Интегрированный способ обработки информации

Он предусматривает создание информационной модели управляемого объекта, т. е. создание распределенной базы данных. Такой способ обеспечивает максимальное удобство для пользователя. С одной стороны, базы данных предусматривают коллективное пользование и централизованное управление. С другой стороны, объем информации, разнообразие решаемых задач требуют распределения базы данных. Технология интегрированной обработки информации позволяет улучшить качество, достоверность и скорость обработки, так как обработка производится на основе единого информационного массива, однократно введенного в ЭВМ. Особенностью этого способа является отделение технологически и по времени процедуры обработки от процедур сбора, подготовки и ввода данных.

С точки зрения реализации, на основе современных достижений вычислительной техники выделяют следующие виды обработки информации:

• • последовательная обработка, применяемая в традиционной фоннеймановской архитектуре ЭВМ, располагающей одним процессором;
• • параллельная обработка, характеризующаяся наличием нескольких процессоров в ЭВМ;
• • конвейерная обработка, связанная с использованием в архитектуре ЭВМ одних и тех же ресурсов для решения разных задач, причем если эти задачи тождественны, то это последовательный конвейер, если задачи одинаковые — векторный конвейер.

Принято относить существующие архитектуры ЭВМ с точки зрения обработки информации к одному из следующих классов [28].

Архитектуры с одиночным потоком команд и одиночным потоком данных (Single Instruction, Single Data, SISD). К этому классу относятся традиционные фоннеймановские однопроцессорные системы, где имеется центральный процессор, работающий с парами «атрибут — значение».

Архитектуры с одиночным потоком команд и множественным потоком данных (Single Instruction, Multiple Data, SIMD). Особенностью данного класса является наличие одного (центрального) контроллера, управляющего рядом одинаковых процессоров. В зависимости от возможностей контроллера и процессорных элементов, числа процессоров, организации режима поиска и характеристик маршрутных и выравнивающих сетей выделяют:

• • матричные процессоры, используемые для решения векторных и матричных задач;
• • ассоциативные процессоры, применяемые для решения нечисловых задач и использующие память, в которой можно обращаться непосредственно к информации, хранящейся в ней;
• • процессорные ансамбли, применяемые для числовой и нечисловой обработки;
• • конвейерные и векторные процессоры.

Архитектуры с множественным потоком команд и одиночным потоком данных (далее — MISD — Multiple Instruction stream, Single Data stream). К этому классу могут быть отнесены конвейерные процессоры.

Архитектуры с множественным потоком команд и множественным потоком данных (далее — MIMD — Multiple Instructions, Multiple Data). К этому классу могут быть отнесены следующие конфигурации: мультипроцессорные системы, системы с мультобработкой, вычислительные системы из многих машин, вычислительные сети.

Основные процедуры обработки данных представлены на рис. 2.9 [8].

Рис. 2.9. Основные процедуры обработки данных.

Создание данных как процесс обработки предусматривает их образование в результате выполнения некоторого алгоритма и дальнейшее использование для преобразований на более высоком уровне.

Модификация данных связана с отображением изменений в реальной предметной области, осуществляемых путем включения новых данных и удалением ненужных.

Контроль, безопасность и целостность направлены на адекватное отображение реального состояния предметной области в информационной модели и обеспечивают защиту информации от несанкционированного доступа (безопасность) и от сбоев и повреждений технических и программных средств.

Поиск информации, хранимой в памяти компьютера, осуществляется как самостоятельное действие при выполнении ответов на различные запросы, так и вспомогательная операция при обработке информации.

Поддержка принятия решения является наиболее важным действием, выполняемым при обработке информации. Широкая альтернатива принимаемых решений приводит к необходимости использования разнообразных математических моделей [10, 11].

Создание документов, сводок, отчетов заключается в преобразовании информации в формы, пригодные для чтения как человеком, так и компьютером. С этим действием связаны и такие операции, как обработка, считывание, сканирование и сортировка документов.

Преобразование информации осуществляет ее перевод из одной формы представления или существования в другую и определяется потребностями, возникающими в процессе реализации информационных технологий.

Реализация всех действий, выполняемых в процессе обработки информации, осуществляется с помощью разнообразных программных средств.

Наиболее распространенной областью применения технологической операции обработки информации является принятие решений.

В зависимости от степени информированности о состоянии управляемого процесса, полноты и точности моделей объекта и системы управления, взаимодействия с окружающей средой, процесс принятия решения протекает в следующих различных условиях.

• 1. Принятие решений в условиях определенности. В этой задаче модели объекта и системы управления считаются заданными, а влияние внешней среды — несущественным. Поэтому между выбранной стратегией использования ресурсов и конечным результатом существует однозначная связь, откуда следует, что в условиях определенности достаточно использовать решающее правило для оценки полезности вариантов решений, принимая в качестве оптимального то, которое приводит к наибольшему эффекту. Если таких стратегий несколько, то все они считаются эквивалентными. Для поиска решений в условиях определенности используют методы математического программирования.
• 2. Принятие решений в условиях риска. В отличие от предыдущего случая, для принятия решений в условиях риска необходимо учитывать влияние внешней среды, которое не поддается точному прогнозу, а известно только вероятностное распределение ее состояний. В этих условиях использование одной и той же стратегии может привести к различным исходам, вероятности появления которых считаются заданными или могут быть определены. Оценка и выбор стратегий проводят с помощью решающего правила, учитывающего вероятность достижения конечного результата.
• 3. Принятие решений в условиях неопределенности. Как и в предыдущей задаче, между выбором стратегии и конечным результатом отсутствует однозначная связь. Кроме того, неизвестны также значения вероятностей появления конечных результатов, которые либо не могут быть определены, либо не имеют в контексте содержательного смысла. Каждой паре «стратегия — конечный результат» ставится в соответствие некоторая внешняя оценка в виде выигрыша. Наиболее распространенным является использование критерия получения максимального гарантированного выигрыша.
• 4. Принятие решений в условиях многокритериальности. В любой из перечисленных выше задач многокритериальность возникает в случае наличия нескольких самостоятельных, не сводимых одна к другой целей. Наличие большого количества решений усложняет оценку и выбор оптимальной стратегии. Одним из возможных путей решения является использование методов моделирования.

Решение задач с помощью искусственного интеллекта (см. параграф 3.6) заключается в сокращении перебора вариантов при поиске решения, при этом программы реализуют те же принципы, которыми пользуется в процессе мышления человек.

Процесс выработки решения на основе первичных данных, схема которого представлена на рис. 2.10, можно разбить на два этапа: выработка допустимых вариантов решений путем математической формализации с использованием разнообразных моделей и выбор оптимального решения на основе субъективных факторов.

Информационные потребности лиц, принимающих решение, во многих случаях ориентированы на интегральные технико-экономические показатели, которые могут быть получены в результате обработки первичных данных, отражающих текущую деятельность предприятия. Анализируя функциональные взаимосвязи между итоговыми и первичными данными, можно построить так называемую информационную схему, которая отражает процессы агрегирования информации. Первичные данные, как правило, чрезвычайно разнообразны, интенсивность их поступления высока, а общий объем на интересующем интервале велик. Однако состав интегральных показателей относительно мал, а требуемый период их актуализации может быть значительно ниже периода изменения первичных данных — аргументов.

Рис. 2.10. Процесс выработки решения на основе первичных данных.

Для поддержки принятия решений обязательным является наличие следующих компонент:

• • обобщающий анализ;
• • прогнозирование;
• • ситуационное моделирование.

Система поддержки принятия решений (далее — СППР) может быть представлена как автоматизированная интерактивная человекомашинная система поддержки принятия решений на основе использования данных и моделей. СППР предназначены для поддержки управленческих решений и интуитивного подхода к решению управленческих задач. Для этого они обеспечивают пользователей необходимой информацией, генерируют, оценивают и предлагают несколько вариантов. Системы поддержки принятия решений входят в состав практически любой современной информационной системы. Понятие информационной системы (далее — ИС) и понятие СППР являются взаимодополняющими. В соответствии с характером обработки информации в ИС на различных уровнях управления заданной системой (оперативном, тактическом и стратегическом) выделяются следующие типы информационных подсистем:

• • системы обработки данных (Electronic Data Processing, EDP);
• • информационная система управления (Management Information System, MIS);
• • система поддержки принятия решений (Decision Support System, DSS).

Для задач СППР свойственны недостаточность имеющейся информации, ее противоречивость и нечеткость, преобладание качественных оценок целей и ограничений, слабая формализованность алгоритмов решения. В качестве инструментов обобщения чаще всего используются средства составления аналитических отчетов произвольной формы, методы статистического анализа, экспертных оценок и систем, математического и имитационного моделирования.

Таким образом, СППР — это автоматизированная система, используемая для различных видов деятельности при принятии решений в ситуациях, где невозможно или нежелательно иметь автоматическую систему, полностью выполняющую весь процесс решения, вследствие слабой структурированности или не структурированности решаемых проблем.

Такая СППР может состоять из нескольких подсистем, реализующих следующие семь основных функций СППР:

• 1) оценка обстановки (ситуации), выбор критериев и оценка их относительной важности;
• 2) генерация возможных решений (сценариев действий);
• 3) оценка решений (сценариев действий) и выбор лучшего;
• 4) обмен информацией об обстановке принимаемых решений и согласование групповых решений (в тех случаях, когда это возможно);
• 5) моделирование принимаемых решений (в тех случаях, когда это возможно);
• 6) динамический компьютерный анализ возможных последствий принимаемых решений;
• 7) сбор данных о результатах реализации принятых решений и оценка результатов.

СППР зачастую используются как интегрированные подсистемы в составе сложных комплексов управления и контроля. Для подобных интегрированных СППР можно выделить следующие основные функции:

• • обеспечение ЛПР (лицо, принимающее решения) информацией для процесса принятия решения, включая ее предварительную обработку;
• • организационно-методическое обеспечение процесса принятия решений;
• • моделирование последствий принятия решений;
• • экспертные функции: выдача рекомендаций и обоснований;
• • обеспечение согласованности решений, принимаемых в группах.

Модель процесса принятия решений человеком включает три основные ступени: интеллектуальную ступень, конструирование и выбор.

Термин «поддержка» подразумевает различные шаги и задачи на каждом этапе процесса принятия решений.

СППР в зависимости от данных, с которыми они работают, можно разделить:

• • на оперативные, предназначенные для немедленного реагирования на текущую ситуацию;
• • стратегические, основанные на анализе большого количества информации из разных источников с привлечением сведений, содержащихся в системах, аккумулирующих опыт решения проблем.

Оперативные СППР получили название информационных систем руководства (Executive Information Systems) (далее — ИСР). По сути, они представляют собой конечные наборы отчетов, построенные на основании данных из информационной системы предприятия или OLTPсистемы. Для ИСР характерны следующие основные черты:

• • отчеты, как правило, базируются на стандартных для организации запросах; число последних относительно невелико;
• • ИСР представляет отчеты в максимально удобном виде, включающем наряду с таблицами деловую графику, мультимедийные возможности и т. п.;
• • как правило, ИСР ориентированы на конкретный вертикальный рынок, например финансы, маркетинг, управление ресурсами.

Стратегические СППР предполагают достаточно глубокую проработку данных, специально преобразованных так, чтобы их было удобно использовать в ходе процесса принятия решений. Неотъемлемым компонентом СППР этого уровня являются правила принятия решений, которые на основе агрегированных данных подсказывают менеджерскому составу выводы и придают системе черты искусственного интеллекта. Такого рода системы создаются только в том случае, если структура бизнеса уже достаточно определена и имеются основания для обобщения и анализа не только данных, но и процессов их обработки.

Большая часть используемых сегодня СППР разработана для генерации и оценки альтернатив посредством анализа «что-если» и «поиска цели» на этапах конструирования и выбора. Финансовые модели служат для поддержки и планирования, рассчитывая последствия запланированных действий на основе оценки прибылей. Репрезентативные модели оценивают последствия действий (принятия решений) на основе комплекса моделей включая все имитационные модели. Оптимизирующие модели находят оптимальные решения. Предлагающие модели дают специальное решение для четко структурированных задач. Такие системы выполняют механические вычисления и не оставляют места управленческому суждению.

Управление данными и моделями в СППР практически неразделимо, поэтому многие исследователи фокусируют внимание на обеих сторонах вопроса — на управлении и данными, и моделями. Данные представляют собой фактические результаты наблюдения за физическими явлениями, например, это могут быть размеры суточного выпуска продукции, объем дневных продаж и уровень запасов продукта А. База данных содержит совокупность взаимосвязанных файлов.

Управление данными в СППР — это необходимая функция, используемая, главным образом, на интеллектуальной стадии процесса принятия решений, но недостаточная для поддержки этапов конструирования и выбора альтернатив. Для поддержки этих этапов СППР должны обеспечить выполнение следующих операций: проекцию, дедукцию, анализ, генерацию альтернатив, сравнение альтернатив, оптимизацию и имитацию. При выполнении этих задач СППР используют различные типы моделей из областей знаний об управлении и исследовании операций. Эти модели включают линейное программирование, целочисленное программирование, сетевые модели, программирование целей, имитационные и статистические модели и электронные таблицы.

Другой важной, развивающейся в последнее время разновидностью СППР являются системы поддержки принятия решений, основанные на базе знаний (далее — СППРБЗ), которые представляют собой гибрид СППР и ЭС (экспертная система) и предназначены для решения широкого круга организационных задач. В интегрировании СППР и ЭС выделяются два основных подхода: экспертные системы поддержки (далее — ЭСП) и интеллектуальные системы поддержки (далее — ИСП). Основные различия между этими системами заключается в следующем — ЭСП предназначены для замены живого эксперта машинным экспертом, а задачи ИСП заключаются в поддержке знаний отдельных пользователей и групп. Широкий ряд управленческих задач реального мира легче поддается решению, если используются как количественные, так и качественные данные. Новая интегрированная система (ЭСП или ИСП) может помогать, используя при этом знания и опыт ключевых фигур в организации. Узким местом при разработке систем, основанных на знаниях, таких как ЭСП например, является задача приобретения знаний; этот процесс состоит из представления знаний, проверки, механизма построения логических выводов, механизмов объяснения и управления.

Множество новых средств и технологий способно расширить возможности СППР, среди них важное место занимает интеллектуальный анализ данных (далее — ИАД), обычно определяемый как метод поддержки принятия решений, основанный на анализе зависимостей между данными [23]. Существует два подхода автоматизации поиска зависимостей между данными. В первом случае, используемом в традиционные технологии анализа, пользователь сам выдвигает гипотезы относительно зависимостей между данными. Гипотеза приводит к построению отчета, анализ отчета — к выдвижению новой гипотезы и т. д. Описанная методика действует и в том случае, когда пользователь применяет такие развитые средства, как OLAP (On-line Analytical Processing), поскольку процесс поиска по-прежнему полностью контролируется человеком. Во многих системах ИАД в этом процессе автоматизирована проверка достоверности гипотез, что позволяет оценить вероятность тех или иных зависимостей в базе данных. Второй подход основан на автоматическом поиске зависимости между данными. Растущее количество продуктов, реализующих автоматический поиск зависимостей, говорит об интересе производителей и потребителей к системам именно такого типа.

Процессы ИАД подразделяются на три большие группы: поиск зависимостей (discovery), прогнозирование (predictive modelling') и анализ аномалий (forensic analysis). В первом случае при просмотре базы данных осуществляется автоматическое выявление зависимостей. Проблемой здесь является отбор действительно важных зависимостей из огромного числа существующих в базах данных (далее — БД). Прогнозирование основано на том, что пользователь предъявляет системе записи с незаполненными полями и запрашивает недостающие значения. Система сама анализирует содержимое базы и делает правдоподобное предсказание относительно этих значений. Анализ аномалий заключается в процессе поиска подозрительных данных, сильно отклоняющихся от устойчивых зависимостей.

Необходимость оперативной обработки информации стремительно возрастающих объемов информации вызвало к жизни появление и активное развитие технологии интеллектуального анализа данных (ИАД, или data mining). Теоретической базой ИАД являются методов математической статистики и искусственного интеллекта. Сложность решаемых задач потребовала создания специализированных инструментальных средств, ориентированных на конечного пользователя и предназначенных для решения как типовых, так и специфических задач в различных предметных областях.

Области применения ИАД: научные исследования, образование, статистика, здравоохранение, производство, финансы, правоохранительная и военная деятельность.

Разнообразие решаемых задач вынуждают разработчиков создавать исследовательские ИАД, предназначенные для работы с новыми типами проблем, и прикладные ИАД, ориентированные на решение типовых задач. Каждый из классов систем может быть ориентирован как на специалистов, так и непрограммирующих пользователей.

К сожалению, универсальные средства ИАД довольно сложны и дороги, поэтому они не могут широко применяться в рамках интегрированных систем, ориентированных на конечного пользователя. В основу технологии ИАД положен не один, а несколько принципиально различных подходов (табл. 2.1), причем использование некоторых из них невозможно без специальной подготовки [12]. Выбор подхода нередко требует привлечения специалиста по ИАД.

Это наблюдение легло в основу подхода к поиску и выборке данных, называемого OLAP. Общеизвестно, что OLAP-системы построены на двух базовых принципах:

• • все данные, необходимые для принятия решений, предварительно агрегированы на всех соответствующих уровнях и организованы так, чтобы обеспечить максимально быстрый доступ к ним;
• • язык манипулирования данными основан на использовании бизнес-понятий.

Основные технологии интеллектуального анализа данных.

Таблица 2.1

Так как в основе OLAP лежит понятие гиперкуба, или многомерного куба данных, в ячейках которого хранятся анализируемые (числовые) данные, то дальнейшее усложнение модели данных может идти по нескольким направлениям:

• • увеличение числа измерений — например, данные о статьях не только по месяцам и годам, но и по темам. В этом случае куб становится трехмерным;
• • усложнение содержимого ячейки — в этом случае в ячейке будет несколько значений признаков;
• • введение иерархии в пределах одного измерения — общее понятие «время» естественным образом связано с иерархией значений: год состоит из кварталов, квартал из месяцев и т. д.

Речь пока идет не о физической структуре хранения, а лишь о логической модели данных. Другими словами, определяется лишь пользовательский интерфейс модели данных. В рамках этого интерфейса должны быть введены следующие базовые операции:

• • поворот;
• • проекция (при проекции значения в ячейках, лежащих на оси проекции, суммируются по некоторому предопределенному закону);
• • раскрытие (drill-down) — одно из значений измерения заменяется совокупностью значений из следующего уровня иерархии измерения; соответственно, заменяются значения в ячейках гиперкуба;
• • свертка {roll-up/drill-up) — операция, обратная раскрытию;
• • сечение (slice-and-dice).

В зависимости от ответа на вопрос, существует ли гиперкуб как отдельная физическая структура или лишь как виртуальная модель данных, различают системы MOLAP {Multidimensional OLAP) и ROLAP {Relational OLAP). В первых гиперкуб реализуется как отдельная база данных специальной нереляционной структуры, обеспечивающая максимально эффективный по скорости доступ к данным, но требующая дополнительного ресурса памяти. MOLAP-системы весьма чувствительны к объемам хранимых данных. Поэтому данные из хранилища сначала помещаются в специальную многомерную базу {Multidimensional Data Base, MDB), а затем эффективно обрабатываются OLAP-сервером.

Реализация процесса принятия решений заключается в построении информационных приложений. Выделим в информационном приложении типовые функциональные компоненты, достаточные для формирования любого приложения на основе БД.

PS {Presentation Services) — средства представления. Обеспечиваются устройствами, принимающими ввод от пользователя и отображающими то, что сообщает ему компонент логики представления PL, плюс соответствующая программная поддержка. Может быть текстовым терминалом или Х-терминалом, а также персональным компьютером или рабочей станцией в режиме программной эмуляции терминала или Х-терминала.

PL {Presentation Logic) — логика представления. Управляет взаимодействием между пользователем и ЭВМ. Обрабатывает действия пользователя по выбору альтернативы меню, по нажатию кнопки или выборе элемента из списка.

BL {Business or Application Logic) — прикладная логика. Набор правил для принятия решений, вычислений и операций, которые должно выполнить приложение.

DL {Data Logic) — логика управления данными. Операции с базой данных (SQL-операторы SELECT, UPDATE и INSERT), которые нужно выполнить для реализации прикладной логики управления данными.

DS (Data Services) — операции с базой данных. Действия систем управления базами данных (далее — СУБД), вызываемые для выполнения логики управления данными, такие как манипулирование данными, определения данных, фиксация или откат транзакций и т. п. СУБД обычно компилирует SQL-приложения.

FS (File Services') — файловые операции. Дисковые операции чтения и записи данных для СУБД и других компонент. Обычно являются функциями ОС.

Среди средств разработки информационных приложений можно выделить следующие основные группы:

• • традиционные системы программирования;
• • инструменты для создания файл-серверных приложений;
• • средства разработки приложений «клиент — сервер»;
• • средства автоматизации делопроизводства и документооборота;
• • средства разработки Internet/Intranet-приложений;
• • средства автоматизации проектирования приложений.