УДК 004
ИНТЕЛЛЕКТУАЛЬНАЯ ОБРАБОТКА ДАННЫХ В ИНФОРМАЦИОННОЙ СИСТЕМЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
№43,
Технические науки
Сайдалиев Энвер Сабриевич
Ключевые слова: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ; МЕТОД ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ; ЭКОНОМИЧЕСКИЕ ПАРАМЕТРЫ; ПРОГНОЗИРОВАНИЕ; ВОСПОЛНЕНИЕ ИНФОРМАЦИОННОЙ БАЗЫ АНАЛИТИЧЕСКАЯ СИСТЕМА; ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ; НЕЙРОННЫЕ СИСТЕМЫ; НЕЙРОСЕТЬ; ARTIFICIAL INTELLIGENCE; MANAGEMENT DECISION SUPPORT METHOD; ECONOMIC PARAMETERS; FORECASTING; REPLENISHMENT OF THE INFORMATION BASE ANALYTICAL SYSTEM; INTELLIGENT SYSTEMS; NEURAL SYSTEMS; NEURAL NETWORK.
На сегодняшний день наблюдается высокий уровень развития масштабируемой аппаратно-программной информационно-телекоммуникационной инфраструктуры, позволяющей увеличивать и без того значительные архивы данных.
Развитие интеллектуальных систем в нынешнем этапе идет по трем направлениям исследований [5].
Первое направление – это раскрыть тайны мышления, сосредоточившись на структуре и механизмах человеческого мозга. Для этого необходимо построить модель интеллектуальной деятельности, основанную на психофизиологических данных. Второе направление рассматривает в качестве предмета изучения системы искусственного интеллекта [2].
Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью исследований в этой области является создание программного обеспечения, способного решать определенные интеллектуальные задачи так же, как их решает человек.
Третье направление сосредоточено на создании человеко-машинных, или интерактивных, интеллектуальных систем. Важнейшим вопросом этих исследований является организация семантически бесшовного диалога между человеком и такими системами [4].
Следует отметить то, что системы информационного анализа позволяют обрабатывать данные из корпоративных информационных систем и из внешних источников и преобразовывать их в информацию и знания, полезные для менеджмента и приятия оптимальных решении.
Рассмотрим более подробно технологии интеллектуального анализа данных (ИАД), применяемые в системах поддержки принятия решений. В качестве первого направления средств ИАД следует выделить методы статистической обработки данных, которые можно разделить на четыре взаимосвязанных раздела:
— предварительный анализ природы статистических данных (проверка гипотез стационарности, нормальности, независимости, однородности, оценка вида функции распределения и ее параметров);
— выявление связей и закономерностей (линейный и нелинейный регрессионный анализ, корреляционный анализ);
— многомерный статистический анализ (линейный и нелинейный дискриминантный анализ, кластер-анализ, компонентный анализ, факторный анализ);
— динамические модели и прогноз на основе временных рядов. Особое направление в спектре аналитических средств ИАД составляют методы, основанные на нечетких множествах. Их применение позволяет ранжировать данные по степени близости к желаемым результатам, осуществлять так называемый нечеткий поиск в базах данных.
Следующее крупное направление развития составляют кибернетические методы оптимизации, основанные на принципах саморазвивающихся систем — методы нейронных сетей, эволюционного и генетического программирования.
Непосредственно к кибернетическим методам ИАД примыкают синергетические методы. Их применение позволяет реально оценить горизонт долгосрочного прогноза. Особенный интерес вызывают исследования, связанные с попытками построения эффективных систем управления в неустойчивых режимах функционирования.
К крупному разделу ИАД следует отнести совокупность традиционных методов решения оптимизационных задач — вариационные методы, методы исследования операций, включающие в себя различные виды математического программирования (линейное, нелинейное, дискретное, целочисленное), динамическое программирование, методы теории систем массового обслуживания [3].
В следующий раздел средств ИАД входят средства, которые условно называют экспертными, т.е. связанными с непосредственным использованием опыта эксперта.
Например, подход, связанный с построением последовательного логического вывода — дерева решений, в каждом узле которого эксперт осуществляет простейший логический выбор («да» — «нет»).
Одной из разновидностей метода деревьев решений является алгоритм деревьев классификации и регрессии, предлагающий набор правил для дихотомической классификации совокупности исходных данных. Данный метод обычно применяется для предсказания того, какие последовательности событий будут иметь заданный исход.
К экспертным методам следует отнести и предметно-ориентированные системы анализа ситуаций и прогноза, основанные на фиксированных математических моделях, отвечающих той или иной теоретической концепции.
Роль эксперта состоит в выборе наиболее адекватной системы и интерпретации полученного алгоритма [4].
Более подробно стоит рассмотреть метод нейронных сетей (neuralnetworks) и изучить возможности их применения в оценочной деятельности как инструмента поддержки принятия решения при выведении оценочной стоимости объекта оценки, а именно, для целей классификации объектов оценки по ценовым факторам и прогнозирования стоимости объектов.
Нейронная сеть – структура соединенных между собой нейронов, которая характеризуется топологией, свойствами узлов, а также правилами обучения или тренировки для получения желаемого выходного сигнала.
С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации.
Нейронные сети, в отличие от традиционных алгоритмов, не программируются, а обучаются. Возможность обучения является главным преимуществом нейронных сетей.
Технический аспект обучения заключается в нахождении коэффициентов связей между нейронами. Во время обучения нейронная сеть самостоятельно способна находить сложные зависимости между входными данными и выходными, а также осуществлять обобщение. Обобщение означает, что в случае удачного обучения нейронная сеть возвращает верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и (или) «зашумленных», то есть искаженных данных [8].
Способность к адаптации является фундаментальным свойством нейронных сетей. Непосредственно процесс обучения нейронной сети может быть рассмотрен как коррекция распределенного информационного поля сети в соответствии с запрашиваемой функциональной зависимостью выходного вектора от значений входного вектора нейронной сети. Изменениям подлежат веса взвешенных связей (в большинстве методов) и топология искусственной нейронной сети [3].
Интеллектуальный анализ данных (datamining), основанный на нейронной сети, состоит из [5]:
— подготовки данных, извлечения правил и оценки правил, то есть трех этапов, Нейронные сети входят в состав большинства известных библиотек программного обеспечения.
— Мы воспользуемся NeuralExcel — это аналитическая надстройка для Microsoft Excel, позволяющая работать с нейронными сетями.
— Простая в использовании надстройка позволяет быстро сконфигурировать и обучить нейронную сеть прямо в среде Microsoft Excel.
Надстройка позволяет использовать обученные сети как непосредственно в Microsoft Excel, так и интегрировать их в свои собственные приложения [2].
Список литературы
- Иванов М.Ю. Технологии интеллектуального анализа данных в решении экономических задач /М.Ю.Иванов // Baikal Research Journal. 2022. №2. URL: https://cyberleninka.ru/article/n/tehnologii-intellektualnogo-analiza-dannyh-v-reshenii-ekonomicheskih-zadach (дата обращения: 28.05.2023).
- Козлов, А.Н. Интеллектуальные информационные системы: учебник /А.Н. Козлов;– Пермь: Изд-во ФГБОУ ВПО Пермская ГСХА, 2013.– 278 с. ISBN 978-5-94279-176-6
- Марышева Л.Т. Основы корпоративных интеллектуальных систем // SAI. 2023. № Special Issue 3. URL: https://cyberleninka.ru/article/n/osnovy-korporativnyh-intellektualnyh-sistem (дата обращения: 28.05.2023).
- Смирнова Н.В. Технологии интеллектуального анализа данных как инструмент поддержки принятия решений в оценочной деятельности // Современные наукоемкие технологии. Региональное приложение . 2019. №4 (60). URL: https://cyberleninka.ru/article/n/tehnologii-intellektualnogo-analiza-dannyh-kak-instrument-podderzhki-prinyatiya-resheniy-v-otsenochnoy-deyatelnosti (дата обращения: 28.05.2023).
- Шапот М. Интеллектуальный анализ данных в системах поддержки решений. /М.Шапот //Открытые системы № 1, 2019 с.30-35