Экономические информационные системы. Интеллектуальные технологии в экономических информационных системах

Активные исследования в области искусственного интеллекта, проводимые со второй половины 20-го века, привели к коммерческому внедрению прикладных интеллектуальных систем в различные сферы общественной жизни. О создании действительно интеллектуальной системы, неотличимой в общении от человека, речи пока не идет. Однако уже сейчас многие программы наделяются способностями решать реальные задачи, которые до недавнего времени оставались исключительной прерогативой человека.

К числу основных возможностей компьютерных интеллектуальных систем следует отнести:
- возможность решать задачи, которые трудно или невозможно сформулировать в математическом виде (т.е. в виде формул – уравнений, неравенств). В таких задачах сама постановка цели, ограничения и критерии достижения цели (полностью или частично) становятся неопределенными и «нематематическими». К числу таких задач в ЭИС можно отнести принятие решений по кредитованию, формирование портфеля заказов, выбор модели бизнеса и организационной структуры предприятия. В них, как и во многих других, математическая модель может отразить только часть реально учитываемых менеджерами факторов и ограничений. Более сложные взаимосвязи при принятии решений к математическому виду не приводятся и учитываются не в программах, а исключительно «в голове» руководителя - лица, принимающего решения (ЛПР);

- возможность решать задачи при недостатке, неточности или недостоверности исходных данных. При этом, равно как и человек в таких условиях, подобная система выдает некоторое «примерное» (правдоподобное) решение, пусть не самое оптимальное, но рациональное и логически обоснованное;

- возможность обучаться (адаптироваться), т.е. накапливать опыт, уточнять имеющиеся или приобретать новые сведения о решаемых задачах в процессе функционирования. В результате такого обучения решения системы, как правило, становятся более точными и обоснованными.

Традиционно компьютер в экономической информационной системе является, по существу, мощным вычислителем, средством для хранения и обмена информацией. Развитие интеллектуальных возможностей программного обеспечения позволяет сделать ЭИС средством управления, способным взять на себя часть интеллектуальных функций человека, избавив его от мучительных раздумий при поиске решения, усилив его багаж знаний и мыслительные способности.

Ниже рассмотрим некоторые технологии интеллектуальных систем, которые находят применение в экономической информационной системе (или перспективны для такого применения).

Отметим, что обсуждаемые технологии интеллектуальных систем применимы в различных классах ЭИС (см. гл.2), включая системы обработки данных, информационно-поисковые системы, автоматизированные системы управления.

6.1. Экономическая информационная система. Технологии систем, основанных на знаниях (СОЗ)

Знания в компьютерной системе – закодированные некоторым образом сведения об объектах предметной области, их поведении и взаимосвязях, о способах и средствах решения задач, которые в условиях, характеризуемых некоторыми данными, используются для решения задач в этой предметной области.

Знания, таким образом, есть инструмент решения задач. Данные выступают в качестве информационного обеспечения такого инструмента. Данные – это значения численных и символьных переменных, констант.

Так, менеджер, принимая решение о выборе поставщика продукции для свой фирмы, знает, какую информацию собрать об этом потенциальном поставщике (т.е. знает «что сделать») и знает, каким образом, в какой последовательности собрать и оценить данную информацию для принятия окончательного решения (знает «как сделать»). Ответы на те или иные вопросы этого менеджера, характеристики потенциального поставщика и предлагаемых им условий будут выступать в качестве данных. Эти данные могут быть получены как в процессе работы, так и на основе полученных ранее сведений или путем вычислений по другим данным.

Строго говоря, в любой программе присутствуют знания специалистов данной предметной области, для решения задач которой применяется программа. Однако в традиционных программах эти знания «растворены» в алгоритмах. Для интеллектуальных СОЗ характерным является то, что знания в них отделены от самих программ, представлены в явном виде, могут быть отредактированы, дополнены, исправлены (подобно данным, которые хранятся в специальных базах данных).

Для этого в структуру СОЗ включается база знаний (БЗ), в которой организуются и хранятся знания системы, а также редактор базы знаний (подсистема приобретения знания). Для того, чтобы использовать знания, в структуру системы включается еще один специальный блок – машина вывода (другие названия – механизм вывода, подсистема управления, блок принятия решений, интерпретатор знаний и т.п.). Если база знаний выступает в качестве аналога памяти человека, то машина вывода является аналогом его мышления.

Наиболее известными СОЗ являются экспертные системы (ЭС), которые начали разрабатываться в 60-70-х годах 20-го века и явились первым ярким примером коммерческого использования достижений в области искусственного интеллекта. Возможность получить от исследований в этой области не только «интерес», но и реальную прибыль появилась после того, как вместо амбициозных целей «научить машину размышлять» была поставлена и решена более простая задача – сохранять в компьютерной системе и использовать для решения задач некоторые знания человека, которые он применяет на практике. Такими системами стали экспертные системы.

Экспертная система - компьютерная система, которая аккумулирует в себе знания специалистов - экспертов некоторой предметной области и на их основе решает заданный круг задач этой области подобно тому, как это делают эксперты.
Для того, чтобы оценить целесообразность разработки экспертных систем в некоторой области, необходимо иметь представления о следующих особенностях ЭС.

Экспертная система:
- содержит в себе эмпирические (опытные, поверхностные) знания экспертов, которые являются главным инструментом ЭС. Преобладающими в ЭС являются факты и отношения между ними, которые и составляют основу базы знаний системы;
- не предназначена для «свершения открытий» или решения уникальных задач. Напротив, ЭС целесообразно применять только там, где имеются повторяющиеся, но достаточно трудоемкие для обычного персонала задачи;
- рассчитывается на достаточно узкий круг задач в одной области (например, задача оценивания клиента на предмет кредитования, задача диагностирования неисправности автомобиля, задача определения диагноза больному и т.п.);
- не предназначается для крупных специалистов, руководителей, которые «не нуждаются в советах со стороны». Но ЭС будет полезна в той области, где имеются опытные эксперты, способные передать свои знания системе, и где много «обычных» специалистов, которым совет эксперта стал бы реальной помощью при решении задачи. Именно последние и будут пользователями системы;
- должна решать задачи примерно так, как это делает эксперт: запрашивать недостающие данные (как правило, в диалоге с пользователем), объяснять полученные выводы и промежуточные результаты. Иначе говоря, результаты работы системы должны внушать доверие пользователю, только тогда он сможет применить их на практике.

На рис. 6.1 показана обобщенная структурная схема ЭС. Здесь пользователь – человек, который решает некоторую задачу с помощью ЭС; эксперт – специалист в данной области, чьи знания использует система для решения задачи; инженер по знаниям – специалист, владеющий технологиями опроса экспертов, выявления и формализации знаний для передачи их программистам - разработчикам ЭС.


Рис. 6.1. Обобщенная структура экспертной системы

Рассмотрим иллюстративный пример применения ЭС. Пусть имеется фирма, торгующая продуктами питания и напитками и имеющая ряд торговых точек в разных районах города.

В силу специфики районов, в зависимости от периода времени, каких-то других условий спрос на различные продукты не остается постоянным. Для оптимизации продаж возникает задача поставлять в торговые точки те продукты (и в том количестве), которые будут пользоваться наибольшим спросом именно на данный период времени. Качество решения этой задачи зависит от знаний и опыта продавцов и менеджеров фирмы. Аккумулируя эти знания, можно получить ЭС, централизовано решающую задачи планирования продаж и, соответственно, поставок в торгующие точки.

Особо актуальной такая ЭС может быть в фирме, где часто меняется состав менеджеров и продавцов. При этом полезными могут быть даже качественные оценки прогноза объема продаж, выраженные в виде «не изменится», «вырастет», «существенно вырастет», «упадет», «существенно упадет» и т.п. Сами знания в ЭС могут быть представлены в виде зависимостей между отдельными фактами, например, так:

Если приближаются праздничные дни, то ожидается рост продаж напитка А;

Если рост продаж напитка А, то ожидается рост продаж продукта В;

Если район Р, то к числу праздничных дней добавить день Защиты детей;

Если объем продаж напитка А оставался высоким в течение трех недель И время – период отпусков, то объем продаж всех продуктов – падает

и т.д.

Сама последовательность таких правил необязательно отражает последовательность рассуждений эксперта. Эти рассуждения будут организованы машиной вывода. Так, по получению задания на прогнозирование продаж, система в соответствии с заложенной стратегией вывода, может уточнить у пользователя период планирования, район и далее другие сведения, о которых будет упоминаться в выбираемых правилах, и которые будут неизвестны системе. В результате после применения правил системой будут выведены заключения о тех или иных изменениях в продажах.

Упомянутые в данном примере правила называют правилами продукций. Продукционная модель представления знаний является, пожалуй, наиболее распространенной в СОЗ. В общем виде правила продукций записываются так:

Если <Условие> То <Заключение>,

где <Условие> может представлять из себя сложное высказывание, состоящее из более простых, связанных связками “И” , “ИЛИ”, “Не”.

Практически правила продукций интересны еще и тем, что позволяют представлять и использовать знания с некоторой степенью определенности, например, с помощью специальных коэффициентов уверенности:

Если <А> То (К_З) <В>,
что интерпретируется так: если верно А, то с уверенностью К_З верным будет и В. Если А верно с коэффициентом уверенности К_А, то коэффициент уверенности В вычисляется по формуле:
К_В = К_З*К_А,
где К_З – называют коэффициентом силы правила. Например, в некоторой ситуации пользователь не смог уверенно сказать, что объем продаж напитка А «вырос существенно», но может оценить, что этот факт верен примерно на 70%. Тогда устанавливаем К_А = 0.7. Из наблюдений экспертов известно, что продажи продукта В, как правило, возрастают с возрастанием продаж напитка А. Однако, эксперт не дает стопроцентной гарантии и потому оценивает силу такого утверждения с коэффициентом К_З = 0.9. Тогда имеем К_В = 0.9*0.7=0.63 – коэффициент уверенности в истинности выводимого факта «Продажи продукта В возрастут». Отметим, что правила в БЗ могут быть такими, что позволят вывести несколько независимых свидетельств в пользу того или иного факта. Тогда предусматривается комбинация коэффициентов уверенности, полученных по разным цепочкам вывода.
Существующие методики расчета коэффициентов являются достаточно понятными и простыми для реализации, позволяют в результате получить от ЭС правдоподобный ответ и при неуверенности в исходных наблюдениях (т.е. в наблюдаемых фактах и взаимосвязях между ними).

Продукционная модель является не единственной моделью представления знаний в СОЗ. Распространены также представление знаний с помощью фреймов и сетей, в частности, семантических сетей. Об этих и других моделях рекомендуется прочитать в предлагаемой литературе (отметим, что модели предметной области в гипертекстовых системах (см. гл.4) можно также рассматривать в качестве частных случаев сетевых моделей знаний для СОЗ).

Практический интерес для реализации интеллектуальных Экономических информационных систем имеет ситуационный подход к принятию решений. Он реализуется в так называемых ситуационных советующих системах (встречаются названия «ситуационная система поддержки принятия решений», «экспертная система с анализом ситуаций» и другие вариации на «ситуационную тему»). В ситуационной системе база знаний представляется набором взаимосвязанных пар вида <ситуация, решение>, где ситуация описывает некоторую типовую для данной области ситуацию, а решение – рациональный вариант действий в данной ситуации. В частном случае решение может подразумевать под собой некоторый план поставок, вариант организации и проведения мероприятия, рекомендацию менеджеру по способу действий, рекомендацию по использованию инструктивных и методических материалов и другие руководства к действиям.

Если в продукционной ЭС знания представляются в виде взаимосвязей между фактами, то ситуационная система содержит в себе описания ситуаций целиком, например, в виде перечня атрибутов (параметров) ситуации и их значений. В привязке к рассмотренному выше примеру могут быть введены, например, такие ситуации, как ситуация “Общее снижение покупательской активности” или ситуация “Праздничные дни” и ее дальнейшее уточнение – ситуация “Новый год в районе Р ” или ситуация “Праздник 8 Марта в районе Р ” (предполагается, что для каждой из этих ситуаций в базе знаний имеются готовые рекомендации по поставке товаров в торговую точку).

Общий процесс вывода решения в ситуационной системе может быть представлен следующими этапами:
- идентификация текущей ситуации (т.е. оценивание значений ее параметров);
- сравнение текущей ситуации с ситуациями, имеющимися в БЗ и выбор той из них, которая наиболее близка к данной текущей ситуации;
- вывод того решения, которое в БЗ связано с выбранной ситуацией.

При построении базы знаний ситуационной системы можно использовать два подхода:
- описание типовых ситуаций, представляющих собой характерные классы условий для выбора решения. В этом случае вывод основан на распознавании класса текущей ситуации по некоторым правилам или критериям;
- описание ситуаций-примеров, т.е. тех, которые имели место быть ранее в данной области. В этом случае главным становится введение метрик сходства между ситуациями и оценка близости текущей ситуации с ситуациями-примерами.

В обоих случаях система может быть настроена так, чтобы предлагать пользователю не один, а несколько вариантов возможных решений и обосновывать эти предложения описаниями тех ситуаций, которые пользователь может проанализировать самостоятельно. По существу, система просто отбрасывает те решения, которые очевидно не подходят в данной ситуации, и оставляет пользователю значительную свободу для выбора окончательного решения. Данный подход особенно удобен для пользователей высокого уровня самостоятельности – руководителей, менеджеров высшего звена, высококвалифицированных специалистов, а также для поиска решений по аналогии, когда в БЗ отсутствует точное описание текущей ситуации.

Экономическая информационная система и корпоративные базы знаний (КБЗ). Повышение сложности профессиональных задач, как следствие повышение требований к квалификации персонала и трудности подготовки высококвалифицированных опытных кадров привели к естественному желанию сохранять знания специалистов, опыт решения проблемных задач и сделать их доступными для работников предприятия.

Эти задачи призваны решать корпоративные базы знаний, идея которых получает все большее развитие, особенно, в передовых зарубежных компаниях. В настоящее время не определена общая технология создания и использования КБЗ, скорее, имеется некоторая концепция сохранения и использования знаний корпорации. На предприятиях эти знания могут быть представлены с помощью информационно-поисковых, в частности, гипертекстовых систем, ситуационных советующих систем, интегрироваться с базами данных и содержать в себе описания проблем и возможных решений, актуальную документацию, выполненные проекты, технологии и т.п. Отметим, что создание КБЗ преследует и такую цель, как устранение зависимости предприятия от отдельных специалистов, приобретших уникальный опыт решения проблемных задач в данной области и имеющих знания, отсутствующие в учебниках, методических и технических материалах.

6.2. Экономическая информационная система. Технологии интеллектуального анализа данных (Data Mining, Knowledge discovery in databases)

Технологии интеллектуального анализа данных (ИАД, другие термины - Data Mining, Knowledge discovery in databases) предназначены для выявления знаний – закономерностей и логических взаимосвязей в больших объемах данных различного формата и происхождения. Методы ИАД стали активно развиваться в 90-х годах. К этому времени на крупных предприятиях “скопились” большие объемы сведений (фактуальных, документальных), хранимых в разном виде, различных форматах и базах данных. Чтобы эти сведения не лежали «мертвым грузом», а приносили пользу, были предложены концепция внедрения информационных хранилищ данных (Data Wаrehousing) и применение методов ИАД.

Методы ИАД имеют основной целью выявление закономерностей на основе анализа данных для последующего обоснования и принятия решений. Выделяют следующие основные типы таких закономерностей [В.Дюк, А. Самойленко. Data Mining]:

- ассоциация – связь между событиями. Например, исследование в супермаркете может показать, что 65% купивших кукурузные чипсы берут также и “коку-колу”, а при наличии скидки за такой комплект колу приобретают в 85% случаев. Располагая сведениями о подобной ассоциации, менеджерам легко ценить, насколько действенна предоставляемая скидка;

- последовательность – цепочка связанных во времени событий. Например, после покупки дома в 45% случаев в течение месяца приобретается новая кухонная плита, а в пределах двух недель 60% новоселов приобретают холодильник;

- классификация – выявление среди параметров, описывающих объекты, тех признаков и их взаимосвязей, которые позволяют отнести новый объект к той или иной группе. Пусть, например, имеются данные о покупателях, которые обслуживались фирмой. Известно, что все множество этих покупателей условно можно разделить на классы: “бедный”, “богатый”, “богатый, но прижимистый”. Оценивая параметры покупателей система ИАД может вывести закономерности между их значениями и принадлежностью покупателя к одному из классов. Тогда, получая характеристики потенциальных покупателей, можно заранее отнести их к тому или иному классу и предложить определенные рекомендации по работе с ними;

- кластеризация – выявление устойчивых групп в множестве объектов, описываемых набором данных. В отличие от классификации сами группы - кластеры здесь неизвестны, их требуется определить. Возможно, что при анализе некоторого множества данных о покупателях сформируются группы и признаки покупателей, предпочитающих определенный вид товара и способ обслуживания;

- прогнозирование – выявление на основе исторической информации закономерностей, отражающих динамику поведения объектов и позволяющих прогнозировать их будущее.

Методы ИАД являются дополнением традиционных методов статистической обработки данных (факторного, корреляционного, регрессионного и других видов анализа). Основной их особенностью является выявление логических связей между данными и представление результатов не в виде абстрактных математических формул, а в форме, позволяющей наглядно отобразить, интерпретировать и объяснить полученные знания. Именно эта наглядность найденных знаний объясняет практическую важность методов ИАД в реальных задачах принятия решений.

Среди технологий выявления и отображения логических закономерностей в данных выделим следующие:

- технологии деревьев решений (decision trees) – построение по анализу описаний объектов дерева, каждая вершина которого есть правило для сравнения некоторого параметра Х с заданным значением А. Эти правила связаны между собой ребрами дерева так, что в зависимости от ответа на вопрос о параметре Х задается вопрос о значении параметра Y или Z. Конечные вершины дерева соответствуют некоторым решениям, например, указывают на принадлежность объекта к тому или иному классу (например, клиент

– платежеспособный или нет; ситуация – конфликтная, потенциально конфликтная или неконфликтная). Для лучшего понимания приведем иллюстративный пример.

Пусть известно некоторый достаточно большой перечень автомобилей, в котором выделяются три класса: класс 1 – автомобили, требующие косметического ремонта; класс 2 – автомобили не требующие ремонта; класс 3 – автомобили, требующие капитального ремонта. Каждый из автомобилей описывается набором параметров и их значениями. Система ИАД анализируя эти параметры может выбрать те из них, по значениям которых можно оценить принадлежность автомобиля к одному из классов. Эти параметры и их значения образуют систему – дерево решений (см. пример на рис. 6.2, который, однако, является сугубо иллюстративным и не претендует на точность).


Рис.6.2. Иллюстративный пример дерева решений для распознавания класса автомобиля

Тогда, если имеется описание нового автомобиля, класс которого неизвестен, построенное компьютерной системой дерево решения позволит с большой долей уверенности сделать вывод о принадлежности к тому или иному классу, т.е. по существу - о необходимости капитального или косметического ремонта;

- технологии обнаружения и построения правил “Если… То” – на основании анализа имеющихся в базах данных событий вида “параметр Х больше (меньше, равно) константы А” строится система продукционных правил, позволяющих устанавливать ассоциации в данных, решать задачи классификации, прогнозирования и т.п.

К числу наиболее известных программных продуктов ИАД следует отнести систему See5 (производитель – RuleQuest, www.rulequest.com), WizWhy (производитель – WizSoft, www.wizsoft.com). Подробная информация об этих системах имеется в [Дюк], а прилагаемый к этой книге компакт-диск содержит демонстрационные версии программ с примерами. Следует отметить также отечественную разработку – многофункциональный пакет программ для интеллектуального анализа данных Deductor. Облегченная версия Deductor, а также полезные сведения из области ИАД имеются на сайте производителя – www.basegroup.ru.

6.3. Экономическая информационная система. Технологии распознавания образов и понимания текстов

Распознавание образов в ЭИС применяется, в частности, для “узнавания” рукописных и машинописных символов и автоматизации ввода их в ЭВМ. Примером может быть система распознавания банковских чеков Intercheque (разработала французская фирма A2iA на основе теоретических методов Российских ученых), позволяющая распознать для ввода в систему обработки рукописную подпись и сумму чека. Другим примером программы, в которой реализованы технологии распознавания образов, является известный пакет для сканирования и обработки текстов Finereader. Технологии понимания текстов реализуются в информационно-поисковых системах.

В настоящее время в ИПС используется, как правило, весьма ограниченный искусственный язык запросов для поиска документов. Предполагается, что интеллектуальные ИПС смогут понимать семантику и прагматику запросов пользователя, выполненных на естественном языке.

В заключение темы приведем на рис.6.3. укрупненную схему применения технологий интеллектуальных систем в ЭИС. Отметим, что приведенные здесь сведения в силу значительного объема материала по интеллектуальным системам являются весьма неполными и отражают только самые общие тенденции использования достижений искусственного интеллекта в данной области. Читателю, обратившемуся к дополнительной литературе, будет полезным обратить внимание на такие направления развития интеллектуальных систем, как искусственные нейронные сети; эволюционное моделирование и генетические алгоритмы; «мягкие» вычисления и нечеткая логика и др., каждое из которых может быть использовано для обработки данных в ЭИС и поддержки принятия решений в экономических задачах.

Рис.6.3. Интеллектуальные технологии в ЭИС


Перепечатывается для бизнес-портала ELport.ru с разрешения автора из книги: Теория экономических информационных систем//И.Н.Глухих. Учебное пособие, Тюмень, ТюмГУ, 2003.