Domov vlastnosť informácie sú kvalitatívne novou metódou organizácie interakcie medzi človekom a počítačom. K vývoju riešenia, ktoré je hlavným cieľom tejto technológie, dochádza v dôsledku iteračného procesu (obr. 1), ktorý zahŕňa:
· systém podpory rozhodovania v úlohe výpočtového spojenia a riadiaceho objektu;
· osoba ako riadiaci článok, ktorý nastavuje vstupné údaje a vyhodnocuje výsledný výsledok výpočtov v počítači.
Ryža. 1 Iteračný proces informácií
technológie na podporu rozhodovania
Koniec iteračného procesu nastáva z vôle človeka. V tomto prípade môžeme hovoriť o schopnosti informačného systému spolu s používateľom vytvárať nové informácie pre rozhodovanie.
Okrem tejto funkcie informačnej technológie na podporu rozhodovania možno uviesť niekoľko jej charakteristických vlastností:
· orientácia na riešenie zle štruktúrovaných problémov;
· kombinácia tradičných metód prístupu a spracovania počítačových údajov s možnosťami matematických modelov a metód riešenia problémov na nich založených;
· zacielenie na neprofesionálneho používateľa počítača;
· vysoká prispôsobivosť, poskytujúca možnosť prispôsobiť sa vlastnostiam existujúceho hardvéru a softvéru, ako aj požiadavkám používateľov.
Informačné technológie na podporu rozhodovania možno použiť na akejkoľvek úrovni riadenia. Okrem toho rozhodnutia prijaté na rôznych úrovniach riadenia musia byť často koordinované. Dôležitou funkciou systémov a technológií je preto koordinácia rozhodovacích orgánov, a to na rôznych úrovniach riadenia a na rovnakej úrovni.
Systém na podporu rozhodovania (DSS)(Angličtina) Systém na podporu rozhodovania, DSS) - počítačový automatizovaný systém, ktorého účelom je pomôcť ľuďom rozhodovať sa v ťažkých podmienkach pre úplnú a objektívnu analýzu predmetu činnosti. DSS vznikla zlúčením manažérskych informačných systémov a databázových manažérskych systémov.
DSS je informačný a analytický systému riešenie problémov informačnej a intelektuálnej podpory rozhodovateľa (DM).
Systémy na podporu rozhodovania (DSS, DSS, Decision Support System) vznikli začiatkom 70. rokov 20. storočia vďaka rozvoju manažérskych informačných systémov a úspechom pri vytváraní systémov umelej inteligencie. Rozvoj DSS bol výrazne ovplyvnený pokrokom v oblasti informačných technológií, najmä telekomunikačných sietí, osobných počítačov, dynamických tabuľkových procesorov a expertných systémov. Systémy tejto triedy sú založené na technológiách umelej inteligencie a spravidla nie sú súčasťou integrovaných systémov riadenia podniku, ale sú vyvíjané tretími spoločnosťami.
Dodnes neexistuje jednotná definícia DSS, ako príklad možno uviesť:
1. Toto je najvýkonnejší zástupca triedy analytických systémov zameraných na:
¾ Analýza veľkých súborov údajov,
¾ vykonávať zložitejšie otázky,
¾ modelovanie doménových procesov,
¾ prognózy,
¾ hľadanie závislostí medzi údajmi
¾ pre analýzu „čo ak“.
2. Ide o interaktívny aplikačný systém, ktorý poskytuje koncovým užívateľom s rozhodovacou právomocou jednoduchý a pohodlný prístup k údajom a modelom za účelom rozhodovania v pološtruktúrovaných a neštruktúrovaných situáciách v rôznych oblastiach ľudskej činnosti
3. Ide o systémy, ktoré sú založené na využívaní modelov a postupov na spracovanie údajov a myšlienok, ktoré pomáhajú pri rozhodovaní
4. Ide o interaktívne automatizované systémy, ktoré pomáhajú rozhodovateľom používať údaje a modely na riešenie neštruktúrovaných a pološtruktúrovaných problémov
5. je počítačový informačný systém slúžiaci na podporu rôznych činností pri rozhodovaní v situáciách, kedy je nemožné alebo nežiaduce, aby automatický systém kompletne vykonal celý rozhodovací proces
6. Ide o viacúrovňový multifunkčný automatizovaný systém pre vývoj a implementáciu riešení, ktorý je tvorený na báze:
¾ syntéza funkčných a štruktúrnych schém jednotlivých častí objektu;
¾ komplexné modely a úlohy podľa štádií životného cyklu produktu a samotného objektu;
¾ kombinovanie rôznych lokálnych subsystémov do jedného riadiaceho systému;
¾ vytvorenie vzájomne prepojených riadiacich slučiek a posilnenie úlohy prevádzkového manažmentu (študovať logiku a diagnostikovať ich tok);
¾ prehĺbenie systémového a programovo zameraného prístupu k plánovaniu a automatickej analýze prevádzky zariadení;
¾ vývoj jednotných prierezových noriem a štandardov;
¾ vytvorenie rozsiahleho automatizovaného pracoviska (ako inteligentné terminály), zabezpečenie softvérových prepojení, koordinácia informácií a dialógu.
Hlavné zložky DSS.
DSS je výpočtový systém človek-stroj zameraný na analýzu dát a poskytovanie informácií potrebných pre prijímanie manažérskych rozhodnutí. Táto rôznorodosť definícií odráža širokú škálu rôznych typov DSS. Ale takmer všetky typy týchto počítačových systémov sa vyznačujú prehľadnou štruktúrou, ktorá obsahuje tri hlavné komponenty tvoriace základ klasickej štruktúry DSS, čím sa odlišuje od ostatných typov IS:
1. používateľské rozhranie, ktoré umožňuje osobe, ktorá má právo rozhodovať, viesť dialóg so systémom pomocou rôznych vstupných programov, formátov a výstupných technológií;
2. podsystém určený na ukladanie, správu, výber, zobrazovanie a analýzu údajov;
3. subsystém, ktorý obsahuje sadu modelov, ktoré poskytujú odpovede na mnohé požiadavky používateľov na analytické úlohy.
Uvažujme o štruktúre systému na podporu rozhodovania (obr. 2), ako aj o funkciách jeho základných blokov, ktoré určujú hlavné technologické operácie.
Ryža. 2. Hlavné zložky informácií
technológie na podporu rozhodovania
Systém na podporu rozhodovania zahŕňa tri hlavné komponenty: databázu, modelovú základňu a softvérový subsystém, ktorý pozostáva zo systému riadenia databáz (DBMS), systému riadenia modelovej základne (MBMS) a systému riadenia používateľsko-počítačového rozhrania.
Databáza hrá dôležitú úlohu v informačných technológiách na podporu rozhodovania (DSTS). Údaje môže používateľ priamo použiť na výpočty pomocou matematických modelov. Pozrime sa na zdroje údajov a ich funkcie:
1. Časť údajov pochádza z informačného systému prevádzkovej úrovne. Aby boli tieto údaje efektívne využité, musia byť vopred spracované.
Sú na to dve možnosti:
– používať databázový riadiaci systém, ktorý je súčasťou systému na podporu rozhodovania, na spracovanie údajov o prevádzke spoločnosti;
– vykonávať spracovanie mimo systému na podporu rozhodovania vytvorením špeciálnej databázy na tento účel. Táto možnosť je vhodnejšia pre spoločnosti, ktoré vykonávajú veľké množstvo obchodných transakcií. Spracované údaje o prevádzke firmy tvoria súbory, ktoré sú uložené mimo systému na podporu rozhodovania, aby sa zvýšila spoľahlivosť a rýchlosť prístupu.
2. Fungovanie systému na podporu rozhodovania si okrem údajov o prevádzke spoločnosti vyžaduje aj ďalšie interné údaje, ako sú údaje o pohybe personálu, inžinierske údaje a pod., ktoré je potrebné včas zbierať, zadávať a udržiavať.
3. Údaje z externých zdrojov sú dôležité najmä pre podporu rozhodovania na vyšších úrovniach riadenia. Požadované externé údaje by mali zahŕňať údaje o konkurentoch, národných a globálnych ekonomikách. Na rozdiel od interných údajov sa externé údaje zvyčajne nakupujú od organizácií špecializujúcich sa na ich zber.
4. V súčasnosti je široko študovaná problematika zaradenia ďalšieho zdroja údajov do databázy – dokumentov obsahujúcich záznamy, listy, zmluvy, objednávky a pod. Ak je obsah týchto dokumentov zaznamenaný v pamäti a následne spracovaný podľa niektorých kľúčových charakteristík (dodávatelia, odberatelia, dátumy, typy služieb atď.), systém získa nový výkonný zdroj informácií.
Systém správy údajov(DBMS) musí mať nasledujúce schopnosti:
zostavovanie kombinácií údajov získaných z rôznych zdrojov pomocou postupov agregácie a filtrovania;
rýchle pridanie alebo vylúčenie jedného alebo druhého zdroja údajov;
budovanie logickej dátovej štruktúry z užívateľského hľadiska;
používanie a manipulácia s neoficiálnymi dôkazmi na experimentálne testovanie pracovných alternatív používateľa;
zabezpečenie úplnej logickej nezávislosti tejto databázy od ostatných prevádzkových databáz fungujúcich v rámci spoločnosti.
Databáza modelov. Účelom vytvárania modelov je popísať a optimalizovať nejaký objekt alebo proces. Použitie modelov zabezpečuje analýzu v systémoch na podporu rozhodovania. Modely založené na matematickej interpretácii problému s pomocou určitých algoritmov pomáhajú nájsť informácie užitočné pre správne rozhodnutia.
Napríklad model lineárneho programovania umožňuje určiť najziskovejší výrobný program na výrobu niekoľkých typov produktov pri daných obmedzeniach zdrojov.
Využitie modelov ako súčasti informačných systémov sa začalo s využitím štatistických metód a metód finančnej analýzy, ktoré implementovali tímy konvenčných algoritmických jazykov. Neskôr boli vytvorené špeciálne jazyky, ktoré umožnili simulovať situácie ako „čo sa stane, ak?“ alebo "ako na to?" Takéto jazyky, vytvorené špeciálne na vytváranie modelov, umožňujú vytvárať modely určitého typu, ktoré poskytujú riešenia pri flexibilnej zmene premenných.
Existuje veľa druhov modelov a spôsoby ich klasifikácie, napríklad podľa účelu použitia, oblasti možných aplikácií, spôsobu hodnotenia premenných atď.
Podľa účelu použitia modelu sa delia na optimalizácia súvisiaci s nájdením minimálnych alebo maximálnych bodov určitých ukazovateľov (manažéri chcú napríklad často vedieť, aké kroky vedú k maximalizácii zisku alebo minimalizácii nákladov) a popisný, popisujúci správanie určitého systému a nie je určený na účely riadenia (optimalizácie).
Metódou hodnotenia modely sú zaradené do deterministický pomocou jednočíselného hodnotenia premenných pre konkrétne hodnoty počiatočných údajov a stochastické, ktoré vyhodnocujú premenné pomocou viacerých parametrov, keďže počiatočné údaje sú špecifikované pravdepodobnostnými charakteristikami.
Deterministický modely sú populárnejšie ako stochastické modely, pretože sú lacnejšie a ľahšie sa zostavujú a používajú. Navyše často poskytujú dostatok informácií na rozhodnutie.
Podľa oblasti možných aplikácií modely sa delia na špecializovaný, určený na použitie iba jedným systémom a univerzálny– na použitie vo viacerých systémoch.
Špecializované modely Sú drahšie, zvyčajne sa používajú na popis jedinečných systémov a majú väčšiu presnosť.
V systémoch na podporu rozhodovania modelovej databázy zahŕňa strategické, taktické a operačné modely, ako aj matematické modely (obr. 6.6) vo forme súboru modelových blokov, modulov a postupov používaných ako prvky na ich konštrukciu.
Ryža. 6.6. Typy modelov, ktoré tvoria základ modelu
Strategické modely sa používajú na vyšších úrovniach manažmentu na stanovenie cieľov organizácie, množstva zdrojov potrebných na ich dosiahnutie a politík na získavanie a používanie týchto zdrojov. Môžu byť tiež užitočné pri výbere možností umiestnenia podnikov, predpovedania politík konkurentov atď. Strategické modely sa vyznačujú značnou šírkou pokrytia, množstvom premenných a prezentáciou údajov v komprimovanej agregovanej forme. Tieto údaje sú často založené na externých zdrojoch a môžu byť subjektívne. Plánovací horizont v strategických modeloch sa zvyčajne meria v rokoch. Tieto modely sú zvyčajne deterministické, popisné a špecializované na použitie v jednej konkrétnej firme.
Taktické modely používajú manažéri na strednej úrovni na distribúciu a kontrolu využívania dostupných zdrojov. Možné oblasti ich využitia zahŕňajú finančné plánovanie, plánovanie požiadaviek na zamestnancov, plánovanie zvýšenia predaja a vytváranie schém rozloženia podniku. Tieto modely sú zvyčajne použiteľné len pre jednotlivé časti podniku (napríklad výrobný a distribučný systém) a môžu zahŕňať aj súhrnné ukazovatele. Časový horizont pokrytý taktickými modelmi sa pohybuje od jedného mesiaca do dvoch rokov. Môžu sa tu vyžadovať aj údaje z externých zdrojov, ale hlavný dôraz pri implementácii týchto modelov by sa mal klásť na interné údaje firmy. Typicky sa taktické modely implementujú ako deterministické, optimalizačné a univerzálne.
Prevádzkové modely používa sa na nižších úrovniach riadenia na podporu operatívneho rozhodovania s horizontom meraným v dňoch a týždňoch. Možné aplikácie týchto modelov zahŕňajú účtovanie pohľadávok a úverov, plánovanie výroby, riadenie zásob atď. Prevádzkové modely zvyčajne používajú na výpočty interné firemné údaje. Typicky sú deterministické, optimalizujúce a univerzálne (t. j. môžu byť použité v rôznych organizáciách).
Matematické modely pozostávajú zo súboru modelových blokov, modulov a procedúr, ktoré implementujú matematické metódy. To môže zahŕňať postupy pre lineárne programovanie, štatistickú analýzu časových radov, regresnú analýzu atď. – od najjednoduchších postupov až po zložité PPP. Modelové bloky, moduly a procedúry môžu byť použité samostatne alebo v kombinácii na vytváranie a údržbu modelov.
Modelový systém správy databáz(DBMS) musí mať tieto schopnosti: vytvárať nové modely alebo meniť existujúce, udržiavať a aktualizovať parametre modelu, manipulovať s modelmi.
Systém riadenia rozhrania. Efektívnosť a flexibilita informačných technológií do značnej miery závisí od vlastností rozhrania systému na podporu rozhodovania. Rozhranie určuje: používateľský jazyk; jazyk počítačových správ, ktorý organizuje dialóg na obrazovke; užívateľské znalosti.
Používateľský jazyk– ide o akcie, ktoré používateľ vykonáva vo vzťahu k systému pomocou funkcií klávesnice; elektronické ceruzky na písanie na obrazovku; joystick; "myši"; hlasové príkazy atď. Najjednoduchšou formou používateľského jazyka je vytváranie foriem vstupných a výstupných dokumentov. Po prijatí vstupného formulára (dokumentu) ho používateľ vyplní potrebnými údajmi a vloží ho do počítača. Systém na podporu rozhodovania vykoná potrebnú analýzu a výsledky vyprodukuje vo forme výstupného dokumentu v stanovenej forme.
Popularita v posledných rokoch výrazne vzrástla vizuálne rozhranie. Používateľ pomocou myši vyberá objekty a príkazy, ktoré sú mu prezentované na obrazovke vo forme obrázkov, čím realizuje svoje akcie.
Ovládanie počítača pomocou človeka hlasovať– najjednoduchšia a preto najžiadanejšia forma jazyka používateľa. Zatiaľ nie je dostatočne vyvinutá, a preto nie je veľmi populárna. Existujúci vývoj vyžaduje od používateľa vážne obmedzenia: určitý súbor slov a výrazov; špeciálny doplnok, ktorý zohľadňuje vlastnosti hlasu používateľa; ovládanie vo forme diskrétnych príkazov, a nie vo forme bežnej plynulej reči. Technológia tohto prístupu sa intenzívne zdokonaľuje a v blízkej budúcnosti možno očakávať vznik systémov na podporu rozhodovania, ktoré využívajú rečový vstup informácií.
Jazyk správy- To je to, čo používateľ vidí na obrazovke (symboly, grafika, farba), údaje prijaté z tlačiarne, výstupné zvukové signály atď. Dôležitým meradlom efektivity použitého rozhrania je zvolená forma dialógu medzi používateľom a systémom. V súčasnosti sú najbežnejšie nasledujúce formy dialógu: režim požiadavka-odpoveď, príkazový režim, režim ponuky, režim vyplnenia medzier vo výrazoch ponúkaných počítačom.
Každá forma, v závislosti od typu úlohy, vlastností používateľa a prijímaného rozhodnutia, môže mať svoje výhody a nevýhody.
Po dlhú dobu bola jedinou implementáciou jazyka správ tlačená alebo zobrazená správa alebo správa. Teraz je tu nová možnosť prezentácie výstupných dát – počítačová grafika. Umožňuje vytvárať farebné grafické obrázky v trojrozmernej forme na obrazovke a papieri. Používanie počítačovej grafiky výrazne zlepšuje viditeľnosť a interpretovateľnosť výstupných údajov a stáva sa čoraz populárnejšou v informačných technológiách na podporu rozhodovania.
V priebehu posledných rokov sa vo vývoji počítačovej grafiky objavil nový smer – animácia. Animácia je obzvlášť účinná pri interpretácii výstupov systémov na podporu rozhodovania spojených s modelovaním fyzických systémov a objektov.
Napríklad systém na podporu rozhodovania určený na obsluhu klientov v banke pomocou kreslených modelov môže skutočne zobraziť rôzne možnosti organizácie služieb v závislosti od toku návštevníkov, prípustnej dĺžky frontu, počtu obslužných miest atď.
V najbližších rokoch môžeme očakávať využitie ľudského hlasu ako komunikačného jazyka. Teraz sa tento formulár používa v systéme podpory rozhodovania vo finančnom sektore, kde sa v procese generovania núdzových správ hlasovo vysvetľujú dôvody exkluzivity konkrétnej pozície.
Používateľské znalosti– to by mal vedieť používateľ pri práci so systémom. Patria sem nielen akčný plán v hlave používateľa, ale aj učebnice, pokyny a referenčné údaje vydané počítačom.
Zlepšenie rozhranie systém podpory rozhodovania je určený úspechom vo vývoji každého z troch špecifikovaných komponentov. Rozhranie musí mať nasledujúce možnosti:
– manipulovať s rôznymi formami dialógu, meniť ich v procese rozhodovania na základe voľby používateľa;
– prenášať údaje do systému rôznymi spôsobmi;
– prijímať údaje z rôznych systémových zariadení v rôznych formátoch;
– flexibilne podporovať znalosti používateľa (na požiadanie poskytnúť pomoc, poradiť).
Materiál z PIE.Wiki
Systém na podporu rozhodovania (DSS)- počítačový automatizovaný systém, ktorého účelom je pomôcť ľuďom rozhodovať sa v ťažkých podmienkach pre úplnú a objektívnu analýzu predmetnej činnosti. DSS vznikla zlúčením manažérskych informačných systémov a databázových manažérskych systémov.
Na analýzu a vypracovanie návrhov v DSS sa používajú rôzne metódy. Môžu to byť: získavanie informácií, získavanie údajov, získavanie znalostí v databázach, uvažovanie na základe precedensov, simulačné modelovanie, evolučné výpočty a genetické algoritmy, neurónové siete, situačná analýza, kognitívne modelovanie atď. Niektoré z týchto metód boli vyvinuté v rámci tzv. umela inteligencia. Ak je fungovanie DSS založené na metódach umelej inteligencie, potom hovoria o inteligentnej DSS, alebo IDSPR.
Riešenie problémov
Používanie systému vám umožňuje nájsť odpovede na mnohé otázky, ktoré sa vynárajú medzi manažérmi spoločností, napr.
Koľko percent plánu tržieb, príjmov, zisku, výdavkov sa splnilo?
Aký je podiel spoločnosti na trhu
Aké sú vývojové trendy segmentu trhu, v ktorom má spoločnosť zastúpenie?
Aké sú kľúčové ukazovatele výkonnosti spoločnosti v aktuálnom období?
Aké sú trendy v kľúčových ukazovateľoch výkonnosti spoločnosti v čase?
Ktorí partneri prinášajú najväčší príjem a zisk?
Ktoré projekty a skupiny produktov tento partner najlepšie predáva?
Aké sú trendy v predaji cez partnerov?
Koľko stojí každý projekt moje podnikanie?
Koľko stojí podpora predaných projektov?
Ktoré projekty majú tento rok väčšiu hodnotu ako minulý?
Ako sa porovnávajú výdavky jednotlivých oddelení a firmy ako celku s príjmami?
Ako presne jednotlivé oddelenia spoločnosti dodržiavajú stanovený rozpočet?
Aké sú trendy vo výdavkoch pre rôzne oddelenia a rozpočtové položky?
Ktorý z mojich dodávateľov ponúka najlepší pomer cena/kvalita?
Ktorí dodávatelia dodávajú tovar rýchlejšie ako ostatní, ktorí dodávajú tovar pomalšie ako ostatní?
Ako často dochádza k oneskoreniam dodávok od konkrétneho dodávateľa?
Ktorých dodávateľov si vybrať pre dodávky veľkého/malého množstva produktu
Do akej miery firma plní plán tržieb, príjmov, zisku?
Ktoré oblasti podnikania prinášajú pozitívny a ktoré negatívny prínos?
Aká je predpoveď kľúčových ukazovateľov výkonnosti na nasledujúce obdobie (mesiac, štvrťrok, rok)
Aký je priemerný čas na dokončenie servisnej požiadavky?
Aké sú náklady na vyplnenie jednej žiadosti?
Aký je priemerný čas do prvého zlyhania tohto modelu
Aká je výkonnosť zamestnancov, ktorí prešli určitým školením, v porovnaní s tými, ktorí ich neabsolvovali?
Aké sú trendy v medziročnom náraste počtu zamestnancov spoločnosti v rôznych regiónoch a divíziách?
Aký je predpokladaný počet zamestnancov na budúci rok?
Aké sú prognózy pre zloženie?
Ktorí zamestnanci potrebujú školenie?
Aký súbor zručností by mal mať zamestnanec, aby dobre plnil svoje povinnosti?
Ktoré projekty sú dodané načas a ktoré neskoro?
Majú niektorí klienti alebo projekty neprijateľne dlhé dodacie lehoty?
Zmenili sa časom dodacie lehoty pre určité produkty?
O koľko sa zrýchlila alebo spomalila ponuka produktov (služieb) do určitého segmentu trhu?
Aké sú hlavné dôvody odmietnutia produktu (služby)
1. Proces tvorby systému manažérskeho výkazníctva, analýzy dát a podpory rozhodovania pozostáva z nasledujúcich etáp: 2. Analýza existujúcich informačných tokov a postupov riadenia podniku v podniku; 3. Identifikácia ukazovateľov, ktoré ovplyvňujú finančnú a ekonomickú kondíciu podniku a odrážajú efektívnosť podnikania (na základe údajov z už používaných systémov); 4.Vývoj postupov na zabezpečenie toho, aby riadiaci pracovníci dostali potrebné informácie v správnom čase, na správnom mieste a v správnej forme; 5.Nastavenie softvéru pre viacrozmernú analýzu; 6. Školenie personálu zákazníka na prácu s viacrozmerným analytickým softvérom.
Výsledkom sú premyslené rozhodnutia založené na informačnom základe, adekvátne opatrenia, kvalifikovaná realizácia a v dôsledku toho úspech celého podniku.
História vzniku DSS
Do polovice 60. rokov minulého storočia bola tvorba veľkých informačných systémov (IS) mimoriadne nákladná, preto prvé manažérske informačné systémy (tzv. Manažérske informačné systémy - MIS) vznikali v týchto rokoch len v dosť veľkých spoločnostiach. . MIS boli určené na vytváranie pravidelných štruktúrovaných správ pre manažérov. Koncom 60. rokov sa objavil nový typ IS - modelovo orientované DSS (Model-oriented Decision Support Systems - DSS) alebo manažérske rozhodovacie systémy (MDS).
Podľa priekopníkov DSS Keena P. G. W., Scotta Mortona M. S. (1978) bol koncept podpory rozhodovania vyvinutý na základe „teoretického výskumu v oblasti rozhodovania... a technickej práce na vytváraní interaktívnych počítačových systémov“. V roku 1971 vyšla kniha Scotta Mortona, v ktorej boli prvýkrát opísané výsledky implementácie DSS založeného na použití matematických modelov. 1974 - práca uvádza definíciu manažérskeho informačného systému - MIS (Management Information System): „MIS je integrovaný informačný systém človek-stroj, ktorý podporuje funkcie prevádzky, riadenia a rozhodovania v organizácii. Systémy využívajú počítačový hardvér a softvér, modely riadenia a rozhodovania a databázu.“ 1975 - J.D.C.Little navrhol kritériá pre navrhovanie DSS v manažmente. 1978 - vyšla učebnica DSS, ktorá komplexne popisuje aspekty tvorby DSS: analýza, návrh, implementácia, hodnotenie a vývoj. 1980 - Vyšla dizertačná práca S. Altera, v ktorej dal podklady pre klasifikáciu DSS. 1981 – Bonczek, Holsapple a Whinston vytvorili vo svojej knihe teoretické základy dizajnu DSS. Identifikovali 4 potrebné komponenty obsiahnuté vo všetkých DSS: 1) Jazykový systém (Language System - LS) - DSS môže prijímať všetky správy; 2) Prezentačný systém (PS) (DSS môže vydávať svoje vlastné správy); 3) Znalostný systém (KS) – všetky znalosti o DSS sú zachované; 4) Problem-Processing System (PPS) – softvérový „mechanizmus“, ktorý sa pokúša rozpoznať a vyriešiť problém, kým DSS beží. 1981 – R. Sprague a E. Carlson v knihe opísali, ako sa dá postaviť DSS v praxi. Zároveň bol vyvinutý Executive Information System (EIS) - počítačový systém určený na poskytovanie aktuálnych adekvátnych informácií na podporu manažérskeho rozhodovania. Od 90. rokov 20. storočia sa rozvíjali takzvané Dátové sklady. V roku 1993 E. F. Codd navrhol termín OLAP (Online Analytical Processing) pre špeciálny typ DSS - operačná analýza dát, online analytické spracovanie dát na podporu dôležitého rozhodovania. Počiatočné údaje na analýzu sú prezentované vo forme viacrozmernej kocky, z ktorej môžete získať potrebné sekcie - správy. Operácie s údajmi vykonáva OLAP engine. Podľa spôsobu ukladania dát existujú MOLAP, ROLAP a HOLAP. Na základe umiestnenia OLAP motora sa rozlišujú OLAP klienti a OLAP servery. Klient OLAP zostaví viacrozmernú kocku a vykoná výpočty na klientskom počítači a server OLAP prijme požiadavku, vypočíta a uloží súhrnné údaje na server, pričom vytvorí iba výsledky.
Príklad transformácie OLAP: Multidimenzionálna kocka
Začiatkom nového tisícročia vznikol webový DSS. A. Pastukhov (Rusko) predstavil 27. októbra 2005 v Moskve na medzinárodnej konferencii „Informačné a telemedicínske technológie v zdravotníctve“ (ITTHC 2005) novú triedu DSS - PSTM (Osobné informačné systémy vrcholových manažérov). Hlavným rozdielom medzi PSTM a existujúcimi DSS je konštrukcia systému pre špecifického rozhodovateľa s predbežným logickým a analytickým spracovaním informácií v automatickom režime a zobrazením informácií na jednej obrazovke.
Zaujímavosťou je vytvorenie predchodcu DSS kolegiálnym poradcom S. N. Korsakovom, ktorý v roku 1832 publikoval popis mechanických zariadení, takzvaných „inteligentných strojov“, ktoré „by sa dali použiť na riešenie rôznych problémov každodenného života“. , aby bolo možné urobiť akýkoľvek Nebol žiadny záver“, napríklad pomôcť pri rozhodovaní o najvhodnejších liekoch na základe pacientových symptómov ochorenia.
DSS klasifikácie
Pre DSS existuje nielen jediná všeobecne akceptovaná definícia, ale aj vyčerpávajúca klasifikácia. Rôzni autori ponúkajú rôzne klasifikácie.
Na užívateľskej úrovni Haettenschwiler (1999) rozdeľuje DSS na pasívne, aktívne a kooperatívne DSS. Pasívny DSS je systém, ktorý pomáha pri rozhodovacom procese, ale nemôže navrhnúť, aké rozhodnutie urobiť. Aktívny DSS môže navrhnúť, aké riešenie by sa malo zvoliť. Družstvo umožňuje rozhodovateľovi zmeniť, doplniť alebo vylepšiť riešenia navrhované systémom a následne tieto zmeny odoslať do systému na overenie. Systém tieto riešenia mení, dopĺňa alebo vylepšuje a opäť ich posiela užívateľovi. Proces pokračuje, kým sa nedosiahne dohodnuté riešenie.
Na koncepčnej úrovni Power (2003) rozlišuje medzi DSS riadenými komunikáciou, DSS riadenými údajmi, DSS riadenými dokumentmi a DSS riadenými znalosťami. ) a DSS riadenými modelmi (Model-Driven DSS). Modelom riadené DSS sa vyznačujú najmä prístupom a manipuláciou s matematickými modelmi (štatistické, finančné, optimalizačné, simulačné). Upozorňujeme, že niektoré systémy OLAP, ktoré umožňujú komplexnú analýzu údajov, možno klasifikovať ako hybridné DSS, ktoré poskytujú modelovanie, vyhľadávanie a spracovanie údajov.
Message-Driven DSS (predtým Group DSS) DSS podporuje skupinu používateľov pracujúcich na spoločnej úlohe.
Data-Driven DSS alebo Data-oriented DSS (tiež známy ako Business Intelligence) sa primárne zameriavajú na prístup k údajom a manipuláciu s nimi. Document-Driven DSS spravuje, vyhľadáva a manipuluje s neštruktúrovanými informáciami v rôznych formátoch. Napokon, znalostné DSS (Knowledge-Driven DSS) poskytujú riešenia problémov vo forme faktov, pravidiel a postupov.
Na technickej úrovni Power (1997) rozlišuje medzi celopodnikovým DSS a desktopovým DSS. Celopodnikové DSS je napojené na veľké informačné úložiská a slúži mnohým podnikovým manažérom. Desktop DSS je malý systém, ktorý slúži iba počítaču jedného používateľa. Existujú aj iné klasifikácie (Alter, Holsapple a Whinston, Golden, Hevner a Power). Všimnime si len, že na svoju dobu vynikajúca klasifikácia Alter’a, ktorá rozdeľovala všetky DSS do 7 tried, je už trochu zastaraná.
Podľa údajov, s ktorými tieto systémy pracujú, možno DSS rozdeliť na prevádzkové a strategické. Operatívne DSS sú navrhnuté tak, aby okamžite reagovali na zmeny aktuálnej situácie v riadení finančných a ekonomických procesov spoločnosti. Strategické DSS sú zamerané na analýzu významných objemov heterogénnych informácií zozbieraných z rôznych zdrojov. Najdôležitejším cieľom týchto DSS je nájsť čo najracionálnejšie možnosti rozvoja podnikania spoločnosti s prihliadnutím na vplyv rôznych faktorov, ako sú podmienky cieľových trhov spoločnosti, zmeny na finančných trhoch a kapitálových trhoch, zmeny v legislatíve, zmeny na finančných trhoch a na kapitálových trhoch. , atď. DSS prvého typu sa nazývajú Executive Information Systems Systems, ISR). V podstate ide o konečné súbory reportov zostavených na základe údajov z podnikového transakčného informačného systému, ideálne adekvátne odzrkadľujúcich v reálnom čase hlavné aspekty výrobných a finančných aktivít. WBS sa vyznačuje týmito hlavnými črtami: správy sú spravidla založené na štandardných dopytoch pre organizáciu; ich počet je relatívne malý; WBS prezentuje správy v najvhodnejšej forme, vrátane, spolu s tabuľkami, obchodnej grafiky, multimediálnych funkcií atď.; Typicky sú WBS zamerané na špecifický vertikálny trh, ako sú financie, marketing, riadenie zdrojov.
Vo všeobecnosti systém na podporu rozhodovania (DSS)
DSS druhého typu zahŕňa pomerne hlboké štúdium údajov, špeciálne transformovaných tak, aby sa dali pohodlne použiť počas rozhodovacieho procesu. Neoddeliteľnou súčasťou DSS tejto úrovne sú pravidlá rozhodovania, ktoré na základe agregovaných údajov umožňujú manažérom spoločností zdôvodňovať svoje rozhodnutia, využívať faktory pre udržateľný rast podnikania spoločnosti a znižovať riziká. DSS druhého typu sa v poslednom čase aktívne rozvíja. Technológie tohto typu sú postavené na princípoch multidimenzionálnej prezentácie a analýzy dát (OLAP).
Pri vytváraní DSS môžete použiť webové technológie. V súčasnosti sú DSS založené na webových technológiách pre množstvo spoločností synonymom podnikových DSS.
Architektúra DSS je rôznymi autormi prezentovaná rôzne. Uveďme si príklad. Marakas (1999) navrhol zovšeobecnenú architektúru pozostávajúcu z 5 rôznych častí: (a) systém správy údajov (DBMS), (b) systém správy modelov (MBMS), (c) znalostný stroj (znalostný stroj (KE), d) používateľské rozhranie a e) používateľ (používatelia).
Architektúra
Funkčné DSS
Z architektonického hľadiska sú najjednoduchšie. Sú bežné v organizáciách, ktoré si nestanovujú globálne ciele a majú nízku úroveň rozvoja informačných technológií. Charakteristickým rysom funkčného DSS je, že sa analyzujú údaje obsiahnuté v operačných systémoch. Výhodami takýchto DSS sú kompaktnosť vďaka použitiu jednej platformy a efektivita vďaka absencii potreby načítania dát do špecializovaného systému. Medzi nevýhody možno zaznamenať: zúženie rozsahu problémov, ktoré je možné vyriešiť pomocou systému, zníženie kvality údajov v dôsledku chýbajúcej fázy čistenia údajov, zvýšenie prevádzkového zaťaženia. systému s potenciálom jeho ukončenia.
Spracovanie a analýza informačných tokov
DSS pomocou nezávislých dátových trhov
Používajú sa vo veľkých organizáciách s viacerými divíziami, vrátane oddelení informačných technológií. Každý špecifický dátový obchod je vytvorený na riešenie špecifických problémov a je zameraný na špecifický okruh používateľov. To výrazne zlepšuje výkon systému. Implementácia takýchto štruktúr je pomerne jednoduchá. Medzi negatívne aspekty možno poznamenať, že údaje sa opakovane zadávajú do rôznych výkladov, a preto sa môžu duplikovať. To zvyšuje náklady na uchovávanie informácií a komplikuje postup zjednocovania. Vypĺňanie dátových obchodov je dosť ťažké, pretože musíte použiť množstvo zdrojov. Neexistuje jediný obraz o podnikaní organizácie, pretože neexistuje žiadna konečná konsolidácia údajov.
DSS založené na dvojúrovňovom dátovom sklade
Používa sa vo veľkých spoločnostiach, ktorých dáta sú konsolidované do jedného systému. Definície a spôsoby spracovania informácií sú v tomto prípade jednotné. Na zabezpečenie normálnej prevádzky takejto DSS je potrebné vyčleniť špecializovaný tím, ktorý ju bude obsluhovať. Táto architektúra DSS nemá nevýhody predchádzajúcej, ale nemá schopnosť štruktúrovať dáta pre jednotlivé skupiny užívateľov, ako aj obmedzovať prístup k informáciám. Môžu sa vyskytnúť problémy s výkonom systému.
DSS založené na trojúrovňovom dátovom sklade
Takéto DSS využívajú dátový sklad, z ktorého sa vytvárajú dátové trhy, využívané skupinami užívateľov riešiacich podobné problémy. To poskytuje prístup k špecifickým štruktúrovaným údajom aj k jednotlivým konsolidovaným informáciám. Vypĺňanie dátových obchodov je zjednodušené vďaka použitiu overených a vyčistených dát umiestnených v jednom zdroji. Existuje firemný dátový model. Takéto DSS sa vyznačujú garantovaným výkonom. Existuje však redundancia údajov, ktorá vedie k zvýšeným požiadavkám na úložisko. Okrem toho musí byť takáto architektúra zosúladená s viacerými doménami, ktoré majú potenciálne odlišné potreby.
Štruktúra
Existujú štyri hlavné komponenty:
Informačné dátové sklady;
nástroje a metódy na extrakciu, spracovanie a načítanie údajov (ETL);
multidimenzionálne databázy a nástroje na analýzu OLAP;
Nástroje na dolovanie údajov.
Výhody
DSS umožňuje uľahčiť prácu manažérom podnikov a zvýšiť jej efektivitu. Výrazne urýchľujú riešenie obchodných problémov. DSS prispievajú k nadväzovaniu medziľudského kontaktu. Na ich základe je možné vykonávať školenia a školenia. Tieto informačné systémy umožňujú zvýšiť kontrolu nad činnosťou organizácie. Prítomnosť jasne fungujúceho DSS poskytuje veľké výhody oproti konkurenčným štruktúram. Vďaka návrhom DSS sa otvárajú nové prístupy k riešeniu každodenných a neštandardných problémov.
Dynamická simulácia
Špeciálnou triedou systémov strategického riadenia a podpory rozhodovania sú systémy, ktoré umožňujú dynamické modelovanie procesov. Pri použití metód dynamického modelovania sú aktivity podniku popísané formou matematického modelu, v ktorom sú všetky podnikové úlohy a procesy prezentované ako systém vzájomne súvisiacich vypočítaných ukazovateľov.
Účelom napísania tohto článku bolo poskytnúť stručný prehľad princípov budovania inteligentných systémov na podporu rozhodovania ( ISPR), úloha strojového učenia, teória hier, klasické modelovanie a príklady ich využitia v DSS. Účel článku nie je vŕtať sa hlboko v ťažkej teórii automatov, samoučiacich sa strojov, ako aj nástrojov BI.Úvod
Existuje niekoľko definícií ISPR, ktoré sa vo všeobecnosti točia okolo rovnakej funkcionality. Vo všeobecnosti je IDSPR systém, ktorý pomáha osobám s rozhodovacou právomocou (Decision Maker) robiť práve tieto rozhodnutia pomocou nástrojov na dolovanie údajov, modelovanie a vizualizáciu, má priateľské (G)UI, je stabilný v kvalite, interaktívny a flexibilný v nastaveniach.Prečo potrebujeme DSS?:
- Ťažkosti pri rozhodovaní
- Potreba presného hodnotenia rôznych alternatív
- Potreba prediktívnej funkcie
- Potreba viacprúdového vstupu (na prijatie rozhodnutia potrebujete závery založené na údajoch, odborných hodnoteniach, známych obmedzeniach atď.)
Od začiatku 80. rokov už môžeme hovoriť o formácii podtriedy DSS ako MIS (Management Information System), EIS (Executive Information System), GDSS (Group Decision Support Systems), ODSS (Organization Decision Support Systems) atď. V podstate išlo o rámce schopné pracovať s údajmi na rôznych úrovniach hierarchia (od jednotlivca po celú organizáciu) a vo vnútri môže byť implementovaná akákoľvek logika. Príkladom je systém GADS (Gate Assignment Display System) vyvinutý spoločnosťou Texas Instruments pre United Airlines, ktorý podporoval rozhodovanie v Field Operations – priraďovanie brán, určovanie optimálneho času parkovania atď.
Objavili sa koncom 80. rokov PSPPR(Advanced), ktorý umožňoval analýzu „čo keby“ a používal pokročilejšie modelovacie nástroje.
nakoniec od polovice 90-tych rokov sa začali objavovať a ISPR, ktorá začala byť založená na nástrojoch štatistiky a strojového učenia, teórie hier a ďalších komplexných modelovaní.
Rozmanitosť DSS
V súčasnosti existuje niekoľko spôsobov klasifikácií DSS, popíšeme 3 populárne:Podľa oblasti použitia
- Obchod a manažment (ceny, práca, produkty, stratégia atď.)
- Inžinierstvo (dizajn produktu, kontrola kvality...)
- Financie (pôžičky a pôžičky)
- Medicína (lieky, liečba, diagnostika)
- Životné prostredie
Podľa vzťahu dáta/model(metóda Stephena Altera)
- FDS (File Drawer Systems - systémy na poskytovanie prístupu k potrebným údajom)
- DAS (Data Analysis Systems - systémy pre rýchlu manipuláciu s dátami)
- AIS (Analytické informačné systémy - systémy na prístup k údajom podľa typu požadovaného riešenia)
- AFM (účtovné a finančné modely (systémy) – systémy na výpočet finančných dôsledkov)
- RM (reprezentačné modely (systémy) - simulačné systémy, AnyLogic ako príklad)
- OM(s) (Optimalizačné modely (systémy) - systémy, ktoré riešia problémy s optimalizáciou)
- SM(s) (Sugestion models (systems) - systémy na vytváranie logických záverov na základe pravidiel)
Podľa typu použitých nástrojov
- Model Driven - založený na klasických modeloch (lineárne modely, modely riadenia zásob, dopravné, finančné atď.)
- Data Driven – založené na historických údajoch
- Communication Driven - systémy založené na skupinovom rozhodovaní expertov (systémy na uľahčenie výmeny názorov a výpočet priemerných expertných hodnôt)
- Document Driven – v podstate indexované (často viacrozmerné) úložisko dokumentov
- Knowledge Driven – náhle, na základe vedomostí. Čo majú vedomosti spoločné s odbornými aj strojovo odvodenými znalosťami?
Požadujem knihu sťažností! normálne DSS
Napriek takejto rozmanitosti možností klasifikácie, požiadavky a atribúty DSS dobre zapadajú do 4 segmentov:- Kvalita
- Organizácia
- Obmedzenia
- Model
Samostatne si všimnime také dôležité atribúty, ako je škálovateľnosť (v súčasnom agilnom prístupe bez nej nie je nikde), schopnosť spracovávať zlé dáta, použiteľnosť a užívateľsky prívetivé rozhranie a nízke nároky na zdroje.
Architektúra a dizajn ISPR
Existuje niekoľko prístupov, ako architektonicky reprezentovať DSS. Možno najlepší popis rozdielu v prístupoch je „kto vie čo“. Napriek rôznorodosti prístupov sa objavujú pokusy o vytvorenie akejsi jednotnej architektúry, aspoň na najvyššej úrovni.V skutočnosti možno DSS rozdeliť do 4 veľkých vrstiev:
- Rozhranie
- Modelovanie
- Data Mining
- Zber dát
V schéme nižšie uvádzam svoju víziu architektúry s popisom funkčnosti a príkladmi nástrojov:
Architektúra je viac-menej jasná, prejdime k návrhu a samotnej konštrukcii DSS.
V podstate tu nejde o žiadnu raketovú vedu. Pri vytváraní IDSPR musíte dodržiavať nasledujúce kroky:
- Analýza domény (v skutočnosti tam, kde budeme používať náš IDSS)
- Zber dát
- Analýza dát
- Výber modelu
- Odborná analýza\interpretácia modelov
- Implementácia modelov
- hodnotenie ISPR
- Implementácia ISDS
- Zhromažďovanie spätnej väzby ( v ktorejkoľvek fáze, V skutočnosti)
Existujú dva spôsoby hodnotenia ISPR. Po prvé, podľa vyššie uvedenej matice atribútov. Po druhé, podľa kontrolného zoznamu kritérií, ktorý môže byť akýkoľvek a závisí od vašej konkrétnej úlohy. Ako príklad takéhoto kontrolného zoznamu by som uviedol nasledovné:
Chcel by som zdôrazniť, že toto je len IMHO a môžete si sami vytvoriť pohodlný kontrolný zoznam.
Kde je strojové učenie a teória hier?
Áno, takmer všade! Aspoň vo vrstve spojenej s modelovaním.Na jednej strane sú klasické domény, nazvime ich „ťažké“, ako napríklad riadenie dodávateľského reťazca, výroba, zásoby a podobne. V zložitých oblastiach môžu naše obľúbené algoritmy priniesť ďalšie poznatky k overeným klasickým modelom. Príklad: prediktívna analýza porúch zariadení (strojové učenie) bude perfektne fungovať s nejakou analýzou FMEA (klasická).
Na druhej strane v „mäkkých“ doménach, ako je zákaznícka analytika, predikcia odchodu, splátky úverov, prevezmú vedúcu úlohu algoritmy strojového učenia. A napríklad pri bodovaní môžete skombinovať klasiku s NLP, keď sa rozhodujete, či vydať pôžičku na základe balíka dokumentov (rovnako ako DSS riadená dokumentmi).
Klasické algoritmy strojového učenia
Povedzme, že máme problém: manažér predaja pre výrobky z ocele musí pochopiť, dokonca aj vo fáze prijatia žiadosti od klienta, v akej kvalite sa hotový výrobok dostane do skladu, a použiť nejaký druh kontrolnej akcie, ak je kvalita nižšia ako je požadovaná.Urobme to veľmi jednoducho:
Krok 0. Stanovte cieľovú premennú (dobre, napríklad obsah oxidu titaničitého v hotovom produkte)
Krok 1. Rozhodnite sa o údajoch (stiahnutie zo SAP, Access a všeobecne odkiaľkoľvek, kam sa dostaneme)
Krok 2. Zhromažďovanie funkcií\generovanie nových
Krok 3. Nakreslite proces toku údajov a spustite ho do výroby
Krok 4. Vyberte a trénujte model, začnite ho točiť na serveri
Krok 5. Definujte dôležitosti funkcií
Krok 6. Rozhodnite sa o zadaní nových údajov. Nech do nich vstúpi náš manažér napríklad ručne.
Krok 7. Na kolene napíšeme jednoduché webové rozhranie, kde manažér ručne zadá hodnoty dôležitých funkcií, toto beží na serveri s modelom a predpovedaná kvalita produktu sa vypľuje do rovnaké rozhranie
Voila, IDSPR na úrovni materskej školy je pripravený, môžete ho použiť.
Používajú sa aj podobné „jednoduché“ algoritmy IBM vo svojom DSS Tivoli, ktorý vám umožňuje určiť stav vašich superpočítačov (v prvom rade Watson): na základe protokolov sa zobrazujú informácie o výkone spoločnosti Watson, dostupnosť zdrojov, pomer nákladov a zisku, požiadavky na údržbu atď. predpovedal.
Spoločnosť ABB ponúka svojim zákazníkom DSS800 na analýzu prevádzky elektromotorov rovnakého ABB na papierenskej linke.
fínsky Vaisala, výrobca senzorov pre fínske ministerstvo dopravy, používa IDS na predpovedanie, kedy by sa mal na cesty použiť odmrazovač, aby sa predišlo nehodám.
Opäť fínsky Foredata ponúka IDS pre HR, ktorý pomáha pri rozhodovaní o vhodnosti kandidáta na pozíciu vo fáze výberu životopisu.
Na letisku v Dubaji v nákladnom termináli je DSS, ktorá určuje podozrivosť nákladu. Pod kapotou algoritmy založené na podporných dokumentoch a údajoch zadaných colníkmi identifikujú podozrivý náklad: znaky zahŕňajú krajinu pôvodu, informácie na obale, špecifické informácie v poliach vyhlásenia atď.
Sú ich tisíce!
Konvenčné neurónové siete
Okrem jednoduchého ML sa DSS dobre hodí aj k Deep Learningu.Niektoré príklady možno nájsť vo vojensko-priemyselnom komplexe, napríklad v americkom TACDSS (Tactical Air Combat Decision Support System). Vnútri sa točia neuróny a evolučné algoritmy, ktoré pomáhajú pri určovaní priateľa alebo nepriateľa, pri hodnotení pravdepodobnosti zásahu počas salvy v danom konkrétnom momente a ďalších úlohách.
V trochu reálnejšom svete môžeme zvážiť tento príklad: v segmente B2B je potrebné určiť, či poskytnúť pôžičku organizácii na základe balíka dokumentov. V B2C vás operátor po telefóne potrápi otázkami, zadá hodnoty funkcií do svojho systému a oznámi riešenie algoritmu, v B2B je to o niečo zložitejšie.
ISPP môže byť štruktúrovaný takto: potenciálny dlžník prinesie do kancelárie vopred dohodnutý balík dokumentov (alebo pošle skeny e-mailom s podpismi a pečaťami, podľa očakávania), dokumenty sa vložia do OCR a potom sa prenesú do NLP algoritmus, ktorý potom rozdelí slová na prvky a privedie ich do NN. Klient je vyzvaný, aby si vypil kávu (v lepšom prípade), alebo kde tam bola karta vydaná a vrátil sa po obede, počas ktorého sa všetko spočíta a na obrazovke dievčaťa-operátora sa zobrazí zelený alebo červený smajlík. No, alebo žltá, ak sa to zdá ok, ale boh informácií potrebuje viac informácií.
Podobné algoritmy sa používajú aj na ministerstve zahraničných vecí: formulár žiadosti o vízum + ďalšie potvrdenia sa analyzujú priamo na veľvyslanectve/konzuláte, potom sa na obrazovke zamestnanca zobrazí jeden z 3 emotikonov: zelený (vydanie víza), žltý ( máte otázky), červená (žiadateľ na stopliste) ). Ak ste niekedy dostali vízum do USA, potom rozhodnutie, ktoré vám konzulát oznámi, je presne výsledkom práce algoritmu v spojení s pravidlami a nie jeho osobným subjektívnym názorom na vás :)
V ťažkých doménach sú známe aj DSS založené na neurónoch, ktoré určujú, kde sa na výrobných linkách akumuluje tlmivý roztok (pozri napr. Tsadiras AK, Papadopoulos CT, O'Kelly MEJ (2013) Systém na podporu rozhodovania založený na umelej neurónovej sieti na riešenie problému prideľovania vyrovnávacej pamäte v spoľahlivých výrobných linkách. Compput Ind Eng 66(4):1150–1162), General Fuzzy Min-Max Neural Networks (GFMMNN) pre zoskupovanie spotrebiteľov vody ( Arsene CTC, Gabrys B, Al-Dabass D (2012) Systém na podporu rozhodovania pre systémy distribúcie vody založený na neurónových sieťach a teórii grafov na detekciu úniku. Expert Syst Appl 39(18):13214–13224) a ďalšie.
Vo všeobecnosti stojí za zmienku, že NN sú ideálne vhodné na rozhodovanie v podmienkach neistoty, t.j. podmienky, v ktorých žije skutočný biznis. Algoritmy klastrovania tiež dobre zapadajú.
Bayesovské siete
Niekedy sa stáva, že naše údaje sú z hľadiska typov výskytu heterogénne. Uveďme príklad z medicíny. Prišiel k nám pacient. Niečo o ňom vieme z dotazníka (pohlavie, vek, váha, výška atď.) a anamnézy (napríklad predchádzajúce infarkty). Nazvime tieto údaje ako statické. A o tom sa niečo dozvieme v procese periodického vyšetrenia a liečby (niekoľkokrát denne meriame teplotu, zloženie krvi a pod.). Nazvime tieto údaje dynamickými. Je jasné, že dobrá DSS by mala vedieť všetky tieto údaje zohľadniť a na základe úplnosti informácií vydať odporúčania.Dynamické údaje sa v priebehu času aktualizujú, takže prevádzkový vzor modelu bude nasledujúci: tréning-riešenie-tréning, ktorá je vo všeobecnosti podobná práci lekára: približne určiť diagnózu, podať liek, sledovať reakciu. Neustále sme teda v stave neistoty, či liečba zaberie alebo nie. A stav pacienta sa dynamicky mení. Tie. musíme vybudovať dynamické DSS a tiež založené na vedomostiach.
V takýchto prípadoch nám budú veľkou pomocou Dynamic Bayesian Networks (DBN) – zovšeobecnenie modelov na báze Kalmanových filtrov a Hidden Markov Model.
Rozdeľme údaje pacienta na statické a dynamické.
Ak by sme budovali statickú Bayesovu mriežku, našou úlohou by bolo vypočítať nasledujúcu pravdepodobnosť:
,Kde je uzol našej mriežky (v skutočnosti vrchol grafu), t.j. hodnota každej premennej (pohlavie, vek....) a C je predpovedaná trieda (choroba).
Statická mriežka vyzerá takto:
Ale toto nie je ľad. Stav pacienta sa mení, čas plynie a my sa musíme rozhodnúť, ako s ním zaobchádzať.
To je dôvod, prečo používame DBS.
Najprv v deň prijatia pacienta postavíme statickú sieť (ako na obrázku vyššie). Potom každý deň i Vytvárame mriežku založenú na dynamicky sa meniacich údajoch:
V súlade s tým bude mať súhrnný model nasledujúcu formu:
Výsledok teda vypočítame pomocou nasledujúceho vzorca:
Kde T- kumulatívna doba hospitalizácie, N- počet premenných v každom z krokov DBS.
Tento model je potrebné implementovať v DSS trochu inak - skôr tu musíme ísť z opaku, najprv opraviť tento model a potom vytvoriť rozhranie okolo. To znamená, že sme v podstate vyrobili tvrdý model, vo vnútri ktorého sú dynamické prvky.
Herná teória
Teória hier je zasa oveľa vhodnejšia pre DSSS vytvorenú na strategické rozhodnutia. Uveďme si príklad.Povedzme, že na trhu existuje oligopol (malý počet konkurentov), existuje určitý líder a toto (žiaľ) nie je naša spoločnosť. Potrebujeme pomôcť manažmentu pri rozhodovaní o objeme produktov, ktoré vyrábame: ak vyrábame produkty v objeme a náš konkurent vyrába v objeme, pôjdeme do mínusu alebo nie? Pre zjednodušenie si zoberme špeciálny prípad oligopolu – duopolu (2 hráči). Kým budete premýšľať o RandomForest alebo CatBoost, odporúčam vám použiť klasiku – Stackelbergovu rovnováhu. V tomto modeli je správanie firiem popísané dynamickou hrou s kompletnými dokonalými informáciami a črtou hry je prítomnosť vedúcej firmy, ktorá ako prvá určuje objem produkcie tovaru, a ostatných firiem sa ním riadia vo svojich výpočtoch.
Aby sme vyriešili náš problém, musíme len vypočítať, aby sa vyriešil problém optimalizácie nasledujúceho formulára:
Aby ste to vyriešili (prekvapenie, prekvapenie!), stačí prirovnať prvú deriváciu vzhľadom na nulu.
Navyše pre takýto model nám stačí poznať ponuku na trhu a cenu tovaru od našej konkurencie, potom postaviť model a porovnať výsledné q s tým, ktorý chce náš manažment hodiť na trh. Súhlasíte, je to o niečo jednoduchšie a rýchlejšie ako pílenie NN.
Pre takéto modely je vhodný aj Excel a na nich založené DSS. Samozrejme, ak treba vypočítať vstupné údaje, tak treba niečo zložitejšie, ale nie veľa. To isté Power BI zvládne.
V súboji ML vs ToG nemá zmysel hľadať víťaza. Príliš odlišné prístupy k riešeniu problému s ich kladmi a zápormi.
Čo bude ďalej?
Pri súčasnom stave ISPR sa zdá, že sme prišli na to, kam ďalej?V nedávnom rozhovore Judah Pearl, tvorca tých istých Bayesovských sietí, vyjadril zaujímavý názor. Aby som to teda trochu parafrázoval
„Všetci, čo teraz robia odborníci na strojové učenie, je prispôsobenie krivky údajom. Fit je netriviálny, zložitý a únavný, ale stále je vhodný.“(čítať)
S najväčšou pravdepodobnosťou asi o 10 rokov zastavíme modely s pevným kódovaním a namiesto toho začneme trénovať počítače všade vo vytvorených simulovaných prostrediach. Pravdepodobne bude implementácia ISPR nasledovať túto cestu - po ceste AI a iných Skynetov a WAPR.
Ak sa pozrieme z bližšej perspektívy, tak budúcnosť DSSS spočíva vo flexibilite riešení. Žiadna z navrhovaných metód (klasické modely, strojové učenie, DL, teória hier) nie je univerzálna z hľadiska efektívnosti pre všetky úlohy. Dobrý DSS by mal kombinovať všetky tieto nástroje + RPA, pričom rôzne moduly by sa mali používať na rôzne úlohy a mali by mať rôzne výstupné rozhrania pre rôznych používateľov. Akýsi kokteil, miešaný, ale v žiadnom prípade nie pretrepaný.
Literatúra
- Merkert, Mueller, Hubl, Prieskum aplikácie strojového učenia v systémoch na podporu rozhodovania, Univerzita v Hoffenheime 2015
- Tariq, Rafi,Systémy na podporu inteligentných rozhodnutí – rámec, India, 2011
- Sanzhez i Marre, Gibert, Evolution of Decision Support Systems, University of Catalunya, 2012
- Ltifi, Trabelsi, Ayed, Alimi, Dynamický systém podpory rozhodovania založený na Bayesian Networks, University of Sfax, National School of Engineers (ENIS), 2012
DSS(Systémy na podporu rozhodovania) - systém na podporu rozhodovania alebo DSS je počítačový systém, ktorý zhromažďovaním a analýzou veľkého množstva informácií môže ovplyvniť organizačný rozhodovací proces v obchode a podnikaní.
Interaktívne systémy umožňujú manažérom získať užitočné informácie z primárnych zdrojov, analyzovať ich a identifikovať existujúce obchodné modely na riešenie konkrétnych problémov. Pomocou DSS môžete sledovať všetky dostupné informačné aktíva, získať porovnávacie hodnoty objemov predaja, predpovedať príjmy organizácie s hypotetickým zavedením novej technológie a tiež zvážiť všetky možné alternatívne riešenia.
Na základe interakcie používateľa existujú tri typy DSS:
- pasívne pomáhajú v rozhodovacom procese, ale nemôžu predložiť konkrétny návrh;
- aktívni sú priamo zapojení do vývoja správneho riešenia;
- kooperatívne zahŕňajú interakciu DSS s používateľom. Používateľ môže spresniť, vylepšiť návrh predložený systémom a potom ho poslať späť do systému na overenie. Potom sa návrh opäť predloží užívateľovi, a tak ďalej, kým neschváli riešenie.
Podľa spôsobu podpory rozlišujú:
- modelovo orientované DSS, využívať pri svojej práci prístup k štatistickým, finančným alebo iným modelom;
- DSS založený na komunikácii podporuje prácu dvoch alebo viacerých používateľov zapojených do spoločnej úlohy;
- DSS zamerané na údaje majú prístup k časovým radom organizácie. Pri svojej práci využívajú nielen interné, ale aj externé dáta;
- Dokumentovo orientované DSS manipulujú s neštruktúrovanými informáciami obsiahnutými v rôznych elektronických formátoch;
- Znalostne orientované DSS poskytujú špecializované riešenia problémov založené na dôkazoch.
Existujú štyri hlavné komponenty:
- Informačné dátové sklady;
- nástroje a metódy na extrakciu, spracovanie a načítanie údajov;
- multidimenzionálne databázové a analytické nástroje OLAP;
- Nástroje na dolovanie údajov.
DSS umožňuje uľahčiť prácu manažérom podnikov a zvýšiť jej efektivitu. Výrazne urýchľujú riešenie obchodných problémov. DSS prispievajú k nadväzovaniu medziľudského kontaktu. Na ich základe je možné vykonávať školenia a školenia. Tieto informačné systémy umožňujú zvýšiť kontrolu nad činnosťou organizácie. Prítomnosť jasne fungujúceho DSS poskytuje veľké výhody oproti konkurenčným štruktúram. Vďaka návrhom DSS sa otvárajú nové prístupy k riešeniu každodenných a neštandardných problémov.
Zanechajte svoj komentár!
Odoslanie dobrej práce do databázy znalostí je jednoduché. Použite nižšie uvedený formulár
Študenti, postgraduálni študenti, mladí vedci, ktorí pri štúdiu a práci využívajú vedomostnú základňu, vám budú veľmi vďační.
Podobné dokumenty
Výskum technologického postupu výroby pórobetónu. Model „ako to bude“ procesu diagnostiky stavu technologického procesu výroby pórobetónu s prihliadnutím na systém podpory rozhodovania. Prototypovanie rozhrania DSS.
práca, pridané 17.06.2017
Štúdium účelu a hlavných úloh, ktoré Project Expert rieši - systém na podporu rozhodovania (DSS) určený pre manažérov navrhujúcich finančný model nového alebo existujúceho podniku. Softvérové aplikácie, fázy práce.
abstrakt, pridaný 19.05.2010
Klasifikácia informačných systémov pre riadenie činností podniku. Analýza trhu a charakteristika systémov triedy Business Intelligence. Klasifikácia rozhodovacích metód používaných v DSS. Výber platformy business intelligence, porovnávacie kritériá.
práca, pridané 27.09.2016
Klasifikácia systémov na podporu rozhodovania. Porovnávacia analýza metód hodnotenia rizík retailových úverov. Štruktúra systému na podporu rozhodovania, tvorba východiskovej bázy znalostí. Návrh databázy informačného systému.
diplomová práca, pridané 7.10.2017
Koncepcia systémov na podporu rozhodovania. Rozsah aplikácií Analytica 2.0. Softvér na kvantitatívne modelovanie. Grafické rozhranie pre vývoj modelov. Základné metódy modelovania. Diagram vplyvu a rozhodovací strom.
test, pridané 9.8.2011
Vývoj algoritmov a softvéru na riešenie problému podpory rozhodovania o vydaní nových produktov. Matematická podpora pre úlohu podpory rozhodovania o vydaní nových produktov, základné vstupné a výstupné dáta.
práca, pridané 03.08.2011
Typy administratívnych informačných systémov: systémy na generovanie správ, systémy na podporu rozhodovania, systémy na podporu strategického rozhodovania. Triedenie a filtrovanie zoznamov v programe Microsoft Excel. Práca s databázami v Microsoft Access.
test, pridaný 19.11.2009
