Файл: Применение экспертных систем в деятельности предприятия (Понятие и сущность экспертных систем и их научно-познавательная деятельность).pdf

Моделирование в логистике основывается на подобии систем или процессов, которое может быть полным или частичным. Основная цель моделирования - прогноз поведения процесса или системы. Ключевой вопрос моделирования: «Что будет если……?».

Общая классификация моделей представлена на рис. 3^[46][15].

Изоморфные модели – это модели, которые включают все характеристики объекта оригинала, способны заменить оригинал. Если можно создать и наблюдать изоморфную модель, то знание о реальном объекте будет точным.

Гомоморфные модели – в их основе лежит не полная, частичная подобие модели изучающего объекта.

Рисунок 3 - Общая классификация моделей

Некоторые свойства реального объекта не моделируются полностью, но в результате построение модели упрощается, а так же проще интерпретация результатов моделирования.

При моделировании логистических систем абсолютное подобие не бывает, поэтому рассматриваем только гомоморфные модели.

По признаку материальности делятся на: абстрактные и материальные^[47][9, с.37].

Материальные модели воспроизводят основные геометрические, физические, динамические и функциональные характеристики изучаемого объекта.

Абстрактное моделирование часто является единственным возможным в логистике. Она делится на символическую и математическую.

Символические модели включают: лингвистические и символические.

Языковые модели-это вербальные модели, которые основаны на наборе слов, очищенных от двусмысленности, или слово тезаурус – имеет определенное значение.

Знаковые модели - если ввести символы отдельных понятий, т. е. знаки и согласовать операции между этими знаками, то вы получили символическое описание объекта.

Математическое моделирование-это процесс установления соответствия реальному объекту некоторого математического объекта, называемого математической моделью.

Широко применяется 2 вида математического моделирования: аналитическое и имитационного.

Аналитическое моделирование – это математический прием исследования позволяющий получить точные или вероятностные решения. Этапы аналитического моделирования:

• разработка математические модели в виде алгебраических уравнений или дифференциальных уравнений или др.;
• решение уравнений и получение результатов;
• проверка модели на адекватность, т.е. соответствие теоретических результатов практике^[48][1].

Имитационное моделирование – основано на имитации реальных процессов, как правило, с применением процедуры случайного случая. Исследуемый процесс разыгрывается многократно в результате полученный набор реализации процесса, далее этот набор используется как статистический материал.

Основное достоинство имитационной модели – можно моделировать любые системы, процессы, любые закономерности.

Недостатки: Высокая стоимость, требуется высококвалифицированный персонал, эти модели не тиражируются, высока вероятность ложной имитации.

Экспертные системы-это компьютерные программы, помогающие специалистам принимать решения в конкретной предметной области. Экспертные системы могут накапливать знания и опыт специалистов, работающих в различных областях.

Применение экспертных систем позволяет:

• принимать быстрые и качественные решения по управлению материальными потоками;
• готовить опытных специалистов за короткое время;
• сохранять и пополнять «ноу-хау» компании;
• использовать опыт и знания высоко квалифицированных специалистов на не престижных, опасных и скучных рабочих местах^[49][15].

Анализ АВС применяются для сокращения величины запасов, сокращение количества передвижений на складе, общего увеличения прибыли.

Идея метода заключается в том, что из всего множества объектов (товаров) необходимо выбрать наиболее значимые, с точки зрения вклада в конечный результат (прибыль). Как правило, таких объектов относительно мало, и необходимо сосредоточить на них основные усилия и внимание.

В экономике используется широко закон ПАРЕТО (20/80), согласно которому, лишь 20 % объектов (товаров), дают 80 % прибыли, а остальные 80 % объекта – 20% прибыли.

Широко применяемый в логистике метод ABC предусматривает более глубокое разделение — на три части.

Анализ XYZ – позволяет разделять ассортимент на 3 группы в зависимости от степени равномерности спроса и точности прогноза этого спроса.

В группу X включают товары, спрос, на который равномерен или подтвержден незначительными колебаниями. Объем реализации хорошо предсказуем.

В группу Y включают товары, спрос, на который меняется во времени, например с учетом сезона. Возможности прогноза – средние.

В группу Z включают товары, спрос, на который не предсказуем, не подлежит прогнозу.

Задача «сделать или купить» заключается в принятии одного из двух альтернативных решений – делать комплектующее изделие самим, если это в принципе возможно, выполнять самостоятельно какую-либо работу или же покупать комплектующее (услугу) у другого производителя.

Решение в пользу закупок комплектующих и, соответственно, против собственного производства должно быть принято в случае, если:

• потребность в комплектующем изделии невелика;
• отсутствуют необходимые для производства комплектующих мощности;
• отсутствуют кадры необходимой квалификации^[50][15].

Решение против закупок и в пользу собственного производства принимается в том случае, когда:

• потребность в комплектующих изделиях стабильна и достаточно велика;
• комплектующее изделие может быть изготовлено на имеющемся оборудовании.

Решения типа «сделать или купить» принимают при закупках товарных ресурсов (у изготовителя или у посредника), при выборе между услугами перевозчика и созданием собственного парка транспортных средств, при принятии решения по использованию услуг наемного склада, а также в ряде других случаев.

ЗАКЛЮЧЕНИЕ

Экспертная система – это первый программный продукт, появившийся на рынке программных продуктов, как итог 30-летней работы в области искусственного интеллекта. По смыслу ЭС воспроизводят процесс решения проблемы человеком-экспертом. Интерес к разработке ЭС связан с тем, что они дают средства повышения производительности труда и увеличения прибыльности производства.

Основные области применения ЭС:

• оценка рисков займов, страхования и капитальных вложений для финансовых организаций;
• помощь химикам в нахождении верной последовательности реакций для создания новых молекул;
• отладка программного и аппаратного обеспечения ЭВМ в соответствии с индивидуальными требованиями;
• диагностика и обнаружение неисправностей в телефонной сети на основе тестов;
• идентификация и ликвидация неполадок в локомотивах;
• помощь медикам в постановке диагноза;
• получение молекулярной структуры химического вещества на основании опытов;
• управление технологическими процессами, агрегатами, как в мирных, так и в военных целях.

Интерфейс с пользователем представляют собой сценарий диалога, в который ЭС ведет пользователя, задавая ему вопросы. Одной из проблем при этом является учет интеллекта пользователя. Механизм настройки на пользователя должен быть в интерфейсе. Для этой цели для пользователя возможна выдача информации о предметной области, о возможных запросах к нему, о вопросах, которые может задать пользователь, о продолжении сеанса экспертизы. Особенно велика роль интерфейса при использовании нечетких знаний.

Внедрение экспертных систем в работу предприятий позволяет оптимизировать процесс деятельности каждого сотрудника и организации в целом. В связи с этим бурное развитие экспертных систем и их активное внедрение в управление предприятиями и организациями является не просто данью моде, но насущной потребностью руководства. Особенно активно экспертные системы внедряются в транснациональные корпорации, где объем деятельности является очень большим, а также в логистику, где необходима оперативность и точность информации.

1. СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

2. Братко И. Программирование на языке Пролог для искусственного интеллекта.- М.: Мир, 2017.
3. Васильев, В.И. Распознающие системы / В.И. Васильев. - К.: Наукова думка; Издание 2-е, перераб. и доп., 2015. - 425 c.
4. Веденов, А.А. Моделирование элементов мышления / А.А. Веденов. - М.: Наука, 2015. - 160 c.
5. Вейценбаум, Дж. Возможности вычислительных машин и человеческий разум / Дж. Вейценбаум. - М.: Радио и связь, 2016. - 368 c.
6. Глушков, В.М. Машина доказывает / В.М. Глушков. - М.: Знание, 2015. - 372 c.
7. Долин Г. Что такое ЭС.- Компьютер Пресс, 2016.
8. Малпасс Д. Р. Реляционный язык Пролог и его применение. - М.: Финансы и статистика, 2015, с.6.
9. Марселлус Д. Программирование экспертных систем на Турбо Прологе. М.: Финансы и статистика, 2015, с.256.
10. Марселлус. Программирование экспертных систем на Турбо Прологе.- М.: Финансы и статистика, 2015, с.37.
11. Нейлор К. Как построить свою экспертную систему.- М.: Энергоатомиздат, 2016, с. 287.
12. Нильсон Н. Д. Искусственный интеллект. Методы поиска решений.- М.: Мир, 2015, с.23.
13. Робсон М., Уллах Ф. Практическое руководство по реинжинирингу бизнес - процессов. - М.: Аудит, Юнити, 2016, с.452.
14. Сафонов В. О. Экспертные системы- интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества “Знания” России, 2016, с.13.
15. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 2016.
16. Убейко В. Н. Экспертные системы.- М.: МАИ, 2015.
17. Уотермен Д. Руководство по экспертным системам.- М.: Мир, 2016.
18. Фетисов, В.С. Интеллектуальные средства измерений и HART-протокол / В.С. Фетисов. - М.: Уфа: Уфимский государственный авиационный технический университет, 2015. - 410 c.
19. Хайкин С. Нейронные сети: полный курс / Хайкин, Саймон. - М.: Вильямс, 2017. - 115
20. Элти Д., Экспертные системы: концепции и примеры.- М.: Финансы и статистика, 2016, с.18.
21. Экспертные системы: Определения и классификация. – Портал «Интернет-Университет Информационных Технологий». Режим доступа: http://www.intuit.ru/department/human/isrob/6/isrob_6.html

1. 11 Нильсон Н. Д. Искусственный интеллект. Методы поиска решений.- М.: Мир, 2015, с.23. ↑

2. 6 Долин Г. Что такое Экспертные системы.- Компьютер Пресс, 2016. ↑

3. 1 Братко И. Программирование на языке Пролог для искусственного интеллекта.- М.: Мир, 2017. – 325 с. ↑

4. 8 Марселлус Д. Программирование экспертных систем на Турбо Прологе. М.: Финансы и статистика, 2015, с.256. ↑

5. 6 Долин Г. Что такое ЭС.- Компьютер Пресс, 2016. ↑

6. 13 Сафонов В. О. Экспертные системы- интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества “Знания” России, 2016, с.13.

   ↑

7. 6 Долин Г. Что такое ЭС.- Компьютер Пресс, 2016. ↑

8. 2 Васильев, В.И. Распознающие системы / В.И. Васильев. - К.: Наукова думка; Издание 2-е, перераб. и доп., 2015. - 425 c. ↑

9. 4 Вейценбаум, Дж. Возможности вычислительных машин и человеческий разум / Дж. Вейценбаум. - М.: Радио и связь, 2016. - 368 c.

   ↑

10. 6 Долин Г. Что такое ЭС.- Компьютер Пресс, 2016. ↑

11. 15 Убейко В. Н. Экспертные системы.- М.: МАИ, 2015. ↑

12. Робсон М., Уллах Ф. Практическое руководство по реинжинирингу бизнес - процессов. - М.: Аудит, Юнити, 2016, с.452. ↑

13. 6 Долин Г. Что такое ЭС.- Компьютер Пресс, 2016. ↑

14. 13 Сафонов В. О. Экспертные системы- интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества “Знания” России, 2016, с.13. ↑

15. 9 Марселлус. Программирование экспертных систем на Турбо Прологе.- М.: Финансы и статистика, 2015, с.37. ↑

16. 17 Фетисов, В.С. Интеллектуальные средства измерений и HART-протокол / В.С. Фетисов. - М.: Уфа: Уфимский государственный авиационный технический университет, 2015. - 410 c. ↑

17. 3 Веденов, А.А. Моделирование элементов мышления / А.А. Веденов. - М.: Наука, 2015. - 160 c. ↑

18. 11 Нильсон Н. Д. Искусственный интеллект. Методы поиска решений.- М.: Мир, 2015, с.23. ↑

19. 12 Робсон М., Уллах Ф. Практическое руководство по реинжинирингу бизнес - процессов. - М.: Аудит, Юнити, 2016, с.452. ↑

20. 16 Уотермен Д. Руководство по экспертным системам.- М.: Мир, 2016. ↑

21. 18 Хайкин С. Нейронные сети: полный курс / Хайкин, Саймон. - М.: Вильямс, 2017. ↑

22. 15 Убейко В. Н. Экспертные системы.- М.: МАИ, 2015. ↑

23. 16 Уотермен Д. Руководство по экспертным системам.- М.: Мир, 2016.

    ↑

24. 6 Долин Г. Что такое ЭС.- Компьютер Пресс, 2016. ↑

25. 16 Уотермен Д. Руководство по экспертным системам.- М.: Мир, 2016. ↑

26. 7 Малпасс Д. Р. Реляционный язык Пролог и его применение. - М.: Финансы и статистика, 2015, с.6. ↑

27. ↑

28. 20 Экспертные системы: Определения и классификация. – Портал «Интернет-Университет Информационных Технологий». Режим доступа: http://www.intuit.ru/department/human/isrob/6/isrob_6.html ↑

29. 6 Долин Г. Что такое ЭС.- Компьютер Пресс, 2016. ↑

30. 15 Убейко В. Н. Экспертные системы.- М.: МАИ, 2015. ↑

31. 5 Глушков, В.М. Машина доказывает / В.М. Глушков. - М.: Знание, 2015. ↑

32. 11 Нильсон Н. Д. Искусственный интеллект. Методы поиска решений.- М.: Мир, 2015. ↑

33. 17 Фетисов, В.С. Интеллектуальные средства измерений и HART-протокол / В.С. Фетисов. - М.: Уфа: Уфимский государственный авиационный технический университет, 2015. ↑

34. 6 Долин Г. Что такое ЭС.- Компьютер Пресс, 2016.

    ↑

35. 9 Марселлус. Программирование экспертных систем на Турбо Прологе.- М.: Финансы и статистика, 2015. ↑

36. 17 Фетисов, В.С. Интеллектуальные средства измерений и HART-протокол / В.С. Фетисов. - М.: Уфа: Уфимский государственный авиационный технический университет, 2015. ↑

37. 13 Сафонов В. О. Экспертные системы- интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества “Знания” России, 2016. ↑

38. 16 Уотермен Д. Руководство по экспертным системам.- М.: Мир, 2016. ↑

39. 14 Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 2016.

    ↑

40. 12 Робсон М., Уллах Ф. Практическое руководство по реинжинирингу бизнес - процессов. - М.: Аудит, Юнити, 2016. ↑

41. 14 Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 2016. ↑

42. 16 Уотермен Д. Руководство по экспертным системам.- М.: Мир, 2016. ↑

43. 5 Глушков, В.М. Машина доказывает / В.М. Глушков. - М.: Знание, 2015. ↑

44. 3 Веденов, А.А. Моделирование элементов мышления / А.А. Веденов. - М.: Наука, 2015. ↑

45. 17 Фетисов, В.С. Интеллектуальные средства измерений и HART-протокол / В.С. Фетисов. - М.: Уфа: Уфимский государственный авиационный технический университет, 2015. ↑

46. 15 Убейко В. Н. Экспертные системы.- М.: МАИ, 2015.

    ↑

47. 9 Марселлус. Программирование экспертных систем на Турбо Прологе.- М.: Финансы и статистика, 2015, с.37.

    ↑

48. 1 Братко И. Программирование на языке Пролог для искусственного интеллекта.- М.: Мир, 2017 ↑

49. 15 Убейко В. Н. Экспертные системы.- М.: МАИ, 2015. ↑

50. 15 Убейко В. Н. Экспертные системы.- М.: МАИ, 2015. ↑