Программные средства поддержки решений

Виды обеспечения информационных технологий

Математическое обеспечение состоит из алгоритмического и программного.

Алгоритмическое обеспечение - это совокупность математических методов, моделей и алгоритмов, используемых в системе для решения задач и обработки информации.

Программное обеспечение (ПО) подразделяется на системное и прикладное ПО. Системное ПО - это машинно-ориентированное ПО. Оно реализовано в виде операционной системы, сетевого ПО, сервисных программ и систем программирования. Прикладное ПО является проблемно-ориентированным и реализуются в виде комплексов программ решения конкретных задач.

Информационное обеспечение - это совокупность средств и методов построения информационной базы. Оно определяет способы и формы хранения и отображения информации в организации в виде данных, документов, графиков и сигналов.

Аппаратное обеспечение информационных систем состоит из средств: получения, преобразования, передачи и отображения информации, вычислительной техники, локального управления и регулирования.

Организационное и методическое обеспечение - это совокупность средств и методов организации производства и управления им в условиях внедрения информационной системы. Оно включает в себя методики проведения работ, требования к оформлению документов, должностные инструкции и т.д.

В настоящее время информационные технологии служат не только для хранения и извлечения хранящейся информации, но и направлены на добывание новых знаний.

Одним из широко используемых направлений информационных технологий в этой области – системы поддержки принятия решений.

Задача принятия решений осложняется тем, что специалисту приходится искать из множества допустимых решений наиболее приемлемое, сводящее к минимуму потери ресурсов (временных, трудовых, материальных и т.д.). Благодаря применению вычислительных систем повышается аналитичность обрабатываемых сведений, а также обеспечивается постепенный переход к автоматизации выработки оптимальных решений в процессе диалога пользователя с вычислительной системой.

Системы поддержки принятия решений (Decision Support System)

Систе́ма подде́ржки приня́тия реше́ний (СППР) (англ. Decision Support System, DSS) — компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. СППР возникли в результате слияния управленческих информационных систем и систем управления базами данных.

Приведем определение СППР: СППР — совокупность процедур по обработке данных и суждений, помогающих в принятии решений, основанная на использовании моделей.

Для анализа и выработок предложений в СППР используются разные методы. Это могут быть: информационный поиск, интеллектуальный анализ данных, поиск знаний в базах данных, рассуждение на основе прецедентов, имитационное моделирование, эволюционные вычисления и генетические алгоритмы, нейронные сети, ситуационный анализ, когнитивное моделирование и др. Некоторые из этих методов были разработаны в рамках искусственного интеллекта. Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР, или ИСППР.

Близкие к СППР классы систем — это экспертные системы и автоматизированные системы управления.

Современные системы поддержки принятия решения (СППР) представляют собой системы, максимально приспособленные к решению задач повседневной управленческой деятельности, являются инструментом, призванным оказать помощь лицам, принимающим решения (ЛПР). С помощью СППР может производиться выбор решений некоторых неструктурированных и слабоструктурированных задач, в том числе и многокритериальных.

В настоящее время нет общепринятого определения СППР, поскольку конструкция СППР существенно зависит от вида задач, для решения которых она разрабатывается, от доступных данных, информации и знаний, а также от пользователей системы. Можно привести, тем не менее, некоторые элементы и характеристики, общепризнанные, как части СППР:

СППР — в большинстве случаев — это интерактивная автоматизированная система, которая помогает пользователю (ЛПР) использовать данные и модели для идентификации и решения задач и принятия решений. Система должна обладать возможностью работать с интерактивными запросами с достаточно простым для изучения языком запросов.

Turban предложил список характеристик идеальной СППР. Идеальная СППР:

1) оперирует со слабоструктурированными решениями;

2) предназначена для ЛПР различного уровня;

3) может быть адаптирована для группового и индивидуального использования;

4) поддерживает как взаимозависимые, так и последовательные решения;

5) поддерживает 3 фазы процесса решения: интеллектуальную часть, проектирование и выбор;

6) поддерживает разнообразные стили и методы решения, что может быть полезно при решении задачи группой ЛПР;

7) является гибкой и адаптируется к изменениям как организации, так и ее окружения;

8) проста в использовании и модификации;

9) улучшает эффективность процесса принятия решений;

10) позволяет человеку управлять процессом принятия решений с помощью компьютера, а не наоборот;

11) поддерживает эволюционное использование и легко адаптируется к изменяющимся требованиям;

12) может быть легко построена, если может быть сформулирована логика конструкции СППР;

13) поддерживает моделирование;

14) позволяет использовать знания.

Исполнительные информационные системы (Executive Support System)

Исполнительные информационные системы (Executive Support System - ESS) появились в 80-х годах. Ключевая концепция исполнительной информационной системы состоит в том, что такая система поставляет интерактивную совокупность текущей информации относительно конъюнктур рынка, формирует легкий доступ для старших руководителей и других менеджеров без помощи посредников. ESS использует современную графику, связь и методы хранения данных, обеспечивая исполнителям легкий интерактивный доступ к текущей информации относительно состояния организации.

Первоначально большинство ESS создавалось только для самих высших руководителей в фирме, но сейчас круг пользователей в большинстве компаний расширен, чтобы охватить все уровни управления. ESS использует данные, которые были отфильтрованы и обличены в итоге в форму, полезную для руководителей организации. Кроме того, много эффективных ESS включают качественные данные типа информации о конкурентоспособности, оценки и прогнозы.

Интеллектуальный анализ данных (Data Mining)

Data Mining переводится как "добыча" или "раскопка данных". Нередко рядом с Data Mining встречаются слова "обнаружение знаний в базах данных" (knowledge discovery in databases) и "интеллектуальный анализ данных". Их можно считать синонимами Data Mining. Возникновение всех указанных терминов связано с новым витком в развитии средств и методов обработки данных.

До начала 90-х годов, казалось, не было особой нужды переосмысливать ситуацию в этой области. Все шло своим чередом в рамках направления, называемого прикладной статистикой.

В связи с совершенствованием технологий записи и хранения данных на людей обрушились колоссальные потоки информационной руды в самых различных областях. Деятельность любого предприятия (коммерческого, производственного, медицинского, научного и т.д.) теперь сопровождается регистрацией и записью всех подробностей его деятельности. Что делать с этой информацией? Стало ясно, что без продуктивной переработки потоки сырых данных образуют никому не нужную свалку.

Специфика современных требований к такой переработке следующие:

- данные имеют неограниченный объем;

- данные являются разнородными (количественными, качественными, текстовыми);

- результаты должны быть конкретны и понятны;

- инструменты для обработки сырых данных должны быть просты в использовании.

Традиционная математическая статистика, долгое время претендовавшая на роль основного инструмента анализа данных, не решает этих проблем. Главная причина — концепция усреднения по выборке, приводящая к операциям над фиктивными величинами (типа средней температуры пациентов по больнице и т.п.). Методы математической статистики оказались полезными главным образом для проверки заранее сформулированных гипотез (verification-driven data mining) и для “грубого” разведочного анализа, составляющего основу оперативной аналитической обработки данных (online analytical processing, OLAP).

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. Поиск шаблонов производится методами, не ограниченными рамками априорных предположений о структуре выборке и виде распределений значений анализируемых показателей. Примеры заданий на такой поиск при использовании Data Mining приведены в таблице.

Важное положение Data Mining — нетривиальность разыскиваемых шаблонов. Это означает, что найденные шаблоны должны отражать неочевидные, неожиданные (unexpected) регулярности в данных, составляющие так называемые скрытые знания (hidden knowledge). К обществу пришло понимание, что сырые данные (raw data) содержат глубинный пласт знаний, при грамотной раскопке которого могут быть обнаружены настоящие самородки

В целом технологию Data Mining достаточно точно определяет Григорий Пиатецкий-Шапиро — один из основателей этого направления:

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.