Інтелектуалізація управлінських рішень, використовуючи технологію Data-Mining в автоматизованих інформаційних системах

Размещено на http://www.allbest.ru/

УДК 004.65

Інтелектуалізація управлінських рішень, використовуючи технологію Data-Mining в автоматизованих інформаційних системах

Кондратенко Ю.В.

Центр воєнно-стратегічних досліджень Національного університету оборони України імені Івана Черняховського, м. Київ

Резюме

У статті розглядаються можливості проведення автоматичного аналізу даних, які надходять з різних оперативно-тактичних джерел та накопичуються у величезний пул різнорідної інформації. Визначені особливості інтелектуалізації баз даних, переваги та недоліки від використання технології Data Mining, а також важливість добутих знань для своєчасного прийняття управлінських рішень керівництвом підприємства (відомства).

Ключові слова: Інтелектуалізація бази даних, добування даних, оперативно-тактичні дані, прийняття управлінських рішень, методи Data Mining.

Постановка проблеми

Автоматизовані інформаційні системи підвищують ефективність роботи органів управління за рахунок впровадження сучасних інформаційних технологій (методів, алгоритмів, систем та засобів), збору, обробки, зберігання і використання бази оперативно-тактичних даних (БОТД), комплексної автоматизації процесу управління та переходу до інтелектуалізації баз даних [1].

Проблематикою питання інтелектуалізації бази даних почали займатися ще на початку 80-х років. Агентство Gartner Group, що займається аналізом ринків інформаційних технологій, в 1980-х роках ввело термін "Business Intelligence" (ВІ) - діловий інтелект або бізнес-інтелект. Цей термін запропонований для опису різних концепцій і методів, які покращують бізнес рішення шляхом використання систем підтримки прийняття рішень.

Gartner Group визначає склад ринку систем Business Intelligence як набір програмних продуктів наступних класів:

засоби побудови сховищ даних (data warehousing);

системи оперативної аналітичної обробки (OLAP);

інформаційно-аналітичні системи (Enterprise Information Systems, EIS);

засоби інтелектуального аналізу даних (data mining);

інструменти для виконання запитів і побудови звітів (query and reporting tools).

З досвіду експертів в області IT, одну із особливих ролей в життєвому циклі формування знань із сховища різнорідних даних, займає саме технологія Data Mining, яка виконує роль їх інтелектуалізації. Тобто, Data Mining є не просто інструмент, а збірна назва, що використовується для позначення сукупності методів виявлення в даних раніше невідомих, нетривіальних, практично корисних і доступних інтерпретацій знань, необхідних для прийняття рішень у різних сферах людської діяльності.

Перспективним напрямком впровадження цієї технологій у військовій сфері є ситуаційні центри, які повинні відповідати сучасним викликам глобальної безпеки, що вступила в епоху інформаційних війн. Це автоматизовані системи підтримки прийняття рішень, які базуються на ситуативному підході до прийняття рішень з використанням широкого спектру сучасних новітніх технологій. Основним його призначенням є моделювання, планування та аналіз військових, політичних та економічних ситуацій і процесів. У процесі інтелектуальної підтримки прийняття рішень засобами ситуаційного центру, які розгорнуті на базі автоматизованої інформаційної системи (АІС), формуються можливі варіанти керуючих впливів на ситуацію, що склалася і виробляється оцінка наслідків їх реалізації [2].

Актуальність статті пов`язана із необхідністю обґрунтування методів і технологічних рішень, спроможних підвищити швидкість та якість прийняття управлінських рішень керівниками структурних підрозділів, що має перевести задачі управління на новий рівень, а вивільнений в результаті цього час використовувати для пошуку способів досягнення миру на сході України.

Ступінь розробленості проблеми

Найхарактернішими рисами сучасних бойових дій стали суттєве зростання їх динаміки, розмаху, ретельна підготовка та планування, високий ступінь оперативного вирішення завдань управління.

Аналіз, проведений за результатами останніх подій під час ведення антитерористичної операції, показав, що застосування механізованих частин для ліквідації збройних конфліктів та у боротьбі з незаконними збройними формуваннями, а також виконання миротворчих операцій висуває додаткові вимоги до систем управління та бази оперативно-тактичних даних, основними з яких є спроможність реагування щодо нестандартних ситуацій та оперативного прийняття обґрунтованих рішень на будь-якому рівні системи управління.

Глобалізація та інтеграція систем військового призначення призводить до суттєвого зростання обсягу різнорідної інформації, яка циркулює в органах управління (ОУ), збільшується частка недостовірної та надлишкової інформації, так званий «інформаційний шум».

Такий розвиток інформаційного забезпечення висуває підвищені вимоги до бази оперативно-тактичних даних, особливо у плані оперативності розв'язання задач управління при плануванні операцій (бойових дій) та підтримки прийняття рішень при появі нестандартних ситуацій.

Традиційні методи аналізу даних (статистичні методи) [3] і OLAP в основному орієнтовані на перевірку заздалегідь сформульованих гіпотез (verification-driven Data Mining) і на "грубий" розвідувальний аналіз, що становить основу оперативної аналітичної обробки даних (Online Analytical Processing, OLAP) [4], у той час як одне з основних положень Data Mining - пошук неочевидних закономірностей [5]. Інструменти Data Mining можуть знаходити такі закономірності самостійно і також самостійно будувати гіпотези про взаємозв'язки. Оскільки саме формулювання гіпотези щодо залежностей є найскладнішим завданням, перевага Data Mining в порівнянні з іншими методами аналізу є очевидним.

Більшість статистичних методів для виявлення взаємозв'язків у даних використовують концепцію усереднення за вибіркою, що приводить до операцій над неіснуючими величинами, тоді як Data Mining оперує реальними значеннями. OLAP більше підходить для розуміння ретроспективних даних, Data Mining спирається на ретроспективні дані для отримання відповідей на питання про майбутнє.

При цьому основним завданням аналітика є генерація гіпотез. Він вирішує її, ґрунтуючись на своїх знаннях і досвіді. Однак знання є не тільки у людини, але і в накопичених даних, які піддаються аналізу. Такі знання часто називають "прихованими", так як вони містяться в гігабайтах і терабайтах інформації, які людина не в змозі дослідити самостійно. У зв'язку з цим існує висока ймовірність пропустити гіпотези, які можуть принести значну вигоду.

Очевидно, що для виявлення прихованих знань необхідно застосовувати спеціальні методи автоматичного аналізу, за допомогою яких проводиться практично здобуття знань з так званих "завалів" інформації. За цим напрямком міцно закріпився Data Mining.

Метою статті є проведення аналізу щодо перспектив та виграшів від використання інструментарію Data Mining для добування знань в існуючих базах даних АІС, і використання їх для прийняття рішень відповідними посадовими особами ситуаційних центрів військового призначення.

Виклад основного матеріалу

Для отримання обґрунтованого управлінського рішення дані проходять крізь послідовність процесів накопичення у сховищі даних, аналітичну обробку та видобуток знань. Для реалізації цього процесу використовують методи та алгоритми, які входять до складу технології Data Mining. Аналітикам АІС необхідно обрати предметну область, яка буде задіяна для пошуку рішення, очистити від «шуму» (не корисної та дублюючої інформації) та консолідувати дані, здобуті з різних джерел, і використати спеціалізоване середовище для роботи Data Mining алгоритмів.

Результати Data Mining у більшій мірі залежать від рівня підготовки даних. Близько 80% роботи над Data Mining полягає в зборі та підготовці даних, що проводиться ще до запуску інструментів видобутку знань. Неякісна підготовка вихідних даних є однією з причин в отриманні некоректних рішень в подальшому.

Отримані знання повинні описувати нові зв'язки між властивостями, прогнозувати значення одних ознак на основі інших, бути в зрозумілому для користувача так би мовити «не математичному» вигляді. Наприклад, найпростіше сприймаються людиною логічні конструкції "якщо ... то ..." та результати методу візуалізації у вигляді діаграм тощо. У випадку, коли добуті знання є непрозорими для користувача, повинні існувати методи подальшої обробки, що дозволяють привести їх до виду, який можливо інтерпретувати.

Алгоритми, що використовуються в Data Mining, вимагають великої кількості обчислень.

Раніше це було стримуючим фактором широкого практичного застосування Data Mining, проте сьогоднішнє зростання продуктивності сучасних процесорів зняв гостроту цієї проблеми. Звісно що остаточне рішення завжди було і буде здійснюватися тільки людиною, але рівень та швидкість прийняття рішення буде на порядок якіснішим та оперативнішим.

Перш ніж використовувати технологію Data Mining у ситуаційних центрах, необхідно ретельно проаналізувати її проблеми, обмеження і критичні питання, які з нею пов'язані, а також зрозуміти, чого ця технологія не може реалізувати.

По-перше, технологія не може дати відповіді на ті питання, які не були задані, тобто для отримання конкретного і змістовного результату необхідно коректно і змістовно обґрунтувати запит. Вона не може замінити аналітика, а всього лише дає йому потужний інструмент для полегшення і покращення його роботи.

По-друге, оскільки дана технологія є мультидисциплінарної областю, для розробки програми, що включає Data Mining, необхідно задіяти фахівців із різних областей, а також забезпечити їх якісну взаємодію. Тобто для реалізації рішень, які стосуються управління військовими угрупованнями на театрі воєнних дій, необхідно залучати при розробці фахівців всіх видів та родів військ, а також фахівців з усіх видів забезпечення.

По-третє, з'являється необхідність у відповідній кваліфікації користувачів. Різні інструменти Data Mining мають різну ступінь "доброзичливості" інтерфейсу і вимагають певної кваліфікації користувача. Використання Data Mining має бути нерозривно пов'язане з підвищенням його кваліфікації. Однак фахівців з Data Mining, які б добре розбиралися в бізнесі, поки ще мало, а що ж стосується військових фахівців, то вони зовсім відсутні.

По-четверте, проблема полягає в тому, що отримання корисних відомостей неможливо без достатнього розуміння суті даних. Необхідний ретельний вибір моделі та інтерпретація залежностей або шаблонів, які виявлені. Тому робота з такими засобами вимагає тісної співпраці між експертом в предметній області і фахівцем по інструментах Data Mining. Побудовані моделі повинні бути грамотно інтегровані в функціональні-процеси для можливості оцінки та оновлення моделей.

По-п 'яте, це складність у підготовці даних. Успішний аналіз вимагає якісної попередньої обробки даних. Щоб технологія працювала на себе, потрібно багато зусиль і часу, які йдуть на попередній аналіз даних, вибір моделі та її коригування.

Для більш детального розуміння можливостей технології Data Mining, необхідно розглянути класифікацію задач, які вона виконує [6]. Методи Data Mining допомагають вирішити багато завдань, з якими зіштовхується аналітик. З них основними є: класифікація, регресія, пошук асоціативних правил і кластеризація. У табл. 1 наведено короткий опис основних завдань аналізу даних:

Перераховані завдання за призначенням поділяються на описові та прогностичні.

Описові (descriptive) завдання приділяють увагу поліпшенню розуміння аналізованих даних. Ключовий момент у таких моделях легкість і прозорість результатів для сприйняття людиною. Можливо, виявлені закономірності будуть специфічною рисою саме конкретних досліджуваних даних і більше ніде не зустрінуться, але це все одно може бути корисно і тому повинно бути відомо.

Таблиця1

До такого виду завдань відносяться кластеризація і пошук асоціативних правил.

Рішення прогностичних (predictive) завдань розбивається на два етапи. На першому етапі на підставі набору даних з відомими результатами будується модель. На другому етапі вона використовується для передбачення результатів на підставі нових наборів даних. При цьому, природно, потрібно, щоб побудовані моделі працювали максимально точно. До даного виду завдань відносять задачі класифікації і регресії. Сюди можна віднести і завдання пошуку асоціативних правил, якщо результати її рішення можуть бути використані для передбачення появи деяких подій.

Коротко розглянемо декілька методів отримання знань використовуючи технологію Data Mining (табл.2).

Слід зазначити, що для виявлення знань в даних недостатньо просто застосувати методи Data Mining, хоча, безумовно, цей етап є основним у процесі інтелектуального аналізу. Розглянемо традиційний процес Data Mining. Він включає наступні етапи (рис. 1):

Таблиця 2

На першому етапі виконується дослідження предметної області, який полягає в спостереженні властивостей об'єктів з метою виявлення та оцінки важливих, з точки зору суб'єкта-дослідника, закономірних стосунків між показниками даних властивостей. У процесі вивчення предметної області повинна бути створена її модель. Від того, наскільки вірно змодельована предметна область, залежить успіх подальшої розробки програми Data Mining.

Другий етап полягає у формулюванні та формалізації задачі, тобто приведенні даних до форми, придатної для застосування конкретних методів Data Mining. Постановка завдання включає також опис статичної та динамічної поведінки досліджуваних об'єктів.

Третій етап - це власне розробка бази даних для Data Mining. Підготовка даних є найважливішим етапом, від якості виконання якого залежить можливість отримання якісних результатів усього процесу Data Mining.

Четвертий етап - побудова моделей з використанням різних методів і алгоритмів Data Mining, одні із яких були описані вище. Серед великої різноманітності методів Data Mining повинен бути обраний метод або ж комбінація методів, при використанні яких побудована модель буде найкращим чином описувати досліджуваний об'єкт. Ідеальної моделі, яка б дозволила вирішувати різноманітні завдання, не існує, тому багато розробників включають в інструменти Data Mining можливість побудови різних моделей, а також забезпечують можливість їх розширюваності. Деякі інструменти Data Mining створюються спеціально для конкретних областей застосування.

На п 'ятому етапі проводиться перевірка достовірності або адекватності побудованої моделі. Ця перевірка полягає у визначенні ступеня відповідності моделі реальності. Адекватність моделі перевіряється шляхом тестування.

Під час шостого етапу, в ході перевірки та оцінки різних отриманих моделей, на підставі їх характеристик, а також з урахуванням думки експертів проводиться вибір найкращої. Досить часто це виявляється непростим завданням.

Після тестування, оцінки та вибору найкращої моделі, на сьомому етапі проводиться її застосування. На цьому етапі обрана модель застосовується до нових даних з метою вирішення завдань, поставлених на початку процесу Data Mining. Для класифікаційних і прогнозуючих моделей на цьому етапі прогнозується цільової (вихідний) атрибут (target attribute).

Размещено на http://www.allbest.ru/

Після певного встановленого проміжку часу з моменту початку використання моделі Data Mining слід проаналізувати отримані результати на восьмому етапі, визначаючи, чи дійсно вона "успішна" або ж виникли проблеми і складнощі в її використанні. Дослідження досягнутих практичних результатів завершує оцінку цінності здобутого засобами Data Mining нового знання.

Практична реалізація технології Data Mining знайшла своє застосування в багатьох сферах діяльності, де виникає задача автоматизації аналізу даних, починаючи від торгівлі і закінчуючи мережоцентричними війнами нового покоління, які відійшли далеко від класики ведення бою. Завдяки застосуванню високих технологій, глобальної комп'ютеризації та інтелектуалізації баз даних, провідні країни світу проводять успішні бойові операції із мінімальними втратами особового складу, озброєння і військової техніки.

Висновки

Виходячи з сказаного вище ми приходимо до наступних висновків, що дійсно процес Data Mining нерозривно пов'язаний з процесом прийняття рішень. За своєю природою він є досить складний, і вимагає від відповідальних осіб, які будуть задіяні в організації виконання зазначених етапів підготовки та видобутку знань, достатньо скрупульозного ставлення до нього. Весь комплекс заходів від збору даних, їх підготовки, інтеграції та до застосування методів і алгоритмів інтелектуалізації даних, вимагає залучення осіб, з широким розумінням та професіоналізмом у обраній предметній області, що підлягає моделюванню.

Визначені етапи інтелектуального аналізу даних (рис.1), які можуть бути використані для розробки, наближеної до ідеальної, моделі досліджуваної предметної області та для отримання в результаті найкращих пропозицій щодо прийняття управлінських рішень, повинні виконуватися циклічно, тобто проходити певну кількість ітерацій. Як результат ми отримаємо саме очікувані оптимальні рішення тих задач, які будуть поставлені перед аналітиками центру компетенції, що використають в АІС технологію Data Mining.

Набута база знань в результаті роботи інструментарію Data Mining, що зберігатиметься в централізованому сховищі даних АІС центрів компетенції, дозволить в подальшому зекономити багато часу на пошук подібних рішень а також передбачати проблемні ситуації і попереджати їх виникнення в майбутньому.

Отже обрана нами технологія Data Mining, 2000. -- 384 з її широким і різноманітним інструментарієм c.ttp://studopedia.ru/2_82956_ponyattya-Data- добування знань, зможе у повній мірі Mining.html забезпечити інтелектуалізацію бази даних та сприяти прискоренню та поліпшенню процесу прийняття рішень керівним складом центрів компетенції військового призначення.

Подальші дослідження доцільно присвятити аналізу переваг у поєднанні технологій OLAP та Data Mining для ефективної обробки великого об'єму інформації, за рахунок багатовимірної моделі побудови бази даних, що прискорює процес аналітичної обробки, та реалізації алгоритмів інтелектуалізації даних, необхідних для своєчасного прийняття рішень.

Список використаної літератури

1. Уотермен Д. Руководство по экспертным системам: Пер. с англ./Под ред. В. Л. Стефанюка - М.: Мир, 1989. -- 388 с., ил.

2. Дроговоз П.А., Иванов П.Д. Перспективы развития бизнес-информатики как междисциплинарного подхода к управлению наукоемкими промышленными предприятиями // Электронное научно-техническое издание «Инженерный журнал: наука и инновации». ISSN 2308-6033. М.: МГТУ им. Н.Э. Баумана, 2013. Выпуск № 3 [http://engjoumal.ru/catalog/indust/hidden/654.html]

3. Кулинич О. І. Теорія статистики. К.: Вища школа., 1992. 135 с.

4. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Технологии анализа даннях: Data Mining, Visual Mining, Text Mining, OLAP. - СПб.: БХВ-Петербург, 2007. - 384c., ил.

5. Степанов P. Г., Технология Data Mining: Интеллектуальный анализ данных. - К.: ГОУ ВПО «КГУ им. В.И.Ульянова-Ленина», 2008. - 57 с.

6. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И.И, Методы и модели анализа данных: OLAP и Data Mining. - СПб.: БХВ-Петербург, 2004. 336с., ил.

7. Норенков И. И, Кузьмик П. К. Информационная поддержка наукоемких изделий. CALS-технологии. М.: МГТУ им. Н.Э. Баумана, 2002. 320 с.

8. Репин В.В., Елиферов В.Г. Процессный подход к управлению. Моделирование бизнес- процессов. М.: РИА «Стандарты и качество», 2004. 408 с.

9. Han L, Kamber М., Data mining: Concepts and Techniques. - Morgan Kaufmann Publishers. - 2001.

10. Konar A., Artificial intelligence and soft computing: behavioral and cognitive modeling of the human brain. - CRC Press LLC. - Boca Raton, Florida/ 2000.

11. Mitra S., Acharya T., Data Mining. Multimedia, Soft Computing, and Bioinformatics. - John Wiley & Sons, Inc. - Hoboken, New Jersey. - 2003.

12. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский. -- СПб.: Питер,

Кондратенко Ю. В.

Центр военно-стратегических исследований Национального университета обороны Украины имени Ивана Черняховского, Киев

Интелектуализация управленческих решений с использованием технологии Data- Mining в АИС

Резюме. В статье рассматриваются возможности проведения автоматического анализа данных, поступающих из разных оперативно-тактических источников и накапливаются в огромный пул разнородной информации. Определены особенности интеллектуализации баз данных, преимущества и недостатки использования технологии Data Mining, а также важность добытых данных для своевременного принятия управленческих решений руководством предприятия (ведомства).

Ключевые слова: Интеллектуализация базы данных, добыча данных, оперативно-тактические данные, принятие управленческих решений, методы Data Mining.

U. Kondratenko

Center for Military and Strategic Studies National Defence University of Ukraine named Ivan Chemyhovskij

Intellectualization of administrative decisions with the use of technology of Data-Mining in the AIS

Resume. The article deals with the possibility of automatic analysis of data coming from different operational and tactical sources and accumulated into a vast pool of heterogeneous information. Defined the features of intellectualization databases, advantages and disadvantages of the use of Data Mining technology and the importance of extracted knowledge for timely decision-making by leadership of enterprise (department).

Keywords: Intellectual database, data mining, operational and tactical information, management decisions, methods of Data Mining.

Размещено на Allbest.ru