Управление данными

Важная сторона автоматизации управления гостиницами — это управление данными.

В основе современных систем управления гостиницами лежат мощные базы данных, позволяющие аккумулировать и хранить детальную информацию по работе гостиницы и её взаимоотношениям с каждым гостем.

Накопленные данные становятся бесценным капиталом для гостиницы. Базы данных

постояльцев позволяют детально изучать целевой рынок гостиницы, прогнозировать спрос на услуги, проводить эффективную маркетинговую политику. Закрытость информации, ха­рактерная для рыночных отношений, не позволяет с системных позиций подойти к проблеме переработки данных, но дает возможность использовать ее более тщательно и эффективно.

Любое производство связано с потоками внутренней и внешней информации. Среди многообразия поступающих сведений менеджеру для принятия решения нужны лишь строго определенные, а все остальные представляют собой информационный шум. Большая часть информации возникает не там, где в ней нуждаются; разрешение проблемы коммуникации оказывает влияние на скорость поступления информации и ее своевременность, что способ­ствует более эффективной работе предприятия. Этот далеко не полный круг проблем выяв­ляет необходимость построения специальной управляющей информационной системы, кото­рая бы способствовала их оптимальному решению.

Для принятия любого решения приходится проводить сложные и трудоемкие иссле­дования, связанные с анализом разноплановой информации Современная вычислительная техника и программные средства являются основой всей оперативной деятельности, прогно­зирования и контроля. Комплексное изучение информационных потоков требует анализа крупных массивов сведений коммерческого и статистического характера.

Специалистам требуется не просто информация о некоторой проблемной ситуации, а недостающее знание. Чтобы решить проблему, информационная система должна обладать знаниями о конкретных предметных областях, а также о том, как связаны между собой от­дельные факты и как выявленные зависимости могут использоваться при различных обстоя­тельствах. Такие системы становятся интеллектуальными. Действительно, в процессе реше­ния задач, которые характеризуются отсутствием, противоречивостью и нечеткостью дан­ных, альтернативностью возможных путей решения возрастает значение не количественных методов, а эвристического опыта. В таких случаях применяются информационно-экспертные системы, которые, по сути становятся системами принятия решений. Они воспроизводят рассуждения экспертов при решении задач, в которых первостепенное значение приобретает извлечение знаний из накопленной фактографии. Использование возможностей таких систем

в исследованиях позволяет специалистам оперативно ориентироваться на внешнем и внут­реннем рынках, чутко реагировать на изменения потребительского спроса.

Интеллектуальный анализ данных (Data Mining). Острая конкурентная борьба, стремление компаний получать отдачу от инвестиций в информационные технологии, рост числа сотрудников, принимающих решения, стимулировали активное развитие новой облас­ти информатики — технологии интеллектуального анализа данных (ИАД, или Data Mining — DM). Ее основное назначение — автоматизированный поиск ранее неизвестных законо­мерностей в базах данных деятельности компаний, и использование добытых знаний в про­цессе принятия решений. С помощью DM можно выявить, например, профиль потребителей

данного товара, предотвратить махинации с кредитными карточками или предсказать изме­нение ситуации на рынке. Структура DM приведена на рис. 6.

I Data Mining

Рис. 6. Data Mining — извлечение знаний из данных.

DM — удачный пример того, как информационные технологии помогают компаниям быстро и относительно легко производить анализ накопленных данных и по его результатам

принимать мотивированные решения.

Системы DM реализуют новую форму анализа данных, основанную на интеллекту­альном подходе. Они просматривают горы информации и автоматически выявляют скрытые правила и закономерности, которые могут быть неочевидными для пользователя. Получен­ные знания помогают оптимизировать бизнес-процессы в самых ответственных областях

деятельности — маркетинге, производстве, обслуживании клиентов. DM как систему дос­тавки информации необходимо включать в информационные системы уровня предприятия¹.

DM — набор из нескольких техник; это не просто готовое для использования решение частной деловой задачи. Это не та технология, которую можно просто купить в виде про­граммного пакета, вся работа с которым заключается в выполнении рекомендации вида «на­жмите на эту клавишу..,». «Необходимо иметь достаточную подготовку в моделировании, статистическом анализе и бизнесе, чтобы определить структуру, оценить и утвердить любую модель, является ли она моделью древа решений, нейронной сетью, дискриминантным ана­лизом иди еще чем. Таким образом, инструмент — еще не решение»^{[VIII] [IX].}

С целью облегчить вышеуказанную ситуацию, компанией SAS Institute была предло­жена методология приложения DM к любой бизнес-задаче, названная SEMMA (Sample => Explore :=> Manipulate => Model => Assess — Определение выборки =» Разведывательный ана­лиз =⅛ Манипулирование => Моделирование => Оценивание). Внутренние потоки DM пред­ставлены на рис. 7.

fΓ

tr

tr

tr

Рис 7. Внутренние потоки системы DM

S ЕМ МА-подход отвечает динамической природе DM, что отвечает сложившимся в последнее время требованиям к этим системам¹.

Базы данных, подаваемые в системы DM, обычно имеют размеры в несколько гига­байт^{[X] [XI], поэтому правильная организация выборки уменьшает время разработки, снижает раз­мерность данных и повышает качество моделей в части нахождения скрытых закономерно­стей[XII].}

Рынок систем DM активно развивается. По данным исследовательской компании Meta Group «.. почти 80% из 2000 самых больших мировых предприятий считают, что в 21 веке DM будет критическим фактором успеха в бизнесе»^[XIV]. В качестве основных причин, способ­ствующих распространению новой технологии, указываются следующие:

— осознание того, что в больших по объемам БД содержатся не горы бесполезной информа­ции, а скрытые ценные знания, характеризующие бизнес компаний и их клиентов и способ­ные, в конечном счете, повысить эффективность управления компаниями^[XV],

—• развитие технологии информационных хранилищ (Data Warehousing). Решать аналитиче­ские задачи внутри существующих систем неудобно, поскольку последние по своей природе гетеро теины, функционируют на разных платформах, территориально разобщены, а главное, базы данных изначально не были ориентированы на решение аналитических задач. Гораздо удобнее иметь дело с единым информационным пространством, собрав требуемые для ана-

лиза данные в центральной БД (информационном хранилище), очистив их от ошибок, приве­дя к единым форматам и представив в удобном для пользователя-аналитика виде¹,

— снижение стоимости устройств хранения информации привело к возможности хранить первичные данные с высокой степенью детализации и за длительные интервалы времени;

—- уменьшение стоимости компьютеров с параллельной архитектурой позволяет распа­раллеливать выполнение SQL-запросов, что сильно повышает производительность систем

DM;

— увеличение числа сотрудников компаний, принимающих решения. Благодаря внедре­нию хранилищ данных корпоративная информация становится доступна широким слоям пользователей, не являющихся профессионалами в области СУБД и программирования;

— обострение конкурентной борьбы между фирмами за клиента вынуждает компании улучшать качество обслуживания и предлагать все новые и новые услуги, причем основным направлением здесь являются современные информационные технологии;

— переход от массового обслуживания к сегментному и индивидуальному. Индустриаль­ная революция шла по пути массового производства, массового маркетинга и массового сер­виса. Преобразования в области информационных технологий открывают возможности для индивидуального подхода. В деловой практике появился термин de-massification, обозна­чающий отказ от массовых форм обслуживания^{[XVI] [XVII].}

Развертывание проектов на базе технологии информационных хранилищ и DM требу­ет крупных инвестиций. Опыт многих организаций доказывает, что отдача от них при этом

может быть весьма высокой, вплоть до 1000%.

Масштабируемые хранилища данных (DATA WAREHOUSING). Масштабируе­мые хранилища данных^[XVIII] (МХД) предназначены для сбора и управления данными с целью

получить прежде недоступные ответы на вопросы. МХД особенно важны и актуальны в

компаниях, чья работа связана непосредственно с обслуживанием клиентов. Одно из глав­ных понятий — независимый киоск данных — соотносится либо по предметной области, ли­бо по группе пользователей. Эволюция хранилищ данных выглядит следующим образом':

1. Киоски данных для каждого отдела 2 Дублирование данных

о а

Киоски

данные

Ощеп даркетинга

Киоски

данные

Финансы

Достоинствами такого метода реализации являются быстрое внедрение системы, ее невысокая стоимость и быстрая окупаемость.

3. Хранилища масштаба предприятия j ( 0 Киоски

θGlu⅛√JUHl

Недостаток — разрастание связей и пред­приятия приводит к некоторому несоот­ветствию данных. Такой способ сбора и обработки информации позволяет пред­

ставлять детальные и усредненные данные,

а также проводить многомерный анализ

фянасьх Меркетннг Г£опмодсхво

МХД используются в анализе продаж, целевом маркетинге, анализе доходов, риск- менеджменте, финансовом контроле, менеджменте, анализе продвижения.

Эволюция постановки вопросов в процессе анализа данных:

1. Что произошло? 2. Что произошло? Почему это

произошло? Что будет если?

зграгае иредопредепинньв (влвеывьк) зявросм

негр едаид енкыв запро сы

здравее предопредаиишьв (лзвестюе) запросы

негр едсЕщешье запросы

моделирование

¹ МЕТА Group, data Warehouse Marketing Trends/Opportunities, 1998.

3. Что произойдет (прогнозирова-

Таким образом, доля заранее пре­допределенных запросов уменьшается, на

смену им приходит увеличение доли не­предвиденных запросов, а также появле­ние моделирования.

МХД обеспечивает интерактивные запросы, управление загрузкой, систему финансо­вого менеджмента, планирование ресурсов, передачу знаний пользователям всех уровней¹.

Схема использования МХД представлена на рис. 8.

Билнео-пользовйгели

Рис. 8. Схема использования масштабируемых хранилищ данных

Процесс интеллектуального анализа данных. Существующие программные средства

DM в общем случае можно использовать с любыми источниками данных, в том числе и БД.

SAS Institute, SAS Institute White Paper: SAS Rapid Warehousing Methodology, 1998.

Однако целесообразнее «приложить» этот инструментарий к информационным хранилищам предприятий, в которых неоднородные данные, полученные из разных гетерогенных источ­ников, синхронизированы, очищены и приведены к единым форматам,

В общем случае информационная система на основе технологии МХД состоит из че­тырех компонентов — одного или нескольких серверов баз данных, ПО промежуточного слоя, обеспечивающего функционирование систем клиент/сервер, программы загрузки дан­ных в МХД из внешних источников, которая сопровождается предварительной обработкой данных, и клиентских приложений, предназначенных для поддержки принятия решений. Процесс интеллектуального анализа данных обычно проходит в три этапа.

Выбор данных. Как правило, для решения конкретной задачи нужны не все данные из МХД. Сначала необходимо выбрать то их подмножество, которое будет подвергнуто анали­зу. При этом возможно, потребуется объединение и фильтрация нескольких таблиц

Трансформация данных. После подготовки рабочих таблиц обычно проводится пред­варительная обработка данных, характер которой определяется методами, применяемыми в ходе анализа. Трансформация может заключаться в удалении зашумленных данных и дубли­рующих записей, преобразовании типов данных, добавлении новых атрибутов и др.

Анализ. Трансформированные данные последовательно обрабатываются по одной или нескольким методикам с целью извлечения требуемой информации или знаний.

Классы операций и методы интеллектуального анализа данных. В ходе DM могут выполняться различные операции, реализуемые при помощи разнообразных алгоритмов. В основе большинства из них лежит мощный аппарат современной математической статисти­ки. Методы DM условно делят на два класса: операции проверки гипотез и операции поиска

зависимостей, направленные на автоматическое выявление закономерностей или правил, ко­торым подчиняются данные информационного хранилища, К недостаткам процедур первого типа можно отнести ограниченность анализа жесткими рамками заранее указанной гипотезы; проблема заключается в том, что другие возможные корреляции попросту выпадут из рас-

-41 -

смотрения. Во втором случае системы DM самостоятельно обрабатывают информацию с це­лью обнаружения внутренних закономерностей. Полученные результаты часто оказываются весьма неожиданными и ведут к нетривиальным выводам. Комбинируя операции двух типов,

возможно реализовать самые замысловатые стратегии анализа.

Рассмотрим известные операции DM.

— проверка гипотез. Операции этого типа выполняют генераторы отчетов, системы обработ­ки SQL-запросов, приложения многомерных БД и модули статистического анализа.

— генерация отчетов и обработка запросов. Ее основное назначение — подтвердить пра­вильность гипотез, сформулированных пользователем, который последовательно генерирует несколько разных и/или уточняющих SQL-запросов, призванных помочь в подтверждении правильности исходного предположения. Последовательность выполненных запросов и пра­вила построения таблиц и графиков образуют так называемый сценарий анализа, который впоследствии можно распространять среди других пользователей компании.

— многомерный анализ. Чем серьезнее вопросы, формулируемые пользователями, тем сложнее для восприятия и отладки становятся SQL-запросы, тем заметнее падает производи­тельность их обработки. Чтобы этого не происходило, производят перегруппировку «сырых» данных, создавая несколько новых таблиц, каждая из которых отражает определенное изме­рение (время, рынки, продукты, клиенты и т. д.).

— статистический анализ. Простейшая статистическая обработка возможна при работе с данными на уровне SQL-запросов. Однако для выполнения более содержательного анализа требуются специализированные средства, которые не только поддерживают соответствую­щие методы анализа, но и имеют наглядные средства визуализации результатов.

— поиск зависимостей. К этому типу операций относятся прогнозное моделирование, анализ связей, сегментация данных и идентификация отклонений.

— прогнозное моделирование. Благодаря бурному развитию различных методов автоматиче­ского построения моделей (методы индукции, нейронные сети) прогнозное моделирование

стало самым распространенным типом операций DM Основой для всевозможных систем прогнозирования служит историческая информация, хранящаяся в БД в виде временных ря­дов. Если удается построить математическую модель, адекватно описывающую эту динами­ку, есть вероятность, что можно предсказать и поведение системы в будущем.

— анализ связей. Здесь требуется найти специфические связи между различными записями в БД, Классические алгоритмы выявления связей базируются на статистических методах кор­реляционного и регрессионного анализов.

— сегментация баз данных Разбиение записей БД на несколько групп проводится в качестве предварительного этапа с целью сузить поиск и сократить период дальнейшей обработки. К подготовленным таким образом коллекциям данных применяются другие методы —- про­гнозного моделирования или анализа связей.

— идентификация отклонений. Цель этой операции, — во-первых, выявить данные, которые

не входят ни в один из имеющихся сегментов, а во-вторых, установить, являются они «шу­мом» или отражают пока неизвестные закономерности. Применяемые здесь алгоритмы осно­вываются на методах дисперсионного анализа.

Существующие операции DM поискового типа поддерживаются большим числом различных методик: одна и та же операция может быть реализована различными способами:

— индукция. Это процесс автоматической генерации классификационной модели на основе специально подготовленных тестовых данных, содержащихся в БД, Индуцированная модель выглядит как совокупность образцов данных, по которым идентифицируется новый класс. Однажды созданную модель можно применять в дальнейшем для обнаружения классов сре­ди новых записей. Существует два типа индукции: нейронная и символическая (древо реше­ний). Индукционные методы позволяют построить качественные модели даже в случае, ко­гда обучающие данные неполны или сильно зашумлены. Кроме того, они способны накапли­вать знания, что существенно улучшает качество вновь генерируемых моделей.

— поиск ассоциаций. Заключается в выполнении некоторой операции с набором записей для определения степени «общности» между элементами коллекции. Выявленные зависимости выражаются посредством правил, например: «89% всех записей, в которые входят элементы А, В и С, включают также элементы D и Е». Поиск ассоциаций предполагает выявление кор­реляций в исходных данных и последующее интервальное оценивание.

—- кластеризация. Это процесс разбиения БД на ряд сегментов (кластеров), объединяющих данные, имеющие общие характеристики. Результаты кластеризации применяются двояко:

для подведения суммарных итогов по кластерам и в качестве входных данных для какого-

либо другого метода анализа. Основное интерес и отличие от традиционных методов заклю­чается в отсутствии обучающей выборки и каких-либо априорных сведений о структуре дан­ных. В последние годы, помимо многочисленных традиционных методов, для проведения

кластерного анализа все шире применяются нейронные сети.

— нейронные сети. Архитектура нейросети включает взаимосвязанные рабочие элементы нейроны, каждый из которых генерирует выходной сигнал в ответ на несколько входных. Выход элемента является входом для других. Каждый вход получает вес, который корректи­руется в процессе обучения сети. Обучение сводится к подбору таких весов, при которых нейросеть безошибочно распознает эталонную выборку. Поскольку каждый элемент нейро­сети частично изолирован от своих соседей, у нейросетевых алгоритмов имеется хороший потенциал для распараллеливания вычислений. С помощью алгоритмов нейросетей можно решать многие задачи DM: прогнозировать поведение объекта, основываясь на данных о его динамике в прошлом, производить факторный анализ, выявлять аномалии и сходства.

— генетические алгоритмы. Были предложены в начале 70-х годов Джоном Холландом с це­лью имитации эволюционных процессов в живой природе. Холланд предпринял попытку формализовать законы эволюции и использовать их для решения задач оптимизации. С по­мощью генетических алгоритмов решены многие прикладные задачи. В системах DM гене­тические алгоритмы используются для поиска зависимостей.

Модели представления знаний. Часто вопрос выбора модели представления знания і сводят к обсуждению баланса между декларативным и процедурным представлением^[XIX]. Раз­

личие между ними можно выразить как различие между «Знать, что» и «Знать, как». Проце­дурное основано на предпосылке, что интеллектуальная деятельность есть знание проблем­ной среды, вложенное в программы, т.е знание о том, как можно использовать те или иные

сущности. Декларативное основано на предпосылке, что знание неких сущностей не имеет глубоких связей с процедурами, используемыми для обработки этих сущностей. Основное достоинство декларативного по сравнению с процедурным заключается в том, что в нем нет

необходимости указывать способ использования конкретных фрагментов знания. Это позво­ляет по разному использовать одни и те же факты.

Задачи компьютерных систем поддержки принятия решений. Принятие решения в большинстве случаев заключается в генерации возможных альтернатив решений, их оценке и выборе лучшей альтернативы. Принять «правильное» решение — значит выбрать такую

I альтернативу из числа возможных, в которой с учетом всех разнообразных факторов и про-

тиворечивых требований будет оптимизирована общая ценность. Неопределенности являют­ся неотъемлемой частью процессов принятия решений

Компьютерная поддержка процесса принятия решений так или иначе основана на

Р

формализации методов получения исходных и промежуточных оценок, даваемых лицом, принимающим решения, и алгоритмизации самого процесса выработки решения.

Увеличение объема информации, усложнение решаемых задач, необходимость учета большого числа взаимосвязанных факторов и быстро меняющейся обстановки требуют ис­пользовать вычислительную технику в процессе принятия решения. В связи с этим появился новый класс вычислительных систем — системы поддержки принятия решений (СППР).

Термин «система поддержки принятия решений» появился в начале семидесятых го­дов. За это время дано много определений СППР¹.

Например, она определяется следующим образом^{[XX] [XXI]: «Системы поддержки принятия решений являются человеко-машинными объектами, которые позволяют лицам, принимаю­щим решения использовать данные, знания, объективные и субъективные модели для анали­за и решения слабоструктурированных и неструктурированных проблем». В этом определе­нии подчеркивается предназначение СППР для решения слабоструктурированных и неструк­турированных задач. К первым относятся задачи, которые содержат как количественные, так и качественные переменные, причем качественные аспекты проблемы имеют тенденцию до­минировать[XXII]. Неструктурированные проблемы имеют лишь качественное описание.}

Далее СППР дается такое определение^[XXIII]: «Система поддержки принятия решений — это компьютерная система, позволяющая ЛПР сочетать собственные субъективные предпоч­тения с компьютерным анализом ситуации при выработке рекомендации в процессе приня­тия решения». Основное здесь — сочетание субъективных предпочтений ЛПР с компьютер­ными методами.

Наконец, СППР определяется «как компьютерная информационная система, исполь­зуемая для различных видов деятельности при принятии решений в ситуациях, где невоз­можно или нежелательно иметь автоматическую систему, полностью выполняющую весь процесс решения»^[XXIV].

Определения не противоречат, а дополняют друг друга, полно характеризуя СППР.

Построение агентных систем. Объемы хранимой и обрабатываемой информации продолжают расти, в связи с чем ставится вопрос о том, чтобы передать некоторые функции обработки этой информации интеллектуальным системам. При этом подобные системы должны самостоятельно принимать информацию, обрабатывать ее, принимать решения о ее дальнейшем продвижении, обеспечивать это продвижение.

Изначально, подобными вопросами занимаются Cl IIIP. Данные системы разрабаты­ваются в двух направлениях. Первое состоит в предварительной обработке потока информа­ции, выявлении зависимостей в этом потоке, обобщении.

В результате работы такой системы пользователю выдается не вся информация, а только та, которая его интересует, либо весь поток обобщенной информации. Поступившая информация накапливается в БД и при желании можно получить доступ и к ней. Второе на­правление состоит в применении методов искусственного интеллекта Такая система анали­зирует ситуацию, после чего выдает свои рекомендации по ней. При необходимости пользо­ватель может ознакомиться с данными и путями логического вывода и принять свое собст­венное решение. Второй класс систем обычно работает с небольшим количеством входной информации, но очень хорошо показывает себя в случаях, когда время, отведенное на приня­тие решения, ограничено и методы принятия решения в большей степени эмпирические.

Однако зачастую необходимо, чтобы система могла самостоятельно влиять на внеш­ний мир. Итак, задачей, выполняемой подобными системами, должно быть автоматическое реагирование на входную информацию.

Под агентом будем понимать самостоятельную программную систему, имеющую возможность принимать воздействие из внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию^[XXV].

Под внешним миром здесь понимается среда, окружающая агента. Перечисленные и многие другие задачи агенты могут выполнять без использования методов искусственного интеллекта. Однако ряд задач просто не может быть решен без них.

Под интеллектуальным агентом будем понимать агента, который обладает рядом зна­ний о себе и окружающем мире и поведение которого определяется этими знаниями

Итак, наличие искусственного интеллекта означает, что агент должен некоторым об­разом хранить свои знания. За историю искусственного интеллекта было разработано мно­жество методов представления знаний. Однако наиболее распространенными на данный мо­мент являются продукции (правила вида «если ... то ...») и нейронные сети.

Первые завоевали свой успех благодаря простоте понимания, формализации и реали­зации, Вторые — тем, что нет необходимости формализовать знания и заносить их в базу, а достаточно обучить сеть. И те, и другие дают вполне неплохие результаты.

При построении агентных систем следует помнить о следующих трудностях. Работа агентов происходит в реальном времени. Предобработка информации задерживает ее посту­пление в блок, отвечающий за планирование действий. Кроме того, системе может потребо­ваться и время на реакцию, поэтому, несмотря на развитие компьютерной техники, искусст­венный интеллект все еще нуждается в быстрых методах принятия решений. Исключением будут ситуации, когда время реакции гарантированно много больше, чем время принятия решения, либо если ведется моделирование. Однако в последнем случае моделироваться мо­жет система, время на принятие решения в которой будет критично.

Агентная технология, по мнению многих специалистов в области искусственного ин­теллекта, является перспективной областью исследования. Решение таких задач поможет ав­томатизировать и интеллектуализировать обработку информации и, как следствие, ускорить и улучшить эту обработку.

Нейронные сети — основные понятия и определения. В истории исследований в области нейронных сетей, как и в истории любой другой науки, были свои успехи и неудачи.

Кроме того, здесь постоянно сказывается психологический фактор, проявляющийся в неспо­собности человека описать словами то, как он думает.

Способность нейронной сети к обучению впервые исследована Дж. Маккалоком и У. Питтсом. В 1943 году вышла их работа «Логическое исчисление идей, относящихся к нерв­ной деятельности», в которой была построена модель нейрона, и сформулированы принципы построения искусственных нейронных сетей.

Крупный толчок развитию нейрокибернетики дал американский нейрофизиолог Френк Розенблатт, предложивший в 1962 году свою модель нейронной сети —- персептрон. Воспринятый первоначально с большим энтузиазмом, он вскоре подвергся интенсивным на­падкам со стороны крупных научных авторитетов. И хотя подробный анализ их аргументов показывает, что они оспаривали не совсем тот персептрон, который предлагал Розенблатт, крупные исследования по нейронным сетям были свернуты почти на 10 лет.

Несмотря на это в 70-е годы было предложено много интересных разработок, таких, например, как когнитрон, способный хорошо распознавать достаточно сложные образы не­зависимо от поворота и изменения масштаба изображения.

Разработка метода обучения обратного распространения ошибки переломило ситуа­цию вокруг нейросетей, дав мощнейший толчок дальнейшим исследованиям. Этот момент — одна из важнейших вех развития всех разработок в области искусственного интеллекта.

В 1982 году американский биофизик Дж. Хопфилд предложил оригинальную одно­именную модель нейронной сети. В последующие годы было найдено множество эффектив­ных алгоритмов: сеть встречного потока, двунаправленная ассоциативная память и др.

Нейронные сети могут быть реализованы двумя путями: программная модель НС и аппаратная. Большинство сегодняшних нейрокомпьютеров представляют собой просто пер­сональный компьютер, в чей состав входит дополнительная нейроплата. В работе они не рас­

сматриваются.

у

суммирование

нелинейное

преобразование

у, =,m>

v_i÷∑⅞x_j-

Рис. 9. Работа нейрона

В основу искусственных нейронных сетей положены черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами Рабочим элементом любой нейронной сети является нейрон. Работа нейрона (рис. 9) заключается в следующем: вычис­ляется скалярное произведение между входами и весовым вектором; этот результат переда­ется через передаточную функцию, после чего получается выходной сигнал вершины; вы­ходной сигнал передается к следующему слою, пока не будет достигнут выходной слой сети.

Основные парадигмы нейронных сетей включают в себя следующие:

- Обратное распространение

• Обобщенное дельта-правило;

• Правило нормализованного со­вокупного обучения;

• Delta-Bar-Delta обучение

(DBD);

• Расширенное Dclta-Bar-Delta обучение (EDBD);

• QutckProp;

• MaxProp,

• Fast back-prop,

• Спуск по отпряженным гради­ентам;

■ Levcπberg-Marquardt.

— Нейронная сеть общей регрессии;

— Модульная нейронная сеть;

— Вероятностная нейронная сеть;

— Сеть функции радиального базиса:

• Moody-Darkeπ сеть, использую­щая динамические к-среднее;

• Противораспросгринсние.

— Сети пополнения:

• Направленное случайное

исследование (DRS);

— Теория адаптивного резонанса:

• ART 1;

•Нечеткий ARTMAP.

— Самоорганизующиеся карты:

— Смешанные сети;

— Исторические сети:

• Adaline;

• Boltzmann;

• Brain-Statc-ln-a-Statc;

• Изучение категорий;

• Hopfield,

• Madalinc;

• Percept топ;

• SPR.

При проектировании сети необходимо точно определить следующую информацию: число элементов входа; число скрытых слоев; число элементов в каждом из скрытых слоев;

число выходных элементов; соединения элементов; передаточные функции.

При разработке нейросетевых моделей предпринимаются следующие шаги; формули­

рование идеи модели (определение входных и выходных переменных); накопление данных;

обработка и форматирование данных; создание модели нейронной сети; обучение сети; ана­лиз обученной сети; проба альтернативных проектов.

Сложная

формализуемость задач (иеформализуемость)

Отсутствие линейных зависимостей; Сложно сть*с ама-по -себе;

Нерсдуцируемость к простому.

Теорія систем и системного анализа

Многомерность данных;

Рассмотрение системы как одного целого;

Свойства системы не просто сумма свойств ее элементов;

Система является подсистемой.

Компьютерные системы поддержки принятия ре ГОЄНИЙ

Развитие информационных технологий

Теорія

принятия

решений

Модели представления данных

Перенос интереса с > из «зяать-что»

9 9

Ускорение доступа к любой

информации

(Iflternet)

Рис. 10. Взаимосвязь компонентов современного состояния ситуации в области анализа и прогноза данных гостиничных предприятий

Одно из важнейших свойств нейронной сети — способность к самоорганизации, са- моадагттации с целью улучшения качества функционирования Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила опреде­ляют, каким образом изменяются связи в ответ на входное воздействие.

Итак, общая схема взаимосвязей описанных выше компонент управления и анализа деятельности предприятия представлена на рис. 10. На нем отражено мнение автора о сло­жившейся на текущий момент ситуации и предпосылках вокруг прогнозирования на пред­приятиях индустрии гостеприимства.

Из рисунка видно, что главными причинами становятся увеличение объема информа­ции, необходимость в ускорении ее обработки и параллельное всему этому развитие инфор­

мационных технологий, которые помогают гостиничному предприятию, как и любому дру­гому, справиться с первыми двумя причинами.

В центр рисунка поставлены нейронные сети. Сделано это по причине способности их довольно успешно справляться с требованиями окружающих элементов, что является до­вольно редкой особенностью для остальных методов, способных справляться с элементами

только по отдельности.

Кроме того, можно сказать даже больше: использовать надо не просто ту или иную единичную нейронную сеть, а целые комплексные модели, состоящие из нескольких видов нейронных сетей, результаты одной из которых являются входными данными для другой.