Этап 6. Выбор специализированных прикладных программных средств.

При всей описанной общности каждая компания имеет свою специфику, которая определяется родом ее деятельности. Выбор специализированных программных средств в значительной степени зависит от этой специфики.

Например, для компаний, связанных с добычей нефти, в составе информационной системы важно иметь геоинформационные системы. Для промышленных предприятий - системы автоматизации технологических процессов, а также системы класса CAD/CAM. Для коммерческих служб любой фирмы желательно иметь системы финансового анализа, планирования и прогнозирования, для торговых фирм - системы учета клиентов и т.д. При этом могут быть использованы старые наработки (например, бухгалтерия, система регистрации товара на складе и т.д.), интеграция которых в информационную систему будет не слишком трудоемка. Не исключено, что потребуется разработка отдельных специализированных компонентов и интеграция их в единую систему.

Абсолютно для всех компаний необходимо иметь в составе информационной системы стандартный набор приложений, таких как текстовые редакторы, электронные таблицы, коммуникационные программы и т.д. Одним из критериев выбора подобных систем должна быть возможность их несложной интеграции в корпоративную информационную систему.

Этап 7.Необходимо отметить специальный класс приложений - систем поддержки принятия решений, позволяющие моделировать правила и стратегии бизнеса и иметь интеллектуальный доступ к неструктурированной информации. Системы подобного класса основаны на технологиях искусственного интеллекта.

Различают два направления в развитии технологий искусственного интеллекта:

· Технология вывода, основанного на правилах;

· Технология вывода, основанного на прецедентах.

Практически все ранние экспертные системы моделировали процесс принятия экспертом решения как чисто дедуктивный процесс с использованием вывода, основанного на правилах. Это означало, что в систему закладывалась совокупность правил "если...то...", согласно которым на основании входных данных генерировалось то или иное заключение по интересующей проблеме. Такая модель являлась основой для создания экспертных систем первых поколений, которые были достаточно удобны как для разработчиков, так и для пользователей-экспертов. Однако с течением времени было осознано, что дедуктивная модель эмулирует один из наиболее редких подходов, которому следует эксперт при решении проблемы.

На самом деле, вместо того чтобы решать каждую задачу, исходя из первичных принципов, эксперт часто анализирует ситуацию в целом и вспоминает, какие решения принимались ранее в подобных ситуациях. Затем он либо непосредственно использует эти решения, либо при необходимости, адаптирует их к обстоятельствам, изменившимся для конкретной проблемы.

Моделирование такого подхода к решению проблем, основанного на опыте прошлых ситуаций, привело к появлению технологии вывода, основанного на прецедентах (по-английски: Case-Based Reasoning, или CBR), и в дальнейшем - к созданию программных продуктов, реализующих эту технологию.

Прецедент - это описание проблемы или ситуации в совокупности с подробным указанием действий, предпринимаемых в данной ситуации или для решения данной проблемы. Хотя не все CBR-системы полностью включают этапы, приведенные ниже, подход, основанный на прецедентах, в целом состоит из следующих компонентов:

· получение подробной информации о текущей проблеме;

· сопоставление (сравнение) этой информации с деталями прецедентов, хранящихся в базе, для выявления аналогичных случаев;

· выбор прецедента, наиболее близкого к текущей проблеме, из базы прецедентов;

· адаптация выбранного решения к текущей проблеме, если это необходимо;

· проверка корректности каждого вновь полученного решения;

· занесение детальной информации о новом прецеденте в базу прецедентов.

Таким образом, вывод, основанный на прецедентах, представляет собой метод построения экспертных систем, которые делают заключения относительно данной проблемы или ситуации по результатам поиска аналогий, хранящихся в базе прецедентов.

В ряде ситуаций CBR-метод имеет серьезные преимущества по сравнению с выводом, основанным на правилах, и особенно эффективен, когда:

· основным источником знаний о задаче является опыт, а не теория,

· решения не уникальны для конкретной ситуации и могут быть использованы в других случаях;

· целью является не гарантированное верное решение, а лучшее из возможных.

Обратная связь, возникающая при сохранении решений для новых проблем, означает, что CBR-метод по своей сути является "самообучающейся" технологией, благодаря чему рабочие характеристики каждой базы прецедентов с течением времени и накоплением опыта непрерывно улучшаются. Разработка баз прецедентов по конкретной проблеме или области деятельности происходит на естественном русском языке, т.е. не требует никакого программирования и может быть выполнена наиболее опытными сотрудниками - экспертами, работающими в данной конкретной области.

Не стоит, однако, рассчитывать, что экспертная система будет действительно принимать решения. Принятие решения всегда остается за человеком, а система лишь предлагает несколько возможных вариантов и указывает на самый "разумный" с ее точки зрения.

Реально на рынке предлагается лишь несколько коммерческих продуктов, реализующих технологию вывода, основанного на прецедентах. Это объясняется, в первую очередь, сложностью алгоритмов и их эффективной программной реализации. Наиболее успешные и известные из присутствующих на рынке продуктов - CBR Express и Case Point (Inference Corp.), Apriori (Answer Systems), DP Umbrella (VYCOR Corp.). Некоторые из них представлены и на Российском рынке.