Интеллектуальные системы поддержки принятия решений — краткий обзор

Интеллектуальная поддержка принятия решений

Понятие «интеллектуальные системы»

В последнее время при обсуждении задач информатизации и разных подходов к их выполнению все больше слышатся термины «поддержка принятия решений», «интеллектуальные системы», «интеллектуализация ЭВМ» и т.п. Объективная причина этого не только в том, что созрела техническая и инструментальная база для применения новых технологий, но, главным образом, в том, что в стране назревает переход от частичной автоматизации рутинной деятельности, использования простых бухгалтерских, расчетных и информационно-справочных систем к комплексной автоматизированной поддержке профессиональных и других задач в разных предметных областях.

К сожалению, часто приходится слышать употребление этих мощных сложных понятий не более как модных терминов. С одной стороны, не секрет, что некоторые потенциальные разработчики программных систем пытаются таким образом повысить собственный авторитет и завоевать заказчика. С другой стороны, и заказчик, наслышанный и начитанный о новых течениях в информатике, довольно легко попадается в ловушку из модных слов. Поскольку специалистов не так- много, а эйфорических ожиданий хоть отбавляй, то смысл этих специальных понятий часто искажается. Поэтому, прежде чем обсуждать суть вопроса, уточним, о чем идет речь, остановившись вначале на понятии интеллектуальной системы.

Понятие интеллектуальной системы относится к области искусственного интеллекта. Интеллектуальную систему в первом приближении определяют как компьютерную систему, которая на уровне, близком к уровню человеческого интеллекта, решает задачи, которые до недавнего времени мог решать только человек.

Следует особо подчеркнуть, что интеллектуальная система не копирует структуру и мыслительные функции человеческого интеллекта, а всего лишь по мере возможности не хуже него решает «человеческие» задачи. Только такая отправная позиция позволяет уйти от философских споров на тему «Может ли машина мыслить?» и «Возможно ли искусственное воспроизводство человеческого интеллекта?». Речь идет не о создании искусственного интеллекта как такового, а о компьютерных технологиях для решения разнообразных, нетрадиционных с точки зрения математического подхода, задач. Понятие «интеллектуальные системы» многогранно. С одной стороны, интеллектуальность предполагает, что общение с системой должно происходить на уровне и по принципам человеческого интеллекта. Этот первичный смысл и породил применение термина «интеллектуальный» к современным программным системам. Интеллектуальные системы возникли как раз благодаря тому, что лавинообразное распространение вычислительной техники и стремительное внедрение ее в сферу деятельности непрофессионалов востребовало как бы повышение уровня способностей компьютерных систем подстраиваться под широкого и специально неподготовленного пользователя.

Интеллектуальность как человеческое качество предполагает способность общаться, понимать, мыслить, применять опыт для формирования решений. В интеллектуальных системах эти функции реализуются соответственно посредством интерфейса системы с пользователем на языке, близком к естественному; интерпретации получаемых данных путем сопоставления с известной информацией о предметной области; логическом выводе решений; применении особого рода конструктивной информации – знаний о способах и стратегиях решения задач в предметной области. Кроме того, интеллектуальные системы, как и человек, имеют способность обучаться; обобщать получаемую информацию и накапливать опыт, а также объяснять получаемые решения, хотя в разных технологиях эти возможности реализованы по-разному и на разном уровне.

Для решения задач информатизации практической деятельности необходимо иметь в виду специальный, более точный смысл понятия интеллектуальной системы.

В специальном смысле под интеллектуальной понимается программная система, построенная по особой технологии. Технология определяет как структуры данных для представления информации в машине, так и методы ее обработки. Регламентируются также основные функции системы, структура, стратегии функционирования, а отсюда и круг задач, к которым такие системы могут применяться.

Таким образом, для специалиста применение термина «интеллектуальная система» означает определенную технологическую базу, на которой он должен основываться как разработчик. Вообще говоря, существует не одна, а множество технологий разработки интеллектуальных систем. Исторически первая из них – технология нейронных сетей, толчком для ее возникновения послужила идея в качестве отправной точки взять модель физиологической основы человеческого интеллекта – высшей нервной системы. Другая наиболее широко и настоящее время распространенная технология экспертных систем, или иначе ее называют инженерия знаний, базируется на применении особого рода конструктивной информации – знаний. Знания – это информация о способах решения разнообразных человеческих задач, профессиональных и непрофессиональных. Знания позволяют интеллектуальной системе формировать рекомендации пользователю для принятия решений относительно конкретных возникающих перед ним задач, например – врачу помочь поставить диагноз, инженеру – определить неисправность технической системы, геологу – обнаружить месторождение полезных ископаемых и т.п.

Под интеллектуальными понимают также гибридные системы, использующие элементы технологий искусственного интеллекта наряду с другими компьютерными технологиями.

Под поддержкой принятия решений в широком смысле понимают всевозможную помощь пользователю в процессе его работы. В узкоспециальном смысле этот термин предполагает подход к решению задачи пользователя как к управленческой и в конечном итоге означает выбор вариантов решения задач пользователя.

Автоматизированная поддержка принятия решений в широком смысле означает выполнение хотя бы одной из следующих функций:

• 1) Предоставление справочной информации без автоматического формирования запросов к базам данных;
• 2) Предоставление справочной информации с автоматическим формированием запросов к базам данных и привязкой к условиям решаемой задачи;
• 3) Графическая визуализация получаемой справочной информации и информации о способах принятия решений;
• 4) Предоставление рекомендаций по формированию решений;
• 5) Сужение пространства поиска решения пользователем.
• 6) Выбор и рекомендации наиболее приемлемых решений с учетом рангов;
• 7) Моделирование последствий принятия решений.

Следует отметить, что в настоящее время большинство программных систем, называемых системами поддержки принятия решений, носят всего лишь информационно-справочный характер, то есть выполняют лишь первую из перечисленных функций. Другие информационно-справочные системы позволяют выполнить несколько первых функций [2].

В этой связи можно сказать о широко известных и популярных технологиях баз данных и геоинформационных систем (ГИС). Что может получить пользователь от такой системы. Ну, конечно, разнообразную справочную информацию. Правда, добраться до нее бывает не так-то просто, даже если система снабжена развитым диалогом типа меню. Очень часто для этого пользователю требуется помощь программиста или оператора системы. Популярность ГИС вызвана тем, что они помогают лицам, принимающим решения (ЛПР), еще и тем, что представляют информацию визуально, то есть выполняют функцию, указанную четвертой. Примером могут служить разнообразные задачи по районированию территорий. Известно, что возможность визуального представления повышает конструктивность получаемой информации и ее полезность для принятия решений. Именно это, а также то, что ГИС имеют дело с географической информацией, которая оказывается чрезвычайно полезной в большинстве задач организационного управления, сделали эту технологию очень популярной.

Практически все реально действующие ГИС разного назначения имеют информационно-справочный характер. Схема взаимодействия пользователя и системы в них реализуется по цепочке: обход дерева меню – запрос к атрибутивным базам данных – визуализация на карте.

Однако, необходимо отметить, что геоинформационные технологии стремительно развиваются. Например, существуют ГИС, позволяющие моделировать текущую ситуацию и последствия принимаемого решения. Развитие ГИС-технологий идет также в сторону интеллектуализации. В качестве примера можно привести развитие объектно-ориентированных мультидетальных ГИС.

Разработка интеллектуальных систем поддержки принятия решений подразумевает конструктивный динамический подход: во-первых, необходимо подавляющее число параметров, участвующих в формировании запроса к атрибутивным базам, формировать автоматически, минимально загружая пользователя, тем самым выполняется функция 2 – конструктивный подбор информации. Далее, с помощью интеллектуальной системы возможно не только визуализировать на карте полученную в результате запроса информацию, но и выполнять и иллюстрировать ее оценки. И наконец, результатом работы системы должны быть также рекомендации пользователю для принятия решений, которые он может получить в текстовом виде.

Таким образом, интеллектуальная система может конструктивно выполнять функции поддержки принятия решений на более конструктивных уровнях. Главное отличие интеллектуальных систем поддержки принятия решений от информационно-справочных систем состоит в том, что обязательным элементом функционирования является формирование рекомендаций, или проектов решений. Причем большинство систем позволяют получить несколько вариантов решений с указанием их относительного предпочтения и условий реализации [2].

Вывод: очень важной особенностью интеллектуальной системы является то, что сама логика взаимодействия ее с пользователем обычно диктуется процессом решения функциональной задачи, и поэтому работа с такой системой выглядит для него, как ни парадоксально, гораздо проще и естественнее, чем в справочной системе.

Интеллектуальные системы поддержки принятия решений — краткий обзор

Статья Павла Голубева в блоге компании Open Data Science на Хабре. Целью статьи было сделать краткий обзор принципов построения Интеллектуальных Систем Поддержки Принятия Решений (ИСППР), роли машинного обучения, теории игр, классического моделирования и примеров их использования в СППР.

Существет несколько определений ИСППР, которые, в общем-то, крутятся вокруг одного и того же функционала. В общем виде, ИСППР — это такая система, которая ассистирует ЛПР (Лицам, Принимающим Решения) в принятии этих самых решений, используя инструментарии дата майнинга, моделирования и визуализации, обладает дружелюбным (G)UI, устойчива по качеству, интерактивна и гибка по настройкам.

Зачем нужны СППР:

• Сложность в принятии решений
• Необходимость в точной оценке различных альтернатив
• Необходимость предсказательного функционала
• Необходимость мультипотокового входа (для принятия решения нужны выводы на основе данных, экспертные оценки, известные ограничения и т.п.)

Существует несколько способов классификации СППР, например, по области применения:

• Бизнес и менеджмент (прайсинг, рабочая сила, продукты, стратегия и т.п.)
• Инжиниринг (дизайн продукта, контроль качества…)
• Финансы (кредитование и займы)
• Медицина (лекарства, виды лечения, диагностика)
• Окружающая среда

Несмотря на такое многообразие вариантов классификаций, требования и атрибуты СППР хорошо ложатся в 4 сегмента:

На схеме показано, какие именно требования и в какие сегменты ложатся:

Существует несколько подходов к тому, как архитектурно представить СППР. Несмотря на разнообразие подходов, делаются попытки создать некую унифицированную архитектуру, хотя бы на верхнем уровне.

Действительно, СППР вполне можно разделить на 4 больших слоя:

• Интерфейс
• Моделирование
• Data Mining
• Data collection

А уж в эти слои можно напихать какие угодно инструменты:

А где тут машинное обучение и теория игр?

Да практически везде! По крайней мере в слое, связанном с моделированием.

С одной стороны, есть классические домены, назовем их «тяжелыми», вроде управления цепями поставок, производства, запасов ТМЦ и проч. В тяжелых доменах наши с вами любимые алгоритмы могут привнести дополнительные инсайты для зарекомендовавших себя классических моделей. Пример: предиктивная аналитика по выходам из строя оборудования (машинное обучение) отлично сработается с каким-нибудь FMEA анализом (классика).

С другой стороны, в «легких» доменах, вроде клиентской аналитики, предсказании churn, выплаты кредитов — алгоритмы машинного обучения будут на первых ролях. А в скоринге, например, можно совмещать классику с NLP, когда решаем выдавать ли кредит на основе пакета документов (как раз-таки document driven СППР).

Кроме простого ML, в СППР отлично ложится и Deep Learning.

Некоторые примеры можно найти в ВПК, например в американской TACDSS (Tactical Air Combat Decision Support System). Там внутри крутятся нейронки и эволюционные алгоритмы, помогающие в определении свой-чужой, в оценке вероятности попадания при залпе в данный конкретный момент и прочие задачки.

В немного более реальном мире можно рассмотреть такой пример: в сегменте B2B необходимо определить, выдавать ли кредит организации на основе пакета документов. Это в B2C вас оператор замучает вопросами по телефону, проставит значения фич у себя в системе и озвучит решение алгоритма, в B2B несколько посложнее.

Теория игр, в свою очередь, гораздо лучше подойдет для ИСППР, созданных для принятия стратегических решений.

Искать победителя в битве ML vs ToG бессмысленно. Слишком разные подходы к решению задачи, со своими плюсами и минусами.

Скорее всего, через лет 10 мы перестанем жестко хардкодить модели, и начнем вместо этого повсеместно обучать компьютеры в создаваемых симулируемых средах. Наверное, по этому пути и пойдет реализация ИСППР.

Если же посмотреть на более близкую перспективу, то будущее ИСППР за гибкостью решений. Ни один из предложенных способов (классические модели, машинное обучение, DL, теория игр) не универсален с точки зрения эффективности для всех задач. В хорошей СППР должны сочетаться все эти инструменты + RPA, при этом разные модули должны использоваться под разные задачи и иметь разные интерфейсы вывода для разных пользователей. Этакий коктейль, смешанный, но ни в коем случае не взболтанный.

Интеллектуальные системы поддержки принятия решений

Рубрика: Технические науки

Дата публикации: 17.01.2017 2017-01-17

Статья просмотрена: 3363 раза

Библиографическое описание:

Суслова, Е. В. Интеллектуальные системы поддержки принятия решений / Е. В. Суслова. — Текст : непосредственный // Молодой ученый. — 2017. — № 3 (137). — С. 171-174. — URL: https://moluch.ru/archive/137/38289/ (дата обращения: 27.05.2020).

Интеллектуальные системы поддержки принятия решений

Суслова Екатерина Владимировна, магистрант

Национальный исследовательский Мордовский государственный университет имени Н. П. Огарева

Любое предприятие осуществляет свою деятельность в условиях риска и неопределенности, поэтому перед ним постоянно стоит проблема выживания и обеспечения непрерывности функционирования и развития [1]. Анализ функционирования крупных предприятий и управление ими составляет основное содержание работы управленцев, аналитиков, специалистов в области обработки информации [2, с. 74–76]. Чтобы решить эту проблему руководителям приходится принимать управленческие решения по выбору направления развития предприятия, по сохранению и увеличению своей позиции на рынке и рыночной доли, по предотвращению потерь и снижению издержек, а также по поддержанию и повышению конкурентоспособности. Обоснованность и профессиональный уровень принимаемых решений определяет, в конце концов, эффективность деятельности предприятия.

В современных условиях всё возрастающую роль играет информация. Однако необходимость учета при принятии управленческих решений большого количества экономических, политических, социальных, правовых факторов существенно усложняет процесс выбора правильного варианта решения. Как правило, это связано со сложностями, возникающими в процессе сбора актуальной, достоверной и полной информации по интересующему вопросу. Стремительное увеличение объемов поступающей и перерабатываемой информации приводит к значительным изменениям в способах и методах анализа информации и требует не только автоматизации процесса обработки и изучения данных, но и интеллектуализации информационных и организационных процессов, построения и внедрения эффективных методов и интеллектуальных технологий поддержки принятия решений (ППР).

За последние десятилетия информационные технологии достигли высокого уровня развития. В связи с этим большинство развивающихся компаний используют автоматизированные средства, позволяющие эффективно хранить, обрабатывать и распределять накопленные данные [3]. Современные системы поддержки принятия решений (СППР) появились благодаря развитию управленческих информационных систем и систем управления базами данных (СУБД) и представляют собой системы, приспособленные к решению текущих задач, возникающих в управленческой деятельности. Это мощный инструмент, позволяющий помочь лицам, принимающим решения (ЛПР), решить сложные неструктурированные задачи. Как правило, системы поддержки принятия решений являются результатом мультидисциплинарного исследования, которое включает в себя теории баз данных, методов имитационного моделирования, искусственного интеллекта, нейронных сетей, ситуационного анализа и интерактивных компьютерных систем. В настоящее время нет единого общепринятого определения СППР, т. к. строение системы напрямую зависит от тех задач, для решения которых она используется, а также от доступных знаний, данных и информации, на основе которых принимаются решения.

Для решения слабоструктурированных или неструктурированных управленческих задач, с которыми достаточно сложно справиться естественному интеллекту, возникает необходимость в создании и использовании систем искусственного интеллекта для принятия решений, т. е. интегрированных интеллектуальных систем управления, в состав основных компонентов которых включаются базы данных и знаний, блок решения и логического вывода, хранилище моделей и т. п. Создание подобных систем стало возможным благодаря развитию и достижениям интеллектуального управления, основанным на разработках в области искусственного интеллекта, инженерии знаний, обработки данных и математического моделирования.

Попытки наделить компьютерную технику интеллектуальными способностями более высокого уровня (вероятностными методами рассуждения, логикой, индуктивным выводом, доказательством по аналогии и проч.) до сих пор не дали ощутимого результата. К известным методам и способам автоматизации решения задач управления путем применения интеллектуальных функций относятся:

 использование нейронных сетей и нейрокомпьютеров на уровне распознавания (классификации) и обобщения объектов и ситуаций;

В своих работах американский нейрофизиолог Френсис Розенблатт предложил свою модель нейронной сети, которая должна применяться для задачи автоматической классификации, состоящей в общем случае в разделении пространства признаков между заданным количеством классов.

Эти системы (и подобные им) получили название персептроновисостояли в основном из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов.

Рис. 1. Однослойный персептрон

Начало современному математическому моделированию нейронных вычислений было положено работами Хопфилда в 1982 году, в которых была сформулирована математическая модель ассоциативной памяти на нейронной сети с использованием правила Хеббиана для программирования сети (рисунок 2). Введенная в эту модель Хопфилдом функция вычислительной энергии нейронной сети стала одним из новых путей развития искусственных нейронных сетей.

Недостатком модели Хопфилда является их тенденция стабилизироваться в локальном, а не глобальном минимуме функции энергии, поэтому эволюционным развитием модели для решения комбинаторных оптимизационных задач и задач искусственного интеллекта является машина Больцмана.

Рис. 2. Сеть Хопфилда из 4 нейронов

Самоорганизующаяся карта признаков (сеть SOFM — Self-Organizing Feature Map), разработанная Кохоненом в 80-х гг., имеет набор входных элементов, число которых соответствует размерности учебных векторов, и набор выходных элементов, которые служат в качестве прототипов. Основная архитектура сети SOFM приведена на рисунке 3

Рис. 3. Сеть Кохонена с тремя входными и пятью кластерными элементами, каждый элемент входного слоя связан с каждым элементом кластерного слоя

В конце 80-х годов были разработаны сети встречного распространения, которые превосходят возможности однослойных сетей. Время обучения в них, по сравнению сетями с обратным распространением ошибки, может уменьшаться в сто раз. Обратное распространение может давать решение в тех приложениях, где долгая обучающая процедура невозможна. Во встречном распространении объединены два хорошо известных алгоритма: самоорганизующаяся карта Кохонена и звезда Гроссберга. Их объединение ведет к свойствам, которых нет ни у одного из них в отдельности [4].

Методы, которые подобно встречному распространению, объединяют различные сетевые парадигмы как строительные блоки, могут привести к сетям, более близким к мозгу по архитектуре, чем любые другие однородные структуры. Похоже, что в мозгу именно каскадные соединения модулей различной специализации позволяют выполнять требуемые вычисления.

Таким образом, можно сделать вывод о том, что для полного осуществления интеллектуальных способностей, связанных с анализом, прогнозированием, обобщением исходной информации по сложной управленческой проблеме и, в конечном итоге, принятии верного решения современные и будущие интеллектуальные системы поддержки принятия решений и интеллектуальные системы учета должны быть реализованы с использованием новейших прогрессивных технологий, которые основаны на динамических моделях данных, способных адаптироваться к конкретной ситуации и задаче, концепциях распределенного искусственного интеллекта, параллельной обработки огромных объемов данных в процессе решения, а также методов правдоподобного вывода результатов. Поэтому одним из наиболее перспективных путей построения интеллектуальных систем поддержки принятия решений, систем интеллектуального анализа данных, систем управления и прогнозирования является использование современные научные разработки в теории и практике нейронных сетей, нечёткие модели и методы многокритериального выбора и нечёткого логического вывода.

III. Интеллектуальные информационные системы (ИИС) поддержки принятия решений

ВНИМАНИЕ! САЙТ ЛЕКЦИИ.ОРГ проводит недельный опрос. ПРИМИТЕ УЧАСТИЕ. ВСЕГО 1 МИНУТА.

ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке.

ИИС – это компьютерная система, состоящая из 5 основных взаимодействующих компонентов: языковой подсистемы(механизм обеспечения связи между пользователем и другими компонентами ИСПР), информацией подсистемы (хранилище данных и средств их обработки), подсистемы управления знаниями (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, и средства обработки знаний), подсистемы управления моделями и подсистемы обработки и решения задач (связующее звено между другими подсистемами).

Классификация задач, решаемых ИИС:

· Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

· Диагностика. Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

· Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.

· Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов—чертёж, пояснительная записка и т.д. Основные проблемы здесь — получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

· Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

· Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

· Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

· Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.

· Поддержка принятия решений. Поддержка принятия решения — это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и насистемы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или подпроблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

Методы и системы поддержки принятия управленческих решений

Автор статьи: Пучков Е.В.

“Достичь совершенства, процветать, защищать себя”, так определил деятельность своей организации ее глава Ги де Ротшильд. Эти слова актуальны и для современного этапа развития бизнеса, характеризующейся устойчивым ростом спроса на многочисленные продукты и услуги со стороны растущей российской экономики.
Рост масштабов и сложности деятельности предприятий обусловливает повышение требований к качеству управленческой деятельности. Основу любой управленческой деятельности составляют решения, принимаемые органами управления на единоличной или коллегиальной основе и направленные на достижение определенных целей (решение задач), стоящих перед организацией.
Для обеспечения необходимой эффективности (сроков, обоснованности, трудоемкости, стоимости) формирования и принятия управленческих решений служат системы поддержки принятия решений (Decision Support Systems — DSS) или как сейчас называют BI-системы (Business Intelligence).

Система поддержки принятия решений
В общем, система поддержки принятия решений представляет собой совокупность взаимосвязанных по целям, параметрам и условиям задач, методов (методик), программных средств и технических систем, позволяющих формировать в автоматизированном режиме набор отчетных форм, содержащих информацию для принятия управленческих решений и/или варианты таких решений.

Структурно DSS-система включает в себя (см. рис.1):
1. Data Warehouse (Хранилища данных). Являются информационной платформой DSS. Хранилища данных позволяют интегрировать информацию, отражающую разные точки зрения на одну предметную область.
2. Business Intelligence Tools (инструментальные средства бизнес-интеллекта) — программное обеспечение, которое дает возможность пользователям наблюдать и использовать большие объемы сложных данных.
Выделяют три типа таких инструментальных средств:
• Информационно-поисковый. (Query Tools) . Система осуществляется поиск необходимых данных в соответствии с заранее определенными запросами
• Оперативно-аналитический. Система производит группировку и обобщение данных в любом виде, необходимом аналитику. Этот класс задач решается построением систем оперативного анализа с использованием технологии оперативной аналитической обработки данных OLAP (On-Line Analytical Processing), использующую концепцию многомерного анализа данных.
• Интеллектуальный. Система осуществляет поиск функциональных и логических закономерностей в накопленных данных, построение моделей и правил, которые объясняют найденные закономерности и/или с определенной вероятностью прогнозируют развитие некоторых процессов. Этот класс задач решается построением систем интеллектуального анализа, реализующего методы и алгоритмы Data Mining Tools.

Рисунок 1. Обобщенная архитектура DSS-системы

Развитие BI-систем
Исследования аналитической компании IDC, касающиеся BI-средств показывают, что рынок развивается 15-ти летними циклами. Первый из этих периодов, с 1975 до 1990 года, характеризовался созданием отчетов на мейнфреймах. Следующий цикл охватывает промежуток с 1990 до 2005 года, когда зародилась и развивалась современная эра BI-технологий, характеризуемая клиент-серверными BI-приложениями. Постепенно запросы, отчетность и OLAP-инструменты переместились с клиент-серверной на Web-платформу. В 2005 году наступил очередной поворотный момент на BI-рынке, стимулировавший новую волну инвестиций со стороны множества компаний из разных отраслей. По прогнозам этот цикл будет длиться до 2020 года, и основная его направленность ? выход технологии на широкий круг пользователей как внутри, так и вне организации, за счет простоты использования и интеграции BI в бизнес-процессы.

Рисунок 2. “Магический квадрант” Gartner Group

Рынок BI
Мировой рынок BI в 2006 году вырос на 11,5% и достиг значения $6,25 млрд по данным в IDC Worldwide. Основными поставщиками систем, согласно данным аналитиков, являются Business Objects, получившая в прошлом году доход в $894 млн., SAS с доходом в $679 млн., Cognos — $622 млн., Hyperion/Oracle — $529 млн., Microsoft — $480 млн. В последние годы происходила жесткая борьба за рынок. Самые крупные BI-сделки 2007 г.: Oracle + Hyperion Solutions, Cognos + Applix, SAP+Business Objects, IBM + Cognos (последние две официально завершились в начале 2008-го)(см.рис.2)
Что касается российского сектора BI, то за последние 5 лет он многократно вырос. Спрос на BI-решения в нашей стране растет примерно на 50% в год (по данным СNews).

Функциональность DSS-систем
Общий портрет DSS-систем можно составить на основе краткого анализа предложений таких мегавендеров как SAP, SAS, Oracle, IBM и Microsoft. Автор не ставил перед собой целью сравнительный анализ продуктов — это тема других работ. Но хочется отметить, что выход Microsoft на позицию лидера (раньше компания была в секторе «Претенденты») приведет к дальнейшей трансформации DSS-систем из дорогих средств стратегического значения в широко распространенные, зрелые технологии.
В основной функциональный набор DSS -систем входят:

• финансовое планирование и бюджетирование;
• формирование консолидированной отчетности (до 200 преднастроенных отчетов); создание информационной системы стратегического управления на основе ключевых показателей деятельности (Balance Scorecards) с преднастроенными библиотеками показателей (до 500);
• анализ взаимоотношений с клиентами и поставщиками;
• анализ рыночных тенденций; функционально-стоимостный анализ (ABC-Costing);
• функционально-стоимостное управление (Activity Based Management, ABM);
• система постоянных улучшений (Kiezen Costing);
• многомерный анализ данных (OLAP);
• выявление скрытых закономерностей (Data Mining);
• выявление моделей (структур) данных;
• статистический анализ и прогнозирование временных рядов;
• событийное управление бизнесом (Event-driven BI);
• анализ рисков;
• формирование преднастроенных запросов (до 500-600);
• интеллектуальный поиск (по неполным данным и неформальным запросам);
• бизнес-моделирование и анализ эффективности выполнения бизнес-процессов;
• референтные отраслевые модели.

Количество преднастроенных областей анализа достигает 30-40.

Методы и средства интеллектуального анализа данных (ИАД)
К сожалению, универсальные средства BI довольно сложны и дороги, поэтому они не могут широко применяться в рамках интегрированных систем, ориентированных на конечного пользователя, поскольку накопленный опыт работы с методами интеллектуального анализа уже позволил выделить типовые задачи и определить наиболее эффективные методы их решения. Существующие системы ИАД можно подразделить на исследовательские, ориентированные на специалистов и предназначенные для работы с новыми типами проблем, и прикладные, рассчитанные на непрограммирующих пользователей (аналитиков, менеджеров, технологов и т.д.) и решающие типовые задачи.
Если рассмотреть средства интеллектуального анализа данных (Data Mining), применяемые в системах поддержки принятия решений, то можно разделить их на 4 категории (см. Таблица 1).

Интеллектуальные системы поддержки принятия решений — краткий обзор

Разработка и принятие решений в процессе управления организацией при постоянно меняющихся внешних и внутренних условиях ее функционирования требуют использования адекватных методов информационного обеспечения ЛПР и возможностей, предоставляемых современными информационными технологиями.

Одним из научных направлений, связанных с расширением возможностей интеллектуальной деятельности человека, являются исследования, направленные на усиление аналитических возможностей человека в процессе выработки и принятия решений, и приводящие к созданию интеллектуальных систем. Под интеллектуальными системами будем понимать системы, созданные, в основном, для расширения возможностей интеллектуальной деятельности человека в процессах принятия решений.

Зачем нужны интеллектуальные системы? Во многом благодаря их применению стал возможен качественный скачок в развитии управленческих технологий. Всеобщая компьютеризация, сделавшая доступным использование научных методов разработки и обоснования решений, позволяет создавать автоматизированные информационные системы, обеспечивающие качественно новые подходы к пониманию и осуществлению управленческой деятельности. А поскольку управленческая деятельность — это прежде всего принятие решений на уровне государства, региона, отрасли, концерна, организации, структурного подразделения и, наконец, отдельного работника, становится понятным, насколько широк диапазон возможного применения интеллектуальных систем. Назначение их довольно разнообразно. Это могут быть сравнительно простые системы массового применения, основная задача которых — предоставить доступ к знаниям и опыту экспертов специалистам менее высокой квалификации. А могут быть и весьма сложные, предназначенные для проведения коллективной экспертизы при решении нестандартных проблем, требующих тщательного профессионального анализа и прогнозирования ситуации.

В зависимости от назначения и предоставляемых пользователю возможностей можно выделить три типа интеллектуальных систем:

экспертные системы (ЭС);

системы поддержки принятия решений (СППР);

автоматизированные системы экспертного оценивания (АСЭО).

Экспертные системы. ЭС относятся к числу интеллектуальных систем, предназначенных для массового использования, и выполняют две основные функции: консультанта, помогающего в решении той или иной задачи, и эксперта, непосредственно эту задачу решающего. Они содержат значительный объем знаний в какой-либо предметной области — базу данных. Эти знания хорошо организованы, т.е. структурированы, закодированы, сопровождены системой правил логического вывода и готовы для использования в условиях конкретной ситуации, представляющей интерес для пользователя. В ответ на его запрос ЭС выдает диагноз ситуации, рекомендации и советы, по своему качеству вполне соответствующие уровню эксперта высокой квалификации. Таким образом, опыт, знания, логически объяснимые заключения, которые делает высококвалифицированный эксперт в определенной области деятельности, благодаря экспертным системам становятся достоянием широкого круга специалистов. Такие системы нашли применение в медицине и геологии, экономике и технике, сельском хозяйстве и т.д. Важной особенностью ЭС является то, что любая рекомендация, выработанная ею, любое суждение могут быть объяснены при запросе пользователя. Успешность применения любой системы во многом зависит от степени доверия к результатам ее работы. Поэтому экспертная система в любой момент должна быть готова объяснить, почему сделано то или иное заключение, тот или иной вывод, и представить логическую цепочку рассуждений и фактов, приводящих к нему. Желание пользователя понимать то, что делает ЭС и иметь возможность контролировать ход рассуждений вполне естественно и должно быть удовлетворено. Поэтому очень большое значение при создании экспертных систем, кроме базы данных, придается другому важнейшему их элементу — интерфейсу — организации диалога «пользователь — компьютер». Кроме того, структура ЭС содержит также подсистему накопления и обновления знаний. Таким образом, можно сделать вывод о том, что экспертная система — эффективный инструмент повышения обоснованности и качества решений менеджера за счет обращения к знаниям и опыту высококвалифицированных экспертов.

Системы поддержки принятия решений. СППР предназначена для информационной поддержки ЛПР (менеджера) в процессе принятия решений и может быть определена как интерактивная, реализованная на компьютере система, обеспечивающая простой доступ к моделям и информации, используемым для разработки альтернатив и выбора решений. Область применения СППР — прежде всего нестандартные ситуации и слабоструктурированные проблемы. Для них характерно наличие неопределенности, делающей практически невозможным отыскание единственной объективно наилучшей альтернативы решения. Процедура принятия решений в таких ситуациях требует механизма определения системы предпочтений ЛПР и более глубокого сравнительного анализа альтернативных вариантов. К основным принципам формирования и использования СППР можно отнести:

обеспечение ЛПР необходимой информацией в максимально возможном объеме;

возможность оперативного поиска информации;

генерирование альтернативных вариантов решений;

предоставление прогнозных оценок результатов реализации возможных альтернатив;

постоянная эволюция системы за счет наращивания ее возможностей.

Системы поддержки принятия решений могут использоваться для различных задач и на различных уровнях принятия решений. Так, например, они могут быть полезны при анализе и прогнозировании динамики конъюнктуры рынка, при разработке стратегии развития организации, при оценке потенциала предприятия и проектов его реконструкции или технического перевооружения, повышения качества выпускаемой продукции и т.д.

Нередки ситуации, когда принимать решения приходится в условиях активного взаимодействия нескольких ЛПР, каждый из которых помимо общей, стремится к достижению собственных целей. Они характерны, например, при кооперации производства в рамках нескольких предприятий, при реализации сложных многосторонних коммерческих проектов или научно-технических программ и т.п. В этих случаях приходится принимать компромиссные решения с учетом интересов отдельных участников. Поэтому при создании СППР большое внимание уделяется не только проведению диалога «человек—компьютер», но и возможности организации диалога между различными участниками процесса выработки решения. Для этого применяются так называемые распределенные человеко-машинные системы, реализованные в виде локальной либо общей сети персональных компьютеров. Это позволяет сблизить различные точки зрения ЛПР, участвующих в процессе, и прийти к согласованному решению. Особое значение имеют распределенные системы принятия решений при управлении крупномасштабными объектами, такими, как, например, энергетические или транспортные системы. В таких случаях компетенция, функции и ответственность оказываются разделенными между несколькими ЛПР, находящимися на разных уровнях иерархии. Это означает необходимость использовать процедуры параллельной подготовки, обоснования и корректировки решений, а также обмена информацией, которой обладают различные участники данного процесса.

Еще одной отличительной особенностью СППР в сравнении с ЭС является более значительная и активная роль менеджера. Ему принадлежит право запрашивать информацию, относящуюся к любой области его деятельности, определять ее объем и глубину анализа, учитывать мнения и оценки тех экспертов, которые представляют для него наибольший интерес. Разумеется, за ним и окончательный выбор.

Автоматизированные системы экспертного оценивания. Эти системы предназначены для автоматизации сложных экспертных процедур и повышения эффективности использования высококвалифицированных специалистов в качестве экспертов при выработке управленческих решений. Основная задача АСЭО — решение сложных управленческих проблем на основе надежной, профессионально обработанной и корректно примененной информации. Укажем основные свойства АСЭО, отличающие ее от других типов интеллектуальных систем — ЭС и СППР.

АСЭО — сложная иерархическая система, позволяющая организовать весь цикл проведения экспертизы от формирования целей исследуемого объекта до анализа полученного результата. При этом в АСЭО предусмотрено взаимодействие экспертов, аналитической группы и операторов.

В АСЭО предусмотрена оценка качеств каждого эксперта, в том числе оценка степени его профессионального знакомства с объектами экспертизы.

Обязательным элементом АСЭО является развитая оценочная система с возможностью ее настройки на конкретный объект экспертизы. Так, например, для оценки эффективности деятельности фирмы используются одни критерии, для отдельного ее подразделения — другие, а для сотрудников — третьи.

В АСЭО предусматривается возможность коллективной оценки сравниваемых альтернатив при использовании различных методов организации и проведения экспертиз.

АСЭО предусматривает анализ результатов экспертизы, в частности, возможность определения результирующей экспертной оценки, а также степени согласованности мнений экспертов.

Новая компьютерная технология — визуально-интуитивное извлечение полезной информации (ВИ-технология).

Традиционная иерархическая система принятия решений, при которой информация по конкретному вопросу в максимальном объеме находится у основания «пирамиды» и по мере подъема вверх сжимается, превращаясь в несколько заготовленных специалистами альтернатив, из которых ЛПР производит выбор, страдает субъективизмом.

Попытка придумать инструмент, позволяющий работать с гигантскими объемами информации и доводить ее без потерь до первых лиц, принимающих управленческие решения, была предпринята в 90-х гг. прошлого века. В результате сравнительно недавно появились ВИ-технологии, которые позволяют проанализировать громадный объем информации, представить ее в графическом виде и проследить динамику изменения параметров. Примером практической реализации такой технологии является компьютерная программа MineSet, разработанная компанией Silicon Graphics Ink. и применяемая в настоящее время в Министерстве экономического развития и торговли РФ.

Практическое использование данной технологии в процессах принятия решений позволяет решать три блока задач.

Во-первых, информация во всем ее многообразии становится доступной лицам, принимающим решения. В частности, при изучении бюджета страны, вместо длительного и утомительного чтения текста, огромного множества таблиц и графиков можно за 15 минут посмотреть его визуальную интерпретацию в виде бюджетного «дерева», на ветвях которого обозначены доходы (или расходы) по всем российским регионам. Изучение статистики, характеризующей социально-экономическое положение в стране (регионе, отрасли, крупной компании), занимает много часов. А просмотр с использование новой технологии — несколько минут.

Во-вторых — это возможность воспользоваться аналитическими средствами, заложенными в ВИ-технологии. При принятии решений крайне важны средства моделирования, позволяющие проигрывать разные сценарии и следить за тем, как ведут себя одни показатели при изменении других. Примером может служить анализ различных сценариев налоговой реформы, при которых демонстрируется уровень риска при разных масштабах и скорости изменения трех налогов: подоходного, НДС и налога на прибыль.

В третьих, при использовании данной технологии в системе управления появляется возможность группового анализа, мозгового штурма, занимающего не более часа, вместо длительного изучения каждым членом группы многотомных исследований.

ВИ-технология позволяет принципиально изменить отношение и к научному анализу, и к восприятию информации, которое часто встречается у топ-менеджеров. Поскольку научный анализ не всегда нагляден и доступен для мгновенного восприятия индивидуальным или групповым ЛПР, степень его практического применения низка.

Широкое практическое использование ВИ-технологии может существенно повлиять на систему принятия решений, снизив влияние субъективного фактора.

Выводы

Под технологией принятия решений понимается состав и последовательность процедур, приводящих к решению проблем организации, в комплексе с методами разработки и анализа альтернатив.

При разработке решений сложных проблем, не поддающихся количественному анализу, могут быть с успехом использованы экспертные технологии.

Усилить аналитические возможности человека в процессах принятия решений помогают интеллектуальные системы, которые в зависимости от назначения и предоставляемых пользователю возможностей делятся на три типа: экспертные системы (ЭС), системы поддержки принятия решений (СППР) и автоматизированные системы экспертного оценивания (АСЭО).

Вопросы для самопроверки

Что понимается под интеллектуальными системами и каково их назначение?

Опишите различия между основными типами интеллектуальных систем: ЭС, СППР и АСЭО.