НЕЙРОСЕТИ. Система поддержки принятия решений, сппр, Decision Support System, dss

• Название: Система поддержки принятия решений, сппр, Decision Support System, dss
• Анкор: НЕЙРОСЕТИ
• Дата: 13.07.2022
• Размер: 37.95 Kb.
• Имя файла: Neyrasetii.docx
• Тип: Решение; #629829

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.

СППР возникли в результате слияния управленческих информационных систем и систем управления базами данных.

Система поддержки принятия решений предназначена для поддержки многокритериальных решений в сложной информационной среде. При этом под многокритериальностью понимается тот факт, что результаты принимаемых решений оцениваются не по одному, а по совокупности многих показателей (критериев) рассматриваемых одновременно. Информационная сложность определяется необходимостью учета большого объема данных, обработка которых без помощи современной вычислительной техники практически невыполнима. В этих условиях число возможных решений, как правило, весьма велико, и выбор наилучшего из них "на глаз", без всестороннего анализа может приводить к грубым ошибкам.

Система поддержки решений СППР решает две основные задачи:

• 
  выбор наилучшего решения из множества возможных (оптимизация),
  
• 
  упорядочение возможных решений по предпочтительности (ранжирование).
  

В обеих задачах первым и наиболее принципиальным моментом является выбор совокупности критериев, на основе которых в дальнейшем будут оцениваться и сопоставляться возможные решения (будем называть их также альтернативами). Система СППР помогает пользователю сделать такой выбор.

Для анализа и выработок предложений в СППР используются разные методы. Это могут быть: - информационный поиск,

• 
  интеллектуальный анализ данных,
  
• 
  поиск знаний в базах данных,
  
• 
  рассуждение на основе прецедентов,
  
• 
  имитационное моделирование,
  
• 
  эволюционные вычисления и генетические алгоритмы,
  
• 
  нейронные сети,
  
• 
  ситуационный анализ,
  
• 
  когнитивное моделирование и др.
  

Некоторые из этих методов были разработаны в рамках искусственного интеллекта. Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР или ИСППР.

Близкие к СППР классы систем — это экспертные системы и автоматизированные системы управления.

Система позволяет решать задачи оперативного и стратегического управления на основе учетных данных о деятельности компании.

Система поддержки принятия решений представляет собой комплекс программных инструментальных средств для анализа данных, моделирования, прогнозирования и принятия управленческих решений, состоящий из собственных разработок корпорации и приобретаемых программных продуктов (Oracle, IBM, Cognos).

Теоретические исследования в области разработки первых систем поддержки принятия решений проводились в технологическом институте Карнеги в конце 50-х начале 60-х годов XX века. Объединить теорию с практикой удалось специалистам из Массачусетского технологического института в 60-х годах. В середине и конце 80-х годов XX столетия стали появляться такие системы, как EIS, GDSS, ODSS. В 1987 году компания Texas Instruments разработала для United Airlines Gate Assignment Display System. Это позволило значительно снизить убытки от полетов и отрегулировать управление различными аэропортами, начиная от Международного аэропорта O’Hare в Чикаго и заканчивая Stapleton в Денвере, штат Колорадо. В 90-х годах сфера возможностей СППР расширялась благодаря внедрению хранилищ данных и инструментов OLAP. Появление новых технологий отчетности сделало СППР незаменимой в менеджменте.

Классификации СППР

По взаимодействию с пользователем выделяют три вида СППР:

• 
  пассивные помогают в процессе принятия решений, но не могут выдвинуть конкретного предложения;
  
• 
  активные непосредственно участвуют в разработке правильного решения;
  
• 
  кооперативные предполагают взаимодействие СППР с пользователем. Выдвинутое системой предложение пользователь может доработать, усовершенствовать, а затем отправить обратно в систему для проверки. После этого предложение вновь представляется пользователю, и так до тех пор, пока он не одобрит решение.
  

По способу поддержки различают:

• 
  модельно-ориентированные СППР, используют в работе доступ к статистическим, финансовым или иным моделям;
  
• 
  СППР, основанные на коммуникациях, поддерживают работу двух и более пользователей, занимающихся общей задачей;
  
• 
  СППР, ориентированные на данные, имеют доступ к временным рядам организации. Они используют в работе не только внутренние, но и внешние данные;
  
• 
  СППР, ориентированные на документы, манипулируют неструктурированной информацией, заключенной в различных электронных форматах;
  
• 
  СППР, ориентированные на знания, предоставляют специализированные решения проблем, основанные на фактах.
  

По сфере использования выделяют:

• 
  общесистемные
  
• 
  настольные СППР.
  

Общесистемные работают с большими СХД и применяются многими пользователями. Настольные являются небольшими системами и подходят для управления с персонального компьютера одного пользователя.

Архитектура СППР

Функциональные СППР

Являются наиболее простыми с точки зрения архитектуры. Они распространены в организациях, не ставящих перед собой глобальных задач и имеющих невысокий уровень развития информационных технологий. Отличительной особенностью функциональных СППР является то, что анализу подвергаются данные, содержащиеся в файлах операционных систем. Преимуществами подобных СППР являются компактность из-за использования одной платформы и оперативность в связи с отсутствием необходимости перегружать данные в специализированную систему. Из недостатков можно отметить следующие: сужение круга вопросов, решаемых с помощью системы, снижение качества данных из-за отсутствия этапа их очистки, увеличение нагрузки на операционную систему с потенциальной возможностью прекращения ее работы.

СППР, использующие независимые витрины данных

Применяются в крупных организациях, имеющих несколько подразделений, в том числе отделы информационных технологий. Каждая конкретная витрина данных создается для решения определенных задач и ориентирована на отдельный круг пользователей. Это значительно повышает производительность системы. Внедрение подобных структур достаточно просто. Из отрицательных моментов можно отметить то, что данные многократно вводятся в различные витрины, поэтому могут дублироваться. Это повышает затраты на хранение информации и усложняет процедуру унификации. Наполнение витрин данных достаточно сложно в связи с тем, что приходится использовать многочисленные источники. Отсутствует единая картина бизнеса организации, вследствие того что нет окончательной консолидации данных.

СППР на основе двухуровневого хранилища данных

Используется в крупных компаниях, данные которых консолидированы в единую систему. Определения и способы обработки информации в данном случае унифицированы. На обеспечение нормальной работы подобной СППР требуется выделить специализированную команду, которая будет ее обслуживать. Такая архитектура СППР лишена недостатков предыдущей, но в ней нет возможности структурировать данные для отдельных групп пользователей, а также ограничивать доступ к информации. Могут возникнуть трудности с производительностью системы.

СППР на основе трехуровневого хранилища данных

Такие СППР применяют хранилище данных, из которого формируются витрины данных, используемые группами пользователей, решающих сходные задачи. Таким образом, обеспечивается доступ, как к конкретным структурированным данным, так и к единой консолидированной информации. Наполнение витрин данных упрощается ввиду использования проверенных и очищенных данных, находящихся в едином источнике. Имеется корпоративная модель данных. Такие СППР отличает гарантированная производительность. Но существует избыточность данных, которая ведет к росту требований на их хранение. Кроме того, необходимо согласовать подобную архитектуру с множеством областей, имеющих потенциально различные запросы.

Структура СППР

Выделяют четыре основных компонента:

• 
  информационные хранилища данных;
  
• 
  средства и методы извлечения, обработки и загрузки данных (ETL);
  
• 
  многомерная база данных и средства анализа OLAP;
  
• 
  средства Data Mining.
  

Динамическое моделирование

Особый класс систем стратегического управления и поддержки принятия решений представляют собой системы, позволяющие осуществлять динамическое моделирование процессов. При использовании методов динамического моделирования деятельность компании описывается в виде математической модели, в которой все бизнес-задачи и процессы представляются как система взаимосвязанных вычисляемых показателей.

Решаемые вопросы

СППР позволяет облегчить работу руководителям предприятий и повысить ее эффективность. Они значительно ускоряют решение проблем в бизнесе. СППР способствуют налаживанию межличностного контакта. На их основе можно проводить обучение и подготовку кадров. Данные информационные системы позволяют повысить контроль над деятельностью организации. Наличие четко функционирующей СППР дает большие преимущества по сравнению с конкурирующими структурами. Благодаря предложениям, выдвигаемым СППР, открываются новые подходы к решению повседневных и нестандартных задач.

Использование системы позволяет найти ответы на множество вопросов, возникающих у руководителей компании, например:

У генерального директора:

• 
  На сколько процентов выполнен план по продажам, доходу, прибыли, расходам;
  
• 
  Какова доля рынка, принадлежащего компании;
  
• 
  Каковы тенденции развития сегмента рынка, на котором представлена компания;
  
• 
  Каковы ключевые показатели производительности компании в текущем периоде;
  
• 
  Каковы тенденции изменения ключевых показателей производительности компании со временем.
  

У руководителя отдела по работе с партнерами:

• 
  Какие из партнеров приносят наибольший доход, прибыль;
  
• 
  Какие проекты, группы продуктов лучше всего продает данный партнер;
  
• 
  Каковы тенденции изменения продаж через партнеров.
  

У руководителя финансового департамента:

• 
  Сколько каждый проект стоит моему предприятию;
  
• 
  Сколько стоит поддержка продаваемых проектов;
  
• 
  Какие проекты в этом году стоят больше, чем в прошлом;
  
• 
  Как расходы различных подразделений и компании в целом соотносятся с доходами.
  

У руководителя департамента бюджетного планирования и контроля:

• 
  Насколько точно различные подразделения компании соблюдают установленный бюджет;
  
• 
  Каковы тенденции расходов по различным подразделениям, статьям бюджета.
  

У руководителя департамента закупок:

• 
  Какие из моих поставщиков предлагают наилучшее соотношение цена/качество;
  
• 
  Какие из поставщиков доставляют товары быстрее остальных Медленнее остальных;
  
• 
  Как часто происходят задержки поставок от того или иного поставщика;
  
• 
  Каких поставщиков выбрать для поставок крупных/небольших партий продукта.
  

У руководителя планового отдела (отдела стратегического планирования):

• 
  Насколько предприятие выполняет план по продажам, доходам, прибыли;
  
• 
  Какие области бизнеса вносят положительный вклад, а какие - отрицательный;
  
• 
  Каков прогноз ключевых показателей производительности на следующий период (месяц, квартал, год).
  

У руководителя отдела сервисного обслуживания:

• 
  Каково среднее время выполнения заявки на обслуживание;
  
• 
  Каковы расходы на выполнение одной заявки;
  
• 
  Каково среднее время до первой поломки данной модели.
  

У руководителя отдела кадров:

• 
  Какова производительность персонала, прошедшего определенное обучение перед теми, кто его не проходил;
  
• 
  Каковы тенденции ежегодного роста персонала компании в различных регионах, подразделениях;
  
• 
  Каково прогнозируемое количество персонала на следующий год;
  
• 
  Каковы прогнозы по поводу состава;
  
• 
  Какие сотрудники нуждаются в обучении;
  
• 
  Каким набором навыков должен обладать сотрудник чтобы хорошо выполнять свои обязанности.
  

У руководителя отдела анализа качества:

• 
  Какие проекты доставляются вовремя, а какие - с запозданием;
  
• 
  Имеют ли определенные клиенты или проекты недопустимо долгий срок поставки;
  
• 
  Изменилось ли время доставки определенных продуктов со временем;
  
• 
  Насколько быстрее или медленнее стала поставка продуктов (услуг) в определенный сегмент рынка;
  
• 
  Каковы основные причины отказа от продукта (услуги).
  

Процесс создания системы управленческой отчетности, анализа данных и поддержки принятия решений состоит из следующих этапов:

• 
  Анализ существующих на предприятии информационных потоков и процедур управления предприятием;
  
• 
  Выявление показателей, влияющих на финансово-экономическое состояние предприятия и отражающих эффективность ведения бизнеса (на основе данных из уже использующихся систем);
  
• 
  Выработка процедур, обеспечивающих получение управленческим персоналом необходимой информации в нужное время, в нужном месте и в нужном виде;
  
• 
  Настройка программных средств многомерного анализа;
  
• 
  Обучение персонала Заказчика работе с программными средствами многомерного анализа
  

Искусственная нейронная сеть (ИНС) — математическая модель, а также ее программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.2 ИНС состоит из искусственных нейронов (artificial neuron), каждый из которых представляет собой упрощенную модель биологического нейрона. Все, что делает искусственный нейрон — это принимает сигналы со многих входов, обрабатывает их единым образом и передает результат на многие другие искусственные нейроны, т.е. делает то же самое, что и нейрон биологический. Биологические нейроны связаны между собою аксонами, места стыков называются синапсами. В синапсах происходит усиление или ослабление электрохимического сигнала. Связи между искусственными нейронами называются синаптическими, или просто синапсами. У синапса имеется один параметр — весовой коэффициент, в зависимости от его значения происходит то или иное изменение информации, когда она передается от одного нейрона к другому. Именно благодаря этому входная информация обрабатывается и превращается в результат, а обучение нейронной сети основано на экспериментальном подборе такого весового коэффициента для каждого синапса, который и приводит к получению требуемого результата. Структура простейшей нейронной сети представлена на рисунке ниже. Зелёным цветом обозначены нейроны входного слоя, голубым — нейроны скрытого слоя, жёлтым — нейрон(ы) выходного слоя.

Нейроны входного слоя получают данные извне (например, от сенсоров системы распознавания лиц) и после их обработки передают сигналы через синапсы нейронам следующего слоя. Нейроны второго слоя (его называют скрытым, потому что он напрямую не связан ни со входом, ни с выходом ИНС) обрабатывают полученные сигналы и передают их нейронам выходного слоя. Поскольку речь идет об имитации нейронов, то каждый процессор входного уровня связан с несколькими процессорами скрытого уровня, каждый из которых, в свою очередь, связан с несколькими процессорами уровня выходного. Такая, простейшая ИНС способна к обучению и может находить простые взаимосвязи в данных. ИНС, способная находить не только простые взаимосвязи, но и взаимосвязи между взаимосвязями имеет намного более сложную структуру. В ней может быть несколько скрытых слоев нейронов, перемежаемых слоями, которые выполняют сложные логические преобразования. Каждый последующий слой сети ищет взаимосвязи в предыдущем. Такие ИНС способны к глубокому (глубинному) обучению. Именно благодаря переходу на использование нейросети с глубоким обучением компании Google удалось резко повысить качество работы своего популярного продукта "Переводчик".

Типы нейросетей и их классификация По состоянию на начало 2019 г. русскоязычная Википедия насчитывала 26 типов нейросетей. Из них 12 назывались по именам их изобретателей, у остальных были такие названия как хаотическая, сиамская, осцилляторная, адаптивного резонанса и т.п. Для того чтобы как-то систематизировать уже имеющиеся и будущие нейросети, делаются попытки их классификации. Классификация по типу входных данных: аналоговые (на входе действительные числа), двоичные (на входе двоичные числа) и образные (на входе знаки, иероглифы, символы) нейронные сети. Классификация по характеру обучения: обучение с учителем (выходное пространство решений нейронной сети известно), обучение без учителя (выходное пространство решений формируется только на основе входных воздействий; такие сети называют самоорганизующимися); обучение с подкреплением (используется система назначения штрафов и поощрений, получаемых в результате взаимодействия ИНС со средой). Классификация по характеру настройки синапсов: сети с фиксированными связями (весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи), сети с динамическими связями (у этих сетей в процессе обучения происходит настройка синаптических связей). Классификация по времени передачи сигнала: синхронные сети (время передачи для каждой синаптической связи равно либо нулю, либо фиксированной постоянной), асинхронные сети (время передачи для каждой связи между элементами свое, но тоже постоянное). Классификация по характеру связей: сети прямого распространения (все связи направлены строго от входных нейронов к выходным), рекуррентные сети (сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя), рекуррентная сеть Хопфилда (фильтрует входные данные, возвращаясь к устойчивому состоянию и, таким образом, позволяет решать задачи сжатия данных и построения ассоциативной памяти), двунаправленные сети (между слоями существуют связи как в направлении от входного слоя к выходному, так и в обратном). Кроме того, используются радиально-базисные сети (или RBF-сети), самоорганизующиеся карты (в частности, самоорганизующаяся карта Кохонена) и сети других классов, еще не вполне оформившихся. Задачи, решаемые нейронными сетями Нейронные сети используются для решения сложных задач, которые требуют аналитических вычислений подобных тем, которые делает человеческий мозг. Самыми распространенными задачами, для решения которых применяются нейронные сети, являются: Распознавание образов. В качестве образов могут выступать различные объекты: символы текста, изображения, образцы звуков и т. д. В настоящее время это наиболее широкая область применения нейронных сетей. В частности, эта их способность используется в Google, когда вы ищете фото, или в камере смартфона, когда она определяет положение вашего лица и выделяет его, и во многих других приложениях. Классификация — распределение данных по параметрам. Например, на вход ИНС подается набор данных о людях и нужно решить, кому можно давать кредит, а кому нет. Эту работу может выполнить нейронная сеть, анализируя такую информацию, как возраст, платежеспособность, кредитная история и т.д.4 Принятие решений и управление. Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети в результате должен появиться признак решения, которое она приняла. При этом в качестве входных сигналов используются различные критерии состояния управляемой системы. Кластеризация. Под кластеризацией понимается разбиение множества входных сигналов на классы, при этом ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов — это является признаком появления новых данных, отсутствующих в обучающей выборке. Таким образом, подобная сеть может выявлять новые, неизвестные ранее классы сигналов. Прогнозирование. Способности нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и (или) каких-то существующих в настоящий момент факторов. Аппроксимация. Нейронная сеть способна аппроксимировать любую непрерывную функцию с некоторой наперед заданной точностью. Сжатие данных и ассоциативная память. Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность представить данные более компактно, если данные тесно связаны между собой. Обратный процесс — восстановление исходного набора данных по части информации — называется (авто)ассоциативной памятью. Ассоциативная память позволяет также восстанавливать исходный сигнал/образ из зашумленных/поврежденных входных данных. Нейронные сети также используются для анализа данных, решения оптимизационных задач, нахождения паттернов в больших объемах данных, ориентации в пространстве и др.5 Достоинства нейронных сетей Основными преимуществами нейронных сетей перед традиционными вычислительными методами являются: Решение задач в условиях неопределенности. Благодаря способности к обучению нейронная сеть позволяет решать задачи с неизвестными закономерностями и зависимостями между входными и выходными данными, что позволяет работать с неполными данными. Устойчивость к шумам во входных данных. Нейронная сеть может самостоятельно выявлять неинформативные для анализа параметры и производить их отсев, в связи с чем отпадает необходимость в предварительном анализе входных данных. Гибкость структуры нейронных сетей. Компоненты нейрокомпьютеров — нейроны и связи между ними — можно комбинировать различными способами. За счет этого один нейрокомпьютер можно применять для решения различных задач, зачастую никак не связанных между собой. Высокое быстродействие. Входные данные обрабатываются многими нейронами одновременно, благодаря чему нейронные сети решают задачи быстрее, чем большинство других алгоритмов. Адаптация к изменениям окружающей среды. Нейронные сети, обучаясь на данных, способны подстраиваться под изменяющуюся окружающую среду (например, под изменения ситуации на рынке, если задача нейросети — прогнозирование колебаний цен на бирже). Если необходимо решать какую-то задачу в условиях нестационарной среды, то могут быть созданы нейронные сети, переучивающиеся в режиме реального времени. Чем выше адаптивные способности системы, тем более устойчивой будет ее работа в нестационарной среде. Отказоустойчивость нейронных сетей. На неблагоприятное изменение условий нейросеть реагирует лишь незначительным снижением производительности. Эта особенность объясняется распределенным характером хранения информации в нейронной сети, поэтому только серьезные повреждения структуры могут существенно повлиять на работоспособность нейросети.6 Недостатки нейронных сетей У нейронных сетей есть ряд серьезных недостатков. Ответ, выдаваемый ИНС, всегда приблизительный. Нейронные сети не способны давать точные и однозначные ответы. Но задачи, в которых надо применять ИНС и одновременно получать точные ответы, встречаются довольно редко. Неспособность принятия решений в несколько этапов. Нейронная сеть не может решать задачи, которые требуют последовательного выполнения нескольких шагов; она способна решать задачу только "в один заход". Поэтому нейросеть не может, например, доказать математическую теорему. Неспособность решать вычислительные задачи. В ИНС нельзя загрузить, допустим, математическое уравнение и получить его решения для различных параметров. Но это и не является предназначением нейронных сетей.1 Трудоемкость и длительность обучения. Для того чтобы нейронная сеть могла корректно решать поставленные задачи, требуется провести ее обучение на десятках миллионов наборов входных данных. Но уже разработаны различные технологии ускоренного обучения, современные видеокарты позволяют обучать нейросети в сотни раз быстрее, а недавно появились готовые, предобученные нейросети, в частности, распознающие образы. На основе таких нейросетей можно создавать приложения, не занимаясь длительным обучением.7 Примеры реализации: от и до В 2013 г. считалось, что создание масштабных нейронных сетей обходится очень дорого с точки зрения вычислительных ресурсов. Например, компании Google для создания сети, которая научилась всего лишь распознавать кошек в серии роликов YouTube, пришлось задействовать примерно 1000 серверов, что эквивалентно 16 тысячам процессорных ядер. Построенная сеть характеризовалась 1,7 млрд. параметров, виртуально отражающих связи между нейронами.8 Позднее компания Google создала сеть с 11,2 млрд. параметров, а Ливерморская национальная лаборатория Лоренса — с 15-ю млрд. На 32-й Международной конференции по машинному обучению в Лилле компания Digital Reasoning заявила о создании нейронной сети со 160-ю млрд. параметров — самой большой ИНС в мире по состоянию на середину 2015 г. По словам технического руководителя Digital Reasoning Мэтью Рассела (Matthew Russell), эта нейронная сеть способна не только читать, но и понимать человеческую речь, при этом учитывая ее контекст. Самая большая ИНС работает с высокой точностью: если разработчики Google сумели достичь результата 76,2%, а Стэнфордский университет — 75%, то показатель Digital Reasoning составил 85,8%.9 Но технологии развиваются очень быстро. В 2017 г. дочерняя компания Intel с названием Movidius выпустила на рынок устройство Neural Compute Stick. Оно имеет размеры, сопоставимые с обычной флешкой, при этом внутри находится мощная нейронная сеть с функцией глубокого машинного обучения. Компания Movidius уже предлагает купить на рынке устройство Neural Compute Stick всего за $79.10 Следует отметить и другие достижения нейросетей: Компания Google: технология AlphaGo выиграла у чемпиона мира по игре го; в марте 2016 г. корпорация продала на аукционе 29 картин, нарисованных нейросетями. Компания Microsoft: проект CaptionBot распознает изображения на снимках и автоматически генерирует подписи к ним, проект WhatDog по фотографии определяет породу собаки, сервис HowOld определяет возраст человека на снимке. Компания Яндекс: приложение "Авто.ру" распознает автомобили на снимках; нейросеть записала музыкальный альбом; проект LikeMo.net учится рисовать в стиле известных художников.11 Такие развлекательные сервисы создаются в основном для демонстрации способностей той или иной нейронной сети и проведения её обучения.