Искусственный интеллект в бизнес-процессах
Ограничения и проблемы применения искусственного интеллекта. Влияние искусственного интеллекта на реинжиниринг бизнес-процессов. Методика анализа и оценки возможности применения искусственного интеллекта при автоматизации бизнес-процессов организации.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 05.08.2018 |
| Размер файла | 521,3 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
8. Задача не требует подробного, широкого диалогового взаимодействия с клиентом или другим лицом:
· Задача требует объяснения чего-то глубоко другому человеку или глубокой беседы, которую невозможно предсказать заранее (например, терапия, переговоры);
· Задача связана с сообщением, но относительно небольшого - заранее заданного диапазона тем (например, указания инструкций, ответы / задание конкретных / общих вопросов);
· Задача не требует какой-либо связи / беседы с другим человеком (например, решение уравнений, подъем объектов, наблюдение).
9. Задача очень рутинная и часто повторяется:
· Задача не является рутинной, и каждый раз необходимо принимать различные подходы (например, переговоры о контрактах, тушение пожара, рассмотрение редких и конкретных проблем)
· Задача является обычной, но может выполняться по-разному каждый раз (например, таблицы ожидания, работающие на многоцелевой машине, обучение классу);
· Задача очень повторяющаяся и должна выполняться одинаково каждый раз (например, работая на сборочной линии, доставляя объекты по маршруту, будучи кассиром).
10. Задача описывается с помощью правил:
· Задача не имеет четкого, хорошо известного набора правил относительно того, что является и неэффективно (например, изобретать уникальный персонализированный продукт, рисовать картину, писать книгу);
· Задача может быть предметом некоторых общих правил (например, обрезание волос, изготовление стула, надзор за строительной площадкой, вождение автомобиля);
· Задача может быть полностью описана подробным набором правил (например, складывание оригами, по рецепту, определение приемлемости кредита по формуле).
11. Отсутствует необходимость в объяснении решений при их формировании в рамках задачи:
· Решения сильно влияют на жизнь других людей и требуют обоснования (например, убеждение, долгосрочное планирование, законотворчество, решения суда);
· Существует некоторая потребность в объяснении решений, особенно когда люди задают вопросы (например, врачи, проводящие проверки, действующие механизмы);
· Нет необходимости объяснять решения. Задача состоит только в том, чтобы иметь правильный вывод и не зависит от процесса, через который определяется выход. (например, правильное прогнозирование погоды, правильное вычисление, оптимизация распределения ресурсов, определение самого быстрого маршрута).
12. Задача может быть преобразована в ответ на несколько вопросов выбора, ранжирование альтернативных вариантов, прогнозирование числа или группирование подобных объектов:
· Выход задачи не связан ни с одним из этих параметров (например, поднимать объекты, собирать и создавать объекты);
· вывод задачи может иметь какое-то отношение к категоризации или идентификации, но правила или критерии не ясны заранее и должны быть обнаружены (например, надзирать за другими, следить за тем, чтобы спортивная команда оставалась на ходу, рекомендуя план);
· Задача сосредоточена на применении правила или шаблона, особенно связанных с сортировкой или группировкой вещей (например, сортировка качества продуктов, распознавание лиц, диагностика общих условий, сортировка почты).
13. Долгосрочное планирование не требуется для успешного выполнения задачи:
· Задача связана с планированием в течение нескольких месяцев или лет (например, надзор за исследовательскими проектами, строительство сложных зданий, предпринимательство, разработка долгосрочных планов лечения рака);
· Задача связана с временной шкалой в диапазоне нескольких недель или дней, или неопределенным промежутком времени (например, управление рабочими нагрузками других лиц, обучение студентов конкретному набору курсов);
· Задача включает немедленный ответ и не связана с будущим воздействием (например, вопрос-ответ колл-центра, подъем объектов, выполнение расчетов).
14. Задача требует работы с текстовыми данными или может потребоваться работа с текстом в будущем:
· Задача не включает работу с любым текстом (например, создание гамбургера);
· Задача может включать некоторое легкое чтение (например, метки для чтения, иногда направления чтения);
· Задача включает в себя обработку тяжелого текста, чтение или запись (например, чтение документов, написание письма).
15. Задача требует работы с графическими / видеоданными или может потребоваться работа с изображениями / видеоданными в будущем:
· Задача не требует просмотра изображений или видеороликов, или иным образом с использованием зрения (например, с помощью телефонного разговора);
· Задача иногда может потребовать использования изображений и видео (например, приветствие клиентов);
· Задача требует анализа изображений и видео (например, поиск дефектов в продуктах, просмотр видеоматериалов, классификация объектов на фотографиях, распознавание лиц).
16. Задача требует работы с речевыми данными или может потребовать работы с речевыми данными в будущем:
· Задача не требует прослушивания речи или общения (например, самостоятельные задачи, такие как подъем объектов, повторная сборка);
· Задача может потребовать случайного прослушивания, разговора или общения (например, строительных работ, являющихся кассиром, финансовым аналитиком);
· Задача требует обработки тяжелой речи или связи с речью (например, телемаркетинг, перевод между языками, предоставление речи, разговор).
17. Задача требует работы с другими типами данных (кроме текста, изображения / видео и речи):
· Задача не требует работы с цифровыми данными в любой форме (например, при создании искусства ручной работы);
· Задача требует работы с некоторыми типами данных на низкой частоте (например, выполнение задач по пополнению запасов в продуктовом магазине, тестирование машин для обслуживания);
· Задача требует постоянного взаимодействия с данными о машине или датчике. (например, мониторинг температуры / погоды, анализ данных о ценах, мониторинг производительности машины).
18. Многие компоненты задачи могут быть выполнены за секунду или меньше:
· Задача занимает много времени (например, составление плана, написание книги);
· Задача не может быть выполнена мгновенно, но также не предполагает много долгосрочного планирования (например, выполнение операции, доставка пищи);
· Задача может быть выполнена мгновенно или может быть разбита на более мелкие варианты, которые можно сделать мгновенно (например, для идентификации изображения).
19. Каждый экземпляр, завершение или выполнение задачи аналогичен другим экземплярам в том, как это делается, и эти действия могут быть измерены:
· Задача в первую очередь включает в себя редкие или уникальные ситуации, которые не могут быть легко обобщены с машиночитаемыми данными (например, принятие стратегических решений для компании);
· Данные могут быть собраны, но структура вывода данных очень разнообразна (например, выполнение различных типов операций приведет к разным видам обратной связи);
· Данные уже доступны или могут быть легко собраны (например, стенограммы обслуживания клиентов, перевод текста, классификация изображений, движение цены акций).
2.2 Методика анализа и оценки возможности применения искусственного интеллекта при автоматизации бизнес-процессов организации
Принимая во внимание, теоретическую часть определения термина методика и учитывая практическую направленность настоящей ВКР, под методикой необходимо рассматривать программу/алгоритм использования способов, стратегий и методов при построения определенного вида деятельности, который разработан на основании детального исследования принципов деятельности и процессов работы ИИ в отношении реинжиниринга бизнес-процессов.
Практическая разрабатываемая методика будет иметь характер формальной, предполагает наличие следующей структуры:
- положение и основание: логика и системный анализ;
- характеристики: принципы, условия и нормы;
- логическая структура: объект, субъект, предмет, средства, методы и результат;
- временная структура: стадии и этапы.
- технология выполнения работ: средства, методы, способы и приемы.
2.2.1 Общие положения
Настоящая методика анализа и оценки возможности применения ИИ при автоматизации бизнес-процессов организации разработана в целях выявления таких бизнес-процессов, в которые в рамках проведения проектов по автоматизации предприятия может быть внедрен ИИ.
Методика разрабатывается в соответствии с Федеральным законом "Об информации, информатизации и защите информации" от 25 января 1995 г. № 24-ФЗ и Государственным стандартом Р 50.1.028-2001 «Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования».
При определении технологий ИИ в процессе автоматизации возможно использование одной из трех основных направлений систем ИИ.
- разработка моделей на базе психофизиологических данных, проведение с ними различных экспериментов, формулирование новых предположений о механизмах интеллектуальной деятельности и т.п.
- моделирования интеллектуальной деятельности при помощи вычислительных систем (посредством разработки алгоритмического и программного обеспечения, которые будут решать различного рода задачи)
- разработка интерактивных интеллектуальных систем (оптимальное разделение функций между человеческим ресурсом и ИИ).
2.2.2 Область применения
Методика применяется в процессе перепроектирования и/или реинжиниринга бизнес-процессов”. Основой настоящей методики в части анализа и оценке влияния технологий ИИ на бизнес-процесс является детализация бизнес-процессов в нотации IDEF0. В качестве модели бизнес-процессов используется модель IDEF0.
С помощью наглядного графического языка IDEF0, изучаемая система предстает перед разработчиками и аналитиками в виде набора взаимосвязанных функций (функциональных блоков - в терминах IDEF0).
2.2.3 Концепция методики
Концепция методики основана на следующих концептуальных моментах:
· Модель -- это объект, представляющий собой отображение системы и ее компонентов. Модель описывает, что происходит в системе, как ею управляют, какие сущности она преобразует, какие средства использует для выполнения своих функций и что производит.
· Моделирование и его представление. Основной концептуальный принцип - представление любой изучаемой характеристики в виде набора взаимосвязанных вопросов, отображающих таблицу с ранжированием операций, действий, происходящих в изучаемой компоненте системы. Все описываемое - характеристики и элементы. Каждый процесс рассматривается через соответствие характеристикам и элементам. Итог - экспертное решение, основанное на ранжировании.
· Лаконичность и точность. Документация, описывающая элементы, - табличная, точная и лаконичная. Многословные характеристики являются неудовлетворительными.
· Формализм. Ранжирование компонент бизнес-процессов требует соблюдения некоторых строгих формальных правил: все стадии и этапы должны строго, формально документироваться с тем, чтобы при работе по методики не возникало вопросов, касательно неполной или некорректной документации.
· Итеративное моделирование. Ранжирование компонент в Методике представляет собой пошаговую, итеративную процедуру. На каждом шаге итерации группа экспертов рассматривает определенный вариант, который обсуждается, рецензируется и редактируется в дальнейшем при необходимости (следом идет повтор цикла). Указанная организация работы предполагает оптимальное использование знание экспертов, работающих в соответствии с методикой и техникой, а также знаний экспертов предметной области, к которой относится характеристика компонентов.
· Отделение «организации» от «функций». При реинжиниринге моделей следует избегать ранней «связки» функций бизнес-процесса и существующей технологии ИИ при возможном использовании на моделируемом объекте предприятия. Это необходимо для объективной оценки. Сравнение результата должно, во-первых, подтвердить адекватность, во-вторых - выявить решения, подходящие для совершенствования рассматриваемого бизнес-процесса.
Методика предполагает, что на определенных её этапах возможно привлечение экспертов. Рекомендуемые методы анализа экспертами - изучение и оценка параметров рассматриваемого объекта, основанные на принципах организации коллективной оценочной деятельности. Для этого применяется метод экспертных опросов, для которого представлена информационная база в пункте 2.1. настоящей работы.
Цель анализа, проводимого экспертами, заключается в тестировании объекта/явления, направленном на выявление определенных свойств и/или связей, позволяющих сделать вывод о применении его в том или ином бизнес-процессе. Благодаря нему осуществляется сбор материала, достаточного для экспертной оценки, а также обеспечивается соответствие материала регулирующим стандартам.
Технология экспертного анализа включает в себя следующие этапы:
- Подготовка экспертов;
- Выделение критериев и условий принятия экспертных решений;
- Выбор оптимального метода экспертной оценки.
При этом важнейшим элементом экспертной оценки считается способ качественной оценки объектов экспертизы.
Рассмотрим способы определения достоверности экспертизы. Начнем с предъявления определенных требований к компетентности экспертов в данной области. Экспертные исследования используются как самостоятельную единицу, так и при верификации логического моделирования.
В рассматриваемом исследовании экспертные методы исследований используются в связи с тем, что:
· необходим анализ и последующее прогнозирование вариантов развития технологии ИИ в рамках реинжиниринга бизнес-процессов;
· существует большая неопределенность среды функционирования ИИ;
· отсутствуют формальные модели принятия решений, которые возможно применить для рассматриваемой проблемы;
· отсутствуют (в настоящий момент) достаточные технические средства моделирования.
Степень достоверности устанавливается по абсолютной частоте, с которой оценка эксперта в конечном итоге подтверждается последующими событиями.
Характеризуя экспертов, необходимо иметь в виду, что в результате выработки оценок могут быть ошибки двух видов: систематические (результаты всегда существенно отличаются от истинного) и случайные (отклонения от результатов единичны и определяются величиной дисперсии) ошибки.
Методика предполагает организацию программированной работы и деятельности в письменной форме. Программирование работы эксперта включает:
- определение структуры таблиц экспертных оценок или программы интервью на базе граф-модели объекта и целей экспертизы;
- определение типа и формы вопросов в таблицах экспертных оценок или интервью;
- определение типа шкалы для вопросов в названных таблицах;
- учет верифицируемых вопросов;
- разработка логических приемов для последующего синтеза прогнозных оценок в комплексных прогнозах объекта.
Вышеописанным способом будут привлекаться эксперты, которые на основании одного из методов экспертных оценок будут готовить итоговый отчет по исследованию. Далее перейдем к описанию этапов Методики.
2.2.4 Этапы Методики
Первый этап: описание бизнес-процессов организации: группа экспертов исследует и описывают существующие бизнес-процессы в организации и готовит соответствующий отчет.
В рамках данного этапа, перед моделированием бизнес-процессов компании (второй этап) необходимо:
· Уточнить взаимосвязь бизнес-процессов с целями предприятия;
· Описать бизнес-процесс;
· Определить необходимые для выполнения бизнес-процесса ресурсы, материалы и инструменты;
· Оценить важность бизнес-процесса по степени влияния на реализацию критических факторов успеха;
· Определить ограничения, связанные с уровнем квалификации персонала фирмы, технической оснащенности, наличием информационных технологий, финансовыми ресурсами [31]. Полученные результаты по перечисленным могут сыграть большую роль при определении целесообразности внедрения ИИ на третьем этапе методики.
Второй этап: детализация признаков и свойств составляющих бизнес-процессов: группа экспертов производит детализацию бизнес-процессов на 4 основных составляющих (по нотации IDEF0), в соответствии с методологией IDEF0 детализируются БП. БП имеют:
- вход (-ы);
- управляющее воздействие (-я);
- механизм (-ы) осуществления;
- выход (-ы).
Стандарт ENISO 9001:2000 описывает процесс, как набор средств и действий, связанных между собой, которые обеспечивают преобразование входа в результат. Бизнес-процессы одного предприятия могут различаться по разным параметрам.
- По результату деятельности: продукты или услуги.
- По виду выполнения: оперативные, и диспозитивные процессы.
- По охвату объема деятельности: макропроцессы или микропроцессы.
Для описания общих процессов на предприятиях используют макропроцессы. Для описания составных частей макропроцессов используют микропроцессы.
Каждая из составляющих имеет набор свойств, характерных только для нее и исходя из конкретного бизнес-процесса. Входом бизнес-процесса может быть, как желание или цель клиента, так определенные сценарные условия процесса. Управляющее воздействие - это свод законов, распоряжений, должностных инструкций специалистов, каждая из которых имеет разделы, подразделы и т.д.). Механизм осуществления: описывается каким образом реализуется и основные свойства механизма. Выход - это определенный результат, который также зависит от бизнес-процесса и детализируется в зависимости от того, что это за результат (отгрузочный документ или готовое блюдо в кафе)
При описании бизнес-процесса деятельности организации сотрудники имеют возможность наглядно отразить свою деятельность и выявить проблемные зоны в организации самого процесса, осуществляемой деятельности. Для малых коммерческих организаций, можно выделить следующие основные виды деятельности: производство продукции, оказание услуг и торговля. Каждый из этих видов деятельности может быть описан с использованием процессно-ориентированный подхода. В дальнейшем данный бизнес-процесс организации может быть разбит на составляющие для более глубокой детализации процесса и последующего его анализа.
Третий этап: определение целесообразности внедрения ИИ в конкретный бизнес-процесс: на данном этапе группа экспертов рассматривает каждую функцию и определяют существующие ограничения: процесс может быть сколько угодно повторяющимся и уже существуют возможные решения (в том числе не одно, а несколько решений), а внедряться ИИ не может. Организация - это сложные системы, которые обладают свойством эмерджентности: организация является большим, чем просто сумма её бизнес-процессов. Необходимо учитываться все ограничения, среди которых могут быть риски масштаба последствий, этические стороны, интеграция с существующими системами, правовые нормы, удобство в использовании и др. (подробнее в п. 1.3. настоящей работы). Например, существуют определенные ГОСТы и стандарты в различных отраслях, продиктованные целями безопасности (например, атомная отрасль, медицинское обслуживание). На основании проведенного анализа формируется перечень функций бизнес-процесса, подлежащий дальнейшей оценке. Задача экспертов в соответствии с ограничениями отрасли выдать заключение о невозможности и нецелесообразности применения решений ИИ, даже если теоретически данные решения могут быть внедрены. Соответственно, дальнейший анализ возможен, но практического смысла не имеет. Настоящая методика не ограничивает дальнейшую оценку всех функций. С течением времени различные ограничения предметных областей могут изменены или вовсе сняты. Поэтому, экономически выгодно произвести оценку всех бизнес-процессов за одну итерацию методики.
Четвертый этап: сравнение подготовленных исходных данных: каждая из детализированных компонент входа, выхода, управления и механизма имеет подготовленное описание, и может выступать в единой связке, равной Fi в зависимости от уровня декомпозиции бизнес-процесса, от 1 до N, т.е. Каждый уровень декомпозиции имеет набор функций (F1…Fn).
Данное описание используется экспертами для сравнения в рамках заданной информационной базы (см. таблица №). Ответ на каждый вопрос подразумевает реализацию основной задачи методики. Даётся оценка связанной группе компонентов бизнес-процессов (функция на последнем уровне декомпозиции в IDFE0 в связке с группой компонентов её окружения: вход, выход, управляющее воздействие, механизм) по списку критериев.
Предлагается использовать анкетный опрос в качестве метода экспертных оценок.
1. Выбираем объект для экспертной оценки.
2. Выбираем критерии для сравнения;
3. Определяем вес каждого параметра;
4. Задаем сравнительную шкалу;
5. Сравниваем.
Введем обозначения:
- k1-kn - совокупность критериев;
- f1-fn - совокупность функций бизнес-процесса;
- v1-vn - веса;
- A1B1 - AnBn - оценка функций по каждому критерию (1, 3 или 5 баллов);
- B1-Bn - совокупность сумм значений всех критериев по каждой функции.
Таблица 1
Метод анкетного опроса
|
Критерий |
Вес |
… |
||||
|
… |
||||||
|
… |
||||||
|
… |
||||||
|
… |
||||||
|
… |
… |
… |
… |
… |
||
|
… |
||||||
|
Суммарные значения |
1 |
… |
Пятый этап: определение возможности внедрения ИИ в функции бизнес-процесса: на данном этапе группа экспертов анализирует полученные результаты: на основании суммарных показателей выбираются функции, которые могут быть автоматизированы решениями ИИ: если суммарная оценки Bj больше значения, равного: maxBj (максимально возможное значение суммы строк an по каждому столбцу bn) * X, то функция может быть автоматизирована решениями ИИ. В качестве переменной X рекомендуется устанавливать значение в интервале [0,5;1]. Чем ближе значение к единице, тем меньше рисков провала проекта по внедрению ИИ в рассматриваемые функции бизнес-процесса.
Шестой этап: подготовка информации по технологиям ИИ: экспертами формируется база-данных по технологиям ИИ (или для экспертов подготавливается база выделенными для этой задачи людскими ресурсами), в которой указываются все имеющиеся технологии на текущий момент, с указанием их характеристик: что за тип технологии (классификация), слабый/сильный ИИ, какие настройки, алгоритмы принятия решений, область знаний по опыту успешных внедрений. По каждой технологии также может формироваться список готовых решений, с указанием стоимости внедрения и эксплуатации.
Седьмой этап: выбирается наилучшее решение для каждой функции, на основании всех имеющихся характеристик технологий и решений ИИ. На данном этапе может использоваться также метод экспертных оценок на основе критериев, по которым можно оценить каждую технологию или определенное решение ИИ. Предлагаются следующий список основных критериев, который также может быть расширен/детализирован на основе имеющегося опыта экспертов:
1. Наличие практического опыта внедрения;
2. Стоимость;
3. степень влияния на другие бизнес-процессы;
4. совместимость с существующими информационными решениями;
5. Риск ошибки в выходных данных
Альтернативным методом может являться простой подбор решений ИИ для множества функций бизнес-процесса. Пример такого анализа приведён в пункте 2, практической главы настоящей ВКР. На данном этапе методики рекомендуется учитывать следующее: если в множество функций может быть внедрен ИИ, а данное множество функций входит в один подпроцесс (т.е. имеет одинаковую родительскую функцию на верхнем уровне декомпозиции), и время начала выполнения одной функции не зависит от времени окончания выполнения другой, то может быть применено одно решение ИИ для данных функций, благодаря которому они будут выполняться параллельно, что в свою очередь увеличит скорость выполнения бизнес-процесса.
Восьмой этап: экономическая целесообразность: Имея данные, касательно текущей стоимости процесса, а также базу данных технологий ИИ, исследуется срок окупаемости, расчет NPV и нормы доходности при внедрении технологии/решения ИИ в автоматизируемый бизнес-процесс, в общем случае задача сводится к оценке планируемого проекта. При расчете NPV, при оценке отрицательных денежных потоков очень важно правильно оценить стоимость неявных издержек:
· Привлечение экспертов разработка информационной базы (методической поддержки)
· Стоимость интеграции с существующими ИС
· Возможное потребность в модификации существующих
· Издержки определенных типов технологий: если речь идет о машинном обучение, то необходимо оценить стоимость привлечения аналитиков данных
При оценки экономической целесообразности настоящей методики рекомендуется учитывать приведенный перечень экономических факторов в п. 1.8. данной работы.
2.3 Пример анализа бизнес-процесса на возможность применения искусственного интеллекта
Рассмотрим на примере бизнес-процесса «Продажи».
Построение модели IDEF0 начинается с общего описания функционирования предприятия (системы) [11]. Методология IDEF0 используется для создания функциональной модели, отображающей структуру и функции системы, а также потоки информации и материальных объектов, связывающие эти функции.
Программным инструментом, с помощью которого была разработана модель, был выбран продукт “All Fusion Process Modeler”.
Основная функциональность выбранного Case-средства [17]:
· разработка графических моделей бизнес-процессов (поддерживаются нотации IDEF0 и DFD);
· разработка систем классификации и кодирования (с привязкой к моделям процессов);
· формирование отчётности по моделям и системе классификации (в виде регламентов бизнес-процессов, должностных инструкций и т.п.).
· Преимущества перед аналогами:
· Эргономичность графического редактора. Редактор поддерживает быструю навигацию по модели, шаблоны часто используемых типов диаграмм, возможность отмены последних действий, "умное" поведение стрелок.
· Поддержка неограниченного количества атрибутов различных типов.
· Автоматическое построение иерархических деревьев в классификаторах на основании значений атрибутов.
· Гибкий графический интерфейс пользователя.
Редактор отчётов поддерживает несколько вариантов настройки [17]: упрощённую (с использованием инструментов редактора и набора ключевых слов) и расширенную (с использованием JavaScript). Шаблоны отчётов могут быть экспортированы и импортированы в формате файлов XML [17].
Диаграмма верхнего уровня называется контекстной диаграммой. Контекстная диаграмма реализации продукта представлена на рисунке 2.
Рисунок 2 Контекстная диаграмма процесса «Провести продажу»
Контекстная диаграмма показывает описание предприятия (системы) в общем виде и показывает ее взаимодействия с внешней средой.
В данном проекте, основной функцией является реализация (продажа) бетонных строительных материалов. Основными объектами, задействованными являются: Законодательство РФ в строительной области; различные инструкции, используемые в работе сотрудниками и системой; сотрудники предприятия, ассортимент. После получения запроса от клиента происходит весь процесс реализации продукции предприятия, на выходе которого мы получаем выполненный заказ, т.е. пакет документов, подтверждающих совершение сделки.
Декомпозиция контекстной диаграммы представлена на рисунке 3.
Рисунок 3 Декомпозиция контекстной диаграммы «Провести продажу»
В данной диаграмме рассмотрены следующие функции:
- Оформление заявки;
- Совершение продажи и расчет услуг;
- Доставка;
- Оформление отчетности.
На вход подается заявка. Процесс оформления заявки представлен на рисунке 4.
Рисунок 4 Диаграмма декомпозиции процесса «Оформление заявки»
Данный процесс состоит из трех функций:
- Принять запрос по телефону, почте или лично
- Ввести в таблицу данные клиента
- Проверить правильность данных клиента
Далее следует процесс оформления продажи и расчет стоимости. Декомпозиция данного процесса представлена на рисунке 5.
Рисунок 5 Диаграмма декомпозиции процесса «Совершение продажи и расчет услуг»
В процесс совершение продажи и расчет услуг входят 5 основных функций:
- Заполнение позиций покупки;
- Подтверждение наличия;
- Расчет стоимости;
- Подтверждение заказа;
- Выставление счета.
На рисунке 6 представлен процесс доставки.
Рисунок 6 Диаграмма декомпозиции процесса «Доставка»
В данном процессе происходят 4 основных этапа доставки:
- Согласование доставки
- Отправка товара
- Подтверждение доставки
- После этого процесса сделка считается завершенной.
Ежемесячно менеджер составляет отчет о продажах и предоставляет его руководству.
Далее по итогам анализа недостатков (проблем, узких мест) существующей организации бизнес и информационных процессов делается вывод. Как оказалось, компания до сих пор не имеет автоматизированной системы, которая значительно бы повысила уровень продаж, оптимизировала маркетинг и улучшила обслуживание клиентов посредством сохранения архивных данных о клиентах и некоторой истории взаимодействия с ними, а также установила и улучшила бы бизнес-процессы.
Кроме того, отсутствует единый процесс и требования по фиксированию обращений; контакты хранятся в разных местах, чаще всего на бумажных носителях; статусы сделок достоверно не отслеживаются: история общений с клиентами не отслеживается.
Отчеты, предоставляемые менеджером руководству и клиентам, составляются путем просмотра всех необходимых документов за выбранный период, поиска данных, их подсчета и группировки, заполнения принятой формы отчетности. Данный процесс достаточно трудоемкий и требует много времени, ко всему велика вероятность ошибки. Все отчеты предоставляются директору предприятия, копии этих документов хранятся в отделе в папке «Отчеты».
- отсутствие мониторинга - деятельность менеджеров не автоматизирована для самих себя, в большинстве случаев они не знают за что браться;
- не фиксируются документы, отсылаемые клиентам (коммерческие предложения, спецификации и прочая документация);
- деятельность спонтанна и хаотична;
- в случае болезни (отпуска, командировки и др.) менеджера понять текущую ситуацию по клиентам крайне сложно;
- в случаях увольнения имеют место акты хищения важных контактов, клиентских баз, так как общение с клиентом было ограничено одним менеджером.
Анализируя все текущие проблемы, а также модель декомпозиции бизнес-процессов были установлены функции, подлежащие автоматизации. Далее, согласно разработанной методике были отобраны функции, которые могут быть автоматизированы посредством внедрения ИИ:
· Функция заполнения отчетных форм. Решение может стать “умный” генератор отчетов, которой должен создавать отчеты по определенным правилам, в зависимости от поступающий данных на вход. Кроме того, могут быть созданы правила, по которым отчет будет дополняться данными, которые отсутствовали на входе. Вероятность неверного заполнения документа будет сведена к минимум. Кроме того, будет сокращено время, которое раньше затрачивалось на поиск информации и ее обработку.
· в рамках процесса оформления заявки следующие функции (только в случае, если запрос идет по телефону или почте):
o Принять запрос по телефону, почте.
o Ввести в таблицу данные клиента. Если запрос сформирован по почте, то возможно внедрение решения ИИ, которое способно определять параметры из текста письма и извлекать оттуда значения, с последующим переносом в систему и оформления регистрационных данных заявки.
o Проверить правильность данных клиента. В рамках автоматизации, данной функций можно внедрить решение ИИ, которое будет сравнивать указанные в заявке данные клиента и сверять их с созданной клиентской базой. Если клиент отсутствует в базе, то он автоматически должен быть добавлен в базу, а правильность заполнения данных клиента должна оцениваться по определенных заведенным правилам в системе (формат данных, количество символов - например, номер телефона, соответствие ФИО полу, например из справочника распространенных имен).
Проиллюстрируем на данном примере, как отдельные компоненты бизнес-процесса (входы, выходы, управление, механизм) могут инициировать внедрение ИИ. Например выходы - кассовые чеки.
Существует ли в компании процесс анализа пользовательской корзины? Возможны варианты: Процесс есть, но осуществляется вручную; данный бизнес-процесс отсутствует. В первом случае, мы можем автоматизировать процесс внедрением решения ИИ. Данные по чекам содержат информацию: какие товары клиенты покупали вместе. Здесь применим машинный поиск ассоциаций - можно узнать, какие товары и когда пользуются спросом (например, что покупают вечером в среду), какие товары покупают вместе [23]. Эффект от внедрения: изменить расположение товара на полках, сформировать правильные маркетинговые акции и спецпредложения без участия мерчандайзеров, настроить рекомендации в случае онлайн-магазина [23]. В случае отсутствия бизнес-процесса мы можем инициировать создание нового бизнес-процесса благодаря наличию решению ИИ. Встраивание нового процесса в деятельность компании - пример BPR (п. 1.5. теоретической части работы), так как любое внедрение бизнес-процесса может спровоцировать перепроектирование других процессов, оказать влияние на основные показатели бизнеса, в рассматриваем случае - объем продаж. Кроме того, на основания всей кассовой документации по операциям продажи напрашивается вопрос: осуществляется ли планирование продаж в компании? Данный процесс может быть автоматизирован внедрением прогнозирования. Вариантом реализации может являться метод регрессии. Прогнозы строят и люди, но их точность существенно ниже. Кроме того, в компании должны быть данные по истории продаж. Обученная на ее основе система может предсказывать продажи и определять оптимальные наценки для товаров.
2.4 Попытка реализации алгоритма программного обеспечения на основании разработанной методики
На основе описанной методики может быть предложен следующий алгоритм ПО, которое может быть использовано в качестве инструмента оценки применимости решений ИИ в бизнес-процессы.
На основании описанных шагов методики можно выделить следующие сущности:
· Бизнес-процесс;
· Решение/технология ИИ;
· Ограничения бизнес-процесса;
· Экономическая эффективность от внедрения решения ИИ в бизнес-процесс.
Концепция алгоритма разрабатываемого ПО:
1. Бизнес-процесс должен быть декомпозирован, все данные бизнес-процесса (т. е. компоненты последнего уровня декомпозиции) загружаются в базу данных.
2. Создается база знаний решений/технологий ИИ, которая содержит все возможные характеристики (настройки, характеристики, области применения и т.д)
3. Формируется аналитическая область, подгружая с удаленного сервера варианты конфигураций характеристик ИИ и компонент бизнес-процессов;
4. В данной области производится сравнительно-аналитические операции с целью подготовки оценочного результата о возможности применения ИИ в бизнес-процессе. Технические и технологические ограничения, вызванные широкой диверсификацией данных, обязывают осуществить три итерации для подготовки заключения (подтверждение теоретической возможности применения ИИ; подтверждение целесообразности применения ИИ к рассматриваемому БП; наличие экономической целесообразности в применении ИИ к рассматриваемому БП):
· Первый этап-признак заключается в рассмотрении составляющих и возможности их совместимости.
· Второй этап-признак: По сути отвечает на вопрос может ли ИИ отвечать за что-то (Например, если обработкой данных клиента в процессе «Продажа» можно озадачить машины с ИИ, то процесс приготовления блюд в ресторане» нельзя по ряду субъективных причин). Например, можно задать некоторое время для приготовления несложных блюд, но в фирменном ресторане может отсутствовать такая необходимость. Для этого и нужен второй этап-признак, который отвечает на более глубокий вопрос, анализируя процесс и предлагаемый ИИ более широко не только сопоставляя возможности, но и условия протекания БП.
· Третий этап-признак, анализирует вопрос в финансовой плоскости: цена внедрения и содержания ИИ (как механизма БП) сравниваются с текущей затратной частью бизнес-процесса. Для удобства, данный этап возможно рассматривать и применять опционально.
5. На основании проведенных аналитических операций алгоритм должен вынести решение по обозначенным выше признакам.
Описанный алгоритм представлен на рисунке 7.
Рисунок 7 Алгоритм анализа ИИ в БП
В основу разработки архитектуры программного обеспечения может быть применён мультиагентный подход.
В основе мультиагентного подхода лежит понятие мобильного программного агента, который реализован и функционирует как самостоятельная специализированная компьютерная программа или элемент ИИ [24].
При проведении аналитических операций сравнения потребуется множество вычислительных ресурсов. Решением данного ограничения должны стать мобильные агенты, способные самостоятельно, без внешних управляющих воздействий решать поставленные перед ними небольшие задачи. В этом направлении известна работы О. В. Даринцева и А. Б. Мигранова “Распределенная система управления группами мобильных роботов” и “Области применения приближенных и интеллектуальных методов планирования траекторий для групп мобильных роботов”.
Так как алгоритм (рис. 1) предполагает проведение большого множества сравнительно-аналитических операций (попарное сравнение всех компонент из двух баз данных), то в целях оптимального использования ресурсов ПО в условиях физических ограничений аппаратного обеспечения алгоритм формирует три варианта конфигурации.
Вариант 1: обеспечение запаса производительности в случае скачкообразного роста количества параметров и поступающих от них сравнительных запросов. Масштабирование производится в периметре всех ресурсов вычислительной системы [24].
Вариант 2: поддержание меньшей производительности в сравнении с заданным количеством параметров в группе. По аналогии с вариантом 1, формируется список из доступных на текущий момент времени единиц. Это делает возможным при увеличении нагрузки параллельный пуск программ и приложений не на одном вычислительном узле, а сразу на нескольких. Таким образом, система разделяет на независимые узлы общую вычислительную задачу, что дает возможность обеспечить соответствующее качество для всех параметров [24].
Вариант 3: создание с использованием заданных в конфигурации характеристик, в которых прописаны фиксированные коэффициент масштабирования и количество экземпляров виртуальных машин, которые запускаются в независимости от числа параметров после выполнения алгоритма [24].
Таким образом, используя предложенные варианты использования алгоритма, система производит постоянный анализ физических ограничений вычислительных ресурсов и автоматизирует свою работу, учитывая входящий поток запросов и регулируя количество запущенных приложений.
Базовая структура принятия решения по поставленной проблеме - циклический процесс, в ходе которого агент постоянно:
- наблюдает за миром и обновляет убеждения;
- принимает решения, каких цели собирается достичь (выбор проводится путем определения доступных вариантов, а затем фильтрацией);
- использует мышление «средства - цели», чтобы найти план для достижения этих намерений;
- исполняет план.
Однако в данном цикле существует ряд проблем. Главная из них заключается в том, как ИИ выполняются цели (намерения) и выбираются средства (план по достижению намерений). Рассмотрим данные параметры [25]:
Направленность на цели и средства. Когда вариант успешно проходит фильтр и, как следствие, выбран агентом в качестве цели, то агент взял обязанность по этому варианту. Направленность подразумевает временную настойчивость - это принятое намерение, которое не может мгновенно «сойти на нет». Важный вопрос - способ, согласно которому агент должен следовать своим намерениям. Иначе говоря, насколько он запрограммирован и какова его длительность в осуществлении цели. Дополнительно требуется задать условия, при каких обстоятельствах цель может исчезнуть [25].
Слепое обязательство. Слепо приверженный агент будет продолжать поддерживать цель, до тех пор, пока он не сочтет, что цель действительно была достигнуто. Слепое обязательство также иногда называют фанатичным обязательством [25].
Целенаправленное обязательство. Целенаправленный агент будет продолжать поддерживать цель, пока он не посчитает, что она была достигнута либо достижение цели больше невозможно [25].
Непредубеждённое обязательство. Непредубежденный агент будет поддерживать цель до тех пор, пока считает возможным [25].
Однако наиболее эффективное функционирование достигается при выстраивании системы процедурных рассуждений в ИИ. В системе процедурных оснащен библиотекой предварительно скомпилированных планов. Каждый из планов в системе процедурных рассуждений имеет следующие компоненты:
* цель - постусловие плана;
* контекст - предварительное условие плана;
* тело - "набор команд" части плана - ход действий для выполнения.
Цель и контекстная часть планов системы процедурных рассуждений достаточно условны. Тело плана может представлять, как простую последовательностью действий, так иметь вид сложного алгоритма, который требует больших вычислительных затрат и направлен на исполнение определенной цели [24].
Основная задача алгоритма сведена к контролю наличия плана, включающего цели в определенный момент, которые должны быть достигнуты до того момента, как план будет выполнен до конца.
При запуске системы процедурных рассуждений будет работать набор таких планов, а также первоначальных представлений о мире. Убеждения в системе процедурных рассуждений представлены в виде пролог-подобных фактов - как атомы логики первого порядка.
Когда алгоритм запускается, желаемые параметры помещаются в стек, который называется блоком рассуждений. Данный блок содержит все задачи, ожидающие своего достижения. Осуществляется поиск решения в области знаний, чтобы увидеть, какие планы имеют цели на вершине блока рассуждений. Набор планов, при которых достигается цель, становятся возможными вариантами решения.
Процесс выбора между возможными планами - это обдумывание в блоке рассуждений ИИ. Существует несколько способов согласования конкурирующих вариантов в архитектурах типа систем процедурных рассуждений.
Критерии ИИ:
- обдумывание систем процедурных рассуждений достигается за счет использования планов на мета-уровне;
- использование утилиты для планов (агент выбирает значения, которые имеют наибольшую практическую ценность).
Практическая реализация блока рассуждений каждого ИИ может потребовать выделения значительных аппаратных мощностей ПК. Поэтому для решения этих проблем предлагается выделять аппаратные мощности для каждого робота группы через облако. Принципиальная схема работы при подключении облачных вычислений может быть представлена, как показано на рис. 8.
Рисунок 8 Схема работы
Взаимодействие системы процедурных рассуждений агента со средой облачных вычислений
Наиболее важными моментами при построении архитектуры системы будут являться: настройка системы управления на анализ данных мультиагентным методом при выполнении задач, требующих принятия решений и выстраивание работы модулей согласно выбранной концепции через облачный сервер.
Таким образом, предложена концепция будущего ПО, способного решать задачи, разработанной методики. Основной концепт: разбиение двух сущностей на детализированные компоненты и попарное их сравнение/сопоставление, далее агрегирование данных в определенный результат - в доступном виде для дальнейшего анализа специалистами. Предложенная концепция ПО может являться основой для разработки полноценного алгоритма работы аналитической области и вынесения решений или ограничивающего список доступных решений в рамках дальнейшей научной деятельности.
Заключение
В настоящей магистерской диссертации был рассмотрен вопрос применения искусственного интеллекта в бизнес-процессы. В ходе проведённого исследования были выполнены следующие задачи:
· Проанализировано понятие ИИ, способы классификации и применения ИИ в бизнес-процессах;
· Рассмотрены возможные подходы к реинжинирингу бизнес-процессов (BPR англ. Business Process Reengineering) c учетом применения ИИ;
· Определены социальные проблемы, ограничения и риски, связанные с внедрением ИИ;
· На основе изученных теоретических аспектов разработана методика, позволяющая произвести комплексную оценку возможности и целесообразности применения технологий искусственного интеллекта в бизнес-процессы по трём ключевым признакам:
o теоретическая возможность внедрения ИИ;
o целесообразность внедрения технологий ИИ, с учетом ограничений и условий функционирования бизнес-процесса;
o экономическая целесообразность проведения проекта по внедрению ИИ.
· На основе разработанной методики была описана концепция алгоритма программного обеспечения, назначение которого заключается в решении задачи оценки возможности внедрения ИИ в БП.
Таким образом можно сделать вывод о том, что цель работы была достигнута.
Итак, подводя итоги, можно констатировать следующее:
· Цель работы была достигнута: разработана универсальная методика, которая может быть расширена новыми накопленными знаниями и успешным опытом в области применения ИИ в бизнес-процессах, а также может стать основной частью методологии в указанной области.
· Основной недостаток разработанной методики заключается в том, что в ней недостаточно освещен вопрос определения экономической целесообразности внедрения ИИ в некоторый бизнес-процесс. В частности, речь идет о рекомендациях, которые бы могли максимизировать значение чистой приведённой стоимости проекта и снизить период его окупаемости. На данный момент успешный опыт в реализации проектов по внедрению ИИ в бизнес-процессы мал и не освещает в должном объеме финансовую сторону проектов в области внедрения ИИ.
Список использованных источников
1. ГОСТ 34.601-90 «Информационная технология. Комплекс стандартов на автоматизированные создания».
2. Федеральным законом "Об информации, информатизации и защите информации" от 25 января 1995 г. № 24-ФЗ.
3. Государственный стандарт Р 50.1.028-2001 «Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования».
4. Ануфриенко, С. Е. Нейронные модели на основе импульсного нейрона: учебное пособие / С. Е. Ануфриенко, Е. В. Коновалов; Яросл. гос. ун-т А 73 им. П. Г. Демидова. Ярославль: Яросл. гос. ун-т им. П. Г. Демидова, 2012. 80 с.
5. Берлин А. Н. Телекоммуникационные сети и устройства: Учебное пособие. М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2013. 319 с.
6. Гасников А. В., Двуреченский П. Е., Нестеров Ю. Е.// Стохастические градиентные методы с неточным оракулом. Труды МФТИ, 2016, т. 8, № 1, с. 41-91.
7. Головко. В. А.// От многослойных персептронов к нейронным сетям глубокого доверия: парадигмы обучения и применение. В сб.: Нейроинформатика-2015. XVII Всероссийская научно-техническая конференция с международным участием. Лекции по нейроинформатике, с. 47-84. НИЯУ МИФИ, 2015.
8. Горбань А., Россиев Д. Нейронные сети на персональном компьютере. Новосибирск: Наука, 2013. 276 с.
9. Гофф М. К. Сетевые распределенные вычисления. Достижения и проблемы”, М.: Кудиц-образ, 2005. 320 с.
10. Гриценко Ю. Б. Архитектура предприятия: учебное пособие. М.: Эль Контент, 2011.
11. Елиферов, В. Г. Бизнес-процессы: Регламентация и управление. М.: НИЦ ИНФРА-М, 2013.
12. Каляев И. А., Лохин В. М., Макаров И. М. и др. Интеллектуальные роботы / Под общей ред. Е. И. Юревича. М.: Машиностроение, 2007. 360 с.
13. Крейг Д. Введение в робототехнику. Механика и управление. Изд-во Институт Компьютерных исследований, 2013. 564 с.
14. Крючин О. В.// «Построение модели информационных процессов выбора структур искусственной нейронной сети», 2014.
15. Мурзин Ф. А., Батура Т. В., Семич Д. Ф. Облачные технологии: основные модели, приложения, концепции и тенденции развития // Программные продукты и системы. 2014. №3 (107).
16. Полежаев П.Н., Шухман А.Е., Ушаков Ю.А., Л. В. Легашев, Тарасов В.Н. Модельное исследование эффективного планирования задач для облачных вычислительных систем// Интеллект. Инновации. Инвестиции, № 4, 2013. С. 140-145.
17. Репин В. В. Бизнес-процессы. Моделирование, внедрение, управление. М.: Манн, Иванов и Фербер, 2013.
18. Трапезникова К.А. «Применение искусственных нейронных сетей в задачах сжатия данных», 2013.
19. Тельнов Ю. Ф. Реинжиниринг бизнес-процессов и проектирование информационных систем. М.: МЭСИ, 2010. 228 с.
20. Внемашинное информационное обеспечение автоматизированных информационных систем [Электронный ресурс] URL: http://otherreferats.allbest.ru/programming/00182251_0.html (дата обращения: 11.05.2018).
21. Макеев В. Время машин: как бизнесу сделать шаг навстречу искусственному интеллекту, 2017 [Электронный ресурс] URL: http://www.forbes.ru/tehnologii/344669-vremya-mashin-kak-biznesu-sdelat-shag-navstrechu-iskusstvennomu-intellektu (дата обращения: 11.05.2018).
22. Даринцев О. В., Мигранов А. Б. Распределенная система управления группами мобильных роботов. Т. 21, № 2 (76). С. 88-94 [Электронный ресурс] URL: http://journal.ugatu.ac.ru/ (дата обращения: 11.05.2018).
23. Даринцев О. В., Мигранов А. Б. Области применения приближенных и интеллектуальных методов планирования траекторий для групп мобильных роботов // Современные проблемы науки и образования. 2014. № 6. [Электронный ресурс] URL: www.science-education.ru/120-16542, (дата обращения: 21.04.2018).
24. Brynjolfsson, Erik and Tom Mitchell. (2017) "What Can Machine Learning Do? Workforce Implications." Science 358(6370): 1530-1534.
25. D. Silver, A. Huang, C. J. Maddison, A. Guez, L. Sifre, G. van den Driessche, J. Schrittwieser, I. Antonoglou, V. Panneershelvam, M. Lanctot, S. Dieleman, D. Grewe, J. Nham, N. Kalchbrenner, I. Sutskever, T. Lillicrap, M. Leach, K. Kavukcuoglu, T. Graepel, D. Hassabis, Mastering the game of Go with deep neural networks and tree search. Nature 529, 484-489 (2016).
...Подобные документы
Сущность и проблемы определения искусственного интеллекта, его основных задач и функций. Философские проблемы создания искусственного интеллекта и обеспечения безопасности человека при работе с роботом. Выбор пути создания искусственного интеллекта.
контрольная работа [27,9 K], добавлен 07.12.2009Искусственный интеллект – научное направление, связанное с машинным моделированием человеческих интеллектуальных функций. Черты искусственного интеллекта Развитие искусственного интеллекта, перспективные направления в его исследовании и моделировании.
реферат [70,7 K], добавлен 18.11.2010Может ли искусственный интеллект на данном уровне развития техники и технологий превзойти интеллект человека. Может ли человек при контакте распознать искусственный интеллект. Основные возможности практического применения искусственного интеллекта.
презентация [511,2 K], добавлен 04.03.2013Области человеческой деятельности, в которых может применяться искусственный интеллект. Решение проблем искусственного интеллекта в компьютерных науках с применением проектирования баз знаний и экспертных систем. Автоматическое доказательство теорем.
курсовая работа [41,3 K], добавлен 29.08.2013История развития искусственного интеллекта в странах дальнего зарубежья, в России и в Республике Казахстан. Разработка проекта эффективного внедрения и адаптации искусственного интеллекта в человеческом социуме. Интеграция искусственного в естественное.
научная работа [255,5 K], добавлен 23.12.2014Сущность искусственного интеллекта, сферы человеческой деятельности, в которых он распространен. История и этапы развития данного явления. Первые идеи и их воплощение. Законы робототехники. Использование искусственного интеллекта в коммерческих целях.
реферат [40,8 K], добавлен 17.08.2015Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.
презентация [3,0 M], добавлен 28.05.2015Характеристика сущности искусственного интеллекта. Проблема создания искусственного интеллекта. Базовые положения, методики и подходы построения систем ИИ (логический, структурный, эволюционный, имитационный). Проблемы создания и реализация систем ИИ.
реферат [43,1 K], добавлен 19.07.2010Эволюция систем искусственного интеллекта. Направления развития систем искусственного интеллекта. Представление знаний - основная проблема систем искусственного интеллекта. Что такое функция принадлежности и где она используется?
реферат [49,0 K], добавлен 19.05.2006История создания и основные направления в моделировании искусственного интеллекта. Проблемы обучения зрительному восприятию и распознаванию. Разработка элементов интеллекта роботов. Исследования в области нейронных сетей. Принцип обратной связи Винера.
реферат [45,1 K], добавлен 20.11.2009Феномен мышления. Создание искусственного интеллекта. Механический, электронный, кибернетический, нейронный подход. Появление перцептрона. Искусственный интеллект представляет пример интеграции многих научных областей.
реферат [27,2 K], добавлен 20.05.2003Начало современного этапа развития систем искусственного интеллекта. Особенности взаимодействия с компьютером. Цель когнитивного моделирования. Перспективы основных направлений современного развития нейрокомпьютерных технологий, моделирование интеллекта.
реферат [24,7 K], добавлен 05.01.2010Общая характеристика дисциплины "Основы искусственного интеллекта". Ее предмет, цели и задачи. Особенности и расшифровка ряда понятийных терминов, характеризующих сущность кибернетики. Методы и алгоритмы анализа данных для получения знаний и обучения.
презентация [10,9 K], добавлен 03.01.2014Исторический обзор развития работ в области искусственного интеллекта. Создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека. От логических игр до медицинской диагностики.
реферат [29,1 K], добавлен 26.10.2009Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.
курсовая работа [2,3 M], добавлен 23.06.2012Современные разработки в области искусственного интеллекта: составление расписаний, принципы автономного планирования и управления, диагностика, понимание естественного языка, ведение игр, автономное управление, робототехника. Направления исследований.
реферат [24,0 K], добавлен 11.03.2014Составление программы искусственного интеллекта в среде программирования Delphi 7, осуществляющую игру "крестики-нолики" с пользователем. Данная программа имеет возможность запоминания ходов и на основе них ходить так, чтобы не оказаться в проигрыше.
контрольная работа [787,7 K], добавлен 16.01.2011История развития искусственного интеллекта. Экспертные системы: их типы, назначение и особенности, знания и их представление. Структура идеальной и инструменты построения экспертных систем. Управление системой продукции. Семантические сети и фреймы.
реферат [85,7 K], добавлен 20.12.2011Применение методов искусственного интеллекта и современных компьютерных технологий для обработки табличных данных. Алгоритм муравья, его начальное размещение и перемещение. Правила соединения UFO-компонентов при моделировании шахтной транспортной системы.
дипломная работа [860,8 K], добавлен 23.04.2011Понятие искусственного интеллекта в робототехнике и мехатронике. Структура и функции интеллектуальной системы управления. Классификация и типы знаний, представление их с помощью логики предикатов. Суть семантических сетей, фреймовое представление знаний.
курс лекций [1,1 M], добавлен 14.01.2011
