Санкт-Петербургский государственный университет
Опубликован: 24.08.2014 | Доступ: свободный | Студентов: 1380 / 543 | Длительность: 08:35:00
Лекция 3:

ИТ управления на базе распределенных систем, мобильных и облачных технологий

< Лекция 2 || Лекция 3: 12 || Лекция 4 >
Аннотация: ИТ на базе концепции искусственного интеллекта. Мультимедийные ИТ-системы. Технологии мобильных устройств. Видеоконференции и системы коллективной работы. Геоинформационные системы. Связанные технологии: GIS, GPS и ГЛОНАСС. Возможности "облачных" технологий.

ИТ на базе концепции искусственного интеллекта

Глобализация и интернационализация экономики, всё ускоряющаяся динамика бизнеса, жесткая конкуренция и борьба за сырьевые ресурсы всё чаще стали приводить к ситуациям, когда в условиях дефицита времени необходимо принять единственно верное деловое решение. Для этого руководителю нужно в сжатые сроки в условиях большой неопределенности проанализировать ситуацию, сформировать варианты решений (Decision Tree), оценить риски и взять на себя ответственность за принятие и реализацию решения.

Сделать всё это с использованием только "ручных" средств или модулей поддержки принятия решения (Decision Support System), встроенных в стандартные ERP-системы, было достаточно сложно, и вследствие этого риск принять неверное решение, был велик. В связи с этим стали развиваться формализованные методы принятия решения в условиях неопределенности, описываемые нечеткой логикой, и создаваться специализированные информационные системы с использованием теории и методов искусственного интеллекта.

В чем различие, между "четкой" (Crisp Logic) и "нечеткой" (Fuzzy Logic) логикой"? В четкой логике ожидаемое следствие всегда однозначно следует заявленной посылке, если заданы четкие правила выполнения условия — например, "если А, то Б", или, "если А и Б, то В". Когда логика нечеткая, границы выполнения условия не определены или определены нечётко: "если А, то в промежутке времени [Т1, Т2] Б может быть много больше В, а может быть почти равно В" — всё зависит от начальных и текущих условий, которые могут быстро измениться даже внутри зафиксированного промежутка времени [Т1, Т2].

Алгоритмы для анализа таких ситуаций реализуют, как правило, сценарные варианты развития ситуации с оценкой риска каждого варианта. Соответственно, информационная система в таком случае, помимо стандартных функций сбора, хранения и передачи данных, должна содержать модули, реализующие обработку и многовариантный анализ информации. Поскольку развитие бизнес-ситуации может определяться несколькими параметрами, и модели, описывающие такие ситуации, редко бывают линейными, то реальная задача чаще всего сводится к задачам многофакторного оценивания и нелинейной оптимизации.

В связи с этим, аналитические модули информационных систем поддержки принятия решения (Decision Support SystemDSS), экспертных систем (Expert Information SystemEIS), систем поддержки исполнения решения (Executive Support SystemESS), диагностических систем (Diagnostic Information SystemDIS), систем распознавания изображений (Image Recognition SystemIRS), а также поисковых систем (Searching System) обычно строятся с использованием принципов, называемых "принципами искусственного интеллекта".

Искусственный интеллект (Artificial Intelligence) можно определить, как "совокупность теоретических методов и физических вычислительных устройств, задача которых состоит в воссоздание разумных рассуждений и действий, имеющих целью достижение ожидаемого или нового результата".

В настоящее время в области исследования искусственного интеллекта сложились два основных направления:

  • семиотическое (символьное) — моделирование высокоуровневых процессов мышления человека, основанное на представлении знаковых систем и использовании знаний;
  • нейрокибернетическое (нейросетевое) — моделировании отдельных низкоуровневых структур мозга (нейронов) и алгоритмов их работы.

Отсюда следует, что научный аспект проблемы искусственного интеллекта касается попыток объяснения его работы и исследует возможность построения общих алгоритмов его функционирования. Прикладной аспект ИИ включает компьютерное решение разнообразных задач, не имеющих явного алгоритмического решения, или многовариантных задач типа "А что если…", то есть задачи с нечеткими целями и нечеткой логикой. При этом используются "человеческие" способы решения таких задач, то есть имитирование ситуации, когда такую задачу решает человек [Искусственный интеллект. — http://www.transhumanism-russia.ru/content/view/16/138/].

В 50-х годах ХХ века появились работы Винера, Ньюэлла, Саймана и Шоу, исследовавших суть процессов решения различных задач. Результатами явились алгоритмы и компьютерные программы "Логик-теоретик", предназначенная для доказательства теорем в исчислении высказываний, и "Общий решатель задач". Эти работы положили начало первому этапу исследований в области искусственного интеллекта, связанному с разработкой алгоритмов и программ для решения задач на основе применения разнообразных эвристических методов. В отличие от алгоритмических методов, позволяющих проводить формальную верификацию правильности, эвристические методы решения задачи рассматриваются как свойственные человеческому мышлению вообще, для которого характерно возникновение интуитивных догадок о пути решения задачи.

Таким образом, общей задачей использования искусственного интеллекта является построение компьютерной интеллектуальной системы, которая обладала бы уровнем эффективности решений неформализованных задач, сравнимым с человеческим или превосходящим его. На рис. 3.1 показана функциональная структура такой системы [Морозов М. Н. — http://www.marstu.mari.ru:8101/ mmlab/home/AI/index.html].

В качестве высокоуровневого критерия интеллектуальности систем, разрабатываемых на основе технологии искуственного интеллекта, предложен мысленный эксперимент, известный как "тест Тьюринга", предложенный Аланом Тьюрингом в 1950 г. в статье "Вычислительные машины и разум" (Computing machinery and intelligence) для проверки, является ли компьютер "разумным" в человеческом смысле слова.

Области применения методов искусственного интеллекта чрезвычайно широки [Рассел С., Норвиг П., 2007]:

  • доказательства неформальных теорем и решение задач с нечеткой логикой;
  • теория игр, исследование игровых ситуаций и возможности синтеза решений (теория и практика компьютерных шахмат);
  • распознавание образов (символов, текстов, речи, изображений и т. д.) с целью поиска, обработки и адаптации;
  • адаптивное программирование;
  • имитация творческой деятельности — сочинение литературных текстов, стихов, музыки;
  • обработка и трансформация данных на естественных языках, машинный перевод;
  • машинное зрение, построение виртуальной реальности;
  • обучающие и обучающиеся системы на базе нейросетей;
  • управляющие системы и робототехника (автомобилестроение, авиация, космонавтика, человекоподобные многофункциональные роботы и многое другое);
  • построение специализированных информационных систем для поддержки принятия решений в бизнесе.

Функциональная структура использования системы искусственного интеллекта

Рис. 3.1. Функциональная структура использования системы искусственного интеллекта

Класс технологий и систем, созданных на базе таких принципов и предназначенных для поддержки принятия делового решения в условиях развивающейся неопределенности, стал широко применяться в бизнесе и получил название "системы интеллектуального анализа данных" (Business Intelligence — BI).

Впервые термин "Business Intelligence" был введен в обращение аналитиками Gartner в конце 1980-х годов, как "пользователецентрический процесс, который включает доступ к информации и её исследование, анализ, выработку интуиции и понимания, которые ведут к улучшенному и неформальному принятию решений". Позже, в 1996 году появилось уточнение — это инструменты для анализа данных, построения отчетов и запросов, которые могут помочь бизнес-пользователям преодолеть сложности с обработкой, интерпретацией и представлением данных для того, чтобы синтезировать из них значимую информацию. Эти инструменты в совокупности попадают в категорию, называемую "инструменты бизнес-интеллекта" (Business Intelligence Toolware) [Артемьев В., 2003].

Сегодня категории BI-продуктов включают: BI-инструменты и BI-приложения. BI-инструменты можно разделить на следующие виды:

  • генераторы запросов и отчетов (Query/Report Generator — QRG);
  • развитые BI-инструменты — прежде всего, инструменты оперативной аналитической обработки данных (Online Analytical Processing — OLAP);
  • корпоративные BI-наборы (Enterprise BI Suites — EBIS) различной конфигурации, встраиваемые в ERP-системы;
  • BI-платформы.

Многомерные OLAP-серверы, а также реляционные OLAP-механизмы являются BI-инструментами и инфраструктурой для BI-платформ, на базе которых разрабатываются разнообразные приложения с "заказными" пользовательскими интерфейсами. Указанные инструменты применяются для доступа к данным, их многомерного и многофакторного анализа и генерации отчетов по данным, которые чаще всего располагаются в различных витринах (оперативных складах), базах или хранилищах данных. В качестве примера BI-приложения можно указать информационную систему (подсистему) поддержки деятельности руководителя (Executive Support SystemESS).

BI-приложения обычно ориентированы на конкретные важные функции организации, такие как анализ тенденций рынка, анализ рисков, анализ и прогноз продаж, планирование бюджета и т.п. Они могут применяться и более широко — для построения систем сбалансированных показателей (Balanced Scorecard System) или для управления эффективностью предприятия в целом (Enterprise Perfomance Management). На рис. 3.2 показан пример общей корпоративной архитектуры BI-архитектуры.

Пример общей корпоративной BI-архитектуры

Рис. 3.2. Пример общей корпоративной BI-архитектуры

Методы и системы интеллектуального анализа данных, построенные на базе нейронных самообучающихся сетей, находят разнообразное применение при создании современных информационных систем. Это большой класс систем, архитектура которых имеет некоторую аналогию с построением нервной ткани из нейронов. В одной из наиболее распространенных архитектур — многослойном персептроне с обратным распространением ошибки — имитируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя.

На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать какие-то решения, прогнозировать развитие ситуации и т. д. Эти значения рассматриваются как сигналы, передающиеся в следующий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ — реакция всей сети на введенные значения входных параметров.

< Лекция 2 || Лекция 3: 12 || Лекция 4 >
Артур Гибадуллин
Артур Гибадуллин
Россия, г. Нижневартовск