Файл: Достоинства и недостатки существующих подходов поддержки принятия решений.pdf

Интеллектуальный анализ данных (data mining) – это выявление скрытых закономерностей или взаимосвязей между переменными в больших массивах необработанных данных. Такой анализ предусматривает решение задач классификации, моделирования и прогнозирования, кластеризации, сокращения описания, ассоциации, анализа отклонений, визуализации и др.

Процесс извлечения познаний в базах данных включает в себя выполнение очередности операций, важных для помощи аналитическому процессу. К ним относятся:

• консолидация данных;
• подготовка анализируемых выборок данных (в том числе обучающих);
• очистка данных от факторов, мешающих их корректному анализу;
• трансформация – оптимизация данных для решения определенной задачи;
• анализ данных;
• интерпретация и визуализация результатов анализа, их применение в бизнес-приложениях.

Есть весь ряд способов извлечения фактов и их трансформаций: способ близкого соседа (nearest neighbor); способ извлечения фактов на базе деревьев решений; способ извлечения фактов на базе знаний; способ извлечения с учетом применимости фактов.

Кроме рассмотренных способов для извлечения фактов имеют все шансы благополучно использоваться и иные способы, к примеру установка искусственного происхождения нейронных сеток.

Имитационное моделирование – метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно "проиграть" во времени как для одного испытания, так и заданного их множества. Непосредственно результаты будут определяться случайным характером процессов. По таким данным можно получить достаточно устойчивую статистику.

Генетический алгоритм (genetic algorithm) – эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путем последовательного подбора, комбинирования и вариации искомых параметров с применением механизмов, напоминающих биологическую эволюцию. Генетический алгоритм является разновидностью эволюционных вычислений (evolutionary computation). Его отличительная особенность состоит в акценте на применение оператора "скрещивания", который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе. Генетические алгоритмы служат главным образом для поиска решений в очень больших, сложных пространствах поиска.

Искусственные нейронные сети – математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Данное понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Первой такой моделью мозга был перцептрон. Впоследствии модели стали применять в практических целях, как правило, в задачах прогнозирования. 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 – многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики нейронная сеть используется в задачах адаптивного управления. С точки зрения развития вычислительной техники и программирования нейронная сеть – вариант решения проблемы эффективного параллелизма, а с точки зрения искусственного интеллекта она является основой философского течения коннективизма и главным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

Искусственный интеллект – наука и разработка интеллектуальных машин и систем, особенно интеллектуальных компьютерных программ, направленных на то, чтобы понять человеческий интеллект. При этом используемые методы не обязаны быть биологически правдоподобны. Но проблема состоит в том, что неизвестно, какие вычислительные процедуры мы хотим называть интеллектуальными. Ученые исследовали только некоторые механизмы интеллекта, поэтому под интеллектом в пределах этой науки имеют в виду только вычислительную часть возможности достигнуть целей в мире. Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР.

Из множества известных методов и подходов к принятию решений также наибольший интерес вызывают те, которые дают возможность учитывать многокритериальность и неопределенность, а также позволяют осуществлять выбор решений из множеств альтернатив различного типа при наличии критериев. Среди таких методов, которые учитывают специфику процесса проблемной ситуации, выделяются более математико-формульные методы: метод главного критерия; метод линейной свертки; метод отношения предпочтений ЛПР; метод анализа иерархий и другие.

Заключение

Учитывая величину вовлекаемых финансовых и иных ресурсов, сложность и многоэтапность проектов и выбора подходов построения СППР, очевидна, высокая стоимость ошибок проектирования. Промахи выбора программного обеспечения могут повлечь за собой финансовые затраты, не говоря уже о повышении времени выполнения проекта.

Впрочем, применение СППР перспективно уже хотя бы потому, что каждое управленческое решение субъективно, основано политикой деятельности компании, отражает главные цели организации и, что самое основное, не всегда обязательно верное. Все это ведет к надобности формализации процесса принятия решений и привлечения вспомогательных средств, для понижения риска принятия неправильного решения. Риск, который возрастает с накоплением информации, подлежащей обработке.

В данной работе были рассмотрены системы поддержки принятия решений, их зарождение и значение в настоящем времени. Считается, что в дальнейшем будет только увеличение распространения СППР, которые будут с успехом применяться в самых разных отраслях: телекоммуникациях, финансовой сфере, торговле, промышленности, медицине и многих других. Ведь эти системы, основанные на знаниях, имеют определенные преимущества перед человеком: у них нет предубеждений, связи с чем, они не делают поспешных выводов, эти системы работают систематизировано, тем самым рассматривая все детали, в большинстве случаев, выбирая наилучшую альтернативу из всех возможных, а сама база знаний, может быть очень и очень большой. Что касается человека, то он пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые могут быть непосредственно не связаны с решаемой задачей. Однако стоить помнить, что эти системы не заменяют специалиста, а являются инструментом в его руках.