Тема. Технологии искусственного интеллекта. Реинжиниринг бизнес-процессов 1. Понятие искусственного интеллекта (ИИ) 2. Экспертные системы и их структура 3. Системы поддержки принятия решений и их структура 4. Реинжиниринг бизнес-процессов 5. Тенденции развития и перспективы использования систем, основанных на технологиях ИИ (современные методы получения и обработки информации (Business Intelligence): хранилища данных (Data Warehouse), средства для аналитической обработки данных (OLAP) и поиска закономерностей (Data Mining средства).

История развития ЭС: Р. Луллий (ок.1235-ок.1315), Г. Лейбниц ( ) и Р. Декарт ( ) Н. Винер ( ) 1956 г. – термин искусственный интеллект Г.Розен-блат и П.Мак- Каллок.

Нейросеть – это связанный ориентированный граф, моделирующий организацию и функции нервных клеток из центральной нервной системы в целом. кибернетика "черного ящика" - противоположна нейрокибернетике 50-х гг. - модель лабиринтного поиска 60-х гг. - эпоха эвристического программирования гг. - методы математической логики 70-х гг. - моделирование знаний специалистов-экспертов.

Причины развития ЭС: Интегрированность Открытость и переносимость Использование языков традиционного программирования и рабочих станций Использование архитектуры клиент-сервер Проблемно/предметно-ориентированные ИС ИИ

Рис. Структура ЭС Диалоговый компонент (польз. интерфейс) Компонент советов и объяснений Компонент приобретения знаний Механизм логических выводов (решатель, интерпретатор) База данных База знаний Компонент сопряжения с внешним миром Компонент моделирования внешнего мира

Классы задач, решаемых ЭС: мониторинг в реальном масштабе времени, системы управления верхнего уровня, системы обнаружения неисправностей, диагностика, составление расписаний, планирование, оптимизация, системы-советчики, системы проектирования.

Классификация ЭС: по типу приложения; по стадии существования; по масштабу; по типу проблемной среды.

А. По типу приложения: 1. По возможности взаимодействия с другими программными средствами: изолированное приложение; интегрированное приложение. 2. По возможности функционирования приложений на различных платформах: закрытые приложения; открытые приложения. 3. По архитектуре приложения: централизованное; децентрализованное (клиент-сервер).

Б. По стадии существования: Исследовательский прототип Действующий прототип Промышленная система Коммерческая система малые ЭС средние ЭС большие ЭС символьные ЭС В. По масштабу:

Г. По типу проблемной среды 1. Тип предметной области: статический динамический 2. Способ описания сущностей предметной области: совокупность атрибутов и их значений (фиксированный состав сущностей); совокупность классов (объектов) и их экземпляров (изменяемый состав сущностей); 3. Способ организации сущностей в БЗ: неструктурированная БЗ; структурирование сущностей БЗ по различным иерархическим уровням.

Модели представления знаний сетевые, фреймовые, продукционные и объектно-ориентированные модели.

Пример семантических сетей

Фреймовая модель знаний : имя_слота: (признак_1, значение_1), (признак_2, значение_2),... (признак_n, значение_n); связь, где признак – имя признака, значение – значение признака, связь – некоторая связь с другими слотами или фреймами. имя_фрейма:роль_1 (слот_ 1); роль_2 (слот_ 2);... роль_к (слот_к). Получение: Предмет (кредит: (тип, целевой), (вид, валютный)); Заемщик (банк: (название, Гамма)); Кредитор (фонд: (название, Скорины), (расположение, Минск), где Предмет, Заемщик, Кредитор – роли, которые играют, соответственно, слоты кредит, банк и фонд.

Продукционные системы: Факты (ситуации): Уровень цен на бирже падает Уровень цен на бирже растет Процентные ставки падают Процентные ставки растут Курс доллара растет Курс доллара падает Правила: ЕСЛИ Процентные ставки падают ТО Уровень цен на бирже растет ЕСЛИ Процентные ставки растут ТО Уровень цен на бирже падает ЕСЛИ Курс доллара падает ТО Процентные ставки растут ЕСЛИ Курс доллара растет ТО Процентные ставки падают Запрос: "Как изменится ситуация на бирже в случае падения курса доллара?"

Предмет ный эксперт Инжене р знаний Экспертн ая система Стратегии, эвристики, правила, предметной области Ответы, решения Высококачественный опыт База знаний Обучение и тренировки Возможности прогнозирования Институциональная память Инженерия знаний: перенос знаний от эксперта в компьютерную программу

Рис. Основные участники создаваемой экспертной системы Разработчик инструмента Строит Средства построения экспертных систем Предметны й эксперт Инженер знаний Опрашивает Экспертная система Конечный пользователь Исполь зует Расширяет и проверяет Разрабаты- вает, уточняет, тестирует

3. Системы поддержки принятия решений и их структура 4. Реинжиниринг бизнес-процессов

Рис. Обобщенная схема системы управления СППР СПРР ЛПР СУ

Подсистема данных Подсистема моделей СУБДСУБМ Система управления интерфейсом Пользователь, компьютер Задача Окружение Программная подсистема Рис. Структура СППР

Свойства информации, важные для ЛПР необходимость для принятия решения (именно та, которая нужна для принятия решения); корректность (однозначность восприятия); точность (допустимый уровень искажения); достоверность (способность отражать реально существующие процессы); устойчивость (способность реагировать на изменения без нарушения точности); своевременность (актуальность на момент принятия решения); полнота (все, что требуется для принятия решения); достаточность (на уровне детализации, достаточном для принятия решения).

Рис. Решение проблемы выбора приемлемого места работы

Рис. Оценка подкритериев

Рис. Оценка вариантов, предлагаемых рынком

М. Хаммер и Дж. Чампи определяют реинжиниринг как "фундаментальное переосмысление и радикальное перепроектирование бизнес- процессов компаний для достижения коренных улучшений в основных актуальных показателях их деятельности: стоимость, качество, услуги и темпы".

Бизнес-процесс представляет собой множество шагов (видов) деятельности объекта хозяйствования, которое начинается с одного или нескольких шагов-входов и заканчивается выходом - созданием продукции (услуги), необходимой потребителю, удовлетворяющей его по стоимости, долговечности, сервису и качеству.

Проект по реинжинирингу бизнеса, включает этапы: Постановка задачи Моделирование (ретроспективный и прямой инжиниринг) Перепроектирование Разработка бизнес-процессов на уровне трудовых ресурсов Разработка поддерживающих информационных систем Внедрение перепроектированных процессов

Рис. Бизнес процесс выполнения заказа Вход Выход Управление Механизм

Рис. Декомпозиция процесса выполнения заказа

Рис. Пример декомпозиции бизнес- процесса

Участниками процесса реинжиниринга являются: лидер проекта владельцы процессов руководящий комитет наблюдателей специалист объекта хозяйствования команда по реинжинирингу А также: эксперт по методу группа обеспечения качества группа документирования координатор (или группа координации) лидеры процессов и владельцы процессов штат менеджера проекта

IDEF – методология, состоящая из трех методов моделирования: IDEF0 используется для создания функциональной модели; IDEF1 применяется для построения информационной модели; IDEF2 позволяет построить динамическую модель меняющегося во времени поведения функций, информации и ресурсов производственной системы или среды.

Интеллектуальный бизнес-анализ (Business Intelligence, BI) технология, позволяющая консолидировать все имеющиеся в компании данные, в единую базу с целью дальнейшего ее анализа специальными средствами это комплекс средств, который позволяет извлекать полезные сведения из разнородных источников (различные информационные базы, специализированные бизнес-приложения, системы отчетности и пр.) и представлять ее в виде, удобном для бизнес-аналитики.

Направления спроса в ПО: 13% предприятий США планирует впервые приобрести ПО класса BI. Обновление ERP, CRM: 12% - освоение сервис-ориентированной архитектуры (SOA), 21% - обновление систем безопасности, 27% - повышение уровня интеграции между приложениями.

OLAP (Online Analyzing Processing – оперативная аналитическая обработка данных) это класс приложений и технологий, предназначенных для сбора, хранения и многомерного анализа данных в целях поддержки принятия управленческих решений.

меры в трехмерном кубе - суммы продаж, измерения – время, товар и магазин. уровни группировки: товары группируются по категориям, магазины – по странам, а данные о времени совершения операций – по месяцам. Рис. Пример куба

Рис. Двумерный срез куба для одной меры Unit Sales (продано штук) и двух «неразрезанных» измерений – Store (Магазин) и Время (Time).

Рис. Двумерный срез куба для нескольких мер - одно «неразрезанное» измерение – Store, но зато значения нескольких мер – Unit Sales (продано штук), Store Sales (сумма продажи) и Store Cost (расходы магазина).

Рис. Двумерный срез куба с несколькими измерениями на одной оси

Data Mining - «добыча», «раскопка данных», «обнаружение знаний в базах данных» (knowledge discovery in databases), «интеллектуальный анализ данных». Процесс аналитического исследования больших массивов информации (обычно экономического характера) с целью выявления определенных закономерностей и систематических взаимосвязей между переменными, которые затем можно применить к новым совокупностям данных.

В основу современной технологии Data Mining (discovery-driven data mining) положена концепция шаблонов (паттернов), отражающих фрагменты многоаспектных взаимоотношений в данных. Эти шаблоны представляют собой закономерности, свойственные подвыборкам данных, которые могут быть компактно выражены в понятной человеку форме.

Рис. Уровни знаний, извлекаемых из данных

Таблица. Примеры формулировок задач при использовании методов OLAP и Data Mining

Data Mining - это процесс обнаружения в «сырых» данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Бизнес-приложения Data Mining в розничной торговле : анализ покупательской корзины (анализ сходства) предназначен для выявления товаров, которые покупатели стремятся приобретать вместе – служит для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах, Исследование временных шаблонов – помогает торговым предприятиям принимать решения о создании товарных запасов. "Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новые батарейки и пленку?" создание прогнозирующих моделей дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, для разработки точно направленных, экономичных мероприятий по продвижению товаров.

Рис. Типы закономерностей, выявляемых методами Data Mining