Информация – это характеристика взаимодействия сообщения с потребителем icon

Информация – это характеристика взаимодействия сообщения с потребителем


Смотрите также:
Информация – это характеристика взаимодействия сообщения с потребителем...
Российская электроэнергетика: становление конкурентного рынка и проблемы взаимодействия с...
Реферат По дисциплине: «Технические средства управления» На тему: «Средства хранения и поиска...
Статья 19. Сроки предъявления потребителем требований в отношении недостатков товара...
Лекция Экономическая информация как часть информационного ресурса общества...
«Экономическая информация»...
«Информатика»
Проблемы специалиста, который работает в сфере электронного бизнеса...
Итоги работы за 2007 2008 учебный год общая характеристика общеобразовательного учреждения...
Международные перевозки ( сообщения )...
Содержани е информационные сообщения денежно-кредитная политика...
Сообщения



Загрузка...
страницы:   1   2   3   4   5   6   7   8   9   10   11
скачать
Лекция 6.

Системы поддержки принятия управленческих решений.

План лекции:

1. Информация, решение и управление.

2. Системы поддержки принятия решений.

3. Сущность и компоненты системы поддержки принятия решений.

4. Использование технологий искусственного интеллекта в управлении организаций.


1. Информация, решение и управление.

Мы живём в мире информации. Информация всегда была непременным спутником развития человека, его жизни и деятельности. Без информации он обречён на смерть. Обмен информацией живому существу так же необходим, как и обмен энергией и веществом. Своеобразие информации состоит в том, что она не является ни материей, ни энергией. Что же такое информация? Слово “информация” происходит от латинского слова informare – изображать, разъяснять, излагать что-либо, составлять понятие о чём-либо. Информация - одно из фундаментальных понятий науки, таких как материя и энергия, и не определяется через более простые понятия. Информация “вообще” не существует и в тоже время источник информации неисчерпаем. Её существование связывают с получателем (потребителем). При большом разнообразии определений термина “информация” наиболее общим и приемлемым для большинства применений является определение:

информация – это характеристика взаимодействия сообщения с потребителем.

Информация имеет количественную и качественную характеристику. Количественную теорию информации разработал немецкий учёный К.Шеннон. Шеннон впервые ввёл в теорию информации единицу измерения количества информации - бит. Она соответствует минимальному объёму информации, полученной в виде ответа на вопрос “да” или “нет” в том случае, когда событие может иметь два равновероятных исхода. По количественной теории информация выступает мерой снятой неопределённости, т.е. чем больше человек получит информации, тем меньше становится степень неопределённости в отношении того или иного объекта, явления или процесса. Считается, что вероятность очевидного сообщения равна единице, а количество информации в нём равно нулю (т.е. сообщение о том, что произойдёт событие, которое не может не произойти, несёт нулевую информацию). Количество информации - величина, обратно пропорциональная степени вероятности того события, о котором идёт речь в сообщении. Чем более вероятно событие, тем меньше информации несёт сообщение о его наступлении, и наоборот. Но количество, рано или поздно, переходит в качество и с получением какого-то количества информации неопределённость может не только не уменьшатся, но даже увеличиваться. Данное обстоятельство привело к созданию качественных теорий информации.

В качественных теориях информации понятие информации связывают с понятием ценности, практической значимости. Информация - ключ ко всем знаниям, источникам энергии, сырья, машинам, технологиям; информация - дорогой продукт труда, имеет общественную потребительскую стоимость, является товаром, который при продаже остаётся у продающего.

Ценность информации зависит от места и времени её потребления (получения), от самого потребителя. Ценность информации прямо зависит от цели, которую ставит перед собой её потребитель. Ценность информации связана с её новизной. Информация, которая не несёт новизны, перестаёт быть информацией в текущий момент, теряя цену, но может стать таковой и ценной в другое время, для другого потребителя. Причём к восприятию новой информации потребитель должен быть готовым. Мы воспринимаем то, что знаем, то что понимаем. Информация должна быть достоверной, т.е. она не должна искажать действительность, истинное положение дел. Информация должна быть полной, т.е. её должно быть достаточно для понимания и принятия решения.

^ Ценность информации определяется реальным процессом её передачи и восприятия.

Сообщения в течение длительного времени отождествлялись с информацией. Теперь соответствие между сообщением и информацией не является взаимоодназначным. Информация передаётся посредством сообщения. Одну и ту же информацию можно передать с помощью различных сообщений. Одно и тоже сообщение может нести разную информацию взависимости от того, как её воспринимает потребитель. Не всякое сообщение несёт информацию. Если сообщение не нужно потребителю, сообщение теряет практическую ценность, то это сообщение несёт шум, а не информацию. Сообщение может нести шум с точки зрения приёмника информации. Возможно, это же сообщение, полученное в другое время или другим адресатом, может быть информацией. Любая закодированная информация без знания кода превращается в шум. Одно и то же сообщение может нести в себе в одном случае - информацию, в другом случае - шум. Сообщения поступают от передатчика к приёмнику по каналам связи с помощью сигналов. Во время передачи сообщения по каналам связи может произойти искажение информации, и она частично или полностью превратиться в шум. Если известны воздействия которым подверглась информация во время передачи, то можно попытаться снять результаты этого воздействия, и шум преобразовать в информацию. Таким образом, информация может преобразовываться в шум и шум - в информацию. Если сообщение обладает свойствами: достоверности, полноты, полезности, понятности, актуальности, то оно несёт информацию, которая может способствовать принятию правильного решения.

Всё многообразие окружающей нас информации можно сгруппировать по различным признакам. По признаку "область возникновения" информация, отражающая процессы, явления неодушевлённой природы, называется элементарной, процессы животного и растительного мира - биологической, человеческого общества - социальной. Всю информацию об окружающем мире человек получает с помощью пяти чувств - вкуса, обоняния, осязания, слуха и зрения. Различают виды информации по способу передачи и восприятия. Информацию, предаваемую видимыми образами и символами, называют визуалной, звуками- аудиальной, ощущениями - тактильной, запахами и вкусом - органолептической. Информацию, создаваемую и используемую человеком, по общественному назначению делят на массовую (общественно-политическая, научно-популярная), специальную (техническая, экономическая, управленческая), личную. Выделяют виды информации, которые обрабатывает компьютер - это текстовая, числовая, графическая и звуковая, комбинированная.

Существует две формы представления сообщения - непрерывная и дискретная. Непрерывная форма - это величина, характеризующая процесс, не имеющий перерывов или промежутков. Например: температура человека, скорость перемещения автомобиля за определённое время на участке пути без остановок. Дискретная форма представления сообщения - это последовательность знаков, характеризующая прерывистую, изменяющуюся величину. Например: рабочий за первый час смены обработал на станке 40 деталей, за второй - 45, за третий - 20 и т.д. Речь человека - последовательность звуков и пауз.

Воспринимая информацию об объектах с помощью органов чувств, человек стремится зафиксировать в такой форме, чтобы она стала понятна другим. Для этого применяются специальные, общепринятые, символы, знаковые системы, язык. Текстовая информация представляется с помощью букв, входящих в алфавит языка какой-либо нации (естественные языки), искусственные языки - эсперанто, языки программирования, латынь - язык наук, музыка - с помощью нот, числа - с помощью цифр (арабских, римских), буквы и цифры - с помощью коротких и длинных импульсов - азбука Морзе. Имеются наборы знаков, для которых нет какого-то общепринятого порядка (нет алфавита): азбука Брайля (для слепых), язык жестов, язык цветов, знаки генетического кода и т.д. Пиктография - древнейшая форма письма, которая в настоящее время переживает второе рождение. Способ представления сообщения выбирается так, чтобы его передача осуществлялась как можно скорее и надёжнее, а его обработка была как можно удобнее для адресата. О знаковых системах, которые применяют в компьютере можно прочитать на странице "Для любопытных". Часто одну и ту же информацию необходимо представлять в разных знаковых системах, поэтому необходимо осуществить процесс преобразования одного набора знаков в другой набор знаков - процесс кодирования.

^ Информацию передают посредством сообщений, с помощью знаков, сигналов, при этом носитель информации может иметь вещественную или энергетическую природу. Информация не материальна, но для её существования обязательно должен быть какой-либо материальный объект, передающий или хранящий информацию. Таких объектов достаточно много, так как по мере развития человеческой цивилизации растёт арсенал носителей сообщений. Каждой эпохе соответствует использование и развитие определённых групп носителей информационных сообщений.

Основные используемые человечеством носители информациoнных сообщений можно назвать такие :


^ ПРИ ПЕРЕДАЧИ ИНФОРМАЦИИ (недолгосуществующие)

ПРИ ХРАНЕНИИ ИНФОРМАЦИИ (долгосуществующие)

положение и движение тела

хромосомы

пергамент

воздух

папирус

бумага

вода

кожа

ткань

электрический ток

дерево

камень

эфир (электромагнитные колебания)

воск

глина

рентгеновский луч

железо (магнитные ленты)

кремний

луч света

пластмасса (грампластинки)

пластмасса (компакт-диски)


Эволюция способов и средств передачи сообщений: сигнал (звуковой, световой, цветовой, предметный, азбука Морзе, флажковая азбука), речь, мимика, жесты, гонец (пеший, конный, человек, животное, птица), почтовая служба - транспортировка сообщений (велосипед, автомобиль, поезд, самолёт, ракета, бутылочная почта), электросвязь-радиосвязь (телеграф, телефон, телевидение, радиовещание, радиотелефон, видеотелефон, телефакс, пейджинговая связь, мобильная связь, компьютерные сети).

Современные способы передачи информации испoльзуют классическую схему Шеннона:

^ Источник информации -- Канал связи -- Приёмник информации

А способы и средства хранения сообщений развивались так: рисунки, письменность, книгопечатание, пишущие машинки, фотоаппараты с фотоплёнкой, видеокамеры с видеокассетами, магнитофоны с аудио и видио кассетами, компьютеры с перфокартами, перфолентами, магнитными барабанами и дисками, оптическими дисками. Более подробно о современных средствах хранения информации можно прочитать на странице "Внешняя память".


^ 2. Системы поддержки принятия решений.

Системы поддержки принятия решений (СППР) и соответствующая им информационная технология появились усилиями в основном американских ученых в конце 70-х — начале 80-х гг., чему способствовали широкое распространение персональных компьютеров, стандартных пакетов прикладных программ, а также успехи в создании систем искусственного интеллекта.

Главной особенностью информационной технологии поддержки принятия решений является качественно новый метод организации взаимодействия человека и компьютера. Выработка решения, что является основной целью этой технологии, происходит в результате итерационного процесса (рис. 3.15), в котором участвуют:

• система поддержки принятия решений в роли вычислительного звена и объекта управления;

• человек как управляющее звено, задающее входные данные и оценивающее полученный результат вычислений на компьютере.





Рис. 3.15. Информационная технология поддержки принятия решений как итерационный процесс


Окончание итерационного процесса происходит по воле человека. В этом случае можно говорить о способности информационной системы совместно с пользователем создавать новую информацию для принятия решений.

Дополнительно к этой особенности информационной технологии поддержки принятия решений можно указать еще ряд ее отличительных характеристик:

  • ориентация на решение плохо структурированных (формализованных) задач;

  • сочетание традиционных методов доступа и обработки компьютерных данных с возможностями математических моделей и методами решения задач на их основе;

  • направленность на непрофессионального пользователя компьютера;

  • высокая адаптивность, обеспечивающая возможность приспосабливаться к особенностям имеющегося технического и программного обеспечения, а также требованиям пользователя.

Информационная технология поддержки принятия решений может использоваться на любом уровне управления. Кроме того, решения, принимаемые на различных уровнях управления, часто должны координироваться. Поэтому важной функцией и систем, и технологий является координация лиц, принимающих решения как на разных уровнях управления, так и на одном уровне.


^ 3. Сущность и компоненты системы поддержки принятия решений.

Рассмотрим структуру СППР (рис. 3.16), а также функции составляющих ее блоков, которые определяют основные технологические операции.

В состав СППР входят три главных компонента: база данных, база моделей и программная подсистема, которая состоит из системы управления базой данных (СУБД), системы управления базой моделей (СУБМ) и системы управления интерфейсом между пользователем и компьютером.





Рис. 3.16. Основные компоненты информационной технологии поддержки принятия решений


База данных. Она играет в информационной технологии поддержки принятия решений важную роль. Данные могут использоваться непосредственно пользователем для расчетов при помощи математических моделей. Рассмотрим источники данных и их особенности.

1. Часть данных поступает от информационной системы операционного уровня. Чтобы использовать их эффективно, эти данные должны быть предварительно обработаны. Для этого имеются две возможности:

  • использовать для обработки данных об операциях фирмы систему управления базой данных, входящую в состав системы поддержки принятия решений;

  • сделать обработку за пределами системы поддержки принятия решений, создав для этого специальную базу данных. Этот вариант более предпочтителен для фирм, производящих большое количество коммерческих операций. Обработанные данные об операциях фирмы образуют файлы, которые для повышения надежности и быстроты доступа хранятся за пределами системы поддержки принятия решений.

2. Помимо данных об операциях фирмы для функционирования системы поддержки принятия решений требуются и другие внутренние данные, например данные о движении персонала, инженерные данные и т.п., которые должны быть своевременно собраны, введены и поддержаны.

3. Важное значение, особенно для поддержки принятия решений на верхних уровнях управления, имеют данные из внешних источников. В числе необходимых внешних данных следует указать данные о конкурентах, национальной и мировой экономике. В отличие от внутренних данных внешние данные обычно приобретаются у специализирующихся на их сборе организаций.

4. В настоящее время широко исследуется вопрос о включении в базу данных еще одного источника данных — документов, включающих в себя записи, письма, контракты, приказы и т.п. Если содержание этих документов будет записано в памяти и затем обработано по некоторым ключевым характеристикам (поставщикам, потребителям, датам, видам услуг и др.), то система получит новый мощный источник информации.

СУБД должна обладать следующими возможностями:

  • составление комбинаций данных, получаемых из различных источников, посредством использования процедур агрегирования и фильтрации;

  • быстрое прибавление или исключение того или иного источника данных;

  • построение логической структуры данных в терминах пользователя;

  • использование и манипулирование неофициальными данными для экспериментальной проверки рабочих альтернатив пользователя;

  • обеспечение полной логической независимости этой базы данных от других операционных баз данных, функционирующих в рамках фирмы.

^ База моделей. Целью создания моделей являются описание и оптимизация некоторого объекта или процесса. Использование моделей обеспечивает проведение анализа в системах поддержки принятия решений. Модели, базируясь на математической интерпретации проблемы, при помощи определенных алгоритмов способствуют нахождению информации, полезной для принятия правильных решений.

Пример 3.28. Модель линейного программирования дает возможность определить наиболее выгодную производственную программу выпуска нескольких видов продукции при заданных ограничениях на ресурсы.

Использование моделей в составе информационных систем началось с применения статистических методов и методов финансового анализа, которые реализовывались командами обычных алгоритмических языков. Позже были созданы специальные языки, позволяющие моделировать ситуации типа "что будет, если ?" или "как сделать, чтобы?". Такие языки, созданные специально для построения моделей, дают возможность построения моделей определенного типа, обеспечивающих нахождение решения при гибком изменении переменных.

Существует множество типов моделей и способов их классификации, например по цели использования, области возможных приложений, способу оценки переменных и т. п.

По цели использования модели подразделяются на оптимизационные, связанные с нахождением точек минимума или максимума некоторых показателей (например, управляющие часто хотят знать, какие их действия ведут к максимизации прибыли или минимизации затрат), и описательные, описывающие поведение некоторой системы и не предназначенные для целей управления (оптимизации).

По способу оценки модели классифицируются на детерминистские, использующие оценку переменных одним числом при конкретных значениях исходных данных, и стохастические, оценивающие переменные несколькими параметрами, так как исходные данные заданы вероятностными характеристиками.

Детерминистские модели более популярны, чем стохастические, потому что они менее дорогие, их легче строить и использовать. К тому же часто с их помощью получается вполне достаточная информация для принятия решения.

По области возможных приложений модели разбиваются на специализированные, предназначенные для использования только одной системой, и универсальные — для использования несколькими системами.

Специализированные модели более дорогие, они обычно применяются для описания уникальных систем и обладают большей точностью.

В СППР база моделей состоит из стратегических, тактических и оперативных моделей, а также математических моделей в виде совокупности модельных блоков, модулей и процедур, используемых как элементы для их построения (см. рис. 3.16).

Стратегические модели используются на высших уровнях управления для установления целей организации, объемов ресурсов, необходимых для их достижения, а также политики приобретения и использования этих ресурсов. Они могут быть также полезны при выборе вариантов размещения предприятий, прогнозировании политики конкурентов и т.п. Для стратегических моделей характерны значительная широта охвата, множество переменных, представление данных в сжатой агрегированной форме. Часто эти данные базируются на внешних источниках и могут иметь субъективный характер. Горизонт планирования в стратегических моделях, как правило, измеряется в годах. Эти модели обычно детерминистские, описательные, специализированные для использования на одной определенной фирме.

Тактические модели применяются управляющими среднего уровня для распределения и контроля использования имеющихся ресурсов. Среди возможных сфер их использования следует указать: финансовое планирование, планирование требований к работникам, планирование увеличения продаж, построение схем компоновки предприятий. Эти модели применимы обычно лишь к отдельным частям фирмы (например, к системе производства и сбыта) и могут также включать в себя агрегированные показатели. Временной горизонт, охватываемый тактическими моделями, — от одного месяца до двух лет. Здесь также могут потребоваться данные из внешних источников, но основное внимание при реализации данных моделей должно быть уделено внутренним данным фирмы. Обычно тактические модели реализуются как детерминистские, оптимизационные и универсальные.

Оперативные модели используются на низших уровнях управления для поддержки принятия оперативных решений с горизонтом, измеряемым днями и неделями. Возможные применения этих моделей включают в себя ведение дебиторских счетов и кредитных расчетов, календарное производственное планирование, управление запасами и т.д. Оперативные модели обычно используют для расчетов внутрифирменные данные. Они, как правило, детерминистские, оптимизационные и универсальные (т.е. могут быть использованы в различных организациях).

Математические модели состоят из совокупности модельных блоков, модулей и процедур, реализующих математические методы. Сюда могут входить процедуры линейного программирования, статистического анализа временных рядов, регрессионного анализа и т.п. — от простейших процедур до сложных ППП. Модельные блоки, модули и процедуры могут использоваться как поодиночке, так и комплексно для построения и поддержания моделей.

Система управления базой моделей должна обладать следующими возможностями:

  • создавать новые модели или изменять существующие,

  • поддерживать и обновлять параметры моделей,

  • манипулировать моделями.

Система управления интерфейсом. Эффективность и гибкость информационной технологии во многом зависят от характеристик интерфейса системы поддержки принятия решений. Интерфейс определяет: язык пользователя; язык сообщений компьютера, организующий диалог на экране дисплея; знания пользователя.

Язык пользователя — это те действия, которые пользователь производит в отношении системы путем использования возможностей клавиатуры; электронных карандашей, пишущих на экране; джойстика; "мыши"; команд, подаваемых голосом, и т.п. Наиболее простой формой языка пользователя является создание форм входных и выходных документов. Получив входную форму (документ), пользователь заполняет его необходимыми данными и вводит в компьютер. Система поддержки принятия решений производит необходимый анализ и выдает результаты в виде выходного документа установленной формы.

Значительно возросла за последнее время популярность визуального интерфейса. С помощью манипулятора "мышь" пользователь выбирает представленные ему на экране в форме картинок объекты и команды, реализуя таким образом свои действия.

Управление компьютером при помощи человеческого голоса — самая простая и поэтому самая желанная форма языка пользователя. Она еще недостаточно разработана и поэтому малопопулярна. Существующие разработки требуют от пользователя серьезных ограничений: определенного набора слов и выражений; специальной надстройки, учитывающей особенности голоса пользователя; управления в виде дискретных команд, а не в виде обычной гладкой речи. Технология этого подхода интенсивно совершенствуется, и в ближайшем будущем можно ожидать появления систем поддержки принятия решений, использующих речевой ввод информации.

Язык сообщений — это то, что пользователь видит на экране дисплея (символы, графика, цвет), данные, полученные на принтере, звуковые выходные сигналы и т.п. Важным измерителем эффективности используемого интерфейса является выбранная форма диалога между пользователем и системой. В настоящее время наиболее распространены следующие формы диалога: запросно-ответный режим, командный режим, режим меню, режим заполнения пропусков в выражениях, предлагаемых компьютером.

Каждая форма в зависимости от типа задачи, особенностей пользователя и принимаемого решения может иметь свои достоинства и недостатки.

Долгое время единственной реализацией языка сообщений был отпечатанный или выведенный на экран дисплея отчет или сообщение. Теперь появилась новая возможность представления выходных данных — машинная графика. Она дает возможность создавать на экране и бумаге цветные графические изображения в трехмерном виде. Использование машинной графики, значительно повышающее наглядность и интерпретируемость выходных данных, становится все более популярным в информационной технологии поддержки принятия решений.

За последние несколько лет наметилось новое направление, развивающее машинную графику — мультипликация. Мультипликация оказывается особенно эффективной для интерпретации выходных данных систем поддержки принятия решений, связанных с моделированием физических систем и объектов.

Пример 3.29. Система поддержки принятия решений, предназначенная для обслуживания клиентов в банке, с помощью мультипликационных моделей может реально просмотреть различные варианты организации обслуживания в зависимости от потока посетителей, допустимой длины очереди, количества пунктов обслуживания и т.п.

В ближайшие годы следует ожидать использования в качестве языка сообщений человеческого голоса. Сейчас эта форма применяется в системе поддержки принятия решений сферы финансов, где в процессе генерации чрезвычайных отчетов голосом поясняются причины исключительности той или иной позиции.

Знания пользователя — это то, что пользователь должен знать, работая с системой. К ним относятся не только план действий, находящийся в голове у пользователя, но и учебники, инструкции, справочные данные, выдаваемые компьютером.

Совершенствование интерфейса системы поддержки принятия решений определяется успехами в развитии каждого из трех указанных компонентов. Интерфейс должен обладать следующими возможностями:

  • манипулировать различными формами диалога, изменяя их в процессе принятия решения по выбору пользователя;

  • передавать данные системе различными способами;

  • получать данные от различных устройств системы в различном формате;

  • гибко поддерживать (оказывать помощь по запросу, подсказывать) знания пользователя.


^ 4. Использование технологий искусственного интеллекта в управлении организаций.

Искусственный интеллект - одна из новейших наук, появившихся во второй половине 20-го века на базе вычислительной техники, математической логики, программирования, психологии, лингвистики, нейрофизиологии и других отраслей знаний. Искусственный интеллект - это образец междисциплинарных исследований, где соединяются профессиональные интересы специалистов разного профиля. Само название новой науки возникло в конце 60-х годах, а в 1969 г. в Вашингтоне (США) состоялась первая Всемирная конференция по искусственному интеллекту. Известно, что совокупность научных исследований обретает права науки, если выполнены два необходимых условия. У этих исследований должен быть объект изучения, не совпадающий с теми, которые изучают другие науки. И должны существовать специфические методы исследования этого объекта, отличные от методов других, уже сложившихся наук. Исследования, которые объединяются сейчас термином "искусственный интеллект", имеют свой специфический объект изучения и свои специфические методы. В этой статье мы обоснуем это утверждение. Когда в конце 40-х - начале 50-х годов появились ЭВМ, стало ясно, что инженеры и математики создали не просто быстро работающее устройство для вычислений, а нечто более значительное. Оказалось, что с помощью ЭВМ можно решать различные головоломки, логические задачи, играть в шахматы, создавать игровые программы. ЭВМ стали принимать участие в творческих процессах: сочинять музыкальные мелодии, стихотворения и даже сказки. Появились программы для перевода с одного языка на другой, для распознавания образов, доказательства теорем. Это свидетельствовало о том, что с помощью ЭВМ и соответствующих программ можно автоматизировать такие виды человеческой деятельности, которые называются интеллектуальными и считаются доступными лишь человеку. Несмотря на большое разнообразие невычислительных программ, созданных к началу 60-х годов, программирование в сфере интеллектуальной деятельности находилось в гораздо худшем положении, чем решение расчетных задач. Причина очевидна. Программирование для задач расчетного характера опиралось на соответствующую теорию - вычислительную математику. На основе этой теории было разработано много методов решения задач. Эти методы стали основой для соответствующих программ. Ничего подобного для невычислительных задач не было. Любая программа была здесь уникальной, как произведение искусства. Опыт создания таких программ никак не обобщался, умение их создавать не формализовалось. Никто не станет отрицать, что, в отличие от искусства, у науки должны быть методы решения задач. С помощью этих методов все однотипные задачи должны решаться единообразным способом. И "набив руку" на решении задач определенного типа, легко решать новые задачи, относящиеся к тому же типу. Но именно таких методов и не смогли придумать те, кто создавал первые программы невычислительного характера. Когда программист создавал программу дл игры в шахматы, то он использовал собственны знания о процессе игры. Он вкладывал их в программу, а компьютер лишь механически выполняли эту программу. Можно сказать, что компьютер "не отличал" вычислительные программы от невычислительных. Он одинаковым образом находил корни квадратного уравнения или писал стихи. В памяти компьютера не было знаний о том, что он на самом деле делает. Об интеллекте компьютера можно было бы говорить, если бы он сам, на основании собственных знаний о том, как протекает игра в шахматы и как играют в эту игру люди, сумел составить шахматную программу или синтезировал программу для написания несложных вальсов и маршей. Не сами процедуры, с помощью которых выполняется та или иная интеллектуальная деятельность, а понимание того, как их создать, как научиться новому виду интеллектуальной деятельности, - вот где скрыто то, что можно назвать интеллектом. Специальные метапроцедуры обучения новым видам интеллектуальной деятельности отличают человека от компьютера. Следовательно, в создании искусственного интеллекта основной задачей становится реализация машинными средствами тех метапроцедур, которые используются в интеллектуальной деятельности человека. Что же это за процедуры? В психологии мышления есть несколько моделей творческой деятельности. Одна из них называется лабиринтной. Суть лабиринтной гипотезы, на которой основана лабиринтная модель, состоит в следующем:переход от исходных данных задачи к решению лежит через лабиринт возможных альтернативных путей. Не все пути ведут к желаемой цели, многие из них заводят в тупик, надо уметь возвращаться к тому месту, где потеряно правильное направление. Это напоминает попытки не слишком умелого школьника решить задачу об упрощении алгебраических выражений. Для этой цели на каждом шагу можно применять некоторые стандартные преобразования или придумывать искусственные приемы. Но весьма часто вместо упрощения выражения происходит его усложнение, и возникают тупики, из которых нет выхода. По мнению сторонников лабиринтной модели мышления, решение всякой творческой задачи сводится к целенаправленному поиску в лабиринте альтернативных путей с оценкой успеха после каждого шага. С лабиринтной моделью связана первая из метапроцедур - целенаправленный поиск в лабиринте возможностей. Программированию этой метапроцедуры соответствуют многочисленные процедуры поиска, основанные на соображениях здравого смысла (человеческого опыта решения аналогичных задач). В 60-х годах было создано немало программ на основе лабиринтной модели, в основном игровых и доказывающих теоремы "в лоб", без привлечения искусственных приемов.

Соответствующее направление в программировании получило название эвристического программирования. Высказывались даже предположения, что целенаправленный поиск в лабиринте возможностей - универсальная процедура, пригодная для решения любых интеллектуальных задач. Но исследователи отказались от этой идеи, когда столкнулись с задачами, в которых лабиринта метапроцедуры поиска, как, например, при игре в шахматы. Конечно, в этой игре лабиринт возможностей - это все мыслимые партии игры. Но как в этом астрономически большом лабиринте найти те партии, которые ведут к выигрышу?

Лабиринт столь велик, что никакие мыслимые скорости вычислений не позволят целенаправленно перебрать пути в нем. И все попытки использовать для этого человеческие эвристики (в данном случае профессиональный опыт шахматистов) не дают пути решения задачи. Поэтому созданные шахматные программы уже давно используют не только метапроцедуру целенаправленного поиска, но и другие метапроцедуры, связанные с другими моделями мышления. Долгие годы в психологии изучалась ассоциативная модель мышления. Основной метапроцедурой модели является ассоциативный поиск и ассоциативное рассуждение.

Предполагается, что решение неизвестной задачи так или иначе основывается на уже решенных задачах, чем-то похожих на ту, которую надо решить. Новая задача рассматривается как уже известная, хотя и несколько отличающаяся от известной. Поэтому способ ее решения должен быть близок к тому, который когда-то помог решить подобную задачу. Для этого надо обратиться к памяти и попытаться найти нечто похожее, что ранее уже встречалось. Это и есть ассоциативный поиск. Когда, увидев незнакомого человека, вы стараетесь вспомнить, на кого он похож, реализуется метапроцедура ассоциативного поиска. Но понятие ассоциации в психологии шире, чем просто "похожесть".

Ассоциативные связи могут возникнуть и по контрасту, как противопоставление одного другому, и по смежности, т. е. в силу того, что некоторые явления возникали в рамках одной и той же ситуации или происходили одновременно (или с небольшим сдвигом по времени). Ассоциативное рассуждение позволяет переносить приемы, использованные ранее, на текущую ситуацию. К сожалению, несмотря на многолетнее изучение ассоциативной модели, не удалось создать стройную теорию ассоциативного поиска и ассоциативного рассуждения.

Исключение составляет важный, но частный класс ассоциаций, называемых условными рефлексами. И все же метапроцедура ассоциативного поиска и рассуждения сыграла важную роль: она помогла создать эффективные программы в распознавании образов, в классификационных задачах и в обучении ЭВМ.

Но одновременно эта метапроцедура привела к мысли о том, что для ее эффективного использования надо привлечь результаты, полученные в другой модели мышления, опирающейся на идею внутреннего представления проблемной области, на знания о ее особенностях, закономерностях и процедурах действия в ней. Это представление о мыслительной деятельности человека обычно называют модельной гипотезой. Согласно ей, мозг человека содержит модель проблемной ситуации, в которой ему надо принять решение. Для решения используются метапроцедуры, оперирующие с совокупностью знаний из той проблемной области, к которой принадлежит данная проблемная ситуация.

Например, если проблемная ситуация- переход через улицу с интенсивным движением, то знания, которые могут помочь ее разрешить, касаются способов организации движения транспорта, сигналов светофоров, наличия дорожек для перехода и т. п. В модельной гипотезе основными метапроцедурами становятся представление знаний, рассуждения, поиск релевантной (связанной с данной проблемной ситуацией) информации в совокупности имеющихся знаний, их пополнение и корректировка.

Эти метапроцедуры составляют ядро интеллектуальных возможностей современных программ и программных систем, ориентированных на решение творческих задач. В совокупности с метапроцедурами целенаправленного поиска в лабиринте возможностей, ассоциативного поиска и рассуждения они образуют арсенал интеллектуальных средств, которым располагают современные интеллектуальные системы, часто называемые системами, основанными на знаниях. Можно сформулировать основные цели и задачи искусственного интеллекта. Объектом изучения искусственного интеллекта являются метапроцедуры, используемые при решении человеком задач, традиционно называемых интеллектуальными, или творческими. Но если психология мышления изучает эти метапроцедуры применительно к человеку, то искусственный интеллект создает программные (а сейчас уже и программно-аппаратные) модели таких метапроцедур. Цель исследований в области искусственного интеллекта - создание арсенала метапроцедур, достаточного для того, чтобы ЭВМ (или другие технические системы, например роботы) могли находить по постановкам задач их решения.

Иными словами, стали автономными программистами, способными выполнять работу профессиональных программистов- прикладников (создающих программы для решения задач в определенной предметной области). Разумеется, сформулированная цель не исчерпывает всех задач, которые ставит перед собой искусственный интеллект. Это цель ближайшая. Последующие цели связаны с попыткой проникнуть в области мышления человека, которые лежат вне сферы рационального и выразимого словесно (вербально) мышления. Ибо в поиске решения многих задач, особенно сильно отличающихся от ранее решенных, большую роль играет та сфера мышления, которую называют подсознательной, бессознательной, или интуитивной. Основными методами, используемыми в искусственном интеллекте, являются разного рода программные модели и средства, эксперимент на ЭВМ и теоретические модели. Однако современные ЭВМ уже мало удовлетворяют специалистов по искусственному интеллекту. Они не имеют ничего общего с тем, как устроен человеческий мозг. Поэтому идет интенсивный поиск новых технических структур, способных лучше решать задачи, связанные с интеллектуальными процессами. Сюда относятся исследования по нейроподобным искусственным сетям, попытки построить молекулярные машины, работы в области голографических систем и многое другое. Более подробно здесь рассматриваются нейронные искусственные сети.

Искусственный интеллект (ИИ) здравствует и процветает. И речь не о роботах - поработителях миров, а о более развитых средствах промышленного контроля и управления, дополняющих классические технологии и направленные на создание новых предприятий с более дешёвыми и короткими производственными циклами.

Технологии ИИ включают в себя искусственные нейронные сети (ИНС), экспертные системы (ЭС), нечеткую (fuzzy) логику (НЛ), генетические алгоритмы (ГА) и т.д. и т.п. Лежащие в их основе идеи существенно отличаются от общепринятых методов вычислений, имитируя "человеческие", т.е. более понятные технологу, чем "чистому" специалисту по вычислительной технике, пути решения проблем либо "природное", "генетическое" развитие процессов. Например, ИНС-сети обладают способностью к обучению, ЭС-системы принимают решения на основе наборов правил и опыта экспертов, а системы с нечеткой логикой оперируют такими понятиями, как неопределенность и частичная/приблизительная истина. Все эти системы дополняют друг друга, обогащая наш словарь такими терминами, как neurofuzzy (Прим. ред: Нет русского эквивалента. Возможно, neurofuzzy (нейрофази) ждёт судьба термина multomedia) и нейрогенетика.

Данные методы предназначены для решения очень сложных нелинейных задач, которые либо превышают возможности общепринятых алгоритмических методов, либо требуют для своего решения слишком больших материальных и временных затрат. Уже есть успешные применения методов ИИ, хотя и не всегда в роли единственного решения, например, при традиционном "языковом" проектировании на C/C++. В силу своей природы, ИИ-методы довольно спорны и не всегда принимаются сторонниками традиционных подходов. Тем не менее, сегодня ИИ-технология занимает все более важное место в арсенале средств разработчиков средств управления и контроля.

Нечеткая логика добилась определенных успехов на нескольких направлениях: в программных средствах, в контроллерах и в интегральных схемах. Контроллеры на базе нечеткой логики выпускают Fuji Electric, Klockner-Moeller, Rockwell-Automation/ Allen-Bradley, Siemens и Yokogawa и другие фирмы. Дополнительные возможности для экспансии нечеткой логики дает объединение производителей контроллеров с поставщиками программных средств.



Рис. 1. Стандарт IEC 1131-7, Программирование на базе Нечёткой логики, определяет НЛ-компоненты, а также взаимодействие НЛ-модулей с другими стандартными языками программирования. В качестве выходных данных могут выступать измеряемые технологические параметры, расчётные величины и контрольные значения. Выходными данными являются реальные параметры в форме корректирующих величин.

По мере расширения прикладных областей "главной задачей становится превращение НЛ в одно из широкораспространенных средств проектирования для различных аппаратных и программных платформ",- говорит Константин фон Алтрок (Constantin von Altrock), руководитель отделения Fuzzy Logic Technologies компании Inform GmbH, находящейся в Аахене, Германия.В некоторых случаях НЛ-тех-нология уже "принята". Например, расширение по программированию на базе нечеткой логики (Fuzzy Logic Programming) предложено для стандарта IEC 1131 (программируемые контроллеры). Проходящий этап голосования проект IEC 61131-7 CDI (проект 1.0 комитета от 6 декабря 1996 года) должен стать Разделом 7 стандарта IEC 1131. Господин фон Алтрок уверен, что данный документ вступит в действие еще до 1998 года в качестве стандарта IЕС/МЭК 1131-7.

IЕС/МЭК 1131-7 уже лежит в основе НЛ-структуры и программного пользовательского интерфейса пакета fuzzyTech компании Inform, внедряется в известный пакет ISaGRAF (CJ International). Объектно-ориентированный пакет fuzzyTech интегрирует функции нечеткой логики со стандартным ПЛК (А-В, Modicon и Siemens) и с популярными программными средствами управления процессами типа Citech (Ci Technologies) и InTouch (Wonderware). Последняя версия fuzzyTech (5.0) оптимизирована для использования под управлением Windows NT.Компании Wonderware и Inform разработали также на базе пакета fuzzyTech расширение ActiveX для технологии InControl. Поставки этого продукта должны начаться осенью 1997 года.

Разработкам НЛ-систем благоприятствует рост интеграции НЛ на кремниевом уровне (например, микроконтроллер Motorola 68HC12 - см. CONTROL ENGINEERING, июль 1996, стр. 51-54). "Скорость вычислений на базе нечеткой логики может сравняться со скоростью вычислений традиционными методами, - считает г-н фон Алтрок, - позволяя свести управляющие циклы до долей миллисекунды".

^ Нейронные сети в системах регулирования

Как заметили специалисты компании NeuralWare Inc. (Питтсбург, Пенсильвания), одна из тенденций сегодняшнего дня - создание гибридных систем, в которых технологии нейронных сетей сочетаются с другими методами (не обязательно из сферы ИИ). Кейзи Климасаускас (Casey Klimasauskas), руководитель отделения Advanced Technology Group компании NeuralWare упоминает в качестве ценных дополнений к нейронным сетям методы частичных наименьших квадратов (PLS-метод, см. врезку "Перспективы использования нейронных сетей") и базового компонентного анализа (РСА-метод). Подобные гибридные ИНС-сети являются довольно эффективным средством системного моделирования и группового мониторинга.

Наиболее подходящими для применения данных методов являются групповые процессы с сильной нелинейностью и сложным регулированием. "Подходов к исследованию принципов объединения статистических методов типа PLS и РСА с нейронными сетями для постоянного регулирования групповых процессов, существует множество", - говорит г-н Климасаускас.Одной из развивающихся областей применения ИНС-сетей является усовершенствование общезаводских ЕРМ-моделей (first-principle models), включающих два направления:

  • моделирование отдельных нелинейных процессов, для которых ЕРМ-модели либо не существуют, либо неточны, либо требуют для разработки значительных затрат, и

  • выработка корректирующего фактора для ЕРМ-модели. Нейронные сети NeuralWare позволяют повысить степень оптимизации и другие характеристики общезаводских FPM-моделей.

Еще одной областью применения ИНС-технологии является проверка достоверности данных и показаний датчиков. Это особенно важно для систем регулирования на базе "моделей с предсказанием". Как будет работать новая технология? Идея состоит в использовании избыточных компонентов системы сбора данных для определения зависимостей между основными технологическими параметрами. "Изменение структуры взаимосвязей этих параметров может указывать на потенциальную проблему" - объясняет г-н Климасаускас.

^ Экспертные системы

В нескольких областях ИИ, в частности, в сфере экспертных систем, работает Компания Gensym Corp. (Кембридж, Массачусетс). Методы построения экпертных систем используются в главном продукте этой компании - G2, представляющем собой графический объектно-ориентированный пакет "для создания интеллектуальных систем". В последней версии этого пакета (5.0) существенно улучшен пользовательский интерфейс и возможности подключения к хост-системам. Это положительно сказывается на расширении функциональных возможностей экспертных систем. Например в усовершенствованный G2 теперь введены "триггеры правил" (rule triggers), ускоряющие реакциюсистемы на события в реальном масштабе времени.

Президент Gensym Роберт Мур (Robert Moore) подчеркивает жизненно важную необходимость адекватно представлять входящие в общий массив информации данные о технологическом процессе и состоянии всех производственных мощностей. "В критических ситуациях экспертная система должна выдавать необходимую для принятия решения информацию в понятном виде и быстро. Улучшенные графические возможности делают средства управления отказами и нештатными ситуациями более интуитивно понятными", - замечает он.Среди запланированных на вторую половину 1997 года усовершенствований G2 - такие ориентированные на Internet продукты, как ActiveX, Java и т.д.

В компании Comdale Technologies (Canada) Inc. (Торонто, Онтарио) на разработку интеллектуальных систем, включая и ЭС, смотрят проще. Вице-президент компании по маркетингу Уэйн Томпсон (Wayne Thompson) считает, что дешевые "компонентные экспертные системы" могут быть встроены практически в любую систему, включая SCADA-системы и системы распределённого управления (DCS). "Благодаря объектно-ориентированной технологии, OLE и ActiveX, их можно развернуть в несколько раз быстрее (чем старые ЭС), не имея при этом достаточного опыта в области ИИ",- говорит он. Ключевым фактором является встраивание, поскольку оно допускает использование уже существующих программных средств контроля и хост-систем.

Примером продукта данной категории можно назвать Expert Optimizer компании Comdale. Он может работать как в режиме совета, так и в режиме регулирования, и имеет в своем составе НЛ-элемент для определения размеров необходимых управляющих воздействий на базе знаний пользователя о параметрах процесса.

В Comdale учитывают и такую проблему, как "избыток информации", отрицательно сказывающийся на работоспособности операторов и пользователей системы. Один из способов ее решения - выявление аварийных ситуаций и выработка соответствующих управляющих воздействий в рамках экспертной системы. Подобные функции уже предусмотрены в системе Comdale Smart Alarm, где встроенные средства логического вывода после анализа текущих и архивных данных включают фильтры, меняют приоритеты либо подавляют повторяющиеся и незначительные предупредительные сигналы. Дальнейшее снижение объема несущественной информации возможно с помощью средств управления аварийными сигналами более высокого уровня - так называемыми "мета-тревогами" (meta-alarms - сигналами предупреждения о наличии аварийных сигналов). Они выдают оператору информацию о возможных причинах возникновения аварийной ситуации и рекомендуют выполнение определенных действий даже в случае полного рассогласования технологического процесса. По словам г-на Томсона, демонстрационная версия не имеющего пока названия продукта (проходящего сейчас бета-тестирование) готовится к октябрьской выставке ISA (Анахайм, Калифорния).

Опыт пользователей по применению ИИ-технологии собирается и тщательно изучается. Одним из последних примеров - применение НЛ-устройств на заводе компании Rheinbraun Corp. в Хьюрте, Германия. Для стабилизации процесса газификации каменного угля различного качества применяется система контроля на базе нечеткой логики, определяющая рабочие параметры восьми PID-регуляторов. Стратегия НЛ-управления определяется 115-ю правилами нечеткой логики и значениями 24-х входных параметров. Средства автоматизации технологического процесса поставила компания Foxboro/ Eckardt; НЛ-регулятор реализован на базе программного обеспечения Inform fuzzyTech и исполнительного модуля FactoryLink FL Runtime Module компании USDATA. Кроме ускорения времени внедрения (6 месяцев), "использование НЛ-регуляятора позволило вдвое сократить время адаптации процесса к изменяющемуся качеству каменного угля по сравнению с операциями, выполняемыми человеком", утверждает Inform.

NeuralWare описывает прикладную систему своего системного интегратора Transition Technologies (Польша), прогнозирующую выделение NOx и оптимизирующую функционирование паровых котлов, работающих на порошкообразном угле, на электростанции в Остроленке. На электростанции (600 МВт) с тремя силовыми агрегатами используются системы регулирования Westinghouse WDPF. Новый регулятор NeuCOP II компании NeuralWare (на базе операционной системы Solaris 2.5) полностью интегрирован с системой WDPF. Одна из серьезных проблем - управление специальными горелками и форсунками, распределяющими процесс горения по пространству значительного объема, с целью снижения содержания NOx. Однако при этом увеличивается содержание и несгоревшего угля, что приводит к снижению КПД парового котла.

Нейронные сети в регуляторе NeuCOP II моделируют данный процесс, предсказывая содержание NOx и изменяя распределение побочных потоков воздуха для компенсации падения КПД котла. Предварительные результаты моделирования показывают, что возможно снижение содержания NOx на 15 и более процентов при одновременном повышении КПД парового котла. "Мы остановились на NeuCOP II потому, что этот продукт представляет собой один из наиболее передовых и надежных нейросетевых регуляторов, а также благодаря возможности его использования в крупномасштабных системах", - говорит директор Trans-Tech Конрад Свирски (Konrad Swirski).

NeuCOP II может прогнозировать значения содержания NOx и автономно, определяя эти величины по контролируемым параметрам парового котла. "Подобные методы "мягкого мониторинга" были разрешены к применению U.S. EPA в качестве временной или постоянной замены дорогостоящего, требующего квалифицированного обслуживания регулирующего оборудования", - говорит г-н Климасаускас из NeuralWare.

На нефтеперегонном заводе Texas City компании Amoco задержки получения данных от технологических анализаторов превышают иногда 30 минут. Для решения этой влияющей на качество конечного продукта проблемы были использованы пакеты G2 Diagnostic Assistant и NeurOn-Line компании Gensym, которые в реальном масштабе времени осуществляли прогноз параметров перерабатываемой смеси из пяти нефтепродуктов. По данным Атосо, "в результате был достигнут более чем 95-процентный коэффициент использования оборудования, а также экономический эффект более 500 тысяч долларов в год в виде восстановленного продукта".

Многие производители средств заводской автоматизации и технологического контроля разрабатывают для своих управляющих систем внутренние ИИ-копоненты. В компании Fisher-Rosemount Systems (Ос-тин, Техас) данный подход преследует еще и дополнительную цель: сделать методы ИИ доступными для рядового пользователя путём их полной интеграции с общими средствами контроля. "Представления многих пользователей о том, что ИИ-системы слишком тяжелы в использовании и требуют специалистов для их внедрения, не имеют больше под собой никакой основы",- считает менеджер по продажам Дэвид Холмс (David Holmes). Технолог из Monsanto Co. (Сент-Луис, Монтана) Глен Мерц (Glen Mertz) пользуется в своей работе ПО нейронных сетей компании F-R Systems. "Это ПО работает почти интуитивно. С его помощью я могу построить модель на базе технологических данных менее чем за два часа",- замечает он.

Технологии ИИ находят все большее применение в таких областях, как управление движением и двигателями. Почти в 20-ти статьях, опубликованных во время Международной Конференции IEEE по Электрическим Машинам и Двигателям (18-21 мая, Милуоки, Висконсин), приводятся в качестве средств решения данной проблемы нечеткая логика, нейронные сети, генетические алгоритмы, а также их комбинации.

Над разнообразными методами ИИ стоят более сложные адаптивные системы, не поддающиеся определениям состояний. Здесь и далее они называются системами без организации (СБО) или "хаосными системами", хотя многие предпочитают название "комплексные системы" либо "системы с непредвиденным поведением" (emergent systems). "Поведение комплексных систем в разорганизованном режиме является неожиданным, а не заранее запланированным. Однако оно не случайно, а вполне детерминистично", - объясняет президент компании Flavors Technology Inc. (Манчестер, Нью-Гемпшир) Дик Морли (Dick Morley).

В СБО-системах общее поведение системы формируется из сочетания поведений отдельных её элементов, но не может возникнуть в этих элементах. В качестве примера можно привести роение пчел, а также охотничью тактику волчьей стаи. "На самом деле нейронные сети, нечеткие множества, логические утверждения и экспертные системы - это подмножества бихевиоральных сущностей, которые мы называем агентами", - говорит г-н Морли.

По его мнению, область применения СБО лежит в производящих и обрабатывающих отраслях промышленности. Цель их использования - значительное снижение затрат на разработку программного обеспечения для решения проблем чрезвычайно высокой степени сложности. Результаты обещают быть весьма существенными: по словам г-на Морли, расходы могут снизиться в 10-100 раз. Возможно ли все это? Поскольку в СБО основное внимание уделяется поведенческим, а не параметрическим аспектам объектов, то описанию для получения системного решения подлежат только различные (хотя и относительно немногочисленные) типы сущностей - но не поведение всей системы и отдельных сущностей. "На самом деле, всё это представляет собой подход "снизу вверх", начинающийся с объектов и позволяющий системе свободно развиваться".

По его мнению, для решения задач ближайшего будущего разработчики могут использовать классические методы регулирования, однако через какую-то пару лет "любой средний техник будет значительно больше разбираться в том, как использовать это мощное средство для решения таких задач, как MES (исполнительная производственная система), ERP (управление предприятием), MRP (планирование материальных ресурсов), а также планирование и диагностика с прогнозированием". Однако набор средств для управления на базе СБО пока еще довольно ограничен.

Чтобы использовать подобные методы, требуется радикально изменить образ мышления. "Эта технология кажется совершенно невероятной, как с точки зрения преимуществ, так и эффективности решений", - добавляет г-н Морли. Может быть, это преувеличение, но через какой-то десяток лет СБО могут стать главным инструментом разработчика средств управления и контроля.

Глядя в будущее, можно сказать, что комбинация методов ИИ может повысить мощь и устранить некоторые недостатки систем регулирования. Как говорит г-н фон Алтрок из Inform, "в будущем все эти технологии сольются воедино. Эта тенденция, окрещённая "маразмовым вычислением" (soft computing), вытекает из того факта, что каждая технология ИИ имеет свои сильные и слабые стороны. Продуманное сочетание этих методов может дать превосходные результаты".


Лекция 7.

^ КОРПОРАТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ.

План лекции:

1. Анализ современных корпоративных информационных систем.

2. Комплексы управленческих задач, которые позволяют автоматизировать корпоративные информационные системы.

3. Состав и характеристика основных элементов программного продукта.

4. Автоматизация основных управленческих функций: планирования, организация, учет, контроль, координация.


^ 1. Анализ современных корпоративных информационных систем.

В настоящее время почти все государственные и коммерческие компании независимо от рода их деятельности нуждаются в правильной организации работ, постановке планирования, эффективных технологиях поддержки управленческих решений, информационном обеспечении руководителей, оформлению документации по международным стандартам ISO 9000, SEI CMM и пр. Для совершенствования управления компаниями, поддержки реализации функций корпоративного менеджмента успешно применяются автоматизированные информационные системы. Благодаря их использованию, по мнению исследования института МакКинзи, российская отрасль информационно-технологических услуг имеет высокую производительность труда - порядка 70% от США. C внедрением таких средств осваиваются новые современные технологии управления, проводится оптимизация бизнес - процессов. Однако желательно, чтобы сложный бизнес-процесс управления организацией в целом декомпозировался на подпроцессы, которые мог бы делать любой минимально обученный сотрудник фирмы. Тогда устраняется хаос и начинает эффективно работать информационная система (ИС).




оставить комментарий
страница1/11
Дата27.04.2012
Размер2.22 Mb.
ТипДокументы, Образовательные материалы
Добавить документ в свой блог или на сайт

страницы:   1   2   3   4   5   6   7   8   9   10   11
отлично
  2
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Загрузка...
Документы

Рейтинг@Mail.ru
наверх