Вопрос Основы технологий интеллект анализа данных в ИС.

Data Mining (добыча данных). Этот термин точнее, чем наименование «интеллект анализ данных».

Data Mining (c 90-гг) –методы и ср-ва машинной «добычи» из массивов необработ данных инф-ии, кот яв-ся новой, практически ценной, нетривиальной, доступной д/ интерпретации че-ком.

Типовые задачи Data Mining:

1. Классификация – разделение совок-ти на классы, причем кол-во классов определено заранее, известны признаки, соответств каждому классу.

2. Кластеризация – подобна задаче класс-ии, но классы заранее не определены.

 

3. Выявление послед-тей – шаблонов в данных, соответств событиям, происходящим в опред послед-ти.

4. Выявление ассоциаций – шаблонов в данных, соответств событиям, происходящим одновременно.

5. Построение регрессионных моделей и прогнозирование.

Y=a0+a1x

 

Средствами Data Mining добывается ценная инф-я из текстовых, гипертекстовых док-тов сети Internet, а так же нах-ся в других источниках. Для обозначения этих технологий исп-ся:

1. Web Content Mining – методы и ср-ва автоматич аннотирования и классиф-ии текстовых и гипертекстовых док-тов из сети Internet.

2. Web Usage Mining – методы и ср-ва, позволяющие выявить закономерности в поведении пользователей web-узлов.

3. Text Mining – добыча информации из текстового документа.

Основные средства и технологии Data Mining:

1. Стандартные методы мат статистики:

1.1. регрессионный анализ (построение регрессионных моделей).

1.2. Корреляционный анализ – определение коэф-та ясности связи. (1 – абсолютный предел связи).

1.3. Дисперсионный анализ.

1.4. Кластерный анализ.

2. Переборные методы:

просты в реализации, но их эффективность невысокая, поэтому на практике переборные механизмы улучшаются применением эвристик (улучшения, произведенные опытным путем).

3. Искусственные нейронные сети (ИНС).

ИНС м/б универс классификаторами аппроксиматорами и прогнозаторами.

4. Системы с нечеткой логикой и нечеткие модели:

Исп-ся в областях и конкр задачах, д/ кот типична неопред-сть в исходных данных и логич правилах. Неопред-сть данных м/б связана с неполнотой, недостоверностью, противоречивостью, нечеткостью. При решении многих задач исходная инф-я недостаточна, противоречива и т.п.

5. Генетические алгоритмы.

Эволюционные стратегии, исп-мые при решении задач оптимизации.

6. Методы логич шаблонов в шаблонах массивов данных.

Шаблон – послед-ть, определенная цепочка событий.

Инструменты Data Mining:

Стат методы реализуются либо в спец пакетах (SPSS, STATISTICA, R), несложный анализ вып-ся в электр таблицах (MS Excel, Open Office Calc).

Интеллект анализ вып-ся в спецпакетах (SAS, Polyanalist, MATLAB(имеет пакет расширения д/ интелл анализа данных): Neural Network, Fuzzy Logic (нечеткая логика), Genetic Algorithm and Direct Search (генетич алгоритм и прямой поиск).

Основные методологии управления, используемые в АИСУП.

В методологии соврем АИСУП можно выделить след эволюц этапы:

1. MPS - SIC - MRP - CRP - MRPII - ERP

- MPS(Master Planning Sheduling – объемно-календарное планир-е) – ее внедрение позволяет автоматизировать подготовку календарных графиков (план закупки сырья, материалов и т.п.). Недостаток - не позволяет прогнозировать пок-ли спроса и т.п. и не предусматривает оптимизацию складских запасов.

- SIC (Statistical Inventory Control – стат упр-е запасами) –позволяет оптимизировать издержки, связанные со складскими запасами и их пополнением. В основе SIC применение моделей управления запасами.

- MRP (Material Requirements Planning – планир-е потребности в материалах) – основным объектом яв-ся инф-я об объекте материального учета (единица сырья, полуфабриката). Основным док-том яв-ся «Ведомость материалов», кот отражает движение объектов учета.

MRP позволяет при упр-ии производств процессом соотнести перечень необх комплектующих со складскими запасами, планом закупок.

- CPR (Capacity Requirements Planning – планирование потребностей в мощности) –позволяет исп-ть единый подход не только к упр-ю материалами, но и производств мощностями, такими ресурсами как, фин, кадровые, производств.

- MRP II (Manufacturing Resource Planning) –объединяет все предыдущие концепции. Исп-ся единый подход упр-ия всеми ресурсами компании.

- ERP (Enterprise Resource Planning – планирование ресурсов корпорации) – самая соврем методология упр-я пп. Осн задача -интегрировать в едином инф простр-тве все подразделения крупного пп и все функции управления пп. Это достигается за счет исп-ия единых БД, современных технологий лок сетей, автоматизации планир-я, анализа, контроля, прогнозир-я. Наличие этой системы позволяет исключить повторный ввод данных.

Соврем крупные АИСУП относятся к ERP-системам.

Особенности выбора и внедрения ИС на пп.

ИС, как программный продукт может приобретаться на пп 3 путями:

1. Приобретение готовой системы;

2. Доработка и конфигурирование готовой системы;

3. Создание системы либо сторонними фирмами под заказ, либо создание собств силами.

Первый вариант для пп с типовой орг структурой, типовой организацией бизнес-процессов.

Второй вариант если ппв чем-то является нетиповым или относится к сфере деят-ти, д/ кот нет полностью готовых типовых систем.

Третий вариант если пп во многом является уникальным, если готовые системы для его сферы либо отсутствуют, либо недоступны.

Самостоятельная разработка м/б целесообразна при наличии специалистов и при существснижении издержек по сравнению с приобретением системы.

Системы искусственного интеллекта и их применение в сфере экономики.

Определения и основные понятия, связанные с ИИ.

Искусственный интеллект (Artificial Intelligence, AI, ИИ) – впервые употребили в 1956 г. на семинаре в Дортмундском университете.

Intelligence – способность мыслить разумно.

1920г. К. Чапек – чешский драматург написал произв-е «R.U.R.» робот. описал завод, кот занимался пр-вом человекоподобных машин (роботов), но напоминавших по виду андроидов.

Робототехника, как раздел технологии или инженерного дела, связанного с пр-вом человекоподобных машин.

ИИ– то, что еще не создано (бесспорное опред-е).

ИИ – алгоритм создания алгоритмов.

«Тест Тьюринга» или «Критерий Тьюринга» 1950 г. – англ мат-ик Алан Тьюринг опуб-л статью «Вычислит машины и разум». предложил способ опред-я наличия искусств разума у техники.

Критерий Тьюринга – если при общении с искусств системой в диалоговом режиме по достаточно широкому кругу вопросов ч-к не в состоянии понять, кем яв-ся его собеседник (машиной или другим ч-ком) – это означает, что система яв-ся ИИ.

Неясности – насколько же широк круг вопросов.

Дж. Сёрль еще в начале 80-х гг. предложил в одной из своих работ тест, опровергающий «Тест Тьюринга», который условно называется «Тест с кит комнатой».

Суть: выберем предмет, кот д/ ч-ка, кот участвует в эксперименте абсолютно не известен. Напр, кит яз. Ч-ка садят в комнату и заставят переводить с кит, но у него есть руководство (супер-словарь и т.д.) на том языке кот он знает, напр англ. Эта книга о том, как составлять иероглифы. Ч-ку передают записки с вопросами из вне, вопросы любые. Моя задача карточками с кит иероглифами составить осмысл ответ на вопрос. Создастся впечатление, что ч-к, нах-ся в комнате – владеет языком на достаточно высоком уровне, но на самом деле это мех операция с символами.

ИИ (расширенное опред-е) – ИС (машина, программа), способная моделировать или воспроизводить по внешним признакам интеллект деят-ть ч-ка при решении сложных слабо формализ задач.

В наст время сущ-ют 2 понятия:

-Сильный интеллект. в полном смысле соответств разуму человека, или превосходящий ее.

-Слабый интеллект. система или программа, способные решать отдельные задачи интеллект типа. Его подобие интеллекту ч-ка необяз-но.

С самого начала (с 50-х гг.) ведутся исслед-ия в области создания восходящего и нисходящего ИИ.

Попытки создать нисходящий ИИ исходят из предп-я, что возможно создать систему, наделенную высокоразвитым интеллектом «с самого начала». Система с момента ее «включения» способна решать