Информационные технологии в менеджменте

 

Лекция 4

 

Тема лекции:  «Управление знаниями и интеллектуальные технологии»

1. Системы управления знаниями.

2. Интеллектуальные информационные системы.

3. Экспертные системы.

1. СИСТЕМЫ УПРАВЛЕНИЯ ЗНАНИЯМИ.

 

Информационные ресурсы современного бизнеса все в большей степени используют электронные каналы доставки. Именно с вне­дрением интернет-технологий стало реальным говорить об активных системах «управления знаниями» (knowledge management), что является действенным фактором экономического и культурного развития.

В мировой практике управление знаниями используется для улучшения взаимодействия между подразделениями компании, сохранения знаний сотрудников, улучшения производственных показа­телей, расширения бизнеса и инноваций, улучшения качества услуг клиентам, более эффективного принятия решений. Поэтому для по­лучения реального эффекта цели управления знаниями должны соот­ветствовать стратегическим задачам компании.

Управление знаниями (knowledge management) включает в себя как внешние, так и внут­ренние компоненты. Многие вопросы формирования и использования в управлении организацией внутренних «концентраторов» знаний были обсуждены нами ранее в лекции 3 «Технологии формирования управленческих решений».

 

Внешние компоненты - это управление внешними потоками информации, обмен знаниями, обучение и формирование системы знаний в компании, и многое другое. Рассмотрим информаци­онные возможности для формирования такого рода систем, так как конкретизация наполнения системы, детализация требований к соот­ветствующим ресурсам и подписка на них во многом зависят от конкретной компании и ее партнеров по бизнесу.

 

Ти­повые примеры внешних компонентов управления знаниями: электронные средства распространения публика­ций, рейтинговое пространство бизнеса, возможности дистанцион­ного обучения с использованием Интернета.

1.1.               Электронные публикации и пресса.

1.1.

Одним из основных каналов распространения знаний является издательский бизнес. Он создает добавочную стоимость и является сферой деятельности для издателей, распространителей печатной продукции и библиотек во многих странах мира. Продукция изда­тельского дела - книги, газеты и периодические издания, которые в твердой копии продаются на десятки миллиардов долларов в год.

Естественно, что этот достаточно быстро развивающийся бизнес с появлением электронных средств доставки не мог не обратить вни­мание на возможности электронных изданий, которые уже сейчас конкурируют с изданиями на бумаге.

 

Издания электронных публикаций (Е-издания или E-publishing) включают в себя технологии и бизнес-модели, которые позволяют выпускать, сопровождать, хранить и распространять издания и доку­менты (книги, газеты, журналы и др.) в электронной форме или на компьютере. Е-издания создают новые возможности для издатель­ского дела, которые (при относительно небольших затратах) могут быть использованы не только крупными издательскими домами, но также малыми предприятиями и частными предпринимателями, в том числе в развивающихся странах.

Анализ возможностей электронных изданий показывает несо­мненные их преимущества по способам доставки и затратам. В настоящее время электронные и бумажные издания существуют парал­лельно. В то же время ряд изданий представлен только в электронной форме и направлен на интернет-аудиторию или распространяется на жестких носителях.

Продажа информации является вполне нормальным бизнесом и может осуществляться в различных формах: в виде Е-изданий, ин­формационно-поисковых систем, прав доступа к информационным ресурсам, тематическим подборкам и аналитическим материалам, заказным материалам в электронной форме. Имеются различные спо­собы ценообразования на электронные издания: от бесплатных до продажи целых изданий, отдельных статей или лицензионных прав на использование возможностей интернет-сайтов. Отдельно следует указать на распространение электронных изданий через CD, обнов­ляемые по Интернету версии информационно-поисковых систем (на­пример, в правовой сфере) и тематические базы данных. Естественно, из-за оперативности Е-изданий, а также возможности их сетевого использования для корпоративных клиентов они могут стать дороже бумажных. В силу открываемых Е-изданиями возможностей разви­тые страны прилагают усилия для распространения электронных из­даний и предоставления доступа к ним на льготных условиях.

Особое место занимает вопрос об авторских правах примени­тельно к Е-изданиям. Здесь действуют как международные, так и на­циональные законодательные акты. В то же время известны пробле­мы с применением закона об авторских правах, прежде всего в развивающихся странах. В отношении библиотек соблюдение авторского права тесно связано с реализацией библиотеками одного из базисных принципов функционирования гражданского общества - права гражданина на доступ к информации. В России также придают значение этому вопросу, пытаются изменить за счет создания законодательной базы укоренившуюся практику «интеллектуального пиратства».

Вопросы развития электронных публикаций имеют и государст­венный аспект: это стимулирование использования электронных тех­нологий делопроизводства и архивирования, формирования нацио­нальных хранилищ электронных изданий и стимулирование компьютерных методов обучения, в том числе на дистанционной основе.

1.2.               Электронные информационные ресурсы.

 

Действенным фактором бизнеса стали электронные газеты и журналы. Во-первых, элек­тронные версии изданий появляются ранее бумажных за счет спосо­бов доставки. Во-вторых, они допускают представление и в текстовом виде как набор файлов, содержащих отдельные статьи, и в сканированном виде, соответствующем по форме, содержанию и ди­зайну типографскому изданию. В-третьих, использование архивов для поиска информации в электронном виде существенно проще. Таким образом, если пресса не найдет новых форм существования, ны­нешняя схема изготовления и доставки тиража читателям может не выдержать конкуренции электронных медиа.

Сегодня основные федеральные издания имеют электронную ко­пию, многие региональные и отраслевые издания движутся в этом же направлении. Безусловно, создаются архивы изданий. Осуществляется подписка не только на твердые, но и на электронные копии. Форми­руются соответствующие технологии доставки. Помимо архивов, организуемых каждым издательством для своих газет и журналов, созданы библиотеки периодических изданий, предоставляющие свои услуги комплексно в соответствии с потребностями заказчика. Естественно, ряд изданий, которые не имеют электронных версий, прихо­дится сканировать и распознавать их тексты, но сегодня OCR-техно­логии не являются тайной за семью печатями, а потоковые методы обработки информации достаточно хорошо освоены.

ПРИМЕР.

 

Ориентированная на научные периодические из­дания eLIBRARY.RU - крупнейшая в России электронная библиотека научных публикаций, обладающая богатыми возможностями поиска и получения информации. Библиотека интегрирована с Российским индексом научного цитирования (РИНЦ) - созданным по заказу Минобрнауки РФ бесплатным общедоступным инструментом измерения и анализа публикационной активности ученых и организаций. eLIBRARY.RU и РИНЦ разработаны и поддерживаются компанией «Научная электронная библиотека» (рисунок 1).

Рисунок 1. Научная электронная библиотека.

 

Платформа eLIBRARY.RU была создана в 1999 году по инициативе Российского фонда фундаментальных исследований для обеспечения российским ученым электронного доступа к ведущим иностранным научным изданиям. С 2005 года eLIBRARY.RU начала работу с русскоязычными публикациями и ныне является ведущей электронной библиотекой научной периодики на русском языке в мире.

 

На сегодня подписчикам eLIBRARY.RU доступны полнотекстовые версии около 4000 иностранных и 3900 отечественных научных журналов, рефераты публикаций почти 20 тысяч журналов, а также описания полутора миллионов зарубежных и российских диссертаций. Общее число зарегистрированных институциональных пользователей (организаций) - более 2200. В системе зарегистрированы 1,1 миллиона индивидуальных пользователей из 125 стран мира. Ежегодно читатели получают из библиотеки более 7 миллионов полнотекстовых статей и просматривают более 22 миллионов аннотаций.

 

Свыше 2800 российских научных журналов размещены в бесплатном открытом доступе. Для доступа к остальным изданиям предлагается возможность подписаться или заказать отдельные публикации.

 

Не менее интенсивно развивается издание электронных книг. Ес­тественно, для этого существуют достаточно развитые средства под­готовки электронной верстки, преобразования изданий в форму, удобную для эксплуатации и распространения (практически стандартом стало распространение в формате PDF с использованием системы Acrobat Reader). В связи с тем, что издание электронных книг не требует больших мощностей, такие издания появляются оперативнее и могут выпускаться малыми коллективами. Вопрос использования электронных книг вполне актуален, и крупнейшие библиотеки мира занимаются этой проблемой. В России это Российская государствен­ная библиотека, Научная библиотека Московского государственного университета, Государственный университет - Высшая школа эко­номики и ряд других организаций.

Крайне важное значение для бизнеса играют информацион­но-поисковые системы, в том числе ориентированные на анализ рын­ка, отдельных бизнес-направлений, конкретных компаний. Такие системы, как правило, предоставляют свои услуги по подписке. Их основная задача - систематизация и структурирование информации о деятельности хозяйствующих субъектов выбранного профиля и на основе этого проведение комплексного анализа деятельности группы или конкретного хозяйствующего субъекта (в региональном, отрас­левом или товарном разрезе). Такие системы работают по запросам клиентов и имеют, как правило, интерактивный интерфейс для уточ­нения и детализации запросов. Следовательно, такие системы ориен­тированы на информационных аналитиков, достаточно хорошо зна­комых с предметом поисков и технологией поиска.

1.3.               Информационно-аналитические и справочно-поисковые сис­темы.

 

Они имеют большое значение для формирования единого ин­формационного пространства бизнеса. Интернет придал этому движению новый импульс благодаря существенно более простой схеме достав­ки продукта конечному потребителю.

ПРИМЕР.

 

Информационно-аналитическая система РОССИЙСКИЙ ИНДЕКС НАУЧНОГО ЦИТИРОВАНИЯ.  

 

Российский индекс научного цитирования (РИНЦ) - это национальная информационно-аналитическая система, аккумулирующая более 6 миллионов публикаций российских авторов, а также информацию о цитировании этих публикаций из более 4500 российских журналов (рисунок 2).  Она предназначена не только для оперативного обеспечения научных исследований актуальной справочно-библиографической информацией, но является также и мощным инструментом, позволяющим осуществлять оценку результативности и эффективности деятельности научно-исследовательских организаций, ученых, уровень научных журналов и т.д.

 

Рисунок 2. Российский индекс научного цитирования (РИНЦ).

 

Проект стартовал в 2005 году, когда Научная электронная библиотека стала победителем конкурса Министерства образования и науки России на создание национального индекса научного цитирования. Основной целью запуска проекта была необходимость создания объективной системы оценки и анализа публикационной активности и цитируемости отечественных исследователей, организаций и изданий. Решение о создании национального индекса научного цитирования было обусловлено тем фактом, что лишь одна десятая от всех публикаций российских ученых попадает в международные базы данных научного цитирования, такие как Web of Science или Scopus. Кроме того многие направления российской науки (например, общественно-гуманитарные, технические) там вообще практически не представлены.

 

 В основе системы лежит библиографическая реферативная база данных, в которой индексируются статьи в российских научных журналах. В последние годы в РИНЦ стали включаться также и другие типы научных публикаций: доклады на конференциях, монографии, учебные пособия, патенты, диссертации. База содержит сведения о выходных данных, авторах публикаций, местах их работы, ключевых словах и предметных областях, а также аннотации и пристатейные списки литературы (рисунок 3).

 

Рисунок 3. Библиографическая реферативная база данных РИНЦ.

 

Кроме того, из 4500 журналов, обрабатываемых в РИНЦ, более 3900 представлены в полнотекстовом виде на платформе eLIBRARY.RU, в том числе 2800 журналов - в открытом доступе, что позволяет в большинстве случае ознакомиться и с текстом оцениваемой публикации.

 

 РИНЦ позволяет на основе объективных данных оценивать результативность исследовательской работы и детально исследовать статистику публикационной активности более 600 тысяч российских ученых и 11 тысяч научных организаций, относящихся ко всем отраслям знаний. Хронологический охват системы - с 2005 года по настоящий день, по многим источникам глубина архивов больше. Ежегодно в РИНЦ добавляется более миллиона публикаций российских ученых.

 

Для всех российских журналов в РИНЦ рассчитывается как классический импакт-фактор, который широко используется во всем мире для оценки уровня научных журналов, так и более сложные библиометрические показатели, учитывающие целый ряд дополнительных факторов, влияющих на величину импакт-фактора, и позволяющие скорректировать это влияние. В частности, учитывается тематическое направление исследований, объем, состав и хронологическое распределение журналов в базе данных, самоцитирование и цитирование соавторами, возраст публикации, число соавторов, авторитетность ссылок (кто процитировал) и т.д. Аналогичные показатели рассчитываются и для научных организаций и отдельных ученых. Кроме того, списки публикаций и цитирований каждого автора, организации или журнала могут быть проанализированы путем построения распределений по тематике, году, журналу, в котором была опубликована работа, соавторам, организациям, в которых выполнялись работы, типу публикаций и т.д. (рисунок 4).  

Рисунок 4. Статистика публикационной активности РИНЦ.

 

 РИНЦ имеет соглашения с компаниями Thomson Reuters и Elsevier, позволяющие делать запросы непосредственно в базы данных Web of Science и Scopus и получать оттуда текущие значения показателей цитирования публикаций. Таким образом, в интерфейсе РИНЦ можно увидеть одновременно число цитирований публикации в РИНЦ, Web of Science и Scopus. Эта бесплатная возможность доступна для всех зарегистрированных в РИНЦ авторов.

 

 В 2010 году достигнута договоренность с крупнейшим международным издателем научной литературы компанией Elsevier об импорте сведений о публикациях российских авторов и ссылающихся на них работах из международного индекса цитирования Scopus с целью их совместного анализа при оценке публикационной активности и цитируемости российских ученых и научных организаций. Это позволило учесть не только публикации в российских журналах, индексируемых в РИНЦ, но и публикации российских ученых в зарубежных журналах.

 

 С 2011 года авторы научных публикаций получили возможность зарегистрироваться и самостоятельно проверять и уточнять списки своих публикаций и цитирований в РИНЦ, на основании которых проводятся наукометрические расчеты. С момента открытия регистрации уже более 260 тысяч авторов воспользовались этой возможностью, что составляет примерно 80% от общего количества публикующихся в настоящее время российских ученых. Каждый зарегистрированный ученый получает уникальный идентификатор (SPIN-код), позволяющий в дальнейшем однозначно идентифицировать его как автора научных публикаций.

 

 На базе РИНЦ создается информационно-аналитическая система SCIENCE INDEX. Эта система в первую очередь рассчитана на научные организации, которые получают целый набор инструментов для управления списком своих публикаций и его анализа, в том числе возможность добавления публикаций, отсутствующих в РИНЦ, причем не только статей в научных журналах, но и других видов научных публикаций. С момента запуска этой системы в конце 2012 года к этому сервису подключились уже более 670 российских научных организаций.

 

 В 2014 году Научная электронная библиотека eLIBRARY.RU заключила договор с компанией Thomson Reuters о размещении 1000 лучших российских научных журналов из РИНЦ на платформе Web of Science в виде отдельной базы данных Russian Science Citation Index. Этот проект позволит значительно улучшить видимость и цитируемость российских журналов в международном информационном пространстве и будет способствовать повышению их качества за счет приведения их к международным стандартам.

 

 Благодаря всем этим шагам РИНЦ на данный момент времени уже достаточно полно и объективно отражает публикационную активность большинства российских авторов и научных организаций. Немаловажным является также и то, что РИНЦ является некоммерческим проектом и находится в открытом доступе, что позволяет всем российским ученым без ограничений использовать этот мощный аналитический инструмент.

 

Опыт создания систем неструктурированной информации был накоплен в процессе разработки и эксплуатации правовых справочно-поисковых систем. Такие правовые системы, как  «Гарант», «КонсультантПлюс»  и ЮСИС и др., позволили отработать требования, механизмы организации и хранения больших информационных массивов, поисковые алгоритмы и другие возможности. Соответствующие разработки проводились и за рубежом.

 

ПРИМЕР.

 

КонсультантПлюс — компьютерная справочно-правовая система в России, разрабатывается компанией «КонсультантПлюс» и содержит свыше 79 миллионов документов по состоянию на октябрь 2015 года. Широко используется юристами, бухгалтерами, кадровыми специалистами, руководителями организаций, специалистами госорганов, учеными, студентами юридических и экономических вузов. Распространяется через сеть региональных информационных центров (РИЦ), состоящую из 300 центров, расположенных в крупных городах, и более 400 сервисных подразделений в небольших населенных пунктах.

 

Информационно-аналитические системы отрабатывались круп­ными информационными агентствами, такими, как «Рейтер», «Ин­терфакс», «Прайм»  и др. Новостные ленты, архивы, системы поиска развивались достаточно стремительно.

 

ПРИМЕР.

 

«Прайм» — российское информационное агентство, специализирующееся на теме экономики, выпускает новости и аналитические обзоры, занимается сбором баз данных и разработкой программного обеспечения для финансовых операций. Информацию агентства используют в своих публикациях «Коммерсантъ», «Эксперт», «Ведомости», «Российская газета», Банки.ру, «Газета.Ru», «РБК daily».

 

Интернет-возможности оказались вполне кстати, как способ доставки информации клиенту. Развитие поисковых механизмов в интернет-среде также способ­ствовало развитию функциональных возможностей информационно-аналитических систем. Кроме того, наличие конкурентной среды стимулирует создание новых продуктов и услуг, новых возможно­стей по анализу не только неструктурированной, но и структуриро­ванной информации.

Таким образом, появление информационно-аналитических сис­тем, работающих одновременно как со структурированной, так и с неструктурированной информацией, стало естественным развитием их функциональных возможностей. Такого рода системы могут быть выполнены под заказчика и как массовый рыночный продукт. В последнем случае они должны иметь развитые средства настройки под клиента, настраиваемую систему запросов, оперативно взаимодействовать с лентой текущих новостей, своевременно обновлять базу информационных данных для поддержания ее в актуальном состоянии.

В качестве примера рассмотрим три продукта, представляющихся наиболее интересными на рынке таких систем.

 

ПРИМЕР 1.

 

Разработанная группой «Интерфакс» Система профессионально­го анализа рынков и компаний (СПАРК) предназначена для построе­ния современной и эффективной системы комплексного информаци­онно-аналитического обслуживания российских и иностранных кли­ентов на основе фундаментального анализа и оперативной информации (рисунок 5).

 

Рисунок 5. СПАРК.

 

Система позволяет предоставлять информацию различ­ного уровня сложности,  как о развитии отдельных рынков, так и об экономических субъектах России (рисунок 6).

Рисунок 6. СПАРК. 

 

Система создана в тесном контакте с Росстатом, Федеральной комиссией по рынку ценных бумаг России и другими ключевыми министерствами и ведомствами. СПАРК обеспечивает широкие ана­литические возможности и опирается на отработанные методики, современные средства систематизации, хранения и представления информации на базе OLAP-технологий; позволяет оперативно прово­дить анализ данных, в том числе финансового состояния компаний различных юридических форм (рисунок 7).

 

Рисунок 7. СПАРК.

ПРИМЕР 2.

Агентство «Рейтер» (англ. Reuters) — одно из крупнейших в мире международных агентств новостей и финансовой информации, существует с середины XIX века. В 2008 году агентство «Рейтер» куплено корпорацией Thomson, которая после этого стала называться Thomson Reuters.  В качестве примера приведем продукт компании Thomson Reuters «DataStream» (рисунок 8).

 

Рисунок 8. Ресурс компании Thomson Reuters «DataStream».

 

ПРИМЕР 3.

 

Система «Банки и финансы» информационного агентства «Мобиле» ориентирована на аналитиков банков и финансовых компаний и предос­тавляет возможность получения актуальной информации по каждой из более 1300 кредитных организаций (рисунок 9).

 

Рисунок 9. Система «Банки и финансы» информационного агентства «Мобиле».

 

Система имеет Web-интерфейс, устанавливается на сервере заказчика и актуализируется через Интер­нет-среду. Основные возможности системы определяются наличием данных о ежемесячных финансовых результатах деятельности россий­ских банков за период, начиная с 1998 года. Система позволяет анализиро­вать финансовое состояние банков в разрезе регионов, формировать рейтинг динамической финансовой стабильности, анализировать ди­намику показателей и индексов, а также сравнивать характеристики, ликвидность, надежность и эффективность деятельности кредитных организаций. Заложенные в системе принципы могут быть адаптиро­ваны и для анализа других хозяйствующих субъектов.

Потребность в совершенствовании информационно-аналитических и справочно-поисковых систем определяется развитием хозяйствен­ных связей, ростом их взаимодействия и необходимостью обеспечить оперативный анализ бизнеса.

 

1.4.               Рейтинговое пространство бизнеса.

1.4.

Одним из преимуществ рыночной экономики является право вы­бора, для чего крайне полезно мнение независимого эксперта. Эту роль берут на себя рейтинговые агентства, выстраивая систему рейтингов экономических субъектов. Тем самым создается рейтинговое про­странство, структурированное по региональному и предметно-отрасле­вому признакам.

Российское рейтинговое пространство формируется системой оценок субъектов хозяйственной деятельности как отечественных, так и зарубежных информационных и рейтинговых агентств. Хотя их оценки далеко не всегда сопоставимы и представляют собой набор мнений, они в совокупности с собственными оценками могут быть использованы для принятия управленческих решений.

Получение рейтинговых заключений может осуществляться как на безвозмездной, так и на платной основе. В то же время целые группы потенциальных потребителей рейтинговых продуктов сего­дня практически лишены информации. Происходит это, с одной сто­роны, вследствие неразвитости самого рейтингового пространства, а с другой - в силу неинформированности пользователей или недос­тупности рейтинговых ресурсов. Кроме того, ряд рейтингов имеет слишком большие интервалы актуализации, что не всегда приемлемо в силу высокого уровня изменчивости условий хозяйственной дея­тельности. В то же время прогнозные модели пока еще используются недостаточно интенсивно.

В России под рейтингом экономических субъектов зачастую по­нимают ранжирование по лексикографическому признаку. В запад­ном понимании рейтинг означает отнесение субъекта к некоторым классу или категории.

 

Список субъектов, упорядоченных по величи­не какого-либо показателя деятельности, носит название рэнкинг.

Естественно, рейтинги во многом зависят от объектов рейтингования и потенциальных пользователей. Иерархия субъектов рейтингования приведена на рисунке 10. К потенциальным потребителям рей­тинговой информации относятся иностранные институционные инве­сторы (например, пенсионные и инвестиционные фонды), а также российские юридические лица и граждане.

Применяемые методы рейтингования условно можно разделить на дистанционные и инсайдерские, т.е. с исследованием деятельности субъекта изнутри.

Рисунок 10. Иерархия субъектов рейтингования.

Важную группу рейтингов составляют страновые рейтинги и рейтинги регионов. Портфельные инвесторы при принятии решений ориентируются на кредитные рейтинги стран. На разработке таких рейтингов специализируются международные агентства Moody's Investors Service, Standard & Poor's, Fitch IBCA. Близкими по целям исследования являются оценки конкурентоспособности стран мира, разрабатываемые группой экспертов Всемирного эко­номического форума (The World Economic Forum), а также ежегодные доклады Всемирного банка (The World Bank).

 

(Всемирный банк (The World Bank) — международная финансовая организация, созданная с целью организации финансовой и технической помощи развивающимся странам).  

 

Рейтинги инвестиционной привлекательности субъектов Россий­ской Федерации, отдельных городов и регионов, составляемые международными агентствами, претерпели изменения, и для этих целей используется специальная страновая шкала. На рейтингах и рэнкингах регионов специализируется также ряд российских агентств.

Доступность рейтингов обеспечивается за счет использования информационных ресурсов, в настоящее время - прежде всего ресур­сов сайтов международных и российских агентств.

1.5.               Банковские рейтинги.

 

На сегодняшний день наиболее развитым является сектор рейтинговых продуктов для банков. Это объясняется как большей регламентированностью, доступностью и относитель­ной прозрачностью отчетности кредитных учреждений, так и острым общественным интересом, порожденным возникшим вдруг разнооб­разием доступных банковских услуг. Основные рейтинговые продук­ты для банков представлены на рисунке 11.

Рисунок 11. Основные банковские рейтинговые продукты.

 

Списки (рэнкинги) представляют собой ранжирование банков по лексикографическому признаку. Часть списков составляется инфор­мационными агентствами на основе полученных полуофициальным путем балансовых показателей банков. Результаты публикуются без согласования с банком.

 

ПРИМЕРЫ.

 

Примерами таких рэнкингов служат публи­кации в журналах «Компания», «Профиль» и др.

«Компа́ния» — деловой еженедельник, является настольным изданием бизнесменов, управленцев всех рангов, специалистов самого широкого профиля. Журналисты в сотрудничестве с экспертами строят прогнозы и дают конкретные советы.

«Про́филь» — российский деловой и аналитический еженедельный журнал. Издаётся с 1996 года.

 

Особняком стоят списки, участие в которых для банка добро­вольно. Распространяются они по подписке, в специализированных изданиях и ориентированы на профессионалов.

 

ПРИМЕР.

 

Примером являются  исследования агентства «Мудис Ин­терфакс».  

 

Moody’s Interfax Rating Agency — российское рейтинговое агентство, присваивающее рейтинги по национальной шкале.  Moody’s Interfax Rating Agency оценивает по национальной рейтинговой шкале,  как общую кредитоспособность российских заемщиков, так и кредитное качество отдельных заимствований. При этом заемщики и заимствования оцениваются относительно других российских заемщиков и заимствований.

 

В 2008 году число присвоенных и опубликованных агентством рейтингов превысило 150. Помимо своей профильной деятельности, связанной с присвоением кредитных рейтингов, Moody’s Interfax Rating Agency публикует свои мнения о кредитоспособности эмитентов, занимающих ведущее место на национальном рынке, а также аналитические материалы и комментарии. Услугами Moody’s Interfax Rating Agency пользуются российские финансовые институты, предприятия нефинансового сектора, а также региональные и муниципальные администрации.

 

К ним же можно отнести публикуемый лондонским журна­лом «The Banker» список Тор-1000 крупнейших банков мира.

Многомерные списки и комплексные оценки являются переход­ным продуктом между рэнкингами и рейтингами.

 

Списки представляют собой многомерный рэнкинг, а комплексные оценки позволяют построить полноценный рейтинг. Примером последнего является рейтинг динамической финансовой стабильности, рассмотренный подробно ниже.

Собственно рейтинги представлены рейтингами международных рейтинговых агентств и рядом рейтинговых продуктов, созданных за последние годы. Традиционная рейтинговая процедура предусматривает проведение обследования и анализ внутренней банковской информации.

Суть методики по большей части является закрытой. Следует от­метить, что при снижении странового рейтинга автоматически сни­жаются и максимально возможные рейтинги банков, даже наиболее успешно развивающихся.

 

Рейтинг динамической финансовой стабильности. Отдельно можно выделить проект по созданию рейтинга динамической финан­совой стабильности банков (РДФС), представленный информацион­ным агентством «Мобиле». Этот рейтинг основан на комплексной оценке деятельности банков и формировании обобщенной оценки показателей банковской деятельности. Методической основой РДФС является анализ потоков денежных средств (собственных средств, привлеченных и размещенных средств, экономических результатов, как на отдельную отчетную да­ту, так и в динамике изменения основных показателей в течение года). Методика предусматривает приоритетность взаимодействия бан­ков с реальным сектором экономики. Теоретической основой рейтинга является сетевая модель пото­ков денежных средств (собственных, привлеченных, размещенных), представляющих наиболее важные стороны деятельности банка как преобразователя потоков денежных средств.

Анализ динамической финансовой стабильности банка проводит­ся в три этапа.

1. Определение внешних рейтингов, расчет и анализ динамического рейтинга банка по внешним показателям на все отчетные даты в течение года, т.е. расчет доли банка по каждому показателю в сум­ме его значений по всем банкам России и всем датам с приоритетом более свежим результатам.

2. Формирование внутренних рейтингов, расчет и анализ внут­ренних показателей, характеризующих финансовую стабильность (коэффициенты ликвидности, качество активов, качество пассивов, доля просроченной задолженности в кредитах и т.д.). Полученные значения оцениваются в баллах - также по месяцам в течение года, с последующим суммированием, взвешиванием и «забыванием».

3. Расчет интегрального РДФС, являющегося робастной сверткой совокупности внешних и внутренних показателей.

В последнее время большое внимание уделяется разработке эконометрических методов мониторинга устойчивости банков и разра­ботке соответствующих моделей рейтингов. Такие модели включают показатели деятельности банков, наиболее сильно влияющие на рейтинговые оценки агентств. В процессе исследования используются оценки по статистическим выборкам и экспертным опросам. В ре­зультате исследований могут быть сформированы модельные рей­тинги, позволяющие прогнозировать позицию основных рейтинго­вых агентств.

В отличие от банковских рейтингов, рейтинги других финансо­вых институтов, включая страховые компании, инвестиционные, паевые, пенсионные фонды, сегодня на рынке представлены сущест­венно в меньшей степени.

Системы рейтингов промышленных предприятий и тем более рейтингов отдельных видов продукции, очевидно, будут развиваться параллельно с насыщением товарных рынков, реструктуризацией и повышением конкурентоспособности отечественного производства.

 

2. ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ.

 

2.1.               Понятие «интеллектуальной» информационной технологии.

2.1.

Искусственный интеллект — одна из новейших наук, появившихся во второй половине XX 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.

 

Участники Российской ассоциации искусственного интеллекта дают следующие определения искусственного интеллекта:

1)   Научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными.

2)   Свойство интеллектуальных систем выполнять функции (творческие), которые традиционно считаются прерогативой человека. При этом интеллектуальная система — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс, позволяющий вести общение с ЭВМ без специальных программ для ввода данных.

3)   Наука под названием «Искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на её основе технологии к информационным технологиям. Задачей этой науки является воссоздание с помощью вычислительных систем и иных искусственных устройств разумных рассуждений и действий.

 

Одно из частных определений интеллекта, общее для человека и «машины», можно сформулировать так: «Интеллект — способность системы создавать в ходе самообучения программы (в первую очередь эвристические) для решения задач определённого класса сложности и решать эти задачи».

 

В компьютерных науках проблемы искусственного интеллекта рассматриваются с позиций проектирования экспертных систем и баз знаний. Под базами знаний понимается совокупность данных и правил вывода, допускающих логический вывод и осмысленную обработку информации. В целом исследования проблем искусственного интеллекта в компьютерных науках направлены на создание, развитие и эксплуатацию интеллектуальных информационных систем, а вопросы подготовки пользователей и разработчиков таких систем решаются специалистами информационных технологий.

 

Исследования в области искусственного интеллекта направлены на создание машин, обнаруживающих поведение, которое у людей называется интеллектуальным. Поскольку машины такого типа почти всегда являются вычислительными, направление «искусственный интеллект» относится к области вычислительной техники. Слово «интеллект» употребляется в различных смыслах, и хотя каждый из нас имеет достаточно определенное субъективное представление о том, что следует понимать под человеческим интеллектом, значительный интерес могут представить следующие определения, приведенные в словаре Вебстера:

•способность успешно реагировать на любую, особенно новую ситуацию путем надлежащих корректировок поведения;

•способность понимать взаимосвязи между фактами действительности для выработки действий, ведущих к достижению поставленной цели.

Эти определения в равной степени могут быть применены как к поведению машины, так и к поведению человека. Понятие интеллекта предполагает наличие многих целей, а также способность к обучению.

Искусственный интеллект — это программная система, имитирующая на компьютере мышление человека. Для создания такой системы необходимо изучить процесс мышления человека, решающего определенные задачи или принимающего решения в конкретной области, выделить основные шаги этого процесса и разработать программные средства, воспроизводящие их на компьютере. Следовательно, методы искусственного интеллекта предполагают простой структурный подход к разработке сложных программных систем принятия решений. Информатика и искусственный интеллект имеют тесные взаимосвязи с лингвистикой, психологией и логикой, которые изучают явления, относящиеся к познанию и построению умозаключений. С одной стороны, лингвисты, психологи, специалисты в области математической логики переводят в программы те новые модели, которые они разрабатывают, а с другой — исследователи в области искусственного интеллекта изучают эти модели и пытаются воссоздать на их основе логику эффективных методов решения задач.

Исследования, которые объединяются термином «искусственный интеллект», имеют специфический объект изучения и специфические методы.

 

2.2.               Биологическое моделирование искусственного интеллекта.

 

Отличается от понимания искусственного интеллекта по Джону Маккарти, когда исходят из положения о том, что искусственные системы не обязаны повторять в своей структуре и функционировании структуру и протекающие в ней процессы, присущие биологическим системам. Сторонники данного подхода считают, что феномены человеческого поведения, его способность к обучению и адаптации есть следствие именно биологической структуры и особенностей её функционирования. Сюда можно отнести несколько направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы — агента, взаимодействующей с внешней средой, называется агентным подходом.

 

2.3.               Суперкомпьютеры.

2.3.

Суперкомпьютер (с англ. Supercomputer), СверхЭВМ, СуперЭВМ, (сверхвычислитель) — специализированная вычислительная машина, значительно превосходящая по своим техническим параметрам и скорости вычислений большинство существующих в мире компьютеров.

Как правило, современные суперкомпьютеры представляют собой большое число высокопроизводительных серверных компьютеров, соединённых друг с другом локальной высокоскоростной магистралью для достижения максимальной производительности в рамках подхода распараллеливания вычислительной задачи. Определение понятия «суперкомпьютер» не раз было предметом многочисленных споров и обсуждений.

 

В общеупотребительный лексикон термин «суперкомпьютер» вошёл благодаря распространённости компьютерных систем Сеймура Крэя, таких как, CDC 6600, CDC 7600, Cray-1, Cray-2, Cray-3 (англ.) и Cray-4 (англ.). Сеймур Крэй разрабатывал вычислительные машины, которые по сути становились основными вычислительными средствами правительственных, промышленных и академических научно-технических проектов США с середины 60-х годов до 1996 года.

 

Одним из первых суперкомпьютеров считается Cray 1, созданный в 1974 году. С помощью поддержки векторных операций эта супер-ЭВМ достигала производительности в 180 миллионов операций в секунду над числами с плавающей точкой. На сегодняшний день суперкомпьютеры являются уникальными системами, создаваемыми «традиционными» игроками компьютерного рынка, такими как IBM, Hewlett-Packard, NEC и другими, которые приобрели множество ранних компаний, вместе с их опытом и технологиями. Компания Cray по-прежнему занимает достойное место в ряду производителей суперкомпьютерной техники.

 

В конце 90-х годов 20 века высокая стоимость специализированных суперкомпьютерных решений и нарастающая потребность разных слоёв общества в доступных вычислительных ресурсах привели к широкому распространению компьютерных кластеров. Эти системы характеризует использование отдельных узлов на основе дешёвых и широко доступных компьютерных комплектующих для серверов и персональных компьютеров и объединённых при помощи мощных коммуникационных систем и специализированных программно-аппаратных решений. Несмотря на кажущуюся простоту, кластеры довольно быстро заняли достаточно большой сегмент суперкомпьютерного рынка, обеспечивая высочайшую производительность при минимальной стоимости решений.

 

В настоящее время суперкомпьютерами принято называть компьютеры с огромной вычислительной мощностью («числодробилки» или «числогрызы»). Такие машины используются для работы с приложениями, требующими наиболее интенсивных вычислений (например, прогнозирование погодно-климатических условий, моделирование ядерных испытаний и т. п.).  Что в том числе отличает их от серверов и мэйнфреймов (англ. mainframe) — компьютеров с высокой общей производительностью, призванных решать типовые задачи (например, обслуживание больших баз данных или одновременная работа с множеством пользователей). Иногда суперкомпьютеры используются для работы с одним-единственным приложением, использующим всю память и все процессоры системы; в других случаях они обеспечивают выполнение большого числа разнообразных приложений.

 

Ниже приведён далеко не полный список областей применения суперкомпьютеров.

 

1) Математические проблемы:

- Криптография.

- Статистика.

2) Физика высоких энергий:

- процессы внутри атомного ядра, физика плазмы, анализ данных экспериментов, проведенных на ускорителях;

- разработка и совершенствование атомного и термоядерного оружия, управление ядерным арсеналом, моделирование ядерных испытаний;

- моделирование жизненного цикла ядерных топливных элементов, проекты ядерных и термоядерных реакторов.

3) Науки о Земле:

- прогноз погоды, состояния морей и океанов;

- предсказание климатических изменений и их последствий;

- исследование процессов, происходящих в земной коре, для предсказания землетрясений и извержений вулканов;

- анализ данных геологической разведки для поиска и оценки нефтяных и газовых месторождений, моделирование процесса выработки месторождений;

- моделирование растекания рек во время паводка, растекания нефти во время аварий.

4) Вычислительная биология:

- фолдинг белка;

- расшифровка ДНК

5) Вычислительная химия и медицина:

- изучение строения вещества и природы химической связи,  как в изолированных молекулах, так и в конденсированном состоянии;

- поиск и создание новых лекарств.

6) Физика:

- газодинамика: турбины электростанций, горение топлива, аэродинамические процессы для создания совершенных форм крыла, фюзеляжей самолетов, ракет, кузовов автомобилей;

- гидродинамика: течение жидкостей по трубам, по руслам рек;

- материаловедение: создание новых материалов с заданными свойствами, анализ распределения динамических нагрузок в конструкциях, моделирование крэш-тестов при конструировании автомобилей.

 

Производительность суперкомпьютеров чаще всего оценивается и выражается в количестве операций с плавающей точкой в секунду (FLOPS). Это связано с тем, что задачи численного моделирования, под которые и создаются суперкомпьютеры, чаще всего требуют вычислений, связанных с вещественными числами с высокой степенью точности, а не целыми числами. Поэтому для суперкомпьютеров неприменима мера быстродействия обычных компьютерных систем — количество миллионов операций в секунду (MIPS). При всей своей неоднозначности и приблизительности, оценка во флопсах позволяет легко сравнивать суперкомпьютерные системы друг с другом, опираясь на объективный критерий.

 

Первые суперкомпьютеры имели производительность порядка 1 кфлопс, т.е. 1000 операций с плавающей точкой в секунду. В США компьютер, имевший производительность в 1 миллион флопсов (1 Мфлопс) (CDC 6600), был создан в 1964 году.

 

Планка в 1 миллиард флопс (1 Гигафлопс) была преодолена суперкомпьютерами NEC SX-2 в 1983 году.

 

Граница в 1 триллион флопс (1 Тфлопс) была достигнута в 1996 году суперкомпьютером ASCI Red.

 

Рубеж 1 квадриллион флопс (1 Петафлопс) был взят в 2008 году суперкомпьютером IBM Roadrunner.

 

Exascale computing — термин, обозначающий гипотетические суперкомпьютеры с производительностью порядка одного эксафлопса (exaFLOPS), и инициативы XXI века по их созданию. Такая производительность в тысячу раз выше, чем у систем петафлопсного класса, появившихся в 2008 году.

 

Один эксафлопс равен тысяче петафлопс, миллиарду миллиардов (10^18) операций над числами с плавающей запятой в секунду (обычно учитываются операции над числами в 64-бином формате IEEE 754 double). Различные авторы прогнозировали в конце 2000-х годов возможное построение эксафлопсных систем не ранее чем в 2018—2020 годах.

 

Начиная с 1993, суперкомпьютеры ранжируют в списке Top500. Два раза в год составляется список пятисот самых мощных вычислительных установок мира (официальная страница Top500 находится в Интернете).  Список составляется на основе теста LINPACK по решению системы линейных алгебраических уравнений, являющейся общей задачей для численного моделирования.  

 

Локальная копия списка находится на сервере Лаборатории Параллельных информационных технологий  Научно-исследовательского вычислительного центра Московского государственного университета имени М.В.Ломоносова (НИВЦ МГУ).

 

По состоянию на июнь 2015 года первое место по этому списку (Top500)  занимает суперкомпьютер Тяньхэ-2 (Tianhe-2 (MilkyWay-2)), Китай.  Этот суперкомпьютер установлен в Computer Center in Guangzhou, China.  Например, количество ядер у данного суперкомпьютера — 3 миллиона 120 тысяч ядер;  теоретическая пиковая производительность ≈ 55 теоретических ПетаФлопс (54 902,4 Tflop/s).    

 

Современные суперкомпьютеры требуют мегаваттных затрат энергии. Также они занимают большую площадь. Наиболее производительный суперкомпьютер, Тяньхэ-2 достиг уровня в ≈ 33 ПФлопс (≈ 55 теоретических ПетаФлопс) при энергопотреблении в 24 МВт.

 

Построение эксафлопсных систем стало бы очередным достижением компьютерной инженерии. В 2014 году наблюдение за стагнацией суперкомпьютерной отрасли и рейтинга Top500 суперкомпьютеров мира привело некоторых журналистов к сомнениям в реализуемости эксафлопсных программ к 2020 году.

 

В декабре 2014 года разведывательное агентство США IARPA объявило о предоставлении многолетнего финансирования IBM, Raytheon BBN и Northrop Grumman по программе Cryogenic Computer Complexity (C3, Криогенные компьютерные структуры), которая предполагает развитие технологий построения суперкомпьютеров, использующих сверхпроводниковые логические элементы, с потенциальным выходом на уровень эксафлопса.

 

IARPA — это агентство, которое специализируется на высокорискованных инвестициях в потенциально высокодоходные исследования, результаты которых должны в будущем обеспечить решающее преимущество над потенциальным противником.

 

Контракт на осуществление программы С3 выиграли компании IBM, Raytheon-BBN и Northrop Grumman Corporation. В случае успешной реализации проекта C3 значительно снизятся требования к энергозатратам и площади, необходимой для суперкомпьютеров. На начальном этапе программы C3, планируется разработать компоненты для памяти и вычислительные блоки, спланировать архитектуру компьютера, а в последующем интегрировать их в работающую вычислительную систему и измерить производительность с помощью стандартных тестовых программ.

 

Суперкомпьютер будет создаваться в рамках многолетней программы «Криогенные компьютерные структуры». IARPA полагает, что использование сверхпроводимости повысит энергоэффективность компьютеров: они будут потреблять меньше энергии при большей производительности.

 

2.4.               Исследования в области искусственного интеллекта.

2.4.

Искусственный интеллект в настоящее время применяется во многих областях. В последние годы современные информационные технологии совершили резкий скачок вперед, в основном за счет повышения производительности массовых процессоров и удешевления памяти ЭВМ. Это привело к появлению приложений, в которых воплотились серьезные теоретические наработки по искусственному интеллекту.

Оказывается, существует целый ряд жизненно важных проблем, которые просто невозможно решать без использования суперкомпьютерных технологий.  Суперкомпьютеры используются во всех сферах, где для решения задачи применяется численное моделирование; там, где требуется огромный объём сложных вычислений, обработка большого количества данных в реальном времени, или решение задачи может быть найдено простым перебором множества значений множества исходных параметров.

 

Совершенствование методов численного моделирования происходило одновременно с совершенствованием вычислительных машин: чем сложнее были задачи, тем выше были требования к создаваемым машинам; чем быстрее были машины, тем сложнее были задачи, которые на них можно было решать. Поначалу суперкомпьютеры применялись почти исключительно для оборонных задач: расчёты по ядерному и термоядерному оружию, ядерным реакторам. Потом, по мере совершенствования математического аппарата численного моделирования, развития знаний в других сферах науки — суперкомпьютеры стали применяться и в «мирных» расчётах, создавая новые научные дисциплины, как то: численный прогноз погоды, вычислительная биология и медицина, вычислительная химия, вычислительная гидродинамика, вычислительная лингвистика и проч., — где достижения информатики сливались с достижениями прикладной науки.

 

Возьмем, к примеру, США, по территории которых два раза в год проходят разрушительные торнадо. Они сметают на своем пути города, поднимают в воздух автомобили и автобусы, выводят реки из берегов, заливая тем самым гигантские территории. Борьба с торнадо - существенная часть американского бюджета. Только штат Флорида, который находится недалеко от тех мест, где эти смерчи рождаются, за последние годы потратил более 50 миллиардов долларов на экстренные меры по спасению людей. Правительство не жалеет денег на внедрение технологий, которые позволили бы предсказывать появление торнадо и определять, куда он направится.

 

Как рассчитать торнадо? Очевидно, что для этого надо решить задачу о локальном изменении погоды, то есть задачу о движении масс воздуха и распределении тепла в неком регионе. Принципиально это несложно, однако на практике возникают две проблемы. Проблема первая: чтобы заметить появление смерча, надо проводить расчет на характерных для его образования размерах, то есть на расстояниях порядка двух километров. Вторая трудность связана с правильным заданием начальных и граничных условий. Дело в том, что температура на границах интересующего вас региона зависит от того, что делается в соседних регионах. Рассуждая дальше, легко убедиться, что мы не можем решить задачу о смерче, не имея данных о климате на всей Земле. Климат на планете рассчитать можно, что и делается каждый день во всех странах для составления среднесрочных прогнозов погоды. Однако имеющиеся ресурсы позволяют вести расчеты лишь с очень большим шагом - десятки и сотни километров. Ясно, что к предсказанию смерчей такой прогноз не имеет никакого отношения.

 

Необходимо совместить две, казалось бы, плохо совместимые задачи: глобальный расчет, где шаг очень большой, и локальный, где шаг очень маленький. Сделать это можно, но лишь собрав в кулаке действительно фантастические вычислительные ресурсы. Дополнительная трудность состоит еще и в том, что вычисления не должны продолжаться более 4 часов, так как за 5 часов картина погоды смазывается совершенно, и все, что вы считаете, уже не имеет никакого отношения к реальности. Нужно не только обработать гигантский объем данных, но и сделать это достаточно быстро. Такое под силу лишь суперкомпьютерам.

 

Предсказание погоды - далеко не единственный пример использования суперкомпьютеров. Сегодня без них не обойтись в сейсморазведке, нефте- и газодобывающей промышленности, автомобилестроении, проектировании электронных устройств, фармакологии, синтезе новых материалов и многих других отраслях.

 

Так, по данным компании Ford, для выполнения crash-тестов, при которых реальные автомобили разбиваются о бетонную стену с одновременным замером необходимых параметров, со съемкой и последующей обработкой результатов, ей понадобилось бы от 10 до 150 прототипов для каждой новой модели. При этом общие затраты составили бы от 4 до 60 миллионов долларов. Использование суперкомпьютеров позволило сократить число прототипов на одну треть.

 

Известной фирме DuPont суперкомпьютеры помогли синтезировать материал, заменяющий хлорофлюорокарбон. Нужно было найти материал, имеющий те же положительные качества: невоспламеняемость, стойкость к коррозии и низкую токсичность, но без вредного воздействия на озоновый слой Земли. За одну неделю были проведены необходимые расчеты на суперкомпьютере с общими затратами около 5 тысяч долларов. По оценкам специалистов DuPont, использование традиционных экспериментальных методов исследований потребовало бы 50 тысяч долларов и около трех месяцев работы - и это без учета времени, необходимого на синтез и очистку требуемого количества вещества.

 

А что же сейчас используют в мире? По каким направлениям идет развитие высокопроизводительной вычислительной техники? Таких направлений четыре.

 

1)   Векторно-конвейерные компьютеры.  

 

Две главные особенности таких машин: наличие конвейерных функциональных устройств и набора векторных команд. В отличие от обычных команд векторные оперируют целыми массивами независимых данных, то есть команда вида А=В+С может означать сложение двух массивов, а не двух чисел. Характерный представитель данного направления - семейство векторно-конвейерных компьютеров CRAY, куда входят, например, CRAY EL, CRAY J90, CRAY T90.

 

2)   Массивно-параллельные компьютеры с распределенной памятью.  

 

Идея построения компьютеров этого класса тривиальна: серийные микропроцессоры соединяются с помощью сетевого оборудования - вот и все. Достоинств у такой архитектуры масса: если нужна высокая производительность, то можно добавить процессоры, а если ограничены финансы или заранее известна требуемая вычислительная мощность, то легко подобрать оптимальную конфигурацию. К этому же классу можно отнести и простые сети компьютеров, которые сегодня все чаще рассматриваются как дешевая альтернатива крайне дорогим суперкомпьютерам. (Правда, написать эффективную параллельную программу для таких сетей довольно сложно, а в некоторых случаях просто невозможно). К массивно-параллельным можно отнести компьютеры Intel Paragon, ASCI RED, IBM SP1, Parsytec, в какой-то степени IBM SP2 и CRAY T3D/T3E.

 

3)   Параллельные компьютеры с общей памятью.  

 

Вся оперативная память в таких компьютерах разделяется несколькими одинаковыми процессорами, обращающимися к общей дисковой памяти. Проблем с обменом данными между процессорами и синхронизацией их работы практически не возникает. Вместе с тем главный недостаток такой архитектуры состоит в том, что по чисто техническим причинам число процессоров, имеющих доступ к общей памяти, нельзя сделать большим. В данное направление суперкомпьютеров входят многие современные SMP-компьютеры (Symmetric Multi Processing), например сервер НР9000 N-class или Sun Ultra Enterprise 5000.

 

4)   Кластерные компьютеры.

 

Этот класс суперкомпьютеров, строго говоря, нельзя назвать самостоятельным, скорее, он представляет собой комбинации предыдущих трех. Из нескольких процессоров, традиционных или векторно-конвейерных, и общей для них памяти формируется вычислительный узел. Если мощности одного узла недостаточно, создается кластер из нескольких узлов, объединенных высокоскоростными каналами. По такому принципу построены CRAY SV1, HP Exemplar, Sun StarFire, NEC SX-5, модели IBM SP2 и другие.

 

Искусственный интеллект вместе с нейрофизиологией, эпистемологией и когнитивной психологией образует более общую науку, называемую когнитология. Важную роль в искусственном интеллекте играет философия. Также с проблемами искусственного интеллекта тесно связана эпистемология — наука о знании в рамках философии. Философы, занимающиеся данной проблематикой, решают вопросы, схожие с теми, которые решаются инженерами ИИ о том, как лучше представлять и использовать знания и информацию.

 

3. ЭКСПЕРТНЫЕ СИСТЕМЫ.

 

3.1. Построение и использование экспертных систем управления.

Наибольший интерес в развитии информационного обеспечения автоматизированных информационных технологий управления экономической деятельностью представляют применения в области искусственного интеллекта. Одной из форм реализации достижений в этой области является создание экспертных систем - специальных компьютерных систем, базирующихся на системном аккумулировании, обобщении, анализе и оценке знаний высококвалифицированных специалистов (экспертов).

 

Экспертная система — это прикладная диалоговая система искусственного интеллекта, способная получать, накапливать, корректировать знания из некоторой предметной области (представляемые в основном специалистами-экспертами), выводить новые знания, находить на основе этих знаний решения практических задач, близкие по качеству к решениям экспертов, и по запросу пользователя объяснять ход решения в понятной для него форме.

Экспертная система (ЭС, англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах 20 века, а в 1980-х 20 века получили коммерческое подкрепление.

 

В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

 

В отличие от традиционных программ, предназначенных для решения математически строго определенных задач поточным разрешающим алгоритмам, с помощью экспертных систем решаются задачи, относящиеся к классу неформализованных или слабо формализованных, слабо структурированных задач.  Идея построения экспертных систем сформировалась в ходе исследований в области искусственного интеллекта.

 

Экспертные системы распадаются на два больших класса с точки зрения задач, которые они решают.

 

Системы первого класса предназначаются для повышения культуры работы и уровня знаний специалистов в различных областях деятельности (врачей, геологов, инженеров и т. п.).

 

Системы второго класса можно назвать консультирующими, или диагностирующими. Для оказания помощи человеку в решении указанных задач разрабатываются комплексы программ персональных компьютеров, называемые интеллектуальными системами, основанными на знаниях. Эти разработки относятся к области приложений исследований по искусственному интеллекту.

 

ПРИМЕР.

 

IBM Watson — суперкомпьютер фирмы IBM, способный понимать вопросы, сформулированные на естественном языке, и находить на них ответы в базе данных.

 

Классификация ЭС по связи с реальным временем.

1)   Статические ЭС — это ЭС, решающие задачи в условиях не изменяющихся во времени исходных данных и знаний.

2)   Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

3)   Динамические ЭС — это ЭС, решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

 

3.2. Основные задачи экспертных систем.

Задачи экспертных систем, которые, по сути, представляют собой комбинацию машинного и человеческого знания, - сохранять и пополнять опыт специалистов, работающих в плохо формализуемых областях, таких, как медицина, биология, история и т. п. Экспертные системы должны сыграть роль высококвалифицированных помощников, способных дать полезный совет, сообщить необходимые сведения человеку, находящемуся в затруднительном положении. Им может оказаться молодой, имеющий недостаточный опыт врач, перед которым возникла необходимость провести сложную и нетривиальную операцию. Им может быть археолог, столкнувшийся впервые с малоизвестной культурой, или биолог, которому срочно понадобились знания на уровне профессионального нейрофизиолога, или любой другой исследователь и специалист.

Экспертная система хранит массу сведений, полученных из самых различных источников (книг, журнальных публикаций, устных сообщений специалистов и т. п.). Она может использовать эти сведения для консультации и при, необходимости объяснить специалисту, как она пришла к сообщаемым ему выводам.

В настоящее время, применяя компьютерные технологии, стало возможным использовать системы поддержки в управлении по трем направлениям:

•поддержка принятия управленческих решений;

•проведение сравнительного анализа вариантов решений (различных прогнозов, стратегий развития и т. д.);

•поддержка выбора управленческого решения.

 

Такого рода системы базируются на методах многокритериального анализа и экспертных оценок.

3.3. Построение экспертных систем.

Одним из самых сложных процессов при создании экспертных систем является построении базы знаний. Эта сложность,  в основном,  связана с необходимостью структурирования знаний,  а возможность той или иной степени структурирования существенно зависит от изучаемой проблемы.

 

База знаний — это совокупность моделей, правил и факторов (данных), порождающих анализ и выводы для нахождения решений сложных задач в некоторой предметной области. Выделенные и организованные в виде отдельных, целостных структур информационного обеспечения знания о предметной области становятся явными и отделяются от других типов знаний (например, общих знаний). Базы знаний позволяют вести рассуждения не только и не столько на основе формальной (математической) логики, но и на основе опыта, фактов, эвристик, т. е. базы знаний приближены к человеческой логике.

Эксперт, знания которого вводятся в систему, может не быть знакомым с деталями программы и вычислительной машиной, на которой реализована экспертная система. Поэтому появляется необходимость привлечения инженера по знаниям, который знает одновременно и область возможного применения экспертной системы и структуру указанной программы. Именно этот специалист поможет подобрать оптимальный вариант структурирования вводимых знаний в соответствии с возможностями системы.

Создание экспертной системы не может вестись по обычной схеме «заказчик—исполнитель», т. е. когда в соответствии с техническим заданием разработки исполнитель сдает заказчику готовую для эксплуатации систему. Это невозможно потому, что знаниями, которыми должна быть заполнена конкретная экспертная система,  располагает заказчик, а не разработчик. Исполнитель (разработчик) с помощью специальных инструментальных средств создает пустую экспертную систему, или метасистему, ориентированную на один из классов экспертных систем. Заполнение знаниями пустой системы осуществляется непосредственно у заказчика специалистами (инженерами по знаниям), входящими либо в организацию заказчика, либо в организацию разработчика. Эти специалисты должны, с одной стороны, быть компетентны в теории экспертных систем, а с другой - знать предметную область и уметь работать с экспертами, чтобы превращать их знания в формализмы данной экспертной системы, т. е. в специальные конструкции, понятные ЭВМ.

База знаний является основой экспертной системы, она накапливается в процессе ее построения. В экспертной системе используется база знаний, в которой представляются знания о конкретной предметной области.

База знаний ЭС создается при помощи трех групп людей:

1)   эксперты той проблемной области, к которой относятся задачи, решаемые ЭС;

2)   инженеры по знаниям, являющиеся специалистами по разработке ИИС;

3)   программисты, осуществляющие реализацию ЭС.

 

Разработки в области искусственного интеллекта имеют целью использование большого объема высококачественных специальных знаний о некоторой узкой предметной области для решения сложных, неординарных задач. Развитие концепции баз знаний связано с исследованиями и достижениями в области систем искусственного интеллекта. Области применения баз знаний и систем на их основе расширяются.

 

Методы распознавания образов (включая, как более сложные и специализированные, так и нейронные сети) широко используют при оптическом и акустическом распознавании (в том числе текста и речи), медицинской диагностике, спам-фильтрах, в системах ПВО (определение целей), а также для обеспечения ряда других задач национальной безопасности. Стандартными задачами ИИ в играх являются нахождение пути в двумерном или трёхмерном пространстве, имитация поведения боевой единицы, расчёт верной экономической стратегии и т.д. Банки применяют системы искусственного интеллекта (СИИ) в страховой деятельности (актуарная математика), при игре на бирже и управлении собственностью.

 

СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ.

 

[1] Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. – СПб.: БХВ-Петербург, 2004. - 336 с.

 

[2] Информационные системы и технологии в экономике и  управлении: Учебник / Под ред. проф. В.В. Трофимова. — М.: Высшее  образование, 2006.-480 с.

[3] Информационные технологии управления: Учебное пособие / Под ред. Ю.М. Черкасова. - М.: ИНФРА-М, 2001. (Серия «Высшее образование»). - 216 с. 

 

[4] Карминский A.M., Черников Б.В. Информационные системы в экономике: В 2-х ч. Ч. 1. Методоло­гия создания: Учеб. пособие. - М.: Финансы и статистика, 2006. - 336 с: ил.

    

[5] Суперкомпьютерные технологии в науке, образовании и промышленности / Под редакцией: академика В.А. Садовничего, академика Г.И. Савина, чл.-корр. РАН Вл.В. Воеводина.- М.: Издательство Московского университета, 2009.-232 с., ил.

ISBN 978-5-211-05719-7.