятся различные операции: суммирование, группировка, вычисле- ние средних, максимальных, минимальных значений для по- лучения агрегатных данных. Агрегатное данное – суммарное, среднее, минимальное, максимальное и другое значение, полученное посредством статистических операций над фактами. Операции над факта- ми выполняются вдоль определенных измерений. Под измерением понимается один из ключей данных, в разрезе которого можно выполнять разные операции: полу- чать, фильтровать, группировать и отражать информацию о фактах. Примеры измерений: страна, клиент, товар, по- ставщик. Измерения могут иметь иерархическую структуру. Например, в стране может быть несколько городов, в городе – несколько клиентов, их могут обслуживать различные по- ставщики из тех же или других городов и стран. Для отобра- жения иерархии измерений используются различные модели иерархий. Модели иерархий служат основой построения многомерных баз данных и метаданных в информационных хранилищах. Информационные технологии 300 Разработано несколько способов хранения аналитиче- ских данных Наибольший эффект достигается при использо- вании многомерных кубов. Рассмотрим на примерах понятие многомерного куба. Посредством запроса «Какова суммарная стоимость зака- зов, сделанных клиентами <страны>« можно построить одно- мерный набор агрегатных значений. Здесь измерение – страна, агрегат – суммарная стоимость заказов: страна Суммарная стоимость заказов Посредством запроса «Какова суммарная стоимость зака- зов, сделанных клиентами <страны> и доставленных <компа- нией>» можно построить двумерный набор данных следую- щего вида: страна поставщик суммарная стоимость заказов Измерениями являются страна и поставщик, агрегатом – суммарная стоимость заказов. Посредством запроса «Какова суммарная стоимость зака- зов, сделанных клиентами <страны> в <году> и доставленных <компанией>« получаем трехмерный куб (рис. 8.5). Рис. 8.5. Пример трехмерного куба Страна Поставщик Суммарная стоимость заказов 2000 г. 2001 г. 2002 г. Технологии интегрированных информационных систем общего назначения 301 Измерениями являются год, страна, поставщик, агрега- том – суммарная стоимость заказов. Если учесть, что в каждой стране может существовать не- сколько клиентов, то добавляется четвертое измерение. Неко- торым аналитикам может потребоваться до 20 измерений. Многомерный куб сам по себе для анализа не пригоден. Для использования из многомерного куба извлекают обычные двумерные таблицы. Эта операция называется «разрезанием» куба. При этом куб можно разрезать по разным измерениям, получая разные срезы (сечения) – разные таблицы. Агрегат- ные данные берутся из нижних уровней иерархии, а затем суммируются для получения значений более высоких уров- ней. Для того чтобы ускорить процесс перехода, просуммиро- ванные значения для разных уровней хранятся в кубе. Таким образом, то, что пользователю кажется кубом, грубо говоря, состоит из множества более примитивных кубов. Например, если данные содержали информацию о дневной выручке по конкретному товару в одном магазине, то при формировании куба OLAP-приложение считает итоговые суммы для разных уровней иерархий (недель, месяцев, одного магазина, магази- нов города, страны). Это повышает скорость доступа к анали- тическим данным, но увеличивает объем памяти для хранения. Как исходные, так и агрегатные данные могут храниться либо в реляционных, либо в многомерных базах данных MDD (MultiDimensional Data). Многомерный анализ данных может быть произведен посредством клиентских приложений и серверных OLAP- систем. Клиентские приложения, содержащие OLAP-средства, позволяют вычислять агрегатные данные. Агрегатные данные размещаются в кэш внутри адресного пространства такого 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- Информационные технологии 302 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 2000. Excel позволяет создать и со- хранить небольшой локальный многомерный OLAP-куб и отобразить его двух- или трехмерные сечения (разреза). Многие средства проектирования позволяют создавать простейшие OLAP-средства. Например, Borland Delphi и Bor- land C++ Builder. Отметим, что клиентские приложения применяются при малом числе измерений (не более шести) и небольшом разно- образии значений этих измерений. |