Студопедия

КАТЕГОРИИ:

АстрономияБиологияГеографияДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРиторикаСоциологияСпортСтроительствоТехнологияФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника


Web-технологии




Создание глобальной распределенной сети Word Wide Web является одним из крупнейших достижений человечества. Технологии, сформировавшиеся на базе глобальной сети, но применяемые в пределах локальной сети или отдельного компьютера, получили название Web-технологий. Организация информационных ресурсов WWW основана на понятии гипертекста. Обычно текст представляется как одна линия, читаемая в одном направлении. Гипертекстовая технология заключается в том, что текст представляется в виде многомерной сетевой структуры. Для этого он делится на фрагменты, которые соединяются между собой по смысловому признаку. Следуя указанным связям, можно читать материал в любом порядке.

Гипертекст – это совокупность документов или их частей, чтение или просмотр которых может быть организован в различных направлениях.

Web-технологии стали быстро развиваться с появлением языка гипертекстовой разметки HTML (Hypertext Markup Language). Содержательно законченным элементом в данной технологии является HTML-страница со встроенными ссылками на другие страницы. Набор объединенных и взаимосвязанных страниц называется Web-сайтом.

 

На тактическом уровне используются технологии, предназначенные для автоматизации управленческой деятельности (MIS-технологии), и технологии, предназначенные для поддержки принятия решений (DSS-технологии).

Технологии, поддерживающие управленческие функции (MIS), предназначены для автоматизации планирования деятельности предприятия, для организации контроля за ходом выполнения планов производства и реализации продукции и составления отчетов для руководства. Как правило, функции планирования, анализа и контроля реализуются в рамках интегрированных систем класса ERP.

Технологии аналитической обработки данных (DSS) необходимы для подготовки (формирования) управленческих решений. Исходной информацией здесь служат не ежедневно поступающие сообщения, а специально накопленные данные за длительный период, позволяющие определять тенденции процессов или событий в различных разрезах. Эта технология в условиях рыночной экономики приобретает большое значение, так как руководитель должен обладать инструментом, обеспечивающим оперативный анализ текущего состояния предприятия и принятия решения на будущее.

Процесс принятия решения в большинстве случаев включает генерацию возможных решений (формирование списка альтернатив), их оценку и выбор лучшего варианта. При выборе варианта приходится учитывать большое число неопределенных и противоречивых факторов. Неопределенность является неотъемлемой частью процессов принятия решений. Поэтому в сложных и ответственных моментах лицо, принимающее решение (ЛПР), обращается к опытным и знающим людям (экспертам, советникам) за подтверждением своего решения. Такие обращения представляют собой процесс поддержки принятия решения.

DSS‑технологии нашли свое отражение в различных программных продуктах, известных под общим названием СППР (системы поддержки принятия решений), реализующих методы и способы интеллектуальной поддержки принимаемых решений. СППР – это система, обеспечивающая лицо, принимающее решение, необходимыми для принятия решения данными, знаниями, выводами и/или рекомендациями. Но СППР, основанные на знаниях, существенно отличаются от экспертных систем своей целевой направленностью: СППР призвана помочь лицу, принимающему решение, в решении стоящей перед ним проблемы, а экспертная система – заменить человека при решении проблемы.

В настоящее время достаточно распространенной технологией, ориентированной на поддержку принятия решений, является OLAP-технология (On-line Analytical Processing). OLAP‑технология – это инструмент, используемый для оперативного анализа данных, формирования и принятия решений. Основное назначение OLAP‑технологий – динамический многомерный анализ данных, моделирование и прогнозирование. В основу данной технологии положен метод хранения данных в специальной форме, названной хранилищем данных (Data Warehouse). Аналитическую обработку данных средствами OLAP‑технологий поддерживают ряд современных ERP-систем.

Хранилище данных – это предметно-ориентированный, неизменяемый и поддерживающий хронологию набор данных. Хранилище данных представляет собой базу обобщенных данных. По сравнению с базами оперативных данных (т.е. по сравнению с базами данных для оперативной обработки транзакций) хранилища данных обеспечивают более гибкое и простое формирование произвольных справочно-аналитических запросов, а также применение специализированных методов статистического и интеллектуального анализа данных.

Важно подчеркнуть, что если с помощью OLTP-технологий получают оперативную информацию о состоянии объекта, то с помощью OLAP‑технологий – интегрированную информацию о состоянии объекта путем выполнения различных статистических группировок исходных данных.

 

На стратегическом уровне используются системы поддержки руководства. Эти системы используют технологии интеллектуальной обработки данных (ESS-технологии) и ориентированы в основном на работу с внешними по отношению к предприятию данными, которые характеризуются нечеткостью, неполнотой, противоречивостью. Примером здесь могут служить информация о конкурентах, ситуации на рынках, перспективы изменения тех или иных цен на продукцию, энергоносители, таможенных тарифов и т.д. Таким образом, технологии интеллектуальной обработки данных используются в том случае, если необходимо решать плохо структурированные задачи, отличающиеся нечеткими характеристиками.

В классе ESS-технологий можно выделить два наиболее распространенных подкласса:

- технологии интеллектуального анализа данных (DM-технологии – Data Mining);

- системы обработки знаний.

 

Технологии интеллектуального анализа данных (DM-технологии) предназначены для обработки неструктурированной информации, поступающей в основном в виде текстов на естественном языке. Актуальными эти технологии становятся в случае необходимости поиска закономерностей или связей между различными событиями, явлениями или процессами – закономерностей в деятельности предприятия и на рынке. Например, для принятия решения на уровне предприятия важно знать, существует ли связь между миграцией населения в конкретном регионе, продажами некоторого товара и ценами на дизельное топливо. Причем достоверная статистика может отсутствовать. Информация, как правило, поступает в виде текстов сообщений из газет, журналов, бюллетеней, из сети Интернет и т.д.

В основе DM-технологии лежит хранилище данных (Data WareHouse – DWH). DWH – это предметно-ориентированный, интегрированный, неизменяемый и поддерживающий хронологию набор данных, специфическим образом организованный для целей поддержки принятия решений.

Задачи, решаемые с помощью DM-технологий:

- классификация – позволяет выявить признаки, характерные для некоторой группы объектов. Наличие таких признаков позволяет вновь появившийся объект отнести к одному из классов;

- кластеризация – в результате решения данной задачи исходные объекты разбиваются на однородные группы (кластеры). Наличие таких групп позволяет принять решение по отношению к одной из них;

- выявление ассоциаций, т.е. закономерностей, отраженных в данных, фиксирующих наступление каких-либо событий;

- выявление последовательностей, т.е. закономерностей, фиксирующих наступление событий с некоторым разрывом во времени.

Среди технологий для решения перечисленных задач можно выделить технологию нечетких систем и нейросетевые технологии.

Технология нечетких систем возникла как реакция на то, что традиционные компьютерные вычисления являются слишком жесткими для отражения реального мира. Существует огромное количество проблем, для решения которых невозможно получить полную и точную информацию. В результате появилось понятие «мягкие вычисления», которые были положены в основу обработки нечетких высказываний (Fuzzy).

Широкую популярность приобрели нейросетевые технологии, предназначенные для воспроизведения неосознанных мыслительных усилий человека в форме нейросетей. Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Некоторые сферы применения нейросетей:

- экономика и бизнес – предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности;

- Интернет – ассоциативный поиск информации;

- автоматизация производства – оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации;

- безопасность и охранные системы – системы идентификации личности, распознавание автомобильных номеров и аэрокосмические снимки.

Искусственные нейросети, в отличие от обычных программных систем, не требуют программирования, что ставит их в ряд перспективных средств принятия решений. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю. Нейросеть состоит из нейронов, располагаемых по слоям. Один нейрон работает следующим образом: на его вход поступает набор входных сигналов; нейрон суммирует входные сигналы и генерирует выходной сигнал, который направляется либо в другие нейроны, либо на выход сети. Связь между нейронами характеризуется интенсивностью (силой возбуждения), называемой также синаптическим весом (весовым коэффициентом). Перед применением нейросеть обучается на наборе обучающих примеров, которые представляют собой уже известные результаты решения задачи без нейросети. Обучение нейронных сетей представляет собой последовательный процесс изменения синаптических весов, отражающих силу возбуждения связей между нейронами. Таким образом, преимущество нейросетей заключается в том, что они:

1) способны обучаться на примерах без программирования, что позволяет отказаться от поиска каких-либо аналитических зависимостей между входными данными и результатами;

2) могут обучаться на неполной, противоречивой и искаженной информации;

3) для использования не требуют профессионалов-математиков;

4) не требуют выполнения условия отсутствия взаимосвязи (отсутствия мультиколлинеарности) между входными факторами, как этого требуется в регрессионном анализе.

 

Следующий подкласс информационных технологий интеллектуальной обработки данных (ESS-технологий) – системы обработки знаний – включает, прежде всего, экспертные системы, базирующиеся на таких моделях знаний, как деревья вывода, деревья целей, семантические сети и т.д. Особое место здесь занимают знания, позволяющие решать обратные задачи. Если прямые задачи решаются в случае, когда необходимо знать результаты деятельности предприятия в предыдущем периоде, то для решения обратных задач необходимо знание тех значений экономических показателей или перечня действий исполнителей, которые приведут к достижению поставленных целей в будущем.

 

Рассмотренные технологии являются типовыми, так как используются в процессе управления объектами в различных сферах экономической деятельности.

 


Поделиться:

Дата добавления: 2015-08-05; просмотров: 188; Мы поможем в написании вашей работы!; Нарушение авторских прав





lektsii.com - Лекции.Ком - 2014-2024 год. (0.005 сек.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав
Главная страница Случайная страница Контакты