В современном мире, где обрабатывается огромное количество информации, очень необходима правильная оценка, обработка этого числа данных для вынесения необходимых выводов и принятия правильных решений.

В таких условиях специалист должен обладать навыком принятия обоснованных решений. Для этого он должен обладать информацией по построению информационных систем наряду с обычными знаниями в области экономики, менеджмента и др.

Интеллектуальные информационные технологии (ИИТ) - это информационные технологии, помогающие человеку упросить анализ различных ситуаций, а также - синтез управленческих решений.

ИИТ формируются при создании информационных систем и информационных технологий для повышения коэффициента эффективности принятия решений при условии возникшей проблемной ситуации. И так же они являются одним из последних этапов развития аналитических технологий.

Аналитические технологии очень важны людям, принимающим решения. Но для реальных сложных задач бизнеса, готовых четких алгоритмов и путей решения не существует, раньше такие случаи решались чисто на основе личного опыта человека, принимающего решение. Но современные технологии позволяют повысить эффективность принятия решений.

Целью данной курсовой работы является рассмотрение систем поддержки принятия решения, определение функций, значимости, отличительных особенностей, исследование применение интеллектуальных систем поддержки принятия решений.

Задача состоит в анализе достоинств и недостатков интеллектуальной системы поддержки принятия решений, а именно - нейронной технологии в зависимости от параметров внедрения.

1. Определение системы поддержки принятия решений, ее функции

Когда принимаемые решения касаются жизни людей очень важно, чтобы они были продуманы и обоснованы. Однако, на сегодняшний день принятие решений в важных аспектах основано на опыте и интуиции руководителей. Человек не может справиться с огромным количеством информации, взаимосвязей и других различных особенностей, и сложностей, поэтому важно обеспечить информационно-аналитическую поддержку принятия решений. Для этого начали использовать системы поддержки принятия решений. Они стали активно применяться во многих отраслях: телекоммуникациях, финансовой сфере, торговле, промышленности, медицине и многих других отраслях.

Принятие решения в концепции систем поддержки принятия решений - это выбор оптимально возможного решения с учетом всех последствий. При выборе наиболее оптимального решения должен быть выбран вариант полно соответствующий поставленной цели.

Результаты применяемых решений рассматриваются в совокупности множества критериев за определенный момент времени в чем, и заключается информационная сложность обработки огромного количества различных данных, что практически невозможно без использования современной вычислительной техники. [7]

Целью концепции систем поддержки принятия решений является способствование принятию рациональных и эффективных управленческих решений.

Система поддержки принятия решений (СППР) - это СППР, которая использует методы искусственного интеллекта, разработанная, чтобы помочь человеку принимать решения для повышения эффективности и скорости работы. СППР возникла слиянием информационных систем и систем управления базами данных. СППР представляет собой комплекс программных инструментальных средств для анализа данных, моделирования, прогнозирования и принятия управленческих решений, состоящий из собственных разработок компании и готовых приобретаемых программных продуктов.

Перед СППР стоят в первую очередь такие задачи как упорядочивание возможных решений по наибольшему соответствию цели работы и выбор наилучшего варианта из множества решений. [3]

Для вычисления предложений СППР использует методы: информационного поиска, анализа данных, поиска в базе данных (БД), моделирования, эволюционных вычислений и генетических алгоритмов, нейронных сетей, ситуационного анализа и др.

Интеллектуальная СППР - это СППР в основе которой лежат методы искусственного интеллекта.

Интеллект - способность думать, следовательно, осмысленно принимать решения, а не автоматически. Отсюда следует цель создания и развития искусственного интеллекта (ИИ) - возможность обучения компьютера делать вещи, которые сейчас делают люди. [5]

2. Понятие «система искусственного интеллекта»

Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами.

Интеллектуальный интерфейс - это интерфейс пользователя, обеспечивающий взаимодействие информационных ресурсов с пользователем с помощью дополнительного программного обеспечения, способного к анализу, обработке, сравнению, обобщению, накоплению и обучению. Что делает интерфейс пользователя разумным.

Интеллектуальный интерфейс должен выполнять функции обеспечения постановки задач для ЭВМ пользователем описанием условий, обеспечения возможности формирования сред решения задач, обеспечение диалога пользователя с ЭВМ с применением различных средств для этого с возможностью корректировки действий пользователей для избегания возможных ошибок в работе.

Рис. 1 - структура интеллектуального интерфейса

Примером такой системы может быть программа идентификации и аутентификации человека по его почерку, системы с биологической обратной связью, тренажеры для обучения, игры, системы виртуальной реакции и др.

Автоматизированные системы распознавания образов.

Система распознавания образов - класс системы искусственного интеллекта обеспечивающий формирование образов объектов и классов, обучение (процесс в котором система постепенно начинает отвечать нужными реакциями на определенные внешние воздействия на систему), самообучение, распознавание (отнесение предъявляемых объектов к определённым классам с помощью применения известных правил классификации), адаптацию (процесс по изменению параметров и структуры системы на основе текущих данных для достижения определенного состояния системы), решение задач идентификации и прогнозирования.

Рис. 2 - структура системы распознавания

Примером задач распознавания образов может быть распознавание букв, штрих-кодов, номеров, речи, изображений, распознавание лиц и других объектов.

Автоматизированные системы поддержки принятия решений.

Системы поддержки принятия решений - чаще всего интерактивные компьютерные системы, разработанные для помощи человеку в принятии решений управления, объединившие в себе данные, аналитические модели, удобное программное обеспечение. СППР постоянно находится под правлением пользователя и предназначена для автоматизации выбора оптимального решения из множества возможных.

Рис. 3 - структура СППР

СППР нашли активное применение во многих отраслях: телекоммуникациях, финансовой сфере, торговле, промышленности, медицине и многих других.

Экспертные системы.

Экспертная система - это программа, в какой-то мере заменяющая эксперта, используемая для решения слабо структурированных задач в трудно формализуемых областях предметной области, способная предлагать пользователю оптимальные решения.

Рис. 4 - структура экспертной системы

Применяются в маркетинге, банковском деле, в аудите для подготовки заключений о финансовом состоянии предприятия.

Генетические алгоритмы и моделирование эволюции.

Генетический алгоритм - это алгоритм поиска, который с помощью моделирования последовательного подбора, комбинирования и вариации искомых параметров при использовании механизмов напоминающих биологическую эволюцию используется для решения задач оптимизации.

Эволюционное моделирование использует признаки теории Дарвина для построения интеллектуальных систем и является частью вычислительного интеллекта.

Генетический алгоритм - новейший способ решения задач оптимизации в экономике.

Когнитивное моделирование.

Когнитивное моделирование - способ анализа, обеспечивающий определение силы и направления влияния факторов на перевод объекта управления в целевое состояние с учетом сходства и различия в влиянии различных факторов на объект управления.

В экономической сфере когнитивное моделирование позволяет разработать и обосновать в сжатые сроки стратегию экономического развития как предприятия, так и целого государства, учитывая изменения во внешней среде. В финансовой сфере позволяет учесть ожидания участников рынка.

Выявление знаний из опыта и интеллектуальный анализ данных.

Интеллектуальный анализ данных - процесс нахождения полезных и доступных интерпретаций знаний для принятия решений в больших массивах данных. Что дает аналитикам возможность решать множество разнообразных задач.

Используются в банковской системе для решения проблем телекоммуникации, анализа рынка и др. может использоваться в бизнес-сценариях таких как оценка продаж, выбор наиболее подходящих заказчиков, анализ выбора заказчиков при покупке и др. [4]

Нейронные сети.

Нейронная сеть - это набор нейронов, соединенных между собой, математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей -- сетей нервных клеток живого организма. Каждый нейрон в нейронной сети - это ячейка, у которой присутствует множество входных отверстий и одно выходное.

Рис. 5 - нейронная сеть

По отдельности эти нейроны довольно просты, но при объединении в одну большую систему они способны выполнять сложные задачи по сбору, анализу и созданию новой информации и используются как основа большинства систем по распознаванию изображений и речи, применяются в некоторых системах навигации. [1]

4. Использование нейронных сетей в финансах и бизнесе.

Основные задачи применения нейронных сетей (НС) в финансах и бизнесе заключаются в основном в прогнозировании курсов валют, ценных бумаг и др. и распознании определенных ситуаций к примеру подозрительных банковских операций.

Получение решений нейронной сетью делится на этапы создания сети, обучения сети и непосредственно само решение задачи.

Создание сети заключается в ее построении, а именно в выборе архитектуры сети, количества слоев, придаточных функций, начальных весов.

При обучении нейронная сеть получает на вход значения с уже известными ответами, НС принимает решение, производит корректировку весов в соответствии с правильностью принятого решения. Обучение завершается тогда, когда принятые сетью решения станут удовлетворительными.

После обучения нейронная сеть становится пригодной в применении ее для решения практических задач.

При попадании НС в новые ситуации не присутствовавших на процессе обучения при грамотном обучении НС она может с большой вероятностью правильно реагировать на новые данные и давать эффективные решения задачи. Такой подход очень необходим при экспертной оценки, поскольку дает возможность сочетать не только возможности компьютерной обработки чисел, а также и способность мозга к обобщению и распознаванию. [2]

5. Прогнозирование на основе нейронной сети.

Прогнозирование - основной момент при принятии решений, обозначает предвидение, предсказание о развитии чего-либо на основе определенных данных. Главной целью которого является формирование научных предпосылок принятия решений (анализ тенденций и закономерностей, предвиденье будущего и вариантов развития, оценка последствий).

Прогнозирование полезно во многих различных ситуациях, например:

Управление материально-производственными запасами. В управлении запасами запасных деталей на предприятии по ремонту автомобилей очень важно оценить степень используемости каждой детали для определения необходимого количества запчастей, так же к этому важно рассчитать данные о времени на доставку недостающих запчастей.

Планирование производства. Планировании производства продуктов необходимо сперва спрогнозировать продажу каждого продукта с учетом его доставки на некоторое продолжительное время вперед. Эти требования могут потом быть преобразованы в требования к материалам, компонентам и т.д. таким образом на основе прогнозирования может быть простроен график работы сети предприятий.

Финансовое планирование. Менеджеру важно знать изменения денежного оборота компании на продолжительное время. Чтобы заранее принять соответствующие решения по работе компании важно знать о периоде времени спада оборота компании в будущем.

Планирование разработки нового продукта. Решение о разработке нового продукта требует дополнительных прогнозов о спросе на него. [10]

6. Преимущества и недостатки прогнозирования на нейронных сетях.

Прогнозирование на нейронных сетях обладает рядом достоинств и недостатков. Недостатки заключаются в значительных временных и ресурсных затратах для построения удовлетворительной модели.

Нейронные сети всего лишь отличный дополнительный функционал для решения задач, они не способны давать точный ответ, лишь приблизительный. Они дадут более точный прогноз чем мог бы составить человек, но не позволяют полностью уйти от неопределенности.

Преимущества нейронной сети при прогнозировании и планировании заключаются в возможности отсекания входного шума, система способна решать какие данные искажают результаты прогноза и отсекает их. НС обладают высокой возможностью к адаптации, что позволяет работать даже в критических ситуациях. Выдаваемые решения задач нейронной сетью логичны и правильны.

В общем потенциал нейронных сетей при планировании и прогнозировании огромен, поскольку именно в этих аспектах достоинства нейронных сетей проявляются в большей степени, а недостатки проявляются слабее. [9]

7. Применение технологий нейронных сетей на практике

Нейронные сети и генетические алгоритмы находят многочисленное применение в настоящее время. В любой области человеческой деятельности существуют задачи для решения которых требуется привлечение экспертов, либо внедрение систем автоматизации, какими и являются нейронные сети. Выбор оплаты хороших специалистов их обучение или покупки полностью готовых нейронных систем или их комбинировании стоит перед предприятием. Каждый их этих вариантов имеет свои достоинства и свои недостатки.

Привлечение экспертов и их обучение обусловлено достоинствами, заключающимися в возможностях словесного общения, чета не формализуемых факторов. Недостатки же состоят в высоких расходах на заработную плату, расходы на обучение, опасность потери эксперта, противоречивость мнений разных работников.

Готовая система стоит относительно дешево, создана специалистами, сделана с учетом спецификации компании, однако имеет высокую стоимость разработки, невысокую гибкость, при ее разработке необходимо разглашение секретов делового процесса компании, для исправления ошибок или внесения изменений требуются специалисты со стороны.

Создание собственной системы позволяет полностью управлять процессом разработки, обеспечивает легкость внесения изменений, полное неразглашение секретов делового процесса, однако для реализации необходимы специалисты по нейронным сетям, штат программистов, это способ долгий по времени и дорогой по стоимости, так же требует настройки системы.

Создание системы на основе готовых пакетов обладает невысокой стоимостью, имеет готовую архитектуру и алгоритм обучения, создан профессионалами, обладает высокой гибкостью и полной конфиденциальностью, не требует знаний программирования и знания нейронных сетей, обладает высоким показателем обнаружения и исправления ошибок за счет большого количества пользователей, производителями пакета обеспечивается техническая поддержка. Недостатки же заключаются в необходимости настройки системы и подготовки данных, в некоторых случаях невозможности создания собственной архитектуры и алгоритма обучения. [8]

Выбор решения полностью определяется целями и возможностями компании. Первые три варианта больше подходят крупным компаниям, планирующим свою деятельность на много лет вперед, которые не ожидают быстрой окупаемости приобретаемых технологий.

Четвертый вариант заключающийся в создании собственной нейронной сети на основе готового пакета подходит больше мелким компаниям или частным лицам.

Заключение