СПОСОБЫ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИОННЫХ ПОТОКОВ В ПРИЛОЖЕНИЯХ ИНФОРМАЦИОННЫХ И ТЕЛЕКОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ д.ф.-м.н. А.И. Леженко, И.А. Кузнецов Ключевые слова: интеллектуальный анализ данных, факторный анализ, поддержка принятия решений, информационно-телекоммуникационные технологии, хранилища данных, центры обработки данных Данная статья посвящена применению теории выбора и принятия решений и методов интеллектуальной обработки данных в приложениях информационных и телекоммуникационных технологий. Сделан общий обзор методов интеллектуального анализа данных, а далее рассмотрено их применение на примере исследования рентабельности коммерческого центра обработки данных (ЦОД) методом факторного анализа. Результаты исследований по данной методике могут быть использованы, в том числе с построением экспертных систем, для поддержки принятия управленческих решений о направлениях дальнейшего развития с целью повышения рентабельности не только ЦОД, но и промышленных предприятий, а также во многих других сферах человеческой деятельности. Приложения информационных и телекоммуникационных технологий (ПИТТ), как системы коллективного пользования, становится постоянно пополняющимся хранилищем и концентратором интеллектуального потенциала их пользователей. ПИТТ являются той областью деятельности, цель которой ЂЂЂ объединение ее возможностей и способностей человека, позволяющее достичь поставленных целей более эффективно, чем если бы эти возможности использовались отдельно. На практике человек или коллектив, используя ИТТ, свой интеллект и знания в конкретной обстановке, должны найти приемлемое решение, приводящее к оптимальному или эффективному результату. Одним из математических аппаратов для решения подобных задач является теория выбора и принятия решений (ТВПР). Классической задачей принятия решения является пара [1]: {Ω,ОП}, где Ω ЂЂЂ множество вариантов; ОП ЂЂЂ принцип оптимальности. Решением задачи {Ω,ОП} является подмножество Ωоп Ω, полученное с помощью некоторого принципа оптимальности. В зависимости от полноты информации о множествах Ω и ОП существует следующая классификация задач принятия решений: если не определены оба множества Ω и ОП, то это общая задача принятия решений; сли определено множество Ω, то это задача выбора; если определены оба множества Ω и ОП, то эта классическая задача оптимизации. Элементы множества Ω принято называть альтернативами или вариантами. Если множество Ω определено, то его еще принято называть исходным множеством альтернатив (ИМА). Процесс решения задачи {Ω,ОП} организуют по следующей схеме: формируют ИМА, а затем решают задачу выбора. Формирование ИМА включает в себя два этапа: порождение возможных альтернатив и проверку их на допустимость. Оба этапа в большинстве случаев осуществляется с помощью экспертной классификации. Для обработки экспертной информации существуют три основных группы методов: статистические, алгебраические и методы шкалирования. Задачу выбора решает лицо (коллектив), принимающее решение; это лицо (коллектив) руководствуется своим личным представлением о лучших альтернативах на сформированном ИМА. Для формализации взаимной оценки качества решения задачи выбора в ТВПР введено понятие функции выбора (ФВ). Произвольная ФВ, какой бы сложной ни была и какому бы классу ни принадлежала, всегда допускает декомпозицию на ФВ, в предельном случае до ФВ, которые порождаются бинарными отношениями. Декомпозицию можно интерпретировать как попытку обосновать сделанный выбор в терминах конкретных аспектов и критериев, а в случае бинарных отношений до простых правил. Методы ТВПР широко используются в компьютерных экспертных системах (ЭС), как самостоятельном разделе систем и методов искусственного интеллекта (ИИ). Использование ЭС в ряде областей различных сфер деятельности уже на сегодня дало значительный эффект и привело к уникальным результатам. В работе [2] приведена сводная таблица ЭС различного назначения. Основными элементами ЭС являются база знаний и механизм логических выводов или «дедуктивная машина». В базах знаний хранится конкретная информация относительно соответствующей предметной области факты, цифры, характеристики, практические правила и условия. Дедуктивная машина ЂЂЂ это программа, которая обращается к базе знаний и на основе хранящейся в ней информации вырабатывает совет, рекомендацию, прогноз или предполагаемое решение задачи. Представляет интерес вопрос интеграции ЭС и приложений ИТТ. В случае интеграции ЭС и приложений ИТТ можно рассматривать как замкнутую систему (когда обе компоненты взаимодействуют без вмешательства человека) и разомкнутую (когда ЭС выдает рекомендации, а принятие решений остается за специалистом). Наиболее сложной проблемой в ЭС является формирование базы знаний. Обычно разработчик ЭС формирует правила базы знаний на основе опроса экспертов ЂЂЂ опытных специалистов в данной предметной области. На практике, однако, многие специалисты не в состоянии объяснить, как они приходят к тому или иному решению. Наиболее совершенные ЭС имеют в своем составе подсистему сбора знаний, помогающих создавать, модифицировать и сопровождать базу знаний. Обратим на следующий аспект интеграции ЭС и приложений ИТТ. Приложения ИТТ используют большие коллективы людей. В результате появляется возможность в автоматизированном режиме обобщать их опыт, таким образом, приложения ИТТ как системы коллективного пользования, становятся концентратором человеческого опыта и может служить для извлечения и накопления знаний; возникает возможность автоматизации формирования базы знаний ЭС. Подобный подход в 80 годы прошлого столетия \использовался в САПР ЕСАПИ-2Б [4]. Профессиональные издания пригодны для коммерческих прикладных программ, использующих Windows и Unix среды. ЭС применяются для управления процессами переработки информации. Они незаменимы особенно тогда, когда информация из одной подсистемы передается в другую. С помощью задания правил и механизмов логического вывода, ЭС может, используя выходную информацию из одной подси-стемы подготовить в необходимом виде ее для обработки последующей подсистемой. Значительный объем знаний и фактов, используемых в ЭС, требует тщательной организации их хранения, выборки и проверки. Этим требования удовлетворяют большинство современных СУБД, например Oracle, MS SQL и другие, которые имеют развитые средства проектирования баз данных, полные языки запросов и инструменты подготовки отчетности Результаты статистических исследований могут быть представлены в виде совокупности дискретных данных, как некоторое семейство точек для каждого параметра исследуемого объекта. Для заданных таким образом параметров необходимо вводить признаки их классификации. Например, для параметров, характеризующих рентабельность планируемого бизнес-направления можно ввести классификацию: низкая рентабельность, плановая рентабельность, высокая рентабельность,: Между этими признаками нет резкой числовой границы. Для изучения свойств подобных объектов в работе [5] введено понятие нечеткого множества (НМ) и создана теория НМ. Приведем ряд определений [3]: пусть X = {x} ЂЂЂ совокупность объектов (то-чек), обозначаемых через х, тогда НМ А в Х есть совокупность упорядоченных пар А ={x, Na(x)}, где Na(x) ЂЂЂ представляет степень принадлежности х к А. Множеством уровня Аj называется четкое подмножест
СПОСОБЫ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИОННЫХ ПОТОКОВ В ПРИЛОЖЕНИЯХ ИНФОРМАЦИОННЫХ И ТЕЛЕКОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ
СПОСОБЫ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИОННЫХ ПОТОКОВ В ПРИЛОЖЕНИЯХ ИНФОРМАЦИОННЫХ И ТЕЛЕКОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ
Запомнить меня на этом компьютере
СПОСОБЫ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИОННЫХ ПОТОКОВ В ПРИЛОЖЕНИЯХ ИНФОРМАЦИОННЫХ И ТЕЛЕКОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ
Комментариев нет:
Отправить комментарий