Каталог Рефератов - Интелектуальные системы и технологии в экономике

	Информационно-образоательный портал
	Рефераты, курсовые, дипломы, научные работы,



МЕНЮ\|

поиск

Интелектуальные системы и технологии в экономике

раткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эмуляцию первичных рассуждений управляющих риском, полезных для выводов и их объяснений.

8. Узко ориентированная система поддержки принятия решения для выбора стратегий инвестиций. Предприятие-разработчик: Intelligent System Laboratory Science Univercity of Tokyo. Решаемые задачи: С приходом в набор финансовых инструментов понятий “выбор” и “будущее”, у инвесторов появилась возможность формировать набор стратегий, отвечающих целям их инвестиций. Однако, эта возможность порождает трудную задачу нахождения необходимой стратегии среди большого числа стратегий инвестиций. Представлена интеллектуальная система поддержки принятия решения для генерации необходимых стратегий инвестирования с использованием нотации ограниченной удовлетворительности, которая широко применяется в задачах поиска. В данной системе ограничения играют роль навигации для автоматического порождения сложных стратегий через абстрактное сравнение с профилем вкладчиков. Абстрактное сравнение может рассматриваться как поиск метода для производства качественно обоснованных стратегий, описывающих набор предложений для покупки или продажи без цифровой информации. Т.к. такая техника может быть использована как предпроцессор для количественного анализа типа линейного программирования для получения оптимального решения, предлагаемая система является мостом для плавного перехода между качественным и количественным анализами.

Краткие характеристики: применение качественного анализа для получения возможных качественных решений (интуитивные решения) и количественного анализа для нахождения оптимального решения с помощью симплексного метода линейного программирования.

9. Явные рассуждения в прогнозировании обмена валют. Предприятие-разработчик: Department of Computer Science City Polytechnic of Hong Kong. Решаемые задачи: Представляет новый подход в прогнозировании обмена валют, основанный на аккумуляции и рассуждениях с поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков - это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования.

Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера-Шафера.

10. Nereid: Система поддержки принятия решений для оптимизации работы с валютными опционами. Предприятие-разработчик: NTT Data, The Tokai Bank, Science Univercity of Tokyo.

Решаемые задачи: система облегчает дилерскую поддержку для оптимального ответа из возможных представленных вариантов. Система более практична и дает лучшие решения, чем обычные системы принятия решений.
Краткие характеристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sun-станциях.
5.2 ЭС, основанные на примерах
ЭС, основанные на примерах, можно по принципам работы можно разделить на две группы: использующие нейронные сети и использующие алгоритм индуктивного обобщения ID3. Первые в основном используются как предварительно обученный на примерах классификатор, у которого при подаче на его вход набора значений исходных финансовых параметров на выходе появляется искомое решение по данной финансовой ситуации. Вторые по наборам примеров формируют дерево решений, из которого затем строятся соответствующие для принятия решений правила. Ниже мы приведем 2 типичных примера ЭС обоих групп.
1. S&PCBRS: Нейронный симулятор для оценки рейтинга ценных бумаг. Предприятие-разработчик: Chase Manatten Bank, Standart & Poor's Corp. Решаемые задачи: оценка рейтинга ценных бумаг по данным о фирмах эмитентах, формирование корректной рейтинговой шкалы.
Краткие характеристики: представление задачи оценки рейтинга как задачи классификации, отбор данных о фирмах эмитентах и формирование обучающего материала, выбор нейроклассификатора, его обучение и тестирование, сравнение с оценками экспертов, использование нейросетевой парадигмы Couter-Propagation, вероятность правильного предсказания рейтинга 84%.
2. ISPMS: Интеллектуальная система управления портфелем ценных бумаг. Решаемые задачи: формирование портфеля акций, обеспечивающего баланс между риском и предполагаемым доходом.
Краткие характеристики: использование оптимизационной модели квадратичного программирования Марковица, баз данных и баз знаний по фирмам-эмитентам и отраслям, наличие подсистемы обучения на прошлом опыте, основанной на извлечении правил из большого количества фактов, учет знаний эксперта и личных предпочтений инвестора в оптимизационной модели. Вероятность правильного предсказания резкого изменения на фондовой бирже в пределах 68% - 84%.
5.3 Реинфиниринг бизнеса
Перестройка работы предприятий в сфере процессов, связанных с проектированием и подготовкой производства новых изделий, называемая реинжинирингом и предпринимаемая в целях резкого повышения эффективности функционирования предприятий в современных условиях, базируется на организационных изменениях и использовании новых информационных технологий.
При анализе существующего и разработке нового бизнеса важную роль играет построение моделей компании и протекающих в ней бизнес-процессов. Модели могут различаться степенью детализации процессов, формой их представления, учетом только статических или также динамических факторов и др. Следует отметить, что все известные подходы к моделированию бизнеса принадлежат к семейству методов моделирования сложных информационных систем.
К традиционным средствам построения моделей сложных систем относится методология SADT (Structured Analysis Design Technique). Она была создана в начале 70-х годов с целью унифицировать подходы к описанию сложных систем. SADT включает как концептуальный подход к построению моделей систем, так и набор правил и графических обозначений для их описания. Предлагаемые методы построения функциональных моделей, где описание систем осуществляется с точки зрения выполняемых ими функций, получили название методологии IDEF0. Существуют также специальные методологии для построения информационных моделей, описывающих потоки информации (IDEFIX) и динамических моделей, отображающих причинно-следственные связи между объектами системы (IDEF/CPN).
К более современным средствам моделирования, появившимся в середине 90-х годов, относится методология RUP (Rational Unified Process). Эта методология, разработанная компанией Rational Software Corp., под-
держивает итеративный процесс создания сложной информационной системы на основе объектно-ориентированного подхода, с использованием диаграмм UML (Unified Modeling Language) для визуального моделирования предметной области. Нотация диаграмм UML и методы использования UML при реинжиниринге бизнес-процессов проектирования и подготовки производства будут рассмотрены в последующих разделах данного пособия.
Наряду с UML, для визуального моделирования существуют и другие нотации, реализованные, например, в системах ARIS и ADONIS. Система ADONIS позволяет выполнять не только визуальное, но и имитационное моделирование бизнес-процессов, ее возможности также рассматриваются ниже.
Информационные системы поддержки новых бизнес-процессов.
Выше отмечалось, что использование новых информационных технологий является неотъемлемой частью реинжиниринга. При этом модели новых бизнес-процессов непосредственно реализуются в среде информационной системы поддержки (ИСП) нового бизнеса. Важность ИСП состоит не только в том, что она является необходимым элементом реинжиниринга, а еще и в том, что зачастую применение ИСП во многом определяет технологию ведения нового бизнеса. ИСП представляет собой специально разрабатываемое программное обеспечение - программную систему, которая строится на основе применения соответствующих инструментальных средств.
В сфере проектирования новых изделий роль ИСП играют конструкторские системы автоматизированного проектирования (САПР-К). В сфере технологической подготовки производства роль ИСП играют автоматизированные системы технологической подготовки производства (АСТПП).
К инструментальным средствам создания САПР-К и АСТПП относятся CAD/CAM, CAE и PDM-системы. При этом CAD/CAM и САЕ-системы становятся средствами для автоматизации выполнения проектных процедур, а PDM-система - средством для управления процессами проектирования и подготовки производства. Одновременно PDM-система является базовым средством, с помощью которого реализуется единое информационное пространство для всех этапов жизненного цикла изделия (ЖЦИ).
Наиболее мощные и полнофункциональные комплексы CAD/CAM/CAE/PDM получили название PLM-решений (Product Data Management -управление данными об изделии).
6. Стратегия получения знаний. Практические методы извлечения знаний
6.1 Стратегия получения знаний
Выделяют три стратегии получения знаний - приобретение знаний, извлечение знаний и обнаружение знаний в базах данных:
Под приобретением (acquisition) знаний понимают способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной программы.

Извлечением (elicitation) знаний называют процедуру взаимодействия инженера по знаниям с источником знаний (экспертом, специальной литературой и др.) без использований вычислительной техники.

Термином “обнаружение знаний в базах данных” (knowledge discovery in databases - KDD) сегодня обозначают процесс получения из “сырых” данных новой, потенциально полезной информации о предметной области. Этот процесс включает несколько этапов (рис. 6.1). Сюда относится накопление сырых данных, отбор, подготовка, преобразование данных, поиск закономерностей в данных, оценка, обобщение и структурирование найденных закономерностей.

Рис. 6.1. Процесс обнаружения знаний в БД

Стратегия KDD все более выдвигается на первую роль. Это во многом обусловлено быстрым развитием разнообразных хранилищ данных (data warehouse) - собраний данных, отличающихся предметной ориентированностью, интегрированностью, поддержкой хронологии, неизменяемостью, и предназначенных для последующей аналитической обработки.
Специфика современных требований к обработке данных с целью обнаружения знаний следующая:
· Данные имеют неограниченный объем
· Данные являются разнородными (количественными, качественными, категориальными)
· Результаты должны быть конкретны и понятны
· Инструменты для обработки “сырых” данных должны быть просты в использовании

6.2 Практические методы извлечения данных
Классификация методов извлечения знаний (рис. 6.2) позволит инженерам по знаниям, в зависимости от конкретной задачи и ситуации, выбрать конкретный метод. Из предложенной схемы классификации видно, что основной принцип деления связан с источником знаний. Коммуникативные методы охватывают все виды контактов с живым источником знаний - экспертом, а текстологические касаются методов извлечения знаний из документов (методик, пособий, руководств) и специальной литературы (статей, монографий, учебников).

Разделение этих групп методов на верхнем уровне классификации не означает их антагонистичности, обычно инженер по знаниям комбинирует различные методы, например, сначала изучает литературу, затем беседует с экспертами, или наоборот.

Рис. 6.2. Классификация методов извлечения знаний.

В свою очередь, коммуникативные методы можно также разделить на две группы: активные и пассивные. Пассивные методы подразумевают, что ведущая роль в процедуре извлечения знаний как бы передается эксперту, а инженер по знаниям только протоколирует рассуждения эксперта во время его реальной работы по принятию решений или записывает то, что эксперт считает нужным самостоятельно рассказать в форме лекции. В активных методах, напротив, инициатива полностью в руках инженера по знаниям, который активно контактирует с экспертом различными способами - в играх, диалогах, беседах за "круглым столом" и т.д.
Пассивные методы на первый взгляд достаточно просты, но на самом деле требуют oт инженера по знаниям умения четко анализировать "поток сознания" эксперта и выявлять в нем значимые фрагменты знаний. Отсутствие обратной связи (пассивность инженера по знаниям) значительно ослабляет эффективность этих методов, чем и объясняется их обычно вспомогательная роль при активных методах.
Активные методы можно разделить на две группы в зависимости от числа экспертов, отдающих свои знания. Если их число больше одного, то целесообразно помимо серии индивидуальных контактов с каждым применять и методы групповых обсуждений предметной области. Такие групповые методы обычно активизируют мышление участников дискуссий и позволяют выявлять весьма нетривиальные аспекты их знаний. В свою очередь, индивидуальные методы на сегодняшний день остаются ведущими, поскольку столь деликатная процедура, как "отъем знаний", не терпит лишних свидетелей.
Отдельно следует сказать об играх. Игровые методы сейчас широко используются и социологии, экономике, менеджменте, педагогике для подготовки руководителей, учителей, врачей и других специалистов. Игра - это особая форма деятельности и творчества, где человек раскрепощается и чувствует себя намного свободнее, чем в обычной трудовой деятельности.
Заключение
В ходе выполнения работы были сделаны следующие выводы:

Экспертная система - это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач.

К экспертным системам предъявляются следующие требования: использование знаний, связанных с конкретной предметной областью; приобретение знаний от эксперта; определение реальной и достаточно сложной задачи; наделение системы способностями эксперта.

Структура экспертной системы представлена следующими структурными элементами: база знаний, механизм логических выводов, пользовательский интерфейс, модуль приобретения знаний, модуль советов и объяснений.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение, экономика и финансы.

Множество предприятий устанавливают ЭС для решения задач в таких областях как: торги на фондовой бирже, автоматическое понимание новостей, кредитный анализ, управление рисками, построение портфелей кредитов и инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке и т.д. Были рассмотрены наиболее распространенные экспертные системы в области финансов.

1. http://www.park.glossary.ru/serios/read_05.php

2. http://ai.obrazec.ru/defin.html

3. http://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%B5%D0%B4%D1%81%D1%82%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B7%D0%BD%D0%B0%D0%BD%D0%B8%D0%B9

4. http://revolution.allbest.ru/programming/00029613_0.html

5. http://help-inform.ru/Klassif_ekspertnih_system.htm

6. http://window.edu.ru/window_catalog/pdf2txt?p_id=28644

7. http://www.mosdiplom.ru/download_file.php?download_propertys_items_id=1289

8. http://www.inftech.webservis.ru/it/database/datamining/ar4.html

9. http://old.ulstu.ru/people/SOSNIN/umk/Knowledge_Engineering/gl_17_2.htm#klass_metod

Страницы: 1, 2, 3, 4, 5

© 2003-2013
Рефераты бесплатно, курсовые, рефераты биология, большая бибилиотека рефератов, дипломы, научные работы, рефераты право, рефераты, рефераты скачать, рефераты литература, курсовые работы, реферат, доклады, рефераты медицина, рефераты на тему, сочинения, реферат бесплатно, рефераты авиация, рефераты психология, рефераты математика, рефераты кулинария, рефераты логистика, рефераты анатомия, рефераты маркетинг, рефераты релиния, рефераты социология, рефераты менеджемент.