Визначення OLAP за тестом FASMI

Пізніше вчені Н.Пендс і Р.Кріт запропонували власне визначення OLAP - так званий тест FASMI (Fast Analysis of Shared Multidimensional Information - швидкий аналіз розділюваної багатовимірної інформації), який вимагає, щоб OLAP-додаток надавав такі можливості:

Висока швидкість. Аналіз має виконуватись однаково швидко по всіх аспектах інформації за умови допустимого часу відгуку не більше 5 секунд. При цьому найпростіші запити опрацьовуються протягом однієї секунди і дуже небагато запитів - понад 20 секунд. Для досягнення цієї мети розробники OLAP-продуктів застосовують широкий спектр методів, включаючи спеціалізовані форми збереження даних, великі попередні обчислення або підсилені апаратні вимоги.

Аналіз. Забезпечення можливості проводити основні типи числового і статистичного аналізу, який може бути завчасно визначений розробником додатку або довільно визначатися користувачем. Засоби аналізу можуть включати процедури аналізу часових рядів, розподілу витрат, валютних переведень, пошуку цілей, зміни багатовимірних структур, непроцедурного моделювання, виявлення виняткових ситуацій, витягів даних та інші операції.

Розділення доступу. Доступ до даних має бути багатокористувацьким, при цьому має контролюватись доступ до конфіденційної інформації. Система має забезпечувати усі вимоги захисту конфіденційності (можливо, до рівня комірки) і, у разі необхідності множинного доступу до запису, здійснювати блокування модифікацій на відповідному рівні.

Багатовимірність. Забезпечення багатовимірного концептуального подання даних, включаючи повну підтримку ієрархії, оскільки таке представлення є найбільш логічним для аналізу бізнесу.

Робота з інформацією. OLAP-додаток повинен мати можливість звертатися до будь-якої потрібної інформації, незалежно від її обсягу і місця зберігання. Потужність різноманітних OLAP-продуктів слід вимірювати не тільки тим, скільки гігабайт вони можуть зберігати, а й тим, скільки вхідних даних вони можуть опрацьовувати. При цьому варто враховувати багато чинників, включаючи дублювання даних, необхідну оперативну пам’ять, використання дискового простору, експлуатаційні показники, інтеграцію з сховищами даних і т. ін.

31. Напрями розвитку технологій бізнес-аналітики

За останні роки в розвитку технологічних засобів бізнес-аналітики відбулися якісні зміни, що позитивно вплинули на можливості розширення використання цих технологій незалежно або у складі систем EPM та BPM і, зокрема, у тих їх елементах, що стосуються ключових показників ефективності. Виділяють такі напрями розвитку технологій ВІ:

- повсюдна BI-технологія (Pervasive BI) – розширення області застосування бізнес-аналітики на бізнес-товариство, включаючи не лише вищих керівників та бізнес-аналітиків, а й менеджерів і виконавців усіх рівнів, а також зовнішніх клієнтів і ділових партнерів;

- мобільна ВІ-технологія (Mobile BI) – забезпечення доступу до засобів оперативного аналізу даних за допомогою мобільних пристроїв;

- технологія дослідження даних (Data Discovery) – інтерактивні дослідницькі процеси аналізу даних за допомогою об’єднання даних різнорідних джерел і виявлення зв’язків між даними;

- динамічна ВІ-технологія (Dynamic BI) – забезпечення в режимі реального часу аналізу великих об’ємів даних, включаючи динамічно змінювані дані і дані різних типів. Цей вид аналітики базується на використанні, зокрема, технології оброблення «in-memory», що передбачає високопродуктивні аналітичні обчислення в оперативній пам’яті, а також технології мережевого доступу до програмного забезпечення (Software-as-a-Service, SaaS);

- технологія «великих даних» (Big Data) – нове покоління технологій і архітектур, що забезпечують економічно ефективний витяг знань (корисної інформації) із дуже великих об’ємів різнорідних даних через високошвидкісні операції отримання, виявлення і аналізу даних.

Розвиток Pervasive BI і динамічної ВІ-технології уможливлює більш повну інтеграцію бізнес-аналітики з системами керування бізнес-процесами BPM. На відміну від систем EPM, у яких дані передаються в ВІ-систему, потім у вигляді ключових індикаторів повідомляються вищому керівництву, і вже у вигляді прийнятих рішень повертаються на нижчі рівні, у BPM-системах відбувається убудовування систем KPI всередину бізнес-процесів, що пришвидчує реакцію на відхилення від їх нормального виконання. Об’єднання технологій BPM, Pervasive BI та Dynamic BI означає можливість їх інтеграції із спеціальними системами моніторингу бізнес-діяльності (Business Activity Monitoring, BAM), що забезпечують контроль бізнес-процесів в реальному часі.

BAM являє собою методологію і технологію, яка уможливлює миттєве розпізнавання бізнес-подій на базі інформації, що надходить від BPM, аналіз подій і вироблення сигналів для осіб, задіяних у бізнес-процесах. Під час оцінювання бізнес-подій у системах BAM встановлюється зв’язок між подіями, застосовуються правила для одержання значень ключових показників ефективності бізнес-процесів. Інформація надається користувачам на інструментальних панелях KPI та у звітах за допомогою порталів і мобільних пристроів.

Один із напрямів розвитку ВІ-технології – це технологія Data Discovery, що забезпечує подальшу «інтелектуалізацію» бізнес-аналітики. Технологія Data Discovery підтримує пошук джерел даних для конкретних цілей; контроль відповідності знайдених джерел зазначеним цілям та доступ до даних у джерелах. З цією метою використовують метадані високого рівню (Discovery Metadata), що містять коротку інформацію про ресурси, задіяні у пошуку.

Платформи інструментів дослідження даних (Data Discovery Platforms, DDP) надають користувачам можливості розміщення різнорідних даних у спеціальному сховищі, створювати динамічні запити за допомогою понять, категорій, ієрархій і логічних полів, визначених у моделі абстракції даних (Data Abstract Model, DAM). Аналітичні можливості забезпечуються використанням логічних виразів, операторів порівняння, операціями неявного об’єднання таблиць та побудови вкладених виразів і підпорядкованих запитів. Враховуючи, що використання технології Data Discovery не потребує поглиблених спеціальних знань і є доступним для кінцевих бізнес-користувачів, ця технологія в перспективі матиме широку область застосування.

Особливостями концепції «великих даних» є те, що неструктуровані дані для аналізу надходять із різних джерел у реальному часі, що уможливлює використання одержаної інформації для прогнозного моделювання. У багатьох випадках неефективно зберігати дуже великі обсяги даних, тому їх аналізують «на льоту» і зберігають не самі дані, а знання (корисну інформацію), яку вдалося з них витягти. На рівні підприємств використання високовартісних технологій «великих даних» є економічно виправданим лише для великих корпорацій.

32. Поняття штучного інтелекту

Відповідно до Держстандарту України (ДСТУ 2938-94 «Системи оброблення інформації. Основні поняття, терміни і визначення»), штучний інтелект визначається як «здатність систем оброблення даних виконувати функції, що асоціюються з інтелектом людини, такі як логічне мислення, навчання та самовдосконалення».

Штучний інтелект ШІ (Artificial intelligence) являє собою широку галузь досліджень і розробок інтелектуальних систем, призначених для роботи в областях діяльності людини, що складно формалізуються. В рамках цього наукового напрямку ставляться і розв’язуються завдання апаратного і програмного моделювання тих видів людської діяльності, які традиційно вважаються інтелектуальними, тобто потребують певних розумових зусиль. Дослідження в галузі штучного інтелекту включають вивчення таких видів діяльності людини, як пізнавання, формування понять, розмірковування, цілестворення, прийняття рішень, прогнозування, адаптація, навчання, творчість і т. ін.

Історія наукових досліджень в галузях штучного інтелекту може бути поділена на такі періоди:

· 1960–ті роки – початок 1970–х – дослідження в галузі «загального інтелекту», спроби моделювати загальні інтелектуальні процеси, властиві людині: вільний діалог, розв’язування різних задач, доведення теорем, теорія ігор, створення віршів та музики;

· 1970–ті роки – дослідження і розробка підходів до формального представлення знань та виведень, спроби звести інтелектуальну діяльність до формальних перетворень символів;

· з кінця 1970-х – розробка інтелектуальних (експертних) систем в предметних галузях, які мають прикладне практичне значення;

· 1990-ті роки – роботи по створенню комп’ютерів 5-го покоління, які мали інтелектуальні можливості;

· 2000-ні роки - широке впровадження інтелектуальних інформаційних систем і технологій у різних галузях економіки, техніки, побутових приладах і т. ін..

33. Напрямки досліджень та розробок в галузі штучного інтелекту

Основні напрямки використання та досліджень в галузі штучного інтелекту включають:

Розробка інтелектуальних систем, основаних на знаннях (експертних систем). Цей напрям пов’язаний з розробкою моделей представлення знань, створенням баз знань, що утворюють ядро експертних систем, виявленням та представленням знань експертів в експертних системах.

Розпізнавання образів. Спрямоване на розв’язання проблем розпізнавання за ознаками, класифікації та ідентифікації об’єктів візуальної, звукової, економічної та іншої інформації. Використовується в системах читання рукописного тексту, допуску за візуальними ознаками, системах аналізу фінансового стану та ін.

Ігри. Як формальні системи ігри характеризуються чітко визначеними правилами і скінченним числом ситуацій. Інтелектуальні системи для гри (у шахи, шашки та ін.) використовують лабіринтову модель та евристики, а також реалізують навчання, самонавчання й самоорганізацію.

Машинний переклад. Програми машинного перекладу використовують складні методи аналізу природної мови, які включають:

– морфологічний аналіз - аналіз слів у тексті;

– синтаксичний аналіз - аналіз речень, граматики і зв’язків між словами;

– семантичний аналіз - аналіз смислу кожного речення на основі бази знань, на яку орієнтована конкретна програма-перекладач;

– прагматичний аналіз - аналіз смислу речень в оточуючому контексті за допомогою бази знань.

Розробка природно-мовного інтерфейсу між людиною і комп’ютером. Розуміння людської мови комп’ютером потребує розв’язання задач аналізу та генерації текстів, їх внутрішнього представлення, вияву знань, необхідних для розуміння текстів. Висловам людської мови притаманна: неповнота; нечіткість; неточність; граматична некоректність; залежність від контексту; неоднозначність.

Інтелектуальні роботи. Роботи – це технічні пристрої, призначені для автоматизації людської праці. На відміну від роботів-маніпуляторів, що працюють за жорсткою схемою управління, інтелектуальні роботи здатні до самонавчання і самоорганізації, можуть адаптуватися до змінюваного оточуючого середовища.

Комп’ютерні віруси. Останні покоління вірусів мають всі атрибути систем штучного інтелекту: вони вільно переміщуються по комп’ютерах, мутують і розмножуються, навчаються, змінюють свої параметри і структуру.

Інтелектуальне математичне моделювання. Інтелектуальні системи такого роду імітують творчу діяльність математика-професіонала, що займається розв’язанням математичних задач. Вони включають бази знань з математичними теоремами, залежностями та евристичними правилами, здатні до навчання за допомогою вчителя і до самонавчання.

34. Моделі подання знань в системах штучного інтелекту

Знання — сукупність даних про світ, що включають інформацію про властивості об'єктів, закономірності процесів і явищ, а також правила використання цієї інформації для прийняття рішень. Правила використання включають систему причинно-наслідкових зв'язків. Головна відмінність знань від даних полягає в їхній активності, тобто поява в базі нових фактів або встановлення нових зв'язків може стати джерелом змін у прийнятті рішень.

Знання – це сукупність фактів, закономірностей, відношень та евристичних правил, що відображають рівень обізнаності з проблемами деякої предметної області.

Знання можуть бути:

• декларативні
• процедурні

Декларативні знання містять в собі лише уявлення про структуру певних понять. Ці знання наближені до даних, фактів. Наприклад: вищий навчальний заклад є сукупністю факультетів, а кожен факультет у свою чергу є сукупністю кафедр.

Процедурні знання мають активну природу. Вони визначають уявлення про засоби і шляхи отримання нових знань, перевірки знань. Це алгоритми різного роду. Наприклад: метод мозкового штурму для пошуку нових ідей.

Дата добавления: 2015-05-08