Вернуться к обычному виду



АНО "Национальное агентство стратегических инноваций" National Agency for Strategic Innovations NGO

  
  • Архив

    «   Декабрь 2019   »
    Пн Вт Ср Чт Пт Сб Вс
                1
    2 3 4 5 6 7 8
    9 10 11 12 13 14 15
    16 17 18 19 20 21 22
    23 24 25 26 27 28 29
    30 31          
Национальное агентство стратегических инноваций

АНО "Национальное агентство стратегических инноваций" National Agency for Strategic Innovations NGO

Автор: Национальное агентство стратегических инноваций

Основные направления деятельности:
исследования и разработки (R&D), организация и управление, стратегическое планирование, финансовое планирование, инвестиционное проектирование, инновационная деятельность, интеллектуальные информационные технологии, региональное развитие, консалтинг, обучение
e-mail: futurerussia@ya.ru


Срочно: 14-15 февраля. Пятая ежегодная конференция для мощного развития бизнеса. Игорь Манн, Александр Левитас, Сергей Азимов, Александр Фридман и другие звезды в вашем городе. Проходит вживую в г. Москва+ онлайн-трансляция в регионы.

14-15 февраля наши партнеры, компания B2B basis, проводит V всероссийскую конференцию для руководителей малого и среднего бизнеса. Для тех, кто не может присутствовать лично организована online трансляция, которую можно посмотреть в любом офисе или дома через Интернет.

Концепция конференции уникальна, Вы можете посетить 1 день или 2 на выбор. Первый день конференции, 14 февраля, посвящен маркетингу и продажам. Второй - личной эффективности руководителей, менеджменту и управлению. Своими самыми новыми наработками в продажах и управлении с Вами поделятся лучшие эксперты РФ и СНГ:
• Как стать №1 в том, что ты делаешь? Игорь Манн;
• Не тоже же самое про партизанский маркетинг, Александр Левитас;
• Продажи и переговоры, Сергей Азимов;
• Лидогенерация: как увеличить поток обращений, Максим Горбачев;
• Fast Management: Управленческие кубики, Федор Нестеров;
• Управляй или подчиняйся, Александр Фридман;
• Совершенная система найма персонала, Андрей Веселов;
и другие профессионалы (всего 18 экспертов).
Мест осталось совсем мало. Регистрация

Techniques and methods for “smart” processing of information flows in applications of information and telecommunication technologies

Techniques and methods for “smart” processing of information flows in applications of information and telecommunication technologies
The use of expert systems for data mining

Anatoly Lezhenko, Sergey Kuznetsov, Ilya  Kuznetsov


Abstract— This research paper focuses on the use of “smart” information processing methods, such as factor analysis and expert systems construction, in applications of information and telecommunication technologies. Results of research by this technique can be used to support management decisions about the directions of further development in order to increase profitability of industrial enterprises, as well as in many other spheres of human activity.

Data mining, factor analysis, expert system, decision-making support, data warehouse, data center
full text in pdf

ПЕРСПЕКТИВНАЯ СИСТЕМА ФИНАНСОВОГО ПЛАНИРОВАНИЯ и БЮДЖЕТИРОВАНИЯ

ПЕРСПЕКТИВНАЯ СИСТЕМА ФИНАНСОВОГО ПЛАНИРОВАНИЯ и БЮДЖЕТИРОВАНИЯ

ЧТО ПРЕДЛАГАЕТСЯ?
1. Внедрение нового метода экономических расчетов, наиболее полно отвечающего специфике финансового планирования и бюджетирования.
2. Разработка применительно к потребностям Заказчика программного обеспечения финансового планирования и бюджетирования, использующего предлагаемый метод

ЧТО ЭТО ДАЕТ?
Главными трудностями финансового планирования и бюджетирования являются:
1. недоопределённость (т.е. невозможность точно предвидеть) значения показателей, влияющих на эффективность проекта: мы не знаем точно будущую инфляцию, курсы валют, спрос на продукцию и т.п.
2. многовариантность: выбор наилучшего решения требует, как правило, рассмотрения большого числа вариантов
3. неполнота и противоречивость доступной информации.
Предлагаемый новый метод экономических расчетов использует специальный математический аппарат учета недоопределённости, известный как аппарат Н-расчетов. Метод эффективен в условиях неполноты и противоречивости доступной информации, а также позволяет рассматривать множество вариантов решений плановой задачи как одно обобщенное решение. В результате предлагаемый метод упрощает финансовое планирование и бюджетирование, повышает достоверность плановых расчетов, обеспечивает адекватный учет недоопределенностей, причем удается учитывать не только недоопределённости вероятностного и статистического характера, но и недоопределённости более общего вида, представляющие особую трудность для вычислений.
Математические модели, основанные на предлагаемом методе, дают возможность с максимальной полнотой учитывать всю доступную информацию об условиях финансового планирования (теоретические представления, экспертные оценки, статистические данные). При использовании таких моделей удается совмещать гибкость экспертных оценок и объективный характер вычислений. Все это повышает надежность результатов моделирования и в конечном счете позволяет избежать ошибок в выборе финансовых решений.

В ЧЕМ УНИКАЛЬНОСТЬ НАШЕЙ РАБОТЫ?
1. Аппарат Н-расчетов не имеет близких аналогов ни в России, ни за рубежом.
2. Мы реализуем принцип индивидуального подхода к предприятию, стремимся наиболее полно учесть особенности Заказчика и ответить на Его потребности.  

Дополнительные преимущества предлагаемой технологии расчетов
По сравнению с традиционными методами предлагаемая технология финансового планирования и бюджетирования обладает следующими дополнительными преимуществами:
• существенно смягчает требования к объему и качеству данных;
• устраняет необходимость жестко разграничивать «входы» и «выходы» модели;
• допускает использование, кроме точных данных, интервальных (от… до…) оценок показателей, что позволяет отражать возможную неточность и неполноту используемых данных, эффективно корректировать и уточнять исходную информацию, дает адекватное отражение факторов недоопределенности и риска;
• осуществляет автоматическое уточнение (сужение) интервальных оценок в процессе расчетов (в частности, оценки уточняются при поступлении в модель новых данных и при задании пользователем дополнительных условий и требований к расчету), что существенно упрощает работу с моделью;
• обеспечивает решение переопределенных (с избыточными данными), недоопределенных (с неполными данными) и неоднозначных задач (решение неоднозначных задач описывается областями значений показателей, содержащими все возможные значения этих показателей);
• значительно расширяет возможности поиска плановых решений (упрощается процесс уточнения и корректировки решений, облегчается поиск взаимоприемлемого компромисса интересов различных участников экономического процесса, есть возможность задать планируемую величину любого показателя и автоматически определить область значений других показателей, отвечающую заданному значению).

Для вопросов и предложений: futurerussia@ya.ru

СИСТЕМА ИНВЕСТИЦИОННОГО ПРОЕКТИРОВАНИЯ НОВОГО ПОКОЛЕНИЯ

СИСТЕМА ИНВЕСТИЦИОННОГО ПРОЕКТИРОВАНИЯ НОВОГО ПОКОЛЕНИЯ

ЧТО ПРЕДЛАГАЕТСЯ?
1. Внедрение нового метода вычислений, отвечающего потребностям инвестиционного проектирования
2. Разработка математических моделей инвестиционных проектов, использующих предлагаемый метод

ЧТО ЭТО ДАЕТ?
Одна из главных трудностей инвестиционного проектирования состоит в недоопределённости (т.е. невозможности точно предвидеть) значения показателей, влияющих на эффективность проекта: мы не знаем точно будущую инфляцию, курсы валют, спрос на продукцию и т.п. Хороший на первый взгляд проект может оказаться неудачным вследствие влияния недоопределённости.
Предлагаемый новый метод инвестиционного проектирования использует специальный математический аппарат учета недоопределённости, известный как аппарат Н-расчетов. Метод позволяет принять во внимание не только недоопределённости вероятностного и статистического характера, но и недоопределённости более общего вида, представляющие особую трудность для вычислений. В результате улучшенного учета недоопределённости предлагаемый метод повышает достоверность инвестиционных расчетов и дает более полную картину рисков инвестиционного проекта.
Предлагаемый метод уже используется на практике в Счётной палате Российской Федерации для оценки крупных инвестиционных проектов с государственным участием.
Математические модели, основанные на предлагаемом методе, дают возможность с максимальной полнотой учитывать всю доступную информацию об условиях инвестиционного проекта (теоретические представления, экспертные оценки, статистические данные). При использовании таких моделей удается совмещать гибкость экспертных оценок и объективный характер вычислений. Все это повышает надежность результатов моделирования и в конечном счете позволяет избежать ошибок в выборе инвестиционных решений.

 В ЧЕМ УНИКАЛЬНОСТЬ НАШЕЙ РАБОТЫ?
1. Аппарат Н-расчетов не имеет близких аналогов ни в России, ни за рубежом.
2. Мы реализуем принцип индивидуального подхода к предприятию, стремимся наиболее полно учесть особенности Заказчика и ответить на Его потребности.  

Дополнительные преимущества предлагаемой технологии расчетов
По сравнению с традиционными методами предлагаемая технология инвестиционного проектирования обладает следующими дополнительными преимуществами:
• позволяет рассматривать всю область возможных решений, а не отдельные варианты ситуаций, как при традиционных подходах;
• существенно смягчает требования к объему и качеству данных;
• устраняет необходимость жестко разграничивать «входы» и «выходы» модели;
• допускает использование, кроме точных данных, интервальных (от… до…) оценок показателей, что позволяет отражать возможную неточность и неполноту используемых данных, эффективно корректировать и уточнять исходную информацию, дает адекватное отражение факторов недоопределенности и риска;
• осуществляет автоматическое уточнение (сужение) интервальных оценок в процессе расчетов (в частности, оценки уточняются при поступлении в модель новых данных и при задании пользователем дополнительных условий и требований к расчету), что существенно упрощает работу с моделью;
• обеспечивает решение переопределенных (с избыточными данными), недоопределенных (с неполными данными) и неоднозначных задач (решение неоднозначных задач описывается областями значений показателей, содержащими все возможные значения этих показателей);
• значительно расширяет возможности поиска инвестиционных решений (упрощается процесс уточнения и корректировки решений, облегчается поиск взаимоприемлемого компромисса интересов различных участников экономического процесса, есть возможность задать планируемую величину любого показателя проекта и автоматически определить область значений других показателей, отвечающую заданному значению).
Для контактов: futurerussia@ya.ru

СИСТЕМА СТРАХОВЫХ РАСЧЕТОВ НОВОГО ПОКОЛЕНИЯ

СИСТЕМА СТРАХОВЫХ РАСЧЕТОВ НОВОГО ПОКОЛЕНИЯ


ЧТО ПРЕДЛАГАЕТСЯ?
1. Новый метод страховых расчетов
2. Разработка математических моделей страховой деятельности, использующих предлагаемый метод

ЧТО ЭТО ДАЕТ?
Одна из принципиальных проблем страховой деятельности состоит в недоопределённости (т.е. невозможности точно предвидеть) значения показателей, влияющих на эффективность деятельности: неизвестно, когда наступит (и наступит ли) тот или иной страховой случай, и мы даже не знаем точно такие показатели, как будущая инфляция. Предлагаемый новый метод страховых расчетов использует специальный математический аппарат учета недоопределённости, известный как аппарат Н-расчетов. Аппарат позволяет принять во внимание не только недоопределённости вероятностного и статистического характера, но и недоопределённости более общего вида, представляющие особую трудность для вычислений. В результате улучшенного учета недоопределённости предлагаемый метод повышает достоверность страховых расчетов и дает более полную картину рисков.
Математические модели, основанные на предлагаемом методе, дают возможность с максимальной полнотой учитывать всю доступную информацию о страховой деятельности (теоретические представления, экспертные оценки, статистические данные). При использовании таких моделей удается совмещать гибкость экспертных оценок и объективный характер вычислений. Все это расширяет область применения моделей, повышает надежность результатов моделирования и в конечном счете позволяет избежать ошибок в выборе страховых решений.

В ЧЕМ УНИКАЛЬНОСТЬ НАШЕЙ РАБОТЫ?
1. Аппарат Н-расчетов не имеет близких аналогов ни в России, ни за рубежом.
2. Мы реализуем принцип индивидуального подхода к предприятию, стремимся наиболее полно учесть особенности Заказчика и ответить на Его потребности.  

Дополнительные преимущества предлагаемой технологии расчетов
По сравнению с традиционными методами предлагаемая технология страховых расчетов обладает следующими дополнительными преимуществами:
• позволяет рассматривать всю область возможных решений, а не отдельные варианты ситуаций, как при традиционных подходах;
• существенно смягчает требования к объему и качеству данных;
• устраняет необходимость жестко разграничивать «входы» и «выходы» модели;
• допускает использование, кроме точных данных, интервальных (от… до…) оценок показателей, что позволяет отражать возможную неточность и неполноту используемых данных, эффективно корректировать и уточнять исходную информацию,  дает адекватное отражение факторов недоопределенности и риска;
• осуществляет автоматическое уточнение (сужение) интервальных оценок в процессе расчетов (в частности, оценки уточняются при поступлении в модель новых данных и при задании пользователем дополнительных условий и требований к расчету), что существенно упрощает работу с моделью;
• обеспечивает решение переопределенных (с избыточными данными), недоопределенных (с неполными данными) и неоднозначных задач (решение неоднозначных задач описывается областями значений показателей, содержащими все возможные значения этих показателей);
• значительно расширяет возможности поиска решений (упрощается процесс уточнения и корректировки решений, облегчается поиск компромисса требований к решению и др).
Для вопросов и предложений: futurerussia@ya.ru

Как снизить риск инвестиций?

В.Г.Напреенко, Е.П.Смирнов

Как снизить риск инвестиций?

Одна из аксиом бизнеса гласит: «Для развития производства нужны инвестиционные проекты». Другая аксиома предупреждает: «Любой инвестиционные проект – это риск потери денег». Вывод очевиден – без инвестиционных проектов не обойтись, но риск инвестиций надо снижать. Как?
Попробуем ответить на этот вопрос с позиции прикладного искусственного интеллекта.
Один из главных источников инвестиционного риска может быть обозначен словосочетанием «неполнота информации». Не полностью определенными, известными неточно, являются, например, будущие значения цен и валютных курсов. Правильную информацию о подобных показателях невозможно представить в виде одного числового значения каждого показателя – каждый такой показатель корректно описывается целой областью его возможных значений. Эту область удобно представить как интервал от… до… («коридор» будущего валютного курса – пример подобного интервала). Поэтому описание инвестиционного проекта можно усовершенствовать, если отказаться от точных показателей и заменить их интервальными. Существует немало информационных технологий, позволяющих работать с интервальностью. Чтобы такую технологию правильно выбрать – выясним, каким требованиям она должна отвечать.
Не стоит делать упор на интервальность, определяемую методами теории вероятности и математической статистики. Дело в том, что эти методы, сами по себе неплохие, опираются на такие предположения, которые в реальных инвестиционных проектах не выполняются. Пример подобного предположения – известная гипотеза о стационарности экономического процесса, явно не отвечающая современным реалиям. Правильнее использовать методы вычислений, позволяющие учитывать неточность нестатистического характера.
Не всякая интервальность нам годится: пользу от интервального описания инвестиционного проекта мы получим только в том случае, когда ширина интервалов показателей проекта будет правильно отражать неточность наших знаний о значениях этих показателей. Следовательно, нам нужна интервальность, позволяющая адекватно отражающая неточность прогнозов емкости рынка, цен, технологических нормативов и т.п.
Понятно, что все рассматриваемые интервалы должны быть согласованы друг с другом. Например, если проект предусматривает реализацию одного продукта в размере А от 100 до 150 млн. рублей, а реализацию другого – в размере Б от 150 до 200 млн. рублей, то нет смысла рассматривать интервал суммы А+Б, выходящий за пределы от 250 до 350 млн. руб. Согласовывать интервалы вручную – задача неблагодарная. Нам требуется технология, обеспечивающая автоматическое согласование значений всех рассматриваемых показателей.
При разработке и реализации инвестиционного проекта нередко поступает новая информация, способная влиять на прогноз показателей проекта. Эту информацию полезно учитывать и делать это надо быстро. Нам нужен вычислительный аппарат, способный оперативно перерабатывать поступающую информацию по теме проекта и гарантирующая автоматическое уточнение с учетом новой информации прогнозных оценок проекта. Пример такого уточнения – сужение прогнозных интервалов при поступлении новых данных.
Обычное для инвестиционных проектов деление рассматриваемых показателей на «входные» и «выходные» создает трудности, если новая информация требуют коррекции не «входов», а «выходов» (в подобных ситуациях нередко приходится пересматривать весь расчет). Желательно иметь возможность задавать любой показатель проекта как входной.
Инвестиционное проектирование есть задача со множеством решений – например, один и тот же уровень прибыли можно получить множеством способов. Обычно решение подобных задач сводят к выбору одного варианта из множества. При этом есть опасность упустить из виду удачный, но малозаметный вариант. Чтобы такую опасность устранить, требуется технология, позволяющая рассматривать не только отдельные варианты решения, но и всю область решений, совместимую с заданными условиями задачи.
Может показаться, что выполнить все перечисленные требования к информационной технологии инвестиционного проектирования невозможно. Это действительно невозможно, если мы ограничим себя наиболее часто используемыми вычислительными инструментами – такими, как MS Excel. Но можно использовать другие инструменты – например, применить уже достаточно известную технологию Н-моделей.
Для пояснения предлагаемого подхода обратимся к иллюстрациям, построенным на основе конкретного инвестиционного проекта.
Рис.1 показывает результаты прогнозирования денежного потока проекта. На рисунке хорошо видно нарастание во времени неточности прогноза денежных потоков, обусловленное неточным знанием ценовых показателей. Попытки не замечать эту неточность, характерные для обычного инвестиционного проектирования, серьезно увеличивают риск проекта.



Рис. 1. Прогноз денежного потока проекта, млн. руб (1- детерминированный расчет по средним значениям, 2- уточненный расчет с помощью Н-модели)

При использовании предлагаемого подхода ширина интервалов исходных и результирующих данных инвестиционного проекта становится удобной мерой прогнозного риска (одновременно можно использовать обычные показатели риска, такие, например, как капитал риска). Поскольку новая информация, вводимая в расчет, уточняет (сужает) интервалы показателей, то величина этого уточнения может служить показателем ценности информации: отсутствие сужения говорит о бесполезности информации, а существенное уточнение интервалов – о ценности информации. Тем самым объективно оценивается качество информации, используемой в расчетах.
Интервальность в сочетании с возможностью задавать любой показатель проекта открывает путь к решению неоднозначных задач. Пример неоднозначной задачи -достижение заданной доходности (эта задача – неоднозначная, поскольку желаемая доходность может быть получена разными способами). При обычном инвестиционном проектировании неоднозначность усложняет решение. В рамках предлагаемого подхода неоднозначные задачи трудностей не представляют - результат их решения выражается в виде интервалов, охватывающих все решения задачи. На рис.2 показан результат уточнения прогноза цен на продукцию предприятия, создаваемую в результате инвестиционного проекта. Темная и светлая области 1 и 2 вместе образуют исходный прогноз цен, область 1- уточнение исходного прогноза из условия обеспечения заданной доходности проекта.



Рис. 2. Уточнение цены продукции по заданной доходности проекта (1- область цен, отвечающая желаемой доходности, 2- область цен, противоречащая желаемой доходности)

Таким образом, предлагаемый подход помогает определять условия, при которых проект будет достаточно эффективным или неэффективным и упрощает поиск решений, способных наилучшим образом обеспечить выполнение требований к проекту.
Важным элементом инвестиционного проектирования является план реализации проекта. При обычном подходе к проектированию это «точный» по форме план, а при использовании предлагаемого подхода план становится интервальным. Сопровождение процесса реализации проекта, осуществляемое на основе «точных» планов, требует постоянного пересмотра плановых показателей, так как возникает необходимость учесть отклонения от плана. При работе с интервальным планом фактические значения показателей, попадающие в интервал прогнозных значений, ведут лишь к уточнению плана, но не требуют его пересмотра. Это позволяет шаг за шагом уточнять прогнозные характеристики проекта. Рис. 3 демонстрирует пошаговое уточнение прогнозных характеристик инвестиционного проекта, возникающее при уточнении плана на основе фактических значений показателей за первый, второй и третий год реализации проекта (каждому новому уточнению отвечает более темная область графика).



Рис. 3. Уточнение в процессе реализации проекта его денежного потока, млн. руб (1 – расчет по данным до 1-го года реализации, 2- расчет по итогам 1-го года реализации, 3- расчет по итогам 2-го года реализации,4- расчет по итогам 3-го года реализации).

В заключения отметим, что предлагаемый подход требует отхода от привычной схемы оценки эффективности инвестиционных проектов, основанной на рассмотрении точных по форме, но приближенных по сути числовых значений отдельных показателей (например – срока окупаемости либо внутренней нормы доходности). На первый план выступает более сложный подход, предполагающий оценку изменений во времени интервалов возможных значений цен, выручки, затрат, прибыли и – особенно – денежных потоков проекта. Именно такая оценка позволяет снизить риск проекта.

e-mail: futurerussia@ya.ru

СПОСОБЫ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИОННЫХ ПОТОКОВ В ПРИЛОЖЕНИЯХ ИНФОРМАЦИОННЫХ И ТЕЛЕКОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ

СПОСОБЫ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИОННЫХ ПОТОКОВ В ПРИЛОЖЕНИЯХ ИНФОРМАЦИОННЫХ И ТЕЛЕКОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ

д.ф.-м.н. А.И. Леженко, И.А. Кузнецов

Ключевые слова: интеллектуальный анализ данных, факторный анализ, поддержка принятия решений, информационно-телекоммуникационные технологии, хранилища данных, центры обработки данных

Данная статья посвящена применению теории выбора и принятия решений и методов интеллектуальной обработки данных в приложениях информационных и телекоммуникационных технологий. Сделан общий обзор методов интеллектуального анализа данных, а далее рассмотрено их применение на примере исследования рентабельности коммерческого центра обработки данных (ЦОД) методом факторного анализа. Результаты исследований по данной методике могут быть использованы, в том числе с построением экспертных систем, для поддержки принятия управленческих решений о направлениях дальнейшего развития с целью повышения рентабельности не только ЦОД, но и промышленных предприятий, а также во многих других сферах человеческой деятельности.

Приложения информационных и телекоммуникационных технологий (ПИТТ), как системы коллективного пользования, становится постоянно пополняющимся хранилищем и концентратором интеллектуального потенциала их пользователей. ПИТТ являются той областью деятельности, цель которой – объединение ее возможностей и способностей человека, позволяющее достичь поставленных целей более эффективно, чем если бы эти возможности использовались отдельно. На практике человек или коллектив, используя ИТТ, свой интеллект и знания в конкретной обстановке, должны найти приемлемое решение, приводящее к оптимальному или эффективному результату. Одним из математических аппаратов для решения подобных задач является теория выбора и принятия решений (ТВПР).
Классической задачей принятия решения является пара [1]: {Ω,ОП}, где Ω – множество вариантов; ОП – принцип оптимальности. Решением задачи {Ω,ОП} является подмножество Ωоп Ω, полученное с помощью некоторого принципа оптимальности. В зависимости от полноты информации о множествах Ω и ОП существует следующая классификация задач принятия решений:
 если не определены оба множества Ω и ОП, то это общая задача принятия решений;
 сли определено множество Ω, то это задача выбора;
 если определены оба множества Ω и ОП, то эта классическая задача оптимизации.
Элементы множества Ω принято называть альтернативами или вариантами. Если множество Ω определено, то его еще принято называть исходным множеством альтернатив (ИМА). Процесс решения задачи {Ω,ОП} организуют по следующей схеме: формируют ИМА, а затем решают задачу выбора. Формирование ИМА включает в себя два этапа: порождение возможных альтернатив и проверку их на допустимость. Оба этапа в большинстве случаев осуществляется с помощью экспертной классификации. Для обработки экспертной информации существуют три основных группы методов: статистические, алгебраические и методы шкалирования.
Задачу выбора решает лицо (коллектив), принимающее решение; это лицо (коллектив) руководствуется своим личным представлением о лучших альтернативах на сформированном ИМА. Для формализации взаимной оценки качества решения задачи выбора в ТВПР введено понятие функции выбора (ФВ). Произвольная ФВ, какой бы сложной ни была и какому бы классу ни принадлежала, всегда допускает декомпозицию на ФВ, в предельном случае до ФВ, которые порождаются бинарными отношениями.
Декомпозицию можно интерпретировать как попытку обосновать сделанный выбор в терминах конкретных аспектов и критериев, а в случае бинарных отношений до простых правил. Методы ТВПР широко используются в компьютерных экспертных системах (ЭС), как самостоятельном разделе систем и методов искусственного интеллекта (ИИ). Использование ЭС в ряде областей различных сфер деятельности уже на сегодня дало значительный эффект и привело к уникальным результатам. В работе [2] приведена сводная таблица ЭС различного назначения. Основными элементами ЭС являются база знаний и механизм логических выводов или «дедуктивная машина». В базах знаний хранится конкретная информация относительно соответствующей предметной области факты, цифры, характеристики, практические правила и условия. Дедуктивная машина – это программа, которая обращается к базе знаний и на основе хранящейся в ней информации вырабатывает совет, рекомендацию, прогноз или предполагаемое решение задачи.
Представляет интерес вопрос интеграции ЭС и приложений ИТТ. В случае интеграции ЭС и приложений ИТТ можно рассматривать как замкнутую систему (когда обе компоненты взаимодействуют без вмешательства человека) и разомкнутую (когда ЭС выдает рекомендации, а принятие решений остается за специалистом). Наиболее сложной проблемой в ЭС является формирование базы знаний. Обычно разработчик ЭС формирует правила базы знаний на основе опроса экспертов – опытных специалистов в данной предметной области. На практике, однако, многие специалисты не в состоянии объяснить, как они приходят к тому или иному решению. Наиболее совершенные ЭС имеют в своем составе подсистему сбора знаний, помогающих создавать, модифицировать и сопровождать базу знаний.
Обратим на следующий аспект интеграции ЭС и приложений ИТТ. Приложения ИТТ используют большие коллективы людей. В результате появляется возможность в автоматизированном режиме обобщать их опыт, таким образом, приложения ИТТ как системы коллективного пользования, становятся концентратором человеческого опыта и может служить для извлечения и накопления знаний; возникает возможность автоматизации формирования базы знаний ЭС. Подобный подход в 80 годы прошлого столетия \использовался в САПР ЕСАПИ-2Б [4].
Профессиональные издания пригодны для коммерческих прикладных программ, использующих Windows и Unix среды. ЭС применяются для управления процессами переработки информации. Они незаменимы особенно тогда, когда информация из одной подсистемы передается в другую. С помощью задания правил и механизмов логического вывода, ЭС может, используя выходную информацию из одной подси-стемы подготовить в необходимом виде ее для обработки последующей подсистемой. Значительный объем знаний и фактов, используемых в ЭС, требует тщательной организации их хранения, выборки и проверки. Этим требования удовлетворяют большинство  современных СУБД, например Oracle, MS SQL и другие, которые имеют  развитые средства проектирования баз данных,  полные языки запросов  и инструменты подготовки отчетности

Результаты статистических исследований могут быть представлены в виде совокупности дискретных данных, как некоторое семейство точек для каждого параметра исследуемого объекта. Для заданных таким образом параметров необходимо вводить признаки их классификации. Например, для параметров, характеризующих рентабельность планируемого бизнес-направления можно ввести классификацию: низкая рентабельность, плановая рентабельность, высокая рентабельность,:
Между этими признаками нет резкой числовой границы. Для изучения свойств подобных объектов в работе [5] введено понятие нечеткого множества (НМ) и создана теория НМ. Приведем ряд определений [3]: пусть X = {x} – совокупность объектов (то-чек), обозначаемых через х, тогда НМ А в Х есть совокупность упорядоченных пар А ={x, Na(x)}, где Na(x) – представляет степень принадлежности х к А.
Множеством уровня Аj называется четкое подмножество универсального множе-ства, определяемое в виде - Aά={xЄX, Na(x)≥ ά}, где 1– ά – степень разделения нечеткого множества (это определение позволяет ввести отношение неравенства между НМ. Для анализа нечеткие множества могут представлены в виде  графиков, которые строятся на основе данных хранящихся в базах данных.


Рис. 1 Пример представления нечеткого множества параметра рентабельность бизнес процесса

Введение НМ обуславливает использование методов нечеткой логики для органи-зации логического вывода в ЭС. Аналогом понятия «степень разделения» в методах нечеткого выбора является понятие «мера доверия» (МД) [7]. Например, запись р (плановая рентабельность (х)) = 0,2 означает, что предложение «х –плановая рентабельность» истинно на 0,2. В нечеткой логике введены эквиваленты операций И, ИЛИ, НЕ [8], выполняемых в обычной логике, по следующим правилам:
p1 И p2 = min (p1,p2)
p1 ИЛИ p2 = max(p1,p2)
НЕ p1 = 1 - p1
Кроме того, для уточнения правил Шортлиффом введена формула для вычисления МД [9]: .
МД(h:L1,L2) = МД(h:L1) + МД(h:L2)*(1 – МД(h:L1)

Эта формула уточняет МД в пользу предложения h, если у него кроме свидетельства L1 имеется также свидетельство L2. Данная формула может быть использована для построения правил логического вывода.
Для того чтобы существующие хранилища данных способствовали принятию управленческих решений необходимо иметь инструментальные системы и средства для их интеллектуальной обработки. Данные инструментальные системы создаются на основе методов интеллектуального анализа данных (ИАД, Data Mining) [8, 9], главными задачами которых являются поиск функциональных и логических закономерностей в накопленной информации, построение моделей и правил, которые объясняют найденные аномалии и/или прогнозируют развитие некоторых процессов.
Подробный обзор методов анализа хранилища данных приведен в работе Л. Щавелева [8]. ИАД (Data Mining) – это процесс поддержки принятия решений, т.е. решение задачи ТВПР. Для решения этой задачи осуществляется поиск в данных скрытых закономерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания. В общем случае процесс ИАД состоит из трех стадий [8] (рис.2):
- выявление закономерностей (свободный поиск);
- использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование);
- анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях.
Иногда в явном виде выделяют промежуточную стадию проверки достоверности найденных закономерностей между их нахождением и использованием (стадия валидации).
Все методы ИАД подразделяются на две большие группы по принципу работы с исходными обучающими данными [10]. В первом случае исходные данные могут храниться в явном детализированном виде и непосредственно использоваться для прогностического моделирования и/или анализа исключений; это так называемые методы рассуждений на основе анализа прецедентов. Главной проблемой этой группы методов является затрудненность их использования на больших объемах данных, хотя именно при анализе больших хранилищ данных методы ИАД приносят наибольшую пользу.
. Во втором случае информация вначале извлекается из первичных данных и преобразуется в некоторые формальные конструкции (их вид зависит от конкретного метода). Согласно предыдущей классификации, этот этап выполняется на стадии свободного поиска, которая у методов первой группы в принципе отсутствует.


Рис. 2. Схема процесса ИАД

Таким образом, для прогностического моделирования и анализа исключений используются результаты этой стадии, которые гораздо более компактны, чем сами массивы исходных данных. При этом полученные конструкции могут быть либо «прозрачными» (интерпретируемыми), либо «черными ящиками» (не трактуемыми). Две эти группы и примеры входящих в них методов представлены на рис. 3.


Рис.3. Структура методов ИАД

Предложим один из способов для  построения инструментальной самообучающейся подсистемы ИАД. В качестве предметной области выберем исследование рентабельности коммерческих центров обработки данных (ЦОД). Примером подобных ЦОД могут служить крупнейшие дата-центры таких компаний, как “Stack Group”, “ISG”, “WideXS”, “Telehouse Caravan”, “IBS DataFort”, «КРОК», «ТрансТелеКом», «Ростеле-ком», “Golden Telecom”, «Синтерра».
Параметры рассматриваемого ЦОД, затраты на его содержание приведены в Таблице 1. Нормативный срок амортизации для всего оборудования принят 5 лет.

Таблица 1. Параметры для анализа эффективности ЦОД



При заполнении площади ЦОД на 90% его услугами пользуются 12 компаний, 91 стойко места сдано в аренду, 29 стойко место осталось за компанией, при этом 5 стоек сдано в аренду, а 16 стоек заняты серверами компании, а 13 отданы под размещение серверов клиентов. Принимая, что каждый сервер в среднем занимает около 3U, то в стойке высотой 42U может быть размещено до 16 серверов ,таким образом возможно разместить 256 сервера компании и предоставить 208 мест для размещения серверов клиентов.  Перечень его услуг их стоимость приведены в Таблице 2.

Таблица 2. Перечень услуг ЦОД



Предположим, что после создания инфраструктуры ЦОД, его заполнение производилось в течении года. В таблице 3 приведены данные по его заполнению помесячно.

Таблица 3. Помесячное заполнение ЦОД




Рис.4. Нечеткие множества параметра рентабельность
На рис. 4 приведены рассчитанные нечеткие множества параметра рентабельность деятельности ЦОД, они рассчитаны как отношение полученного дохода к затратам на текущий период. Как видно первые 3 месяца ЦОД был нерентабельным, с 4 по 5 месяц он стал малорентабельным, а начиная с 6 месяца, вышел на плановые показатели рентабельности.


Рис.5 Диаграмма денежных потоков

На рис. 5 приведена диаграмма денежных потоков, как видно прибыль от деятельности ЦОД начинается с 10 месяца, за три месяца достигает 18,5 млн. рублей, а годовая рентабельность 20%.
Для получения интегральных оценок и получения аналитической информации о функционировании ЦОД применим факторный анализ. Для оценки влияния внешней среды на показатели деятельности ЦОД к существующим 27 параметрам добавим Р28 – курс доллара,  Р29 – курс евро, Р30 индекс RTSI  и Р31 – индекс ММВБ. В результате для факторного анализа формируется матрица  данных 31х12, 31 параметр  и 12 событий (месяцы). Для анализа данных можно применить регрессионный и любые другие методы анализа данных. Расчеты выполнялись с использованием широко известного пакета программ статистической обработки информации SPSS [10].

Факторный анализ начинается со стандартизации заданных значений переменных, с использованием которых рассчитываются корреляционные коэффициенты между переменными. Далее рассчитываются собственные значения и процентные доли объясненной дисперсии.
Результаты расчета приведены в Таблице 4 объясненная суммарная дисперсия (Total Variance Explained). По таблице можно увидеть, что 4 собственных фактора превы-шают значение, которые мы отбираем для анализа.

Таблица 4. Полная объясненная дисперсия



Первый фактор  объясняет 81,177% суммарной дисперсии, второй фактор 7,927%, третий фактор 3,621% и четвертый 3,367%.  Далее применяем процедуру варимаксного вращения и вычисляем повернутую матрицу, которая приведена в  Таблице 5.

Таблица 5. Повернутая матрица компонент


По этой таблице начинается самая интересная заключительная стадия факторного анализа, здесь два способа – первый ручной с карандашом, а второй автоматический с использование экспертных систем (ЭС). Рассмотрим первый способ [10], а использование второго приведем в отдельной статье.
Первый фактор  объединяет финансовые показатели, как по доходам, так и по расходом. Наибольшим весом в этом факторе обладает V14 (резервный узел корпоратив-ной сети) и V11 (организация каналов связи) это говорит, что эти услуги надо развивать,  так как они являются самыми рентабельными. Большинство параметров по расходам имеют одинаковые факторные веса. Это значит, что они одинаково важны для обеспечения жизнедеятельности ЦОД.
Во втором факторе наибольшими весами обладают параметры V19 (размещение стойки), V22 (разработка высокопроизводительных систем), V12 (предоставление VPN каналов). Этот фактор можно определить как ключевой для обеспечения доходности от деятельности ЦОД, так как параметры, входящие в него вносят наибольший вклад в стать доходы от деятельности ЦОД.
В третьем факторе наибольшие положительные веса принадлежат параметрам V28 (курс доллара) и V22 (разработка высокопроизводительных информационных систем), а отрицательные V31 (индекс ММВБ) и  V30 (индекс РТС). Это означает, что тем выше российские индексы, тем ниже курс доллара, а высокое значение параметра V22, означает, что основные затрат на разработку ПО это заработная плата программистов.
В четвертом факторе параметры V31 (индекс ММВБ) и  V30 (индекс РТС) имеют высокие отрицательные значения, а V17 (размещение сервера) и V29 (курс евро) положительные. Это фактор можно назвать фактором внешней среды, от которых сильно зависит услуга предоставление сервера.
Таким образом, мы завершили ручной анализ рассчитанных данных о жизнедеятельности ЦОД. Кроме того результаты факторного можно использовать для построения цепочек логического вывода в ЭС.
В данной статье рассматривалось использование предложенной методики для интеллектуального анализа параметров жизнедеятельности ЦОД, но она может быть применена для поддержки принятия управленческих решений, например, и на промышленных предприятиях с целью повышения рентабельности и улучшения производственных показателей, а также во многих других сферах человеческой деятельности и различных прикладных системах.

Список литературы

1. Макаров И.М. Теория выбора и принятия решений - М.: Наука, 1982. 100 с.
2. Алексеева Е.Я., Стефанюк Б.Л. Экспертные системы – состояние и перспективы развития / Изв. АН СССР: Техническая кибернетика.-1984. с. 52-60.
3. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решения / Математика сегодня. - М.: Знание, 1974. с.
4. Вопросы применения средств и методов искусственного интеллекта в САПР / А.В. Амосов, И.Г. Данилов, А. И. Леженко // ЭВМ в проектировании и производстве. Л.: Машиностроение, 1989. С. 86-101.
5. Zaden E.A. Fuzzy sets / Information and Control.-1965/-V8.-p.338-353
6. Экспертные системы. Принципы работы и примеры / Под ред. С. Форсайта. М.: Радио и связь, 1987.-224 с.
7. Щавелев Л. Оперативная аналитическая обработка данных: концепция и технологии // http://www.olap.ru/basic/olap_and_ida.asp
8. On the Methods of Formalization of the Information Treads and Data Processing in Integrated Information and Telecommunication Technologies. A. Lezhenko. 8th Multi-Conference on Systemic, Cybernetics and Informatics (SCI 2004) July 21 - 25, 2004 in Orlando, Florida, USA .
9. Einspruch, Eric L An introductory guide to SPSS® for Windows® / Eric L. Einspruch.—2nd ed. Sage Publications, Inc., 2005.
10. Кузнецов И.А. Леженко А.И. Способы и методы интеллектуальной обработки информационных потоков в приложениях информационных и телекоммуникационных технологий. Труды международной конференции AITA 2011 4-8 апреля, 2011, Москва, ИПУ им. Трапезникова.

К согласованию интересов нефтепромышленников и государства в условиях нестабильной экономики