Процесс принятия управленческих решений рассматривается как основной вид управленческой деятельности, т. е. как совокупность взаимосвязанных, целенаправленных и последовательных управленческих действий, обеспечивающих реализацию управленческих задач.
Цель и характер деятельности организации определяют ее информационную систему и автоматизацию информационной технологии, а также вид обрабатываемого и производимого информационного продукта, на основе которого принимается оптимальное управленческое решение.
Эффективность принятия управленческих решений в условиях функционирования информационных технологий в организациях различного типа обусловлена использованием разнообразных инструментов анализа финансово-хозяйственной деятельности предприятий. Можно выделить четыре круга задач, решаемые фирмой:
1. Первый круг задач ориентирован на предоставление экономической информации внешним по отношению к фирме пользователям — инвесторам, налоговым службам и т. д. В данном случае для анализа используются показатели, получаемые на основе данных стандартной бухгалтерской и статистической отчетности, а также других источников информации.
Интеллектуальные системы и технологии Лекция1
2. Второй круг связан с задачами анализа, предназначенными для выработки стратегических управленческих решений развития бизнеса. В этом случае информационная база должна быть шире, но в рамках достаточно высокоагрегированных показателей, характеризующих основные тенденции развития отдельной фирмы или корпорации.
3. Третий круг задач анализа ориентирован на выработку тактических решений. Его информационная база чрезвычайно широка и требует охвата большого количества частных высокодетализированных показателей, характеризующих различные стороны функционирования объекта управления.
4. Четвертый круг задач связан с задачами оперативного управления экономическим объектом в соответствии с функциональными подсистемами экономического объекта. Для решения этих задач используется текущая оперативная информация о состоянии экономического объекта и внешней среды.
Основными функциями управленческого аппарата различных организаций являются анализ ситуаций в компании и внешней среде и принятие решений по стратегическому и краткосрочному планированию ее деятельности.
Реализация плановых задач принятия решений осуществляется на стратегическом, тактическом и оперативном (операционном) уровнях.
1. Стратегический уровень ориентирован на руководителей высшего ранга. За счет организации информационной технологии обеспечивается доступ к информации, отражающей текущее состояние дел в фирме, внешней среде, их взаимосвязи и необходимой для принятия стратегических решений. Основными целями стратегического уровня управления являются:
· определение системы приоритетов развития организации;
· оценка перспективных направлений развития организации;
· выбор и оценка необходимых ресурсов для достижения поставленных целей.
В соответствии с этими направлениями информационная технология обеспечивает высшему руководству оперативный, удобный доступ и сортировку информации по ключевым факторам, которые позволяют оценивать степень достижения стратегических целей фирмы и прогнозировать ее деятельность на длительную перспективу.
Особенностями информационной технологии контура долгосрочного планирования и анализа прогнозируемого функционирования является построение агрегированных моделей развития организации с учетом деятельности смежных производственно-хозяйственных комплексов.
Модели данного контура функционирования информационной технологии должны учитывать:
· особенности развития рыночных отношений в стране;
· возможные перспективные виды продукции (товары и услуги), относящиеся к профилю деятельности организации или предприятия;
· потенциальные виды производственных ресурсов, возможные для использования при создании новых видов продукции (товаров, услуг);
· перспективные технологические процессы изготовления новых видов продукции (товаров и услуг).
Учет перечисленных факторов в модели функционирования информационной технологии базируется преимущественно на использовании внешней для деятельности организации информации. Таким образом ИТ должна располагать развитой коммуникационной средой (включая Internet) для получения, накопления и обработки внешней информации.
Отличительной особенностью функционирования ИТ в контуре долгосрочного стратегического планирования, базирующемся на использовании агрегированных моделей, следует считать решающую роль самого управленческого персонала в процессе принятия решений. Высокий уровень неопределенности и неполноты информации повышает значение субъективного фактора как основы принятия решений. При этом автоматизированная информационная технология выступает в роли вспомогательного средства, обеспечивающего главную предпосылку для организации деятельности аппарата управления.
Таким образом, информационные технологии поддержки стратегического уровня принятия решений помогают высшему звену управления организацией решать неструктурированные задачи, основной из которых является сравнение происходящих во внешней среде изменений с существующим потенциалом фирмы.
Основным инструментарием для поддержки работы высшего руководящего звена являются разрабатываемые стратегические информационные системы для реализации стратегических перспективных целей развития организации.
В настоящее время еще не выработана общая концепция внедрения стратегических информационных систем из-за их целевой и функциональной многоплановости. Существуют три тенденции их использования:
За основу первой принято положение, что сначала формулируются цели и стратегии их достижения, а только затем автоматизированная информационная технология приспосабливается к выработанной заранее стратегии;
Вторая тенденция основана на том, что организация использует стратегическую информационную систему при формулировании целей и стратегическом планировании;
За основу третьей тенденции принята методология синтеза двух предыдущих тенденций — встраивания стратегической информационной системы в существующую информационную технологию с совмещением выработки концепции развития организации в управленческом звене фирмы.
Информационные технологии призваны создать общую среду компьютерной и телекоммуникационной поддержки стратегических решений в неожиданно возникающих ситуациях.
2. Тактический уровень принятия решений основан на автоматизированной обработке данных и реализации моделей, помогающих решать отдельные, в основном слабо структурированные задачи (например, принятие решения об инвестициях, рынках сбыта и т. д.). К числу основных целей тактического уровня руководства относятся:
· обеспечение устойчивого функционирования организации в целом;
· создание потенциала для развития организации;
· создание и корректировка базовых планов работ и графиков реализации заказов на основе накопленного в процессе развития организации потенциала.
Для принятия тактических решений информационная технология должна обеспечивать руководителей среднего звена информацией, необходимой для принятия индивидуальных или групповых решений тактического плана. Обычно такие решения имеют важное значение на определенном временном интервале (месяц, квартал, год).
Тактический уровень принятия решения средним управленческим звеном используется для мониторинга (постоянного слежения), контроля, принятия решений и администрирования. Основными функциями, которые выполняются на базе автоматизированной информационной технологии, являются: сравнение текущих показателей с прошлыми, составление периодических отчетов за определенный период, обеспечение доступа к архивной информации, принятие тактических управленческих решений и т. д.
Функционирование информационной технологии в контуре среднесрочного тактического планирования базируется на использовании моделей, отражающих реальные факторы и условия возможного развития деятельности организаций и предприятий, в значительной степени учитываются внешние требования поставщиков и потребителей. Однако в данном контуре внешняя информация точно соответствует возможным и практически осуществляемым направлениям развития организаций и предприятий, что повышает уровень определенности данных и модели системы управления.
Для поддержки принятия тактического решения в информационной технологии фирмы используются такие инструментальные средства, как базы данных, системы обработки знаний, системы поддержки принятия решений и т. д.
Одним из инструментальных средств для принятия тактического решения в настоящее время являются системы поддержки принятия решений, которые обслуживают частично структурированные задачи, результаты которых трудно спрогнозировать заранее. Системы поддержки принятия решений имеют достаточно мощный аналитический аппарат с несколькими моделями. Основными характеристиками таких систем являются:
· возможность решения проблем, развитие которых трудно прогнозировать;
· наличие инструментальных средств моделирования и анализа;
· возможность легко менять постановки решаемых задач и входных данных;
· гибкость и адаптируемость к изменению условий;
· технология, максимально ориентированная на пользователя.
3. Оперативный (операционный) уровень принятия решений является основой всех автоматизированных информационных технологий. На этом уровне выполняется огромное количество текущих рутинных операций по решению различных функциональных задач экономического объекта. Оперативное управление ориентировано на достижение целей, сформулированных на стратегическом уровне, за счет использования определенного на тактическом уровне потенциала. При этом к числу важнейших приоритетов оперативного управления следует отнести:
· получение прибыли за счет реализации запланированных заранее мероприятий с использованием накопленного потенциала;
· регистрацию, накопление и анализ отклонений хода производства от запланированного;
· выработку и реализацию решений по устранению или минимизации нежелательных отклонений.
Функционирование информационной технологии в контуре текущего планирования и оперативного регулирования происходит в условиях определенности, полноты информации и зачастую в режиме реального времени обработки информации.
Информационные технологии обеспечивают специалистов на оперативном уровне информационными продуктами, необходимыми для принятия ежедневных оперативных управленческих решений. Назначение инструментальных средств информационной технологии на этом уровне — отвечать на запросы о текущем состоянии фирмы и контролировать информационные потоки организации, что соответствует оперативному управлению.
Задачи, цели и источники информации на оперативном уровне заранее определены и структурированы. Выполняется программная обработка информации по заранее разработанным алгоритмам.
Информационная технология, поддерживающая управление на оперативном уровне, является связующим звеном между организацией и внешней средой. Через оперативный уровень также поставляются данные для остальных уровней управления.
Инструментатьные средства на оперативном уровне управления имеют небольшие аналитические возможности. Они обслуживают специалистов организации, которые нуждаются в ежедневной, еженедельной информации о состоянии дел как внутри фирмы, лак и во внешне» среде. Основное их назначение состоит в отслеживании ежедневных операций в организации и периодическом формировании строго структурированных сводных типовых отчетов.
Основные информационные потребности на оперативном уровне могут быть удовлетворены с помощью типовых функциональных и проблемно-ориентированных аппаратно-программных инструментальных средств для текстовой, табличной, графической и статистической обработки данных, электронных коммуникаций и т. д.
Источник: lektsia.com
Нейротехнологии и Искусственный интеллект (ИИ)/Системы поддержки принятия решений
dt2i_ai_4.png Рекомендательные системы и интеллектуальные системы поддержки принятия решений Класс решений, обеспечивающий выполнение процесса без участия человека, поддержку в выборе решений, а также предсказание объектов, которые будут интересны пользователю 400 Цифровые сквозные технологии Средняя Полезно IT/soft Да Инфраструктура и инструменты (раздел) Цифровые технологии (раздел) Производные понятия (раздел) Межотраслевое (раздел) Искусственный интеллект (раздел) Технологические решения (раздел) 4 Нейротехнологии и Искусственный интеллект (ИИ)/Системы поддержки принятия решений
Рекомендательные системы и интеллектуальные системы поддержки принятия решений
Класс решений, обеспечивающий выполнение процесса без участия человека, поддержку в выборе решений, а также предсказание объектов, которые будут интересны пользователю
Рекомендовано
Направление исследований
Основная статья
Системы поддержки принятия решений (СППР) – компьютерные автоматизированные системы, целью которых является помощь людям, принимающим решение в сложных условиях, для полного и объективного анализа предметной деятельности. СППР возникли в результате слияния управленческих информационных систем и систем управления базами данных.
В СППР используются разные методы: информационный поиск, интеллектуальный анализ данных, поиск знаний в базах данных, рассуждение на основе прецедентов, имитационное моделирование, эволюционные вычисления и генетические алгоритмы, нейронные сети, ситуационный анализ, когнитивное моделирование и др. Некоторые из этих методов были разработаны в рамках искусственного интеллекта. Близкие к СППР классы систем – это экспертные системы и автоматизированные системы управления. (см. Н. Ю. Прокопенко СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ на базе Deductor Studio Academic 5.3)
В рамках данной суб-СЦТ было выделено тринадцать перспективных задач/технологий (например, «Обоснование решения, принятого на основе ИИ», «Управление группой/роем объектов» и другие), а также двадцать пять перспективных target use-cases (например, «Поддержка принятия и верификация решений надзорных органов», «Системы управления спутниками, транспортом и т.д.» и другие).
Примеры разработчиков и решений в рамках суб-СЦТ «Рекомендательные системы и интеллектуальные системы поддержки принятия решений»:
- Робот Вера — российское программное обеспечение, предназначенное для эффективного подбора кандидатов и автоматизированного проведения интервью. Система анализирует различную информацию о кандидатах и производит поиск похожих кандидатов в доступных источниках информации (социальные сети, работные сайты).
- MyTarget – система персонализированной рекламы для пользователей с использованием ИИ от Mail Group.
- Smart Machine – программное обеспечение, предоставляющее аналитические сервисы клиентам из финансовой сферы, имеющим потребность в получении широкого поведенческого профиля каждого абонента мобильной связи страны c использованием ИИ от OneFactor.
Системы поддержки принятия решений в медицине
Источник: cdto.wiki
Технологии AI: как машины решают интеллектуальные и творческие задачи
Нейросети, искусственный интеллект и Deep Learning — самые горячие направления, которые по мере совершенствования алгоритмов стремительно захватывают новые сферы и рынки. По экспертным прогнозам, в перспективе глубокие нейронные сети способны превзойти человека по самым разным функциям. В этой статье разберемся, какие типы нейросетей существуют, как именно они работают и обучаются и какие конкретные задачи помогают решать уже сегодня.
Прежде чем перейти непосредственно к технологиям глубокого обучения и нейронным сетям, посмотрим на стандартное машинное обучение «с высоты птичьего полета». Как правило, оно заключается в построении интеллектуальной модели, которая преобразует одни данные в другие и зависит от набора определенных параметров. Модели показывается обучающая выборка, и ее параметры корректируются таким образом, чтобы обученная модель могла давать правильные ответы в соответствии с известными данными из обучающей выборки, а также хорошо работать с новыми данными, которые она еще не видела. Если модель правильно обучилась, то она умеет обобщать, генерализовать и выдавать верные ответы, причем на входе и выходе могут использоваться самые разные типы данных:
- абстрактная информация (векторы с небольшим количеством элементов и др.);
- изображение/видео (компьютерное зрение);
- текст (анализ комментариев);
- аудио (распознавание речи).
Выше перечислены четыре типа данных. Отобразить одни данные в другие, например изображение в текст, аудио в текст или текст в абстрактную информацию, можно с помощью модели. Именно такие задачи лучше всего на сегодняшний день решают глубокие нейронные сети.
Обучение нейронных сетей
Как должны быть сконфигурированы нейронные сети, чтобы качественно работать? Один из используемых методов — обучение внутреннего промежуточного представления, а именно автоматическое извлечение признаков из данных. Если слоев нейронной сети несколько, то промежуточное представление становится более сложным и многоуровневым. Вычисление одного слоя в простых нейронных сетях эквивалентно одной линейной операции.
Самый распространенный подход к обучению нейронных сетей — это обучение с учителем (на примерах). В этом случае используется обучающая выборка из пар входных объектов и правильных ответов и производится поиск параметров, которые минимизируют ошибки. Ошибка вычисляется и корректируется не сразу на всех образцах, а на подвыборке или одном объекте с помощью стохастического градиентного спуска
Сверточные нейронные сети для распознавания и синтеза визуальных данных
Принцип действия сверточных нейронных сетей заключается в извлечении обучаемых признаков (локальных особенностей, локальных дескрипторов) изображения. В результате такая нейронная сеть может автоматически строить карты высококачественных визуальных признаков. Можно пойти глубже и извлекать не просто признаки, а признаки в пространстве признаков предшествующего уровня, другими словами, иерархию признаков. Так создается глубокая сверточная нейронная сеть и высокоуровневая карта признаков на выходе, где каждый нейрон соответствует уже более сложному элементу изображения.
В сверточных сетях присутствуют три типа слоев:
- Сверточный. На входе картинка (как правило, одноканальная) сворачивается с набором ядер сверток, в результате получается набор карт признаков. Также на входе может быть многоканальное изображение или набор карт признаков.
- Понижение размерности (Pooling). В пространственном измерении картинка сжимается в 2—3 раза, что дает инвариантность к небольшим поворотам и смещениям, отсечение ненужной информации и очищение шума.
- Полносвязный слой. В глубине нейросети вектор отображается в вектор.
Как правило, в нейросети чередуются свертка и Pooling, затем следуют несколько полносвязных слоев и на выходе выдается вероятность принадлежности картинки к определенному классу.
Примеры использования сверточных нейронных сетей уже можно наблюдать в разных областях:
- распознавание лиц (идентификация и извлечение параметров из лица (пол, возраст, эмоции), например, в камерах видеонаблюдения, соцсетях и др.);
- медицина (анализ медицинских изображений, выявление аномалий и генетических заболеваний, диагностика по фото);
- автопилот (камера на автомобиле наблюдает за происходящим на дороге).
Существует много определений термина Deep Learning. Наиболее точное из них — обучение иерархии признаковых представлений, которое включает в себя:
- признаки (промежуточное представление);
- обучаемые признаки;
- иерархию признаков (много уровней)
Рекуррентные нейронные сети для обработки последовательностей
При работе с последовательностями самый очевидный метод — обрабатывать каждый элемент с помощью алгоритма машинного обучения. Однако в отличие от картинок и векторов, которые никак между собой не связаны, в последовательности важна очередность элементов.
Идея рекуррентных нейронных сетей состоит не в том, чтобы каждый раз к входному объекту применять одну и ту же нейронную сеть, получать выход и забывать всю историю, а в том, чтобы определенным образом накапливать во внутреннем представлении информацию о тех объектах, которые уже обработаны, и распространять ее дальше. Благодаря этому рекуррентные нейронные сети применяются во всех областях, где есть тексты и последовательности:
- умная клавиатура (подсказывает следующее слово при введении текста);
- анализ комментариев (отображает положительные или негативные комментарии в конкретное число);
- машинный перевод (одна последовательность отображается в другую);
- чат-боты (помощник «Алиса» — нейросетевой диалог).
Нейронные сети позволяют эффективно распознавать речь. С одной стороны, звук — это последовательность, а с другой, он обладает локальными признаками. Поэтому можно использовать комбинацию сверточной и рекуррентной сетей: сверточными слоями «ловить» паттерны в звуке, а потом на более высоком уровне обрабатывать их как последовательность
От распознавания к синтезу
Выше мы рассмотрели, как с помощью нейронных сетей можно решать задачи распознавания, при которых на входе имеется низкоуровневый сенсорный сигнал (картинка, звук), а на выходе — высокоуровневый и концептуальный результат. Теперь рассмотрим обратную задачу — синтез.
Если обратиться к восприятию и творчеству с точки зрения человека, то восприятие — это то, что он увидел, услышал и из чего с помощью мозга извлек концепт. А можно повернуть этот процесс в обратную сторону, когда на основании идеи или концепта человек через мозг подает сигнал на «интерфейсы» и получает низкоуровневый объект — картину, музыкальное произведение и др.
Как это работает относительно нейронных сетей? В качестве интерфейсов в этом случае выступают фотоаппарат, монитор, микрофон, колонки и прочее, а в качестве мозга — нейронная сеть
Технологии нейронных сетей могут не просто классифицировать картинку, но и дать ее текстовое грамматически верное описание на естественном языке. В этом случае по входному объекту строится синтезированное с нуля (а не готовое из базы данных) предложение, описывающее
Состязательные нейронные сети для улучшения качества синтеза
При задаче синтеза в нейросети используется генератор, который на входе получает конкретный тип информации либо случайный шумовой вектор, а на выходе выдает сгенерированный объект (например, случайное лицо). Чтобы улучшить технологию и получать более качественные изображения на выходе, накладывается вторая нейронная сеть — дискриминатор.
Ее задача — оценивать, насколько хорошо генератор сделал свою работу. Другими словами, это бинарный классификатор, который умеет отличать сгенерированные, фейковые, ненастоящие картинки от настоящих, реальных. Таким образом, эти две сети обучаются параллельно. Дискриминатор учится все лучше и лучше отличать подделку от оригинала, а генератор — «обманывать» дискриминатор. В результате этой антогонистической игры мы получаем идеальные генератор и дискриминатор.
Состязательные нейронные сети используются для отображения:
- текстового описания в сгенерированное изображение (готовая картинка соответствует описанию и с нуля синтезирована с помощью сверточной либо другой нейронной сети);
- изображение в изображение (черно-белое в цветное, день в ночь и др.);
- видео в видео;
- синтеза изображений (генерируются лица несуществующих людей);
- текста в аудио (технология WaveNet сделала прорыв в синтезе речи и в ближайшей перспективе появится в девайсах);
- аудио в видео.
Три причины успеха глубокого обучения
В сфере нейронных сетей постоянно появляются новые изобретения и технологии. К основным причинам такого стремительного роста относятся:
- Совершенствующиеся алгоритмы и архитектуры нейронных сетей.
- Доступные объемы данных (миллионы картинок и тысячи категорий).
- Ускорение обучения и вывода с помощью GPU.
Нейронные сети обладают огромным потенциалом, чтобы кардинально изменить многие бизнес-процессы и качество сервисов, а их применение в развлекательных приложениях постепенно отойдет на задний план. Уже сейчас ясно, что это мощный инструмент для решения серьезных задач и их возможности продолжат выходить на новые уровни и покорять новые рынки.
Источник: www.secuteck.ru