Система поддержки принятия решений примеры программ

Целью написания этой статьи было сделать краткий обзор принципов построения Интеллектуальных Систем Поддержки Принятия Решений (ИСППР), роли машинного обучения, теории игр, классического моделирования и примеров их использования в СППР. Целью статьи не является забуриться вглубь тяжелой теории автоматов, самообучаемых машин, равно как и инструментов BI.

Введение

Существет несколько определений ИСППР, которые, в общем-то, крутятся вокруг одного и того же функционала. В общем виде, ИСППР — это такая система, которая ассистирует ЛПР (Лицам, Принимающим Решения) в принятии этих самых решений, используя инструментарии дата майнинга, моделирования и визуализации, обладает дружелюбным (G)UI, устойчива по качеству, интерактивна и гибка по настройкам.

Зачем нужны СППР:

1. Сложность в принятии решений
2. Необходимость в точной оценке различных альтернатив
3. Необходимость предсказательного функционала
4. Необходимость мультипотокового входа (для принятия решения нужны выводы на основе данных, экспертные оценки, известные ограничения и т.п.)

С начала 80-х уже можно говорить о формировании подклассов СППР, таких как MIS (Management Information System), EIS (Executive Information System), GDSS (Group Decision Support Systems), ODSS (Organization Decision Support Systems) и др. По сути, эти системы представляли собой фреймворки, спососбные работать с данными на различных уровнях иерархии (от индивидуального до общеорганизационного), а внутрь можно было внедрить какую угодно логику. Примером может служить разработанная Texas Instruments для United Airlines система GADS (Gate Assignment Display System), которая поодерживала принятие решений в Field Operations — назначение гейтов, определение оптимального времени стоянки и т.п.

006. Мониторинг сетевой инфраструктуры Система поддержки принятия решений

В конце 80-х появились ПСППР (Продвинутые — Advanced), которые позволяли осуществлять «what-if» анализ и использовали более продвинутый инструментарий для моделирования.

Наконец, с середины 90-х на свет стали появляться и ИСППР, в основе которых стали лежать инструменты статистики и машинного обучения, теории игр и прочего сложного моделирования.

Многообразие СППР

На данных момент существует несколько способов классификации СППР, опишем 3 популярных:

По области применения

• Бизнес и менеджмент (прайсинг, рабочая сила, продукты, стратегия и т.п.)
• Инжиниринг (дизайн продукта, контроль качества. )
• Финансы (кредитование и займы)
• Медицина (лекарства, виды лечения, диагностика)
• Окружающая среда

По соотношению данныемодели (методика Стивена Альтера)

• FDS (File Drawer Systems — системы предоставления доступа к нужным данным)
• DAS (Data Analysis Systems — системы для быстрого манипулирования данными)
• AIS (Analysis Information Systems — системы доступа к данным по типу необходимого решения)
• AFM(s) (Accounting https://habr.com/ru/companies/ods/articles/359188/» target=»_blank»]habr.com[/mask_link]

  GeoExpert. Система поддержки принятия решений

  Примеры использования сппр

  СППР используются для решения широкого круга задач, включая:

  • программируемое оформление заказов и лечебных протоколов в здравоохранении;
  • расчет цен и согласование потребностей и поставок в электронике и автомобилестроении;
  • оптимизацию цепочек поставок;
  • написание сценариев для call-центров;
  • предоставление кредитов на торгово-промышленную деятельность и финансирование;
  • рассмотрение портфелей кредитов;
  • страхование;
  • конфигурирование ИТ систем.

  Центральное место при принятии решений занимает хозяйственный объект или технологический процесс, чувствительный к воздействию ЧС. Различного рода информация поступает в СППР, в которой должна быть и ТЭИ, на основе этих данных система выдает рекомендации и уточняет их с помощью ЭММ. Рекомендации выдаются ЛПР. Основная проблема здесь это создание БЗ и простых ЭММ, учитывающих условия и экономические критерии. Особенностями задач учета состояния природной среды на объектах хозяйства страны являются:

  • задачи учета состояния природной среды обладают большим разнообразием способов их возможного решения и при этом используется широкий диапазон знаний;
  • полностью одинаковые условия повторяются очень редко. Это приводит к тому, что знания, приобретенные руководителями объектов в процессе своей деятельности, через некоторое время утрачиваются и не могут быть использованы при повторном возникновении аналогичных условий;
  • входные данные характеризуются большим объемом, нуждаются в прикладной обработке и не обладают свойствами абсолютной полноты, достоверности и своевременности;
  • возможный ущерб от недоучета условий среды достаточно велик, а следовательно и велика цена ошибки рекомендаций;
  • основную роль при учете условий среды играет человек, что требует при создании СППР привлечения опытных и квалифицированных экспертов;
  • подготовка руководителей, способных правильно учитывать состояние природной среды, требует достаточно больших затрат;
  • стремление к улучшению качества учета состояния среды путем увеличения объемов разнообразной информации приводит к еще большим трудностям для ЛПР.

  Отметим еще одну важную особенность рассматриваемой области — число различных ситуаций весьма велико, их заранее нельзя и перечислить, а число решений конечно и невелико. Информация о ЧС в основном учитывается в организационных системах, где перечень действий можно определить заранее и необходимо только регулярно напоминать руководителям о тех действиях, которые им надо выполнить при тех или иных условиях. В результате наблюдений за природной средой выявляются сигналы в виде изменения значений некоторых параметров. Сравнивая этот сигнал со средним значением, получаем отклонение от средних условий. На основе исходных (текущих) значений параметров составляется также прогноз его изменений на ближайшие сутки, неделю и т.п. с соответствующей заблаговременностью. Если текущее значение параметра превышает некоторую критическую величину для рассматриваемого объекта и оно подтверждается прогнозом, то на объект выдается первое предупреждение. Руководители объектов после первого предупреждения должны начать подготовку объекта с целью уменьшения влияния ЧС. При ожидании определенных явлений, их прохождении и после прохождения выполняются свои комплексы мероприятий. Мероприятия, которые выполняются на объектах в зависимости от сложившихся условий, имеющейся прогностической или климатической информации, составляются на основе опыта ЛПР и рекомендаций ученых. Таким образом, зная значения параметров, в том числе их прогностические и климатические значения, их вероятность, опасности, которым подвергаются объекты и критерии выработки решений, можно получить перечень мероприятий — рекомендаций для выполнения на каждом объекте. В состав информационной базы входят база знаний с формализованными перечнями мероприятий, справочные сведения о тактико — технических данных, количестве и размещении оборудования, включая основные силы и средства, необходимая вспомогательная техника и людские ресурсы, которые привлекаются на период стихийных явлений из других сфер деятельности, рис.9. СППР «Стихийные явления». Круг работников, обладающих уникальными знаниями по принятию решений в случае стихийных бедствий, достаточно ограничен. Часто просто на предприятии неизвестно, кто обладает необходимыми знаниями и к кому можно обратиться за помощью. Знания, накопленные на предприятии, является важнейшим ресурсом, аккумулируются годами и стоят немалых средств, неуправляемы, незащищены и используется не в полном объеме. Увольняясь, каждый работник уносит с собой частичку коллективной компетентности и знаний. Для новых сотрудников период приобретения опыта довольно длителен. Поиск информации во многих случаях дублируется. Тратится время на получение ответов, которые уже были найдены ранее. Качество информации оставляет желать лучшего, невозможно найти оптимальный ответ на типичный вопрос и сделать его достоянием всех сотрудников. С ППР ориентирована на предоставление сведений о воздействиях и рекомендаций, связанных с обеспечением безопасности личности и имущества, широкому кругу населения в круглосуточном режиме. Каждый пользователь имеет возможность в любой момент быстро получить информацию в ситуациях, связанных с реальной или потенциальной угрозой для его жизни, здоровья или собственности. Схема выдачи оповещений и рекомендаций дана на рис.8. Рисунок 8 – Схема выдачи оповещений и рекомендацийСистема Планирования и Управления Ликвидацией Нефтяного Разлива OilGuard2000.(разработчик Компания Транзас Марин). OilGuard 2000 является системой подготовки и проведения учений, может использоваться в качестве системы поддержки принятия решений в условиях реального разлива нефти. Система предусматривает возможности, как для совершенствования подготовки операторов, так и для разработки планов на случай непредвиденных обстоятельств. OilGuard 2000 предоставляет широкий диапазон средств для подготовки, проведения и анализа учений, нацеленных на повышение степени готовности организаций, ответственных за ликвидацию последствий разлива нефти. Функционирование системы основано на математическом моделировании нефтяного разлива, проводимом с учетом взаимодействия нефтяного пятна с окружающей средой и средствами борьбы. Система также включает средства сбора информации для оценки результатов. Программное обеспечение OilGuard 2000 моделирует разлив нефти в условиях непрерывно изменяющихся параметров окружающей среды и ответных действий человека в реальном и ускоренном масштабах времени. Система позволяет отображать модельную ситуацию в графическом и текстовом виде. Картографическая система отображает: район действия, в виде морской навигационной карты; нефтяное пятно в виде многосвязной области; пиктограммы показывающие место и состояние средств борьбы; маршруты транспортных средств. Информация по средствам борьбы находится в оперативно обновляемой БД. Для описания поведения основных типов оборудования, таких как боновые заграждения, нефтесборщики, химические диспергенты и средства их доставки используются упрощенные имитационные модели. Для объектов, за которыми осуществляется слежение через спутниковую систему навигации, отображается географическое положение и состояние канала связи. Модель воспроизводит следующие динамические процессы: распространение нефти, испарение, проникновение в толщу воды, горение и учитывает взаимодействие пятна с берегом, боновыми заграждениями, нефтесборщиками и химическими диспергентами. В модели используются следующие параметры окружающей среды: форма и тип береговой линии; направление и сила ветра; температура и плотность воды; морские течения и высота волны. В настоящее время разработана статическая страница с примерами воздействий и рекомендаций для различных морских стихийных явлений, (рис.9а). Разработан прототип СППР для нескольких объектов экономики (рис.9б). Создано приложение, позволяющее в on-line показывать на карте, на каких метеостанциях превышены критические значения параметров среды. Красным цветом на рис.9в отмечены станции, на которых наблюдаются опасные явления, например, высота волны >2м, ветер >15м/c. Для информирования ЛПР об экстремальных ситуациях после выявления критических значений параметров среды ЛПР высылается электронное сообщение (рис. 9г).

  а)	б)
  в)	г)

  Рисунок 9 — Примеры реализации СППР в гидрометеорологии В ЕСИМО разработаны средства выделения районов со штормовым ветром, на фоне которых нанесено местоположение судов. Такой подход позволяет сразу увидеть нахождение объекта в штормовом районе. Создана система поддержки принятия решений диспетчера авиалесоохраны [4], GeoFES – система поддержки решений в чрезвычайных ситуациях (http://www.dhigroup.com/News/2007/10/09/GeoFESDecisionMakingInEmergencySituations.aspx). Имеется множество других похожих систем. К сожалению, большинство из них находится в макетном варианте. Выводы Несмотря на широкое распространение автоматизированных систем поддержки решений, технологии, поддерживаемые ее производителями, все еще остаются относительно мелкомасштабными. Большинство организаций используют технологии на основе «баз правил» от небольшого числа мелких производителей. Некоторые отрасли, например, страхование, имеют специализированные пакеты, ориентированные на их задачи. Внедрение таких пакетов требует меньше времени. Однако большая часть организаций создает собственные заказные системы. Используемые при таком подходе технологии включают язык правил, средства разработки и среду разработки правил, а также редактор правил и репозитарий. Часто правила встраиваются в другие приложения, такие, например, как система автоматизации документооборота в страховании. Если СППР проработала какое-то время и показала, что содержит достаточное количество информации, то можно оценить вклад каждого отдельного правила в рентабельность или установить какие-то критерии оценки работы системы, а затем оптимизировать ее за счет удаления из базы бесполезных правил. Необходимо перейти от понятия «задача обработки данных» к понятию «функция управления экономическим объектом», которое относится не к системе обработки, а к системе управления и определяет полный комплекс процессов мониторинга среды, прогноза, получения климатических оценок и включает конечную стадию подготовки решений ЛПР. В результате БД обеспечит не только быстрый доступ к информации в реальном масштабе времени, но и позволит готовить более эффективные и обоснованные управленческие решения. Важное и наиболее эффективное направление развития программных средств – это создание ЭММ с использованием информации о состоянии природной среды как на макроуровне, так и микромасштабе. Оценки показывают, что эффект от оптимизационных задач на порядок выше, чем простое использование прогностических и климатических значений параметров. Совершенствование управленческой деятельности на основе постоянного использования информации есть непрерывный и долговременный процесс, который создает условия для внедрения современных форм и методов управления. Список литературы

  1. Поспелов Д.А. Ситуационное управление. — М.: Наука. — 1986. — 288 с.
  2. Геловани В.А., В.Б.Бритков, А.А.Башлыков, Е.Д.Вязилов. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. М.: ИСА РАН, УРСС. 2001. — 304с.
  3. Давенпорт Том. Эволюция решения // Журнал «Директор ИС», 2005. N 2. http://www.osp.ru/cio/2005/02/173794/
  4. Котельников Р. Поддержка принятия решений диспетчера авиалесоохраны // Издательство «Открытые системы». Журнал «Открытые системы», 2003. №10. http://www.osp.ru/os/2003/10/067.htm
  5. Балыков П. Трудно опоздать, легко не успеть // Издательство «Открытые системы». Журнал «Директор ИС», 2005. N 1. http://www.osp.ru/cio/2005/01/024.htm

  Перечень вопросов для самопроверки

  1. Чем отличается база знаний от БД?
  2. Какие средства поддержки решений Вы знаете?
  3. Что Вы знаете об экспертных системах?

  Ограничение

  Для продолжения скачивания необходимо пройти капчу:

  Источник: studfile.net

  8 примеров систем поддержки принятия решений для руководства в принятии решений

  Система поддержки принятия решений (СППР) экономит время и повышает уверенность при принятии деловых решений. Когда вы используете DSS, вы получаете выгоду от анализа данных и способности выявлять закономерности. Различные варианты DSS оптимизируют вашу производительность и поддерживают принятие решений на работе. В этой статье мы рассмотрим восемь наиболее распространенных примеров DSS, как они работают и кто их обычно использует.

  Что такое DSS?

  Системы поддержки принятия решений — это типы информационных систем, которые анализируют данные для поддержки руководителей, менеджеров и персонала в принятии бизнес-решений. Эти системы оценивают большие объемы данных, выявляют закономерности и анализируют последствия бизнес-решений. DSS использует текущие и исторические данные для прогнозирования будущих тенденций, что уменьшает количество догадок и экономит время. Предприятия всех отраслей могут извлечь выгоду из программного обеспечения DSS, например:

  • GPS: GPS анализирует информацию о маршруте и данные о трафике для планирования наилучшего пути между местами.
  • Планирование посевов: Системы поддержки принятия решений помогают фермерам узнать лучшее время для посадки, удобрения и сбора урожая.
  • Информационные панели планирования ресурсов предприятия (ERP): Лица, принимающие решения, используют приборные панели ERP для контроля показателей эффективности.
  • Принятие клинических решений: Медицинские работники используют системы поддержки принятия клинических решений, чтобы помочь поставить диагноз и спланировать лечение для пациентов.

  Для выполнения своих функций DSS опирается на эти основные компоненты:

  • Пользовательский интерфейс: Программа, с помощью которой человек взаимодействует с DSS.
  • База знаний: Объем данных, используемых DSS, который может быть как небольшим, как частный сервер предприятия, так и огромным, как Интернет.
  • Система управления моделью: Компьютерное программное обеспечение, отвечающее за хранение и манипулирование моделями данных.

  8 примеры систем поддержки принятия решений

  Вот восемь наиболее распространенных примеров систем поддержки принятия решений, с которыми вы можете столкнуться на рабочем месте:

  1. DSS на основе данных

  DSS, основанная на данных, предоставляет пользователям доступ к большому количеству внутренних и внешних данных. Эта DSS будет запрашивать базу данных через Интернет, внешний сервер или мэйнфрейм компании. Она опирается на интеллектуальный анализ данных для получения закономерностей и информации об оцениваемых данных.

  Пользователи полагаются на системы поддержки принятия решений, основанные на данных, для принятия решений о бизнесе, запасах и продукции. Менеджеры могут найти системы поддержки принятия решений, основанные на данных, наиболее полезными при анализе текущих и исторических данных для составления отчетов о состоянии отдела или предприятия. Руководители компаний, менеджеры и персонал могут использовать DSS на основе данных.

  Примеры программного обеспечения DSS, основанного на данных, включают:

  • Географические информационные системы (ГИС)
  • Системы файловых ящиков
  • Информационные системы для руководителей
  • Компьютерные базы данных с системами запросов

  2. DSS, управляемая моделями

  DSS на основе моделей позволяет пользователю анализировать и манипулировать определенными моделями данных, такими как статистика, финансы или планирование. Эти системы поддержки принятия решений специфичны для типа модели, с которой пользователь хочет взаимодействовать, и обычно предлагают меньше данных, чем другие типы DSS. Они анализируют сценарии и данные, позволяя пользователю манипулировать моделью, например, составлять график работы. Они могут использовать простые инструменты анализа или сложные статистические данные, в зависимости от назначения модели и потребностей пользователя. Менеджеры, сотрудники и третьи лица, взаимодействующие с бизнесом, могут использовать DSS на основе моделей.

  Примеры программного обеспечения для DSS на основе моделей включают:

  • Программное обеспечение для составления расписания
  • Финансовое моделирование
  • Моделирование анализа решений
  • Оптимизационное программное обеспечение

  3. DSS, ориентированная на знания

  В DSS, ориентированной на знания, система управления знаниями отслеживает постоянно обновляемые данные об организации для поддержки принятия решений. DSS использует диагностику, прогнозирование, интерпретацию и классификацию, чтобы рекомендовать действия, соответствующие бизнесу.

  DSS, управляемая знаниями, может быть полезна для менеджеров, поскольку она выполняет задачи быстрее, чем это мог бы сделать человек. Они также могут помочь потребителям решить, какие товары и услуги покупать. Этот вид DSS часто опирается на компонент обработки данных. Руководители, сотрудники и внешние пользователи, например, клиенты, могут использовать DSS, управляемые знаниями.

  Примеры программного обеспечения для DSS, основанной на знаниях, включают:

  • Программное обеспечение, определяющее новых или текущих клиентов, которые могут быть заинтересованы в продукции
  • Программное обеспечение для выбора продукта

  4. Документально-ориентированные DSS

  DSS, основанная на документах, извлекает неструктурированную информацию из различных электронных источников. Он ищет веб-страницы, документы в базах данных и другую информацию на основе поисковых запросов пользователя для сбора релевантной информации. Система DSS, управляемая документами, может быть специфической для личных файлов предприятия или широкой, как обычная поисковая система в Интернете. Любой человек, использующий функцию поиска в базе данных или поисковую систему в Интернете, использует DSS, управляемую документами.

  Примеры программного обеспечения для DSS, управляемой документами, включают:

  • Поисковые системы
  • Программное обеспечение для поиска в базе данных
  • Базы данных статей с функциями поиска

  5. DSS, управляемая коммуникациями

  DSS, ориентированная на коммуникацию, использует инструменты для поддержки общения и сотрудничества. Электронная почта является примером ДСС, ориентированной на коммуникацию. Этот тип DSS включает инструменты совместного доступа, которые позволяют нескольким людям одновременно работать над проектом, и программное обеспечение, обеспечивающее цифровое общение между людьми. Она повышает эффективность и результативность совместного проекта и может помочь облегчить проведение встреч и бесед. Члены внутренней команды, организаторы виртуальных деловых встреч и пользователи программного обеспечения для онлайн-чатов и видеовстреч могут извлечь выгоду из DSS, управляемого коммуникациями.

  Система DSS, управляемая коммуникациями, также может называться групповой системой DSS. DSS, ориентированные на коммуникацию, сосредоточены на общении и сотрудничестве, а групповые DSS помогают группам оптимизировать процесс принятия решений. Например, DSS, ориентированная на коммуникацию, может помочь двум людям, работающим в одной компании в разные смены, обмениваться документами. Она также может позволять сотрудникам, находящимся на разных концах страны, виртуально встречаться для просмотра общего файла. Примеры программных DSS, ориентированных на коммуникацию, включают:

  • Чат и службы мгновенного обмена сообщениями
  • Программное обеспечение для совместной работы, например, программное обеспечение для совместного использования и редактирования документов
  • Электронная почта

  6. Интеллектуальная DSS

  Любая DSS с искусственным интеллектом в своей конструкции является примером интеллектуальной DSS (IDSS). В рамках IDSS искусственный интеллект выполняет поиск и обработку данных для фильтрации больших массивов данных. IDSS предназначены для предоставления услуг, аналогичных услугам человека-консультанта.

  Они запрограммированы на выявление закономерностей и тенденций для принятия решений. Они также могут решать проблемы и анализировать решения. Компоненты искусственного интеллекта добавляют DSS такие преимущества, как нечеткая логика и машинное обучение. Менеджеры, диагносты и другие лица, принимающие решения, могут использовать IDSS.

  Примеры интеллектуальных DSS включают в себя программное обеспечение:

  • Интеллектуальные производственные системы
  • Медицинские диагностические системы

  7. Ручные DSS

  DSS с ручным управлением полагается на людей, а не на компьютеры для поддержки принятия решений. Группа экспертов анализирует сильные и слабые стороны, возможности и угрозы своей организации или проекта. Ручная DSS намного медленнее, чем компьютерная, но определенные виды анализа все равно требуют человеческого взгляда на каждом этапе. Экономисты, руководители и менеджеры могут использовать ручные DSS.

  Примеры ручных DSS включают:

  • Анализ затрат и выгод
  • Матрицы принятия решений

  8. Гибридная DSS

  Гибридная DSS сочетает в себе части нескольких типов DSS для создания сложного результата. Для решения крупных задач в таких отраслях, как финансы и здравоохранение, могут потребоваться инструменты нескольких систем поддержки принятия решений, таких как DSS, основанная на знаниях, и DSS, основанная на данных.

  Гибридная DSS может использовать дополнительное программное обеспечение для совместной работы этих компонентов. Иногда человек анализирует и объединяет результаты каждой DSS. Гибридная DSS также может описывать систему, в которой человек работает с DSS для извлечения и манипулирования данными. Медицинские работники, лица, принимающие финансовые решения, и исследователи могут использовать гибридные DSS.

  Примеры программного обеспечения гибридной DSS включают:

  • Оценка риска
  • Клиническая DSS
  • Web-ориентированные DSS

  Ключевые слова:

  • indeed.com

  Источник: hr-portal.ru