Источники информации. Рис. 5.4. Вариант функционирования OLAP-средств

Рис. 5.4. Вариант функционирования OLAP -средств

Клиентские OLAP-средства представляют собой приложения, осуществляющие многомерный анализ данных, содержащихся в какой-либо СУБД, и вычисление агрегатных данных (сумм, средних величин, максимальных или минимальных значений и т.д.). Если исходные данные содержатся в настольной СУБД, то вычисление агрегатных данных производится непосредственно самим OLAP- средством на ПК пользователя; если же источник исходных данных представляет собой серверную СУБД, то многие из клиентских OLAP-средств используют возможности сервера БД для вычисления агрегатных данных.

Клиентские OLAP-средства применяются обычно при небольшом числе параметров, используемых для анализа, и небольшом разнообразии значений этих параметров, так как при увеличении числа параметров объем занимаемой данными оперативной памяти резко увеличивается. Именно поэтому даже самые простые клиентские OLAP-средства обычно содержат инструменты предварительного подсчета объема оперативной памяти, который потребуется при создании и отображении многомерных данных.

Преимущества применения серверных OLAP-средств по сравнению с клиентскими заключаются в том, что пересчет и хранение агрегатных данных происходят на сервере, а клиентское приложение получает лишь результаты запросов к ним, поэтому трафик, время выполнения запроса и потребляемая оперативная память в общем случае оказываются намного ниже, чем в случае использования клиентских OLAP-cpeдcтв с теми же исходными данными. Поэтому при значительным числе параметров, используемых для анализа, при большом разнообразии их значений и большом объеме исходных данных, например масштаба предприятия, применятся серверные OLAP-средства.

3. Средства генерации отчетов (репортинга) — RT {Reporting tools) — позволяют специалистам получать отчеты в структурированном виде и контролировать процессы по различным фиксированным показателям.

Подготовка отчетности — одна из важнейших задач, стоящих перед предприятиями. Сегодня генерация отчетности и выполнение анализа требуются как для всего бизнеса, и так для различных его компонентов — корпоративного транзакционного приложения, базы данных, автоматизированного решения управленческих задач и т.д.

Отчет представляет собой документ, содержимое которого динамически формируется на основе информации, содержащейся в базе данных. Отчеты могут содержать данные из одной или нескольких таблиц либо запросов (например, продажа определенного вида товара за конкретное число), а также данные из одной или нескольких записей (например, счет, в котором помимо сведений о заказе (дата, время, реквизиты заказчика) содержится список заказанных товаров с их количеством, ценами и скидками). Кроме того, отчет может содержать только агрегатные данные (суммы, средние, максимальные минимальные значения и некоторые другие статистические вычисления).

Отчеты создаются с помощью средств RT, которые могут быть интегрированы в проблемно-ориентированные программы и программные комплексы, а также являться самостоятельным программным продуктом (для анализа имеющихся данных безотносительно формирующих их систем). В настоящее время наличие средств генерации отчетов считается обязательным, а сами они рассматриваются как корпоративный стандарт наряду с другими базовыми технологиями (рис. 5.5).

Рис. 5.5. Вариант использования генератора отчетов

4. Системы интеллектуального анализа данных — DM (Data Mining) — посредством поиска корреляций, тенденций, взаимозависимостей и закономерностей в большом объеме информации позволяют построить модель, с помощью которой можно прогнозировать процессы, играющие роль при планировании бизнеса (например, динамику спроса на те или иные товары или услуги и пр.).

Применение DM осуществляется только при наличии достаточно большого количества информации, содержащейся, например, в корректно спроектированном хранилище данных. Данные в хранилище представляют собой пополняемый набор, единый для всего предприятия и позволяющий восстановить картину его деятельности на любой момент времени, а структура данных хранилища проектируется таким образом, чтобы выполнение запросов к нему осуществлялось максимально эффективно. Однако существуют средства DM, которые способны выполнять поиск закономерностей, корреляций и тенденций не только в хранилищах данных, но и в многомерных БД.

Системы DM возникли и развиваются на базе достижений различных областей знаний — прикладной статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др., которые реализованы в различных действующих программных продуктах класса DM. Многие из них интегрируют в себе сразу несколько подходов. Тем не менее, как правило, в каждом ПО имеется ключевой метод, на который делается основной упор.

Существует большое количество разнообразных DM, которые отличаются по методам, положенным в их основу, применяемым технологиям, типам закономерностей.

Инструменты DM являются основой для разработки различных программных продуктов аналитического характера, которые образуют обширный класс систем искусственного интеллекта (Artificial Intelligence — AI), имитирующих решение человеком сложных интеллектуальных задач.

К такому ПО относятся статистические программы, экспертные системы, нейронные сети, системы поддержки принятия решений.

Статистические программы (SAS компании SAS Institute, SPSS одноименной компании-разработчика, «Statgraphics» компании Manugistics, «Statistica» для Windows и др.). Последние версии почти всех известных статистических пакетов включают наряду с традиционными статистическими методами также элементы Data Mining. Но основное внимание в них уделяется все же классическим методикам — корреляционному, регрессионному, факторному анализу и др.

Недостатком систем этого класса является требование к специальной подготовке пользователя. Также отмечают, что мощные современные статистические пакеты являются достаточно сложными для массового применения в финансах и бизнесе. Кроме того, большинство используемых статистических методов, входящих в состав пакетов, ориентированы на усредненные характеристики выборки, которые при исследовании практических ситуаций зачастую не отражают реального состояния предметной области.

Однако статистические программные продукты с успехом могут применять небольшие и средние предприятия, а большие многопрофильные компании могут интегрировать их в корпоративную информационную систему.

Экспертные системы («G2 ReThink» компании Gensym, XCON, XSEL, фирмы DEC и др.) представляют собой ПО, которое выполняет функции эксперта при решении слабо формализуемых задач или задач, вообще не имеющих алгоритмического решения в области его компетенции.

Экспертные системы в процессе своего функционирования оперирует со знаниями о конкретной предметной области, определенным образом формализованными и представленными в памяти ЭВМ в виде базы знаний (БЗ), которая может изменяться и дополняться в процессе развития системы (см. раздел 7.5).

В любой момент времени в БЗ существуют три типа знаний:

- структурированные статические знания — постоянные знания о предметной области, которые, после того как система их определила, уже не изменяются;

- структурированные динамические знания — изменяемые знания о предметной области, которые, обновляются по мере выявления новой информации;

- рабочие знания — знания, которые применяются для решения конкретной задачи или проведения консультации.

Для построения БЗ проводится опрос специалистов, являющихся экспертами в конкретной предметной области. Полученные результаты вводятся в вычислительную систему, систематизируются, организуются и снабжаются указателями, чтобы впоследствии их можно было легко извлечь из БЗ.

Знания в БЗ представляются в такой форме, которая может быть легко обработана посредством специальных алгоритмов, позволяющих получать непредусмотренный результат при решении конкретной задачи. Алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических (неформальных) правил. Качество экспертной системы определяется размером базы и набором правил, на основании которых организуется БЗ. Система функционирует в следующем циклическом режиме — выбор (запрос) данных или результатов анализов, их обработка, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения (рис. 5.6).

Решение задачи в экспертных системах начинается с постановки пользователем проблемы в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью БЗ пытается вывести заключение из этих фактов, которое сопровождается понятными пользователю объяснениями. При этом качество получаемых решении обычно не хуже, а иногда и лучше достигаемого специалистами.

Как правило, обобщенная структура экспертной системы содержит интерфейс пользователя, БД, подсистему приобретения знаний, механизм логического вывода, базу знаний, блок объяснений.

Рис. 5.6. Обобщенная схема функционирования экспертной системы

Интерфейс пользователя обеспечивает общение пользователя с экспертной системой в удобной для него форме. Интерфейс позволяет передавать информацию, составляющую содержание базы данных, обратиться к системе с вопросом или за объяснением и подразделяется на два блока:

- интерфейс обычного пользователя, которому требуется консультация экспертной системы;

- интерфейс экспертной группы, посредством которого происходит заполнение базы знаний, осуществляемое с помощью специализированной диалоговой компоненты — подсистемы приобретения знаний, которая позволяет частично автоматизировать этот процесс.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.

Подсистема приобретения знаний предназначена для добавления в базу знаний новых правил и модификации имеющихся. В ее задачу входит приведение правила к виду, позволяющему применять это правило в процессе функционирования. В более сложных экспертных системах предусмотрены еще и средства для проверки вводимых или модифицируемых правил на непротиворечивость с имеющимися правилами.

Механизм логического вывода, представляющий собой программный модуль, который позволяет логически выводить необходимую для пользователя информацию, исходя из сведений, размещенных в базе знаний.

База знаний предназначена для хранения долгосрочных данных, описывающих рассматриваемую предметную область, и правил, описывающих целесообразные преобразования данных этой области. Существует несколько способов представления знаний в БЗ, однако общим для всех них является то, что знания представлены в символьной форме (элементарными компонентами представления знаний являются тексты, списки и т.д.). Тем самым в экспертной системе реализуется принцип символьной природы рассуждений, который заключается в том, что процесс рассуждения представляется как последовательность символьных преобразований.

Блок объяснений, дающий возможность пользователю убедиться в обоснованности информации, получаемой им от экспертной системы, и позволяющий задавать ей вопросы (рис. 5.7).

Рис. 5.7. Обобщенная структура экспертной системы

Следует учесть, что реальные экспертные системы имеют более сложное строение, однако блоки, изображенные на рис. 5.7, непременно присутствуют в любой системе, так как представляют собой стандарт структуры современной экспертной системы.

Все экспертные системы работают в двух режимах: приобретения знаний и решения задач (консультаций).

1. Режим приобретения знаний — общение с экспертной системой осуществляет эксперт, который через специалиста (инженера по знаниям), используя модуль приобретения знаний, наполняет систему знаниями, необходимыми системе в режиме решения самостоятельно (без эксперта) задач из предметной области. Эксперт описывает предметную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, а правила определяют способы манипулирования с данными, характерными для рассматриваемой области.

2. Режим консультации — общение с экспертной системой осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. В режиме консультации данные о задаче через интерфейс пользователя поступают в базу данных (рабочую память, где хранятся промежуточные данные решаемой в текущий момент задачи). На основе входных данных из рабочей памяти, общих данных о проблемной области и правил базы знаний с помощью механизма логического вывода формируется решение задачи. Экспертная система при решении задачи не только исполняет предписанную последовательность операций, но и предварительно формирует ее.

Области применения экспертных систем могут быть сгруппированы в несколько основных классов, представленных в табл. 5.2.

Область применения	Использование экспертной системы
Диагностика	Устанавливают связи между неисправностями и их возможными причинами. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования, и заболевания живых организмов, и всевозможные природные аномалии
Прогнозирование	Предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. В системе обычно используется модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые следствия составляют основу для прогнозов с вероятностными оценками
Планирование	Представляют планы действий, относящихся к объектам, способным выполнять некоторые функции. В таких экспертных системах используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности
Интерпретация данных	Определяют смысл данных, которые должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных
Мониторинг	Выполняют непрерывную интерпретацию данных в режиме реального времени и сигнализируют о выходе тех или иных параметров за допустимые пределы
Контроль и управление	Выполняют постоянный мониторинг нескольких объектов и принимают решения, анализируя данные, поступающие от нескольких источников
Проектирование	Выполняют подготовку спецификаций на создание объектов с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов — чертеж, пояснительная записка и т.д.
Обучение	Диагностируют ошибки при изучении какой-либо дисциплины с помощью ПК и подсказывают правильные решения. В процессе усвоения материала обучающимся системы диагностируют слабости в его знаниях и находят соответствующие средства для их ликвидации. Также они планируют общение с обучающимся в зависимости от его успехов с целью передачи знаний.

Экспертные системы получают все большее распространение в различных областях человеческой деятельности. Например, Дамасская торговая фирма Informat предоставляет в распоряжение покупателей несколько рабочих станций, установленных в холле своего офиса, на которых, посредством экспертной системы, проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации ПК в соответствии с требованиями покупателя.

Нейронные сети («Neuro Builder» компании RBC, «NeuroShell» компании Ward Systems Group Inc., «ST Neural Networks» фирмы StatSoft и др.) представляют собой программные продукты, архитектура которых имеет аналогию с построением сетей нервных клеток живого организма. Они позволяют распознавать модели, слишком неясные для людей, и адаптировать их при получении новой информации. Главной характеристикой нейронных сетей является то, что они обучаются.

В отличие от экспертных систем, которые для своего функционирования обязательно требуют в качестве элемента одного или нескольких специалистов, опыт которых вводится в программу, в нейронных сетях прогноз формируется без участия человека. Кроме того, если экспертные системы выполняют рассуждения по заложенным в алгоритм эвристическим (неформальным) правилам, используют параметры, вовлеченные в решение, делают запросы и глубокий поиск в БД и БЗ, то нейронные сети работают по принципу передачи информации от одних слоев нейронов к другим, причем изменения информации, происходящие во время передачи, обусловлены заранее не оговоренными правилами (см. рис. 5.8).

Сущность функционирования программ нейронных сетей (рис. 5.8) заключается в том, что для прогнозирования какого-либо события или факта в ЭВМ вводятся данные, состоящие из множества переменных, связанных с большим количеством случаев, относящихся к задаваемому прогнозу, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, создавая начальную модель, в которую входит набор переменных, строго соответствующий частным известным результатам. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, которые затем сравниваются с известными. Базируясь на этом сравнении, программа изменяет модель, регулируя параметры переменных или заменяя их. Этот процесс повторяется до тех пор, пока усовершенствование начальной модели не будет исчерпано, и программа не сможет сделать прогноз для будущих случаев. Вновь появившиеся данные по прогнозируемому событию вводятся в нейронную сеть, и модель еще раз корректируется. Таким образом, нейронная сеть обучается, и ее способность к заданному прогнозу улучшается.

Рис. 5.8. Обобщенная схема функционирования нейронной сети

Основными недостатками нейронных сетей является необходимость иметь очень большой объем обучающей выборки, частый сбор итрудности обеспечения данными решаемых задач. Кроме того, знания, зафиксированные в нейронной сети, не поддаются анализу и интерпретации человеком. Тем не менее нейронные сети нашли свое применение в экономике, особенно в банковском секторе, например для оценки коммерческих заявок на получение ссуды, распознавания мошеннических подделок кредитных карточек и т.д.

Системы поддержки принятия решений (СППР) (DSS — Decision Support System) (PSTM компании «Skeef Systems», ГНИВЦ ФТС России и компании РДТЕХ, «Советник по кадрам» ЧКВФ «Прагма В.К.С» и др.) представляют собой специализированное ПО, обеспечивающее менеджеров эффективными средствами, позволяющими в режиме реального времени анализировать большие объемы информации, решать слабоструктурированные или неструктурированные задачи и принимать на основе результатных данных обоснованные и эффектные управленческие решения.

Существуют разнообразные виды СППР, но практически все они используют различные аналитические инструменты и характеризуются четкой структурой, которая содержит три главных компонента: интерфейс пользователя, подсистему данных и подсистему моделей.

Интерфейс пользователя дает возможность менеджеру осуществлять диалог, используя разные программы ввода, форматы и технологии вывода. При этом посредством интерфейса пользователь может манипулировать различными формами диалога, изменяя их в процессе принятия решения по своему выбору, передавать данные системе различными способами, получать данные от различных периферийных устройств системы в различном формате, получать помощь по запросу, подсказки и т.д.

Подсистема данных предназначена для хранения, управления, выбора, отображения и анализа данных. Подсистема данных включает:

- базы данных, представляющие собой совокупность элементов, организованных в соответствии с определенными правилами, которые предусматривают общие принципы описания, сохранения и манипулирования данными независимо от прикладных программ;

- хранилища данных предоставляют единую среду хранения корпоративных данных, организованных в структуры и оптимизированных для выполнения аналитических операций;

- аналитические средства позволяют конечному пользователю, не специалисту в области ИТ, осуществлять навигацию и представление данных в терминах предметной области (OLTP);

- аналитические системы позволяют решать три основные задачи: анализ разнородной многомерной информации разной степени формализованности в режиме реального времени (OLAP), последующий интеллектуальный анализ данных с построением моделей развития деловой ситуации (DM) и ведения отчетности (RT).