Специалистами Алтайского государственного технического университета ведутся научно- исследовательские и конструкторские работы по развитию информационных систем хозяйствующих субъектов. Достигнуты определенные успехи в области создания систем производственного, финансового менеджмента, комплексного бухгалтерского учета и финансового анализа, маркетинга, сбыта и реализации готовой продукции. В настоящее время эти системы развиваются с целью перевода их в разряд информационно - советующих. Следует отметить, что данные работы являются актуальными вследствие ряда обстоятельств. В их числе достаточно высокий уровень развития информационных технологий, инструментальных средств искусственного интеллекта и нейроинформатики. Кроме того, следует отметить, что качество работы информационной системы, относящейся к классу сложных, напрямую зависит от соответствия ее организационной и технической подсистем, находящихся в постоянном взаимодействии (рис. 1). Опыт внедрения информационных систем показывает, что до тех пор пока эти две подсистемы не будут максимально соответствовать одна другой, все попытки внедрения не венчаются успехом. И, наоборот, при определенном уровне программно-технической составляющей, например, по мере развития диалоговых режимов взаимодействия, графических и мультимедиа средств, автоматизированные системы начинают работать с лучшей эффективностью. Максимального качества информационной системы можно достичь, если блок программно-технической составляющей будет реализован с использованием методов искусственного интеллекта, что обеспечит гибкое его взаимодействие с организационной подсистемой.

В настоящее время наблюдается усложнение внешних связей предприятия вследствие перехода на новые экономические условия. Взаимодействие с внешней средой определяется пространством показателей. Множества показателей, составляющие эти пространства, имеют значительные мощности. Они формируют функции цели, которые могут быть траекторными, рабочими и ситуационными. Характер изменения этих показателей часто не предсказуем. Поэтому задачи определения рациональных решений не могут быть решены точными методами. Часто для этих целей необходим интеллект человека и накопленный опыт в базах знаний.

В работе [6] представлена общая структура информационной системы производственного менеджмента, где описываются автоматизированные рабочие места (АРМ) менеджеров, экономистов и других специалистов предприятия. В каждом АРМе для автоматизации оценки производственных ситуаций и выработки рациональных решений наиболее приемлемы методы искусственного интеллекта [4]. Для реализации таких систем возможно использование экспертных систем, основанных на следующих методах пред-

ставления знаний: правил продукций, логики предикатов, фреймов, семантических сетей, прецедентов, а также нейросетевой парадигмы. Возможно построение гибридных интеллектуальных комплексов, состоящих из элементов с различными подходами к построению баз знаний [2]. Следует отметить, что применение экспертных систем и стохастических моделей для решения таких задач затруднено рядом причин, среди которых можно выделить следующие: большое число АРМов и аналитических показателей в информационных системах, особенно для кру-пных предприятий; значительное число правил продукций при построении обычных экспертных систем, формируемых инженерами по знаниям - когнитологами, отсутствие достаточного их контингента для поддержания на качественном уровне многочисленных баз знаний в информационных системах предприятий; большие объемы статистических выборочных данных и существенная их зашумленность.

В этом случае использование нейросетевого подхода [3] имеет ряд достоинств. В их числе: возможность дообучения нейроимитаторов, в том числе автоматического, независимо от числа входных переменных. Имеются также преимущества при работе с зашумленными выборочными данными, ввиду регуляризирующих свойств нейросетей по сравнению с обычными статистическими моделями. Это позволяет получить лучшее качество идентификации. Следует также отметить возможности организации параллельных алгоритмов, быстродействие, устойчивость, надежность нейросетевых технологий.

Разрабатываемые информационные системы создаются на основе объектного подхода к анализу предметной области [1]. На базе этого подхода строится объектная информационная модель предметной области. Она определяет пространство первичных показателей, описывающих состояние предметов и процесса производства. На основе него формируется множество экономических показателей учетных, нормативных, плановых, аналитических, которые используются в качестве обучающих выборок и входных управляемых переменных нейросетевых элементов. Этот подход обеспечивает однозначное преобразование свойств, характеристик и параметров предметной области в ее аналитическую модель, информация которой используется в интеллектуальных блоках. Такое однозначное отображение обеспечивает качество нейросетевых прогнозов и оценок. Следует отметить, что при известном функциональном подходе существует дублирование информации в пространствах показателей, отображающих предметную область. Поступление неоднозначной информации о состоянии производства в интеллектуальные блоки снизит качество предсказаний. Это можно подтвердить аналогиями деятельности организации. Известно, что, если менеджеру с разных источников поступает противоречивая информация, принять качественное решение практически невозможно.

Рациональной формой организационных управленческих систем является иерархическая структура [1,5]. На каждом из уровней менеджерами принимаются решения, для чего оцениваются значительные объемы аналитических показателей. Согласно объектному подходу на нижних уровнях формируется пространство входных показателей, адекватно отображающих предметную область, при движении вверх происходит преобразование этих пространств за счет их погружения в среду соответствующего уровня, имеющую определенные целевые установки и правила предпочтения. При реализации такой схемы появляются определенные преимущества за счет объединения двух подходов: объектного и иерархического. Этим обеспечиваются однозначные отображения предметной области и погружение информации в разные управленческие уровни.

Основываясь на вышеизложенном, следует предположить, что структура интеллектуальных информационных систем предприятий должна иметь аналогичную иерархическую структуру (рис 2.). На первом уровне в информационной системе рассчитывается множество экономических показателей (,...) , которые анализируются мастерами для выработки рациональных управленческих решений. При использовании нейронной сети, эти показатели поступают на ее вход. На ней вырабатывается - вектор показателей, определяющий оценку состояния экономического объекта в текущий момент времени. Выходные показатели могут иметь количественное значение, либо при помощи таблиц соответствия преобразовываться в семантические выражения. При анализе параметров менеджером будет возникать необходимость в их корректировке для установления соответствия с постоянно развивающимися опытом пользователя и внешними экономическими условиями. Для этого предусматривается возможность дообучения нейронной сети. При этом менеджером производится формирование измененных параметров обучающей выборки , соответствующих критериям оценки производственно-финансового состояния объекта. Данная информация используется при выполнении процедур повторного обучения нейроимитаторов.

Такие же процессы происходят на вышестоящих уровнях управления. Кроме более укрупненных экономических показателей (,... ), на вход нейронной сети поступают с нижних уровней значения выходных показателей , определяющих решения мастеров участков. Аналогичные блоки работают на уровнях предприятия и объединения и используются менеджерами для эффективного управления.

Интеллектуальные блоки включаются в информационную систему конкретного специалиста (экономиста, производственного менеджера, финансового менеджера и т.д.). При этом возможна более глубокая специализация интеллектуальных систем и формирование их структур в зависимости от решаемых задач, которая по аналогии с деятельностью человека существенно повышает качество оценки. Например, для решения задачи оценки деятельности предприятия все множество финансовых показателей может быть представлено как объединение подмножеств:

,

где представлены следующие показатели: - финансовой устойчивости, - ликвидности, - оборачиваемости, - состояния расчетного счета, - задолженности, - актива и пассива баланса. Число данных подмножеств и их содержание не постоянно и определяется финансовым менеджером.

Следует отметить, что наиболее качественных результатов можно достичь, если каждый показатель будет представлен с учетом тренда. Например, для i - го показателя финансовой устойчивости (коэффициент финансового рычага, обеспеченность собственными средствами и т.д.) могут быть представлены значения в моменты текущего и предыдущего времени: : . При таком выражении показателей реально выполнение функций прогнозирования оценки финансового состояния предприятия. Основываясь на вышеизложенном, можно построить следующую иерархическую структуру интеллектуальных систем (рис.3). Каждый интеллектуальный блок IS представляет специализированную экспертную систему, осуществляющую преобразования для определения соответствующих оценок финансового положения предприятия. На первом уровне определяются локальные , а на втором итоговый - критерии оценки финансового положения предприятия:

,,,,,. Вид преобразования определяется методами представления знаний в экспертных системах, которые могут быть построены на базе нейронных сетей, логики предикатов, правил продукций, семантических сетей, фреймов и других.

Для прогнозирования экономического состояния хозяйствующего субъекта, реинжиниринга бизнес-процессов и выработки рациональных управленческих решений эффективно применение имитационного моделирования [7]. На рис. 4 показана общая схема проведения имитационных экспериментов в интеллектуальной системе. Выходные результаты имитационного моделирования поступают на вход интеллектуальных комплексов. В них производится диагностика производственных ситуаций. Результаты машинного анализа используются экспертами для выработки рациональных решений. Если результаты оказались неудовлетворительными, эксперт в диалоговом режиме производит настройку параметров и запуск имитационной системы для последующего проведения имитационных экспериментов.

Кроме того, возможно применение нейросетевых технологий для выработки рациональной траектории проведения имитационных экспериментов (рис. 5). В этом случае полученные в результате имитационного эксперимента параметры поступают на вход заранее обученного нейросетевого блока, который вырабатывает вектор

, элементы которого полностью определяют вариант настройки имитационной модели, т. е. вектор ее неуправляемых параметров. В зависимости от значений параметров вектора возможен выбор тех или иных алгоритмов в блоках принятия решений имитационных моделей.

На рис.6 приведен пример использования интеллектуальных элементов в имитационной модели оперативного управления отгрузкой готовой продукции. Описание алго-

ритма функционирования данной модели приведено в работе [7]. Совершенствование этой модели заключается в использовании интеллектуальных блоков: 1) для прогнозирования фактического выпуска продукции, поступления транспортных средств и динамических стоимостей транспортных единиц (бл.5,6,8); 2)выбора тех или иных алгоритмов в блоках принятия решений имитационных моделей(бл.7). Для имитационного моделирования поступления транспортных единиц, выпуска готовой продукции, генерации динамических стоимостей могут использоваться нейросетевые модели, прогнозирующие временные ряды или имитирующие отклонения случайных переменных от фактических значений(поступления транспорта, выпуска готовой продукции, динамических стоимостей транспортных единиц). Например, для обучения нейронной сети предсказанию отклонения выпуска продукции от запланированного в обучающей выборке должны бать значения данных за предыдущие плановые периоды: план производства, сезон года, объем производства, тип производства, средняя заработная плата работающих на хозяйствующем субъекте и другие, в качестве оценки - отклонение фактического производства от плана. Данные выборки будут достаточно представительными, так как они формируются при ежедневной обработке производственной информации. Однако вследствие неопределенности постоянно складывающихся производственно - хозяйственных ситуаций они достаточно сильно зашумлены. Для таких данных, как было сказано выше, нейросетевой подход имеет определенные преимущества. Таким образом, можно проводить ежедневное формирование обучающих выборок и обучение, дообучение нейросетевых блоков.

Вторым применением нейросетевых технологий является их использование в блоках принятия решений имитационных моделей. Здесь производится выборка того или иного алгоритма принятия решений в соответствии с текущими значениями параметров.

Например, для моделей сбыта (рис. 6) - выбор того или иного алгоритма подбора транспортных единиц для отправки в заданный период имитационного времени, для производственных моделей - выбор алгоритма формирования графиков загрузки оборудования, для моделей финансовых рынков - определение вариантов приобретения акций на бирже т.д. В настоящее время имеются многочисленные алгоритмы для решения тех или иных производственных задач. Основной трудностью является выбор алгоритмов, удовлетворяющих заданным критериям качества. Для этой цели эффективно применение заранее обученной нейронной сети.

Следующим важным направлением применения нейросетевых технологий является прогнозирование временных рядов показателей. Наиболее распространенными является прогнозирование временных рядов финансовых показателей, спроса на продукцию на основе исследования тенденций рынка по статистическим данным, полученным на основе работы информационной системы предприятия. Обучающая выборка формируется на основе значений показателей в предыдущие периоды времени, а также значений других качественных факторов - сезон, вид деятельности предприятия, характер производственно-финансового окружения и т.д. Технология нейропредсказаний состоит из ряда последовательных этапов: погружение ряда, выделение признаков, обучение нейросетевых элементов, адаптивное предсказание и принятие решений. В отличие от традиционных нейросетевые методы имеют ряд преимуществ за счет ярко выраженных свойств адаптивности, регуляризации данных. Кроме того, качество прогнозов улучшается при использовании “консилиума” нейросетей при выработке решений [3]. Проведенные эксперименты на реальных выборочных данных при решении задач прогнозирования финансово-аналитических показателей и спроса на продукцию предприятия подтвердили преимущества нейросетевых технологий.

Все более широкий размах приобретает использование технологий Интернет в бизнесе предприятий. Они применяются для поиска информации о новых технологиях, поставщиках и потребителях, для проведения маркетинговых исследований, интерактивного обслуживания клиентов и сопровождения продукции. Эта информация значительна по объемам, часто противоречива, поэтому актуальными являются задачи автоматизации извлечения знаний, а также поиска закономерностей и связей в информации, содержащейся в глобальной сети Интернет. Для решения таких задач эффективно применение технологий искусственного интеллекта, в том числе нейросетевых методов. При этом используются такие возможности нейронных

сетей, как высокая скорость обработки данных, малая ресурсоемкость, возможность нахождения закономерностей в большом потоке противоречивой информации, сохранение связей между важными факторами, сокращение объемов получаемой информации с сохранением смысла, а также ее ассоциативное запоминание. При исследованиях рынка из сети Интернет извлекается информация о поставщиках и потребителях, ассортименте, ценах, объемах и качестве товаров, продукции, услуг. Для классификации и группировки этой информации в соответствии с заданными критериями используются нейросетевые методы ассоциативной памяти карт самоорганизации Кохонена [9]. При помощи этих процедур выполняется решение задачи нахождения кластеров данных по исследуемым признакам: ценам, качеству товаров, характеристикам поставщиков и потребителей, их местонахождении и условиям поставки. Нейронная сеть обучается без учителя на основе самоорганизации. Сгруппированная информация представляется пользователю визуально в виде карт Кохонена,

где наглядно видны группы предприятий с заданными характеристиками, а также зоны возможного риска и успеха при взаимодействии с ними. Анализ данных карт, с возможностью непосредственного контакта с поставщиками и потребителями по сети Интернет, существенно упрощает деятельность менеджеров по выбору стратегии и тактики функционирования предприятия.

Технологии искусственного интеллекта применяются также для организации интеллектуальных интерфейсов пользователя с программно - техническими комплексами (рис. 7). Разрабатываются средства адапта-ции системы к конкретному специалисту. Для этого реализуются функции распознавания действий человека и текущего состояния информационной системы, определение класса пользователя и в зависимости от этого проведения непрерывного его обучения в соответствии со степенью образования. При работе интеллектуальных систем ввода данных применяются два уровня контроля входной информации. На первом уровне используется логический контроль данных и действий

пользователя. Для этих целей возможно использование традиционных экспертных систем. В результате работы этих блоков формируются контрольные сообщения и обобщающие параметры, показывающие класс работы пользователя (качество ввода, категория допущенной ошибки, характеристика недопустимого действия). Сформированные параметры используются во втором уровне логического контроля данных. Для этого применяется обученная нейронная сеть. Выходным параметром сети является класс пользователя. Он определяет квалификацию пользователя, критерий качества его работы. В зависимости от значения производится автоматический выбор обучающего теста и настройка программы ввода. Обучающие инструкции при необходимости выдаются на экран видеотерминала.

При создании интеллектуальных информационных систем изменяется технология их разработки и эксплуатации. На рис. 8 показано содержание этапов жизненного цикла интеллектуальных программных изделий. На этапе проектирования обязателен этап обучения нейросетевых блоков, а при эксплуатации необходимо постоянное их дообучение. При таком подходе увеличится трудоемкость разработки информационной системы, поэтому актуальным становится создание средств автоматизации проектирования интеллектуальных систем [8]. Данные CASE средства позволяют производить генерацию обучающих выборок в соответствии со структурой предметной области, разработать архитектуру нейросетевых блоков с генерацией их кодов для последующего включения в проекты интеллектуальных информационных систем.

Представленные в статье технологии являются основой при проведении работ специалистами университета по проектированию интеллектуальных информационных систем и их внедрению на предприятиях страны.

СПИСОК ЛИТЕРАТУРЫ