Federalna Agencja Edukacji

Państwowa wyższa uczelnia zawodowa

Korespondencja stanu północno-zachodniego

uniwersytet Techniczny

Instytut Przemysłu i

innowacyjne programy

Katedra Ekonomiki i Zarządzania Przedsiębiorstwem

Test dyscyplinarny

« Technologia informacyjna w ekonomii ”.

Temat: 1. „Główne rodzaje działalności gospodarczej,

które wykorzystują technologie informacyjne. "

2. „Sposoby realizacji technologii informatycznych”.

3. „Cechy technologii mobilnej przedsiębiorczość ”.

4. “Rola i miejsce automatycznej informacji

systemy w gospodarce. Model informacyjny przedsiębiorstwa ”.

Wypełnione przez ucznia: Shestakova Maria Dmitrievna

Specjalność: 80502.65

Kod: 578030493

Nauczyciel: Babkin

Petersburg

Plan pracy.

Temat 1.

″ Główne rodzaje działalności gospodarczej, w których stosuje się technologie informacyjne. ″

Wprowadzenie.

Główną koncepcją jest e-biznes.

Składniki:

- technologie handlu elektronicznego;

- technologia aukcji elektronicznych;

- banki elektroniczne;

- telefonia IP;

- telefonia internetowa;

- technologie elektronicznego oznakowania;

- elektroniczne prace badawczo-rozwojowe;

- franczyza elektroniczna;

- e-mail;

- marketing e-mailowy;

- elektroniczne zarządzanie zasobami operacyjnymi (ORM);

- elektroniczne zarządzanie dostawami;

- elektroniczne usługi maklerskie.

Wniosek.

Temat 2.

″ Sposoby wdrażania technologii informatycznych. ″

- Metodyczne.

- Informacyjny.

- Algorytmika.

- Techniczne.

- Oprogramowanie.

Temat 3.

″ Funkcje technologii mobilnej przedsiębiorczość. ″

Handel mobilny:

- technologia handlu towarami i usługami łączności ruchomej;

- technologia handlu treściami mobilnymi;

- renderowanie dodatkowe usługi operatorzy komórkowi.

Temat 4.

″ Rola i miejsce zautomatyzowanych systemów informacyjnych w gospodarce. Korporacyjny model informacyjny. ″

I. Zautomatyzowane systemy informacyjne.

Klasyfikacja:

· Ze względu na charakter informacji;

· Według zakresu.

Temat 1.

Główne rodzaje działalności gospodarczej wykorzystujące technologie informacyjne.

Wprowadzenie.

Ekonomiczne aspekty wpływu technologie informacyjne na sferach wymiany i konsumpcji są bardzo niejednoznaczne.

Powstanie nowe technologie informacyjne - zamach stanu, który wstrząsa podstawami tradycyjnej gospodarki. Przejście do Internet - to nowe możliwości osiągnięcia zysku poprzez zwiększenie dotychczasowej zbywalności. Internet - główne narzędzie informacyjne dla producentów i konsumentów.

Technologia informacyjna generalnie można go scharakteryzować jako proces składający się z jasno uregulowanych reguł wykonywania operacji, działań o różnym stopniu złożoności na danych przechowywanych w komputerach. główny cel informacja technologie - w wyniku ukierunkowanych działań przetwarzania danych pierwotnych, w celu uzyskania informacji niezbędnych użytkownikowi. Główne środowisko dla technologie informacyjne są systemy informacyjne.

Zgodnie z definicją przyjętą przez UNESCO, informacja technologia to zbiór powiązanych ze sobą dyscyplin naukowych, technologicznych i inżynieryjnych, które badają metody efektywnej organizacji pracy osób zajmujących się przetwarzaniem i przechowywaniem informacji, a także technologie obliczeniowe oraz metody organizowania i współdziałania z ludźmi i urządzeniami produkcyjnymi.

W zależności od konkretnych problemów aplikacyjnych, które wymagają rozwiązania, można stosować różne metody przetwarzania danych i różne środki techniczne.

Technologia informacyjna w ekonomii jest środkiem wirtualny gospodarka.

Wirtualna ekonomia To środowisko, specjalna przestrzeń gospodarcza, w której prowadzony jest e-biznes, czyli gospodarka oparta na wykorzystaniu interaktywnych możliwości. Rozważana przestrzeń ma specyficzne cechy, które odróżniają ekonomię wirtualną od zwykłej niewirtualnej gospodarki offline.

Wirtualna ekonomia często dzwonią nowa gospodarka aby podkreślić różnicę w stosunku do starej, tradycyjnej gospodarki.

Rozważmy bardziej szczegółowo cechy nowa gospodarka.

Podstawą działalności gospodarczej jest biznes. W wirtualny gospodarka jest koncepcja e-biznes .

Biznes elektroniczny - jest to działalność dochodowa firmy oparta na technologiach cyfrowych i świadczonych przez nie korzyściach.

Ryc.1. Obszary zastosowań e-biznesu.

Pojęcie " Biznes elektroniczny " obejmuje wiele różnych koncepcji informatycznych:

▪ technologie handlu elektronicznego;

▪ technologie aukcji elektronicznych;

▪ banki elektroniczne;

▪ telefonia IP;

▪ telefonia internetowa;

▪ technologia znaków elektronicznych;

▪ elektroniczne prace badawczo-rozwojowe;

▪ franczyza elektroniczna;

▪ e-mail;

▪ marketing e-mailowy;

▪ elektroniczne zarządzanie zasobami operacyjnymi (ORM);

▪ elektroniczne zarządzanie dostawami;

▪ elektroniczne usługi maklerskie;

▪ randki komputerowe.

Rozważmy te koncepcje bardziej szczegółowo.

Technologie handlu elektronicznego.

Handel elektroniczny (e-commerce) – jest to jeden ze sposobów e-biznes ... Biorąc pod uwagę problemy mi handel , należy zwrócić uwagę na podwójną interpretację samego terminu. Czasami o tym mowa ecommerce oznacza wyłącznie działalność komercyjną dostawców usługi internetowe (IPS - Internet Usługodawcy), ale znacznie częściej ecommerce podać szerszą interpretację, obejmującą wszystkie możliwe sposoby wykorzystania sieci w celach komercyjnych. ISP usługi internetowe Jest firmą handlową, która zapewnia dostęp do Internet , wspierając go za określoną opłatą i świadczy usługi z tym związane na życzenie klientów.

Semestr „e-commerce” łączy wiele różnych technologii:

▫ EDI (protokół elektronicznej wymiany danych);

▫ e-mail;

▫ Internet;

▫ Intranet (wymiana informacji w firmie);

▫ Extranet (wymiana informacji ze światem zewnętrznym).

Najbardziej rozwinięty technologia informacyjna na których może się opierać handel elektroniczny , uważane protokół elektroniczny wymiana danych – EDI (elektroniczna wymiana danych) Jest metodą kodowania transakcji sekwencyjnych i ich przetwarzania on-line.

Każdy handel, w tym handel elektroniczny w Internet, dzieli się na dwie szerokie kategorie:

1. biznes-konsument - B2C - ″ firma - konsument ″;

2. business-to-business - B2B - ″ firma - firma ″.

Model podstawowy Handel B2C Są detaliczne Sklepy internetowe. Ogólnoświatowy system B2C to rozwinięta struktura, aby sprostać wymaganiom konsumentów. W ciągu ostatnich kilku lat elektroniczny handel rodzaj B2C weszła nowa scena jego rozwój. Dochodzi do fuzji małych firm, dublujących się w zakresie oferowanych produktów lub ich wchłaniania przez dużych konkurentów.

Rynek B2B został stworzony specjalnie dla organizacji w celu wspierania interakcji między firmami a ich dostawcami, producentami i dystrybutorami. Ten rynek otwiera znacznie więcej możliwości niż sektor Handel B2C.

Jeśli chodzi o komercyjne wykorzystanie możliwości Sieci internetowe przez różne podmioty gospodarcze w strukturze mi handel z reguły istnieje kilka linków:

▫ realizacja operacji kupna i sprzedaży w kanałach Sieci;

▫ usługi posprzedażowe dla klientów;

▫ budowanie relacji z klientami.

Sprzedaż i zakupy przez Internet są istotą mi handel .

Reklama w Internet ma ogromne znaczenie, a reklama internetowa różni się od jej tradycyjnych rodzajów. To przede wszystkim reklama banerowa i umieszczanie informacji reklamowych na najczęściej odwiedzanych serwerach. Aby zmierzyć skuteczność reklamy w sieci, możesz skorzystać z metody zliczania odwiedzin i kolejnych zamówień produktów.

Informatyzacja społeczeństwa prowadzi do internacjonalizacji produkcji. Bilans handlu zagranicznego odpowiedniej wiedzy zawodowej służy jako wskaźnik technicznej potęgi państwa iz tym właśnie wiąże się pojęcie technologii informacyjnej. Realizowany jest poprzez rynek licencji na wyroby produkcyjne, różnego rodzaju know-how, a także konsultacje w zakresie stosowania produktów wysokiej technologii.

Dzięki ewolucji rynku światowego kraj zyskuje przewagę, która zajmuje się sprzedażą produktów high-tech, w tym nowoczesnej wiedzy fachowej i najnowszych technologii. Istnieje aktywny handel niewidzialnym produktem w postaci wiedzy, kultury, aktywnie narzucane są stereotypy zachowań. To był powód, dla którego w społeczeństwo informacyjne informacja, kreatywność i wiedza działają jako zasoby strategiczne. A ponieważ talenty nie są tworzone, istnieje potrzeba stworzenia kultury, czyli warunków, w których talenty mogą się rozwijać i kwitnąć. Wpływ technologii komputerowej, wyrażający się w nauczaniu na odległość, jest tutaj ogromny, gry komputerowe, filmy itp.

Technologie informacyjne w ekonomii i ich implementacja

Celem systemu informatycznego jest przechowywanie, wyszukiwanie i udostępnianie danych na żądanie użytkowników. Istotą systemu informacji gospodarczej jest przetwarzanie odpowiednich informacji. to statystyka, księgowość, ubezpieczenia, kredyty i finanse, bankowość, a także inne rodzaje działalności handlowej. Aby móc go używać w miejscu pracy, musi być zaprojektowany z wykorzystaniem technologii informacyjnej. Należy zauważyć, że w przeszłości proces projektowania systemu był oddzielony od przetwarzania informacji w domenie. W tej chwili istnieje również samodzielnie, wymagając od projektantów najwyższych kwalifikacji. W tej chwili w gospodarce istnieją technologie informacyjne, które są nie tylko dostępne dla każdego użytkownika, ale także pozwalają na połączenie procesu projektowania poszczególnych elementów systemu z przetwarzaniem informacji. Może to być elektroniczne biuro, poczta e-mail, arkusze kalkulacyjne, edytory tekstu i nie tylko. Kontynuowany jest trend tworzenia technologii informacyjnych dostępnych dla użytkowników.

Okazuje się, że miejsce pracy wykorzystuje zarówno technologie informacyjne w gospodarce, które są rozwijane przez projektantów, jak i technologie informacyjne, które umożliwiają automatyzację działań w ich miejscu pracy.

Można wyróżnić następujące cechy przejścia do informatyzacji społeczeństwa: reorientację gospodarki w kierunku wyzysku, powielanie wiedzy zawodowej, zaangażowanie profesjonalistów w proces formalizacji wiedzy, a także przyspieszenie cyklu „wiedza-produkcja-wiedza”.

Technologia informacyjna w gospodarce oznacza wykorzystywanie komunikacji telefonicznej, telewizji kablowej, sprzętu powielającego, komputerów, wydawanie programów edukacyjnych i tak dalej. Dzięki rozwojowi relacji rynkowych pojawiają się nowe rodzaje obaw dotyczących powstawania firm zajmujących się biznesem informacyjnym, rozwojem technologii informatycznych, dystrybucją elementów zautomatyzowanych systemów.

Dzięki temu możliwe jest nie tylko szybkie rozpowszechnianie i efektywne wykorzystanie technologii informacyjnych, ale także tworzenie ich w ogromnej różnorodności. I tutaj ważne jest, aby zrozumieć, że informacja ekonomiczna jest ważnym elementem całego procesu.

Federalna państwowa edukacyjno-budżetowa instytucja szkolnictwa wyższego

„UNIWERSYTET FINANSOWY

POD RZĄDEM FEDERACJI ROSYJSKIEJ "

(Uniwersytet Finansowy)

Katedra "Mikroekonomii"

Kurs pracy

„Nowe technologie i ich rola we współczesnej gospodarce”

Zakończony:

uczeń grupy U1-2

Bakhshiyan P.K.

Kierownik:

doktor nauk ekonomicznych, prof

Nikolaeva I.P.

Moskwa 2013

Wprowadzenie

1. Miejsce i rola nowych technologii we współczesnej gospodarce

1.1 Nowe technologie w nowoczesnych gospodarkach

1.2 Periodyzacja rozwoju technologicznego

2. Nowe technologie jako motor postępu produkcji

2.2 Trzecia rewolucja przemysłowa

2.3 Innowacyjne przedsiębiorstwa przyszłości

3. Rozwój nowych technologii w Federacja Rosyjska

3.1 Problemy rozwoju nowych technologii w Rosji

Wniosek

Lista referencji

Aplikacje

Wprowadzenie

Cała historia rozwoju ludzkości to historia rozwoju i doskonalenia technologii i narzędzi (urządzeń) używanych przez człowieka. Kilka tysięcy lat temu człowiek zaczynał od zwykłego kija, a dziś osiągnął niesamowite wyżyny rozwoju technicznego i technologicznego. Systemy i struktury techniczno-ekonomiczne były przez człowieka nieustannie doskonalone przez cały okres jego istnienia. Jednak w poprzednich tysiącleciach proces ten nie był tak „wybuchowy”. Przejście od jednej struktury techniczno-gospodarczej do innej może trwać wieki, a nawet tysiąclecia, ale XX i XXI wiek pokazał nam bezprecedensowe tempo zmian i doskonalenia technologii wykorzystywanych przez człowieka i środki techniczne... Taki sukces we wdrażaniu innowacji i ich wpływie na wszystkie sfery życia publicznego nie mógł nie wzbudzić zainteresowania ekonomistów. Nauki ekonomiczne na początku XX wieku zaczęły badać procesy innowacyjnego rozwoju jako takiego oraz badać ich główne cechy i wzorce. Wielu znanych ekonomistów, takich jak J. Schumpeter, J. Hicks, R. Solow, poczyniło w tym znaczący postęp. Świat jednak szybko się zmienia, a wyłącznie naukowe zainteresowanie rozwojem technologicznym od początku do połowy XX wieku zostało zastąpione zainteresowaniem państwa, a przede wszystkim przedsiębiorców. Stało się to dzięki uświadomieniu sobie, że innowacyjne technologie i ich wdrażanie stały się praktycznie jedynymi kluczami do udanej działalności gospodarczej w warunkach współczesnej gospodarki, czy też, jak to się powszechnie nazywa, „nowej gospodarki”.

Z punktu widzenia mikroekonomii nowe technologie są narzędziem, dzięki któremu firmy utrzymują swoją konkurencyjną pozycję na rynku, oszczędzając na kosztach i / lub różnicując swoje produkty. Rozwój i wdrażanie innowacyjnych technologii i technik to w zasadzie jedyne efektywny sposób utrzymywanie lub przejmowanie pozycji rynkowych.

Niniejsza praca poświęcona jest analizie roli nowych technologii we współczesnej gospodarce i ich wpływu na nią.

1. Miejsce i rola nowych technologii we współczesnej gospodarce

1 Nowe technologie we współczesnych systemach gospodarczych

Siłą napędową rozwoju społeczno-gospodarczego był zawsze postęp naukowo-techniczny, którego podstawowym celem jest poszukiwanie nowych sposobów zaspokojenia potrzeb społeczeństwa najniższymi kosztami i zasobami przy zachowaniu ekosystemów. Aby wzrost gospodarczy odbywał się w oparciu o postęp techniczny lub technologiczny, konieczne jest posiadanie struktury o pewnym stopniu złożoności, na którą decyduje liczba odtwarzalnych technologii, ich potencjał energetyczny, czynniki postępu naukowo-technicznego, właściwości rdzenia samorozwoju, stymulowanie powiązań z sektorami gospodarczymi oraz rozwój gospodarczy.

Technologia jest rozumiana jako wykorzystanie różnych praw fizycznych, chemicznych, biologicznych i społecznych w ramach dowolnego urządzenia, urządzenia, urządzenia w celu uzyskania lub wdrożenia określonego procesu, w którym zachodzi potrzeba (potrzeba) lub do tworzenia produktów, technologii, usług, które mają wystarczająca użyteczność dla ludzi.

Systemy techniczne składają się z obiektów techniki i technologii, które są kontrolowane i kontrolowane przez człowieka. Wszystkie sfery współczesnego życia publicznego można przedstawić jako interakcje złożonych systemów gospodarczych. Ponieważ obiekty techniki, systemy techniczne są tworzone przez człowieka, głównym celem jest uzyskanie jak największej liczby użytecznych wyników minimalny koszt.

Rozwój technologii jest dziś niemożliwy bez współdziałania skoncentrowanych zasobów, w tym bodźców intelektualnych i ekonomicznych, prowadzących do twórczej, naukowej, inżynierskiej działalności. Tworzenie zachęt ekonomicznych jest zadaniem planowania i projektowania instytucjonalnego.

Również przy badaniu nowych technologii należy brać pod uwagę taki parametr innowacyjnych (i nie tylko) systemów technicznych, jak produktywność. Adaptacyjność systemu rozumiana jest jako zespół właściwości elementów tego systemu, które determinują jego zdolność do realizacji optymalnych kosztów produkcji, eksploatacji i naprawy przy niezbędnych parametrach jakościowych, wielkości produkcji, zużyciu i warunkach rozwoju. Wytwarzalność systemu technicznego ma ilościowy i jakościowy aspekt zmian. Wskaźnik produktywności systemu gospodarczego jest ilościową charakterystyką funkcjonowania systemu.

Bardzo istotną koncepcją jest pojęcie „zapewnienia produktywności” systemu gospodarczego, które zdaniem autora należy rozumieć jako zbiór narzędzi mających na celu zapewnienie niezbędnych funkcji systemu, przezwyciężenie lub zmniejszenie stopnia jego nieefektywności. Innymi słowy, mówimy o zestawie miar do zarządzania systemem, można by nawet powiedzieć, miarach zwiększających możliwości zarządzania systemem.

Podsumowując, możemy powiedzieć, że produktywność systemu technicznego (ekonomicznego) jest jednym z celów wprowadzenia nowych technologii w przedsiębiorstwie, ponieważ to właśnie ten wskaźnik pozwala nam najrzetelniej ocenić skuteczność tego systemu. Jak wspomniano wcześniej, głównym celem rozwoju i wdrażania innowacyjnych technologii jest zwiększenie wielkości produkcji przy jednoczesnym zwiększeniu oszczędności zasobów, tj. przy jednoczesnym obniżeniu kosztów produkcji. Moim zdaniem przedsiębiorstwa, które osiągnęły wysoki wskaźnik produktywności systemu technicznego swojej produkcji, mają możliwość wykorzystania nowego celu nowych technologii, a mianowicie: zróżnicowania swoich produktów.

1.2 Periodyzacja rozwoju technologicznego

Badanie nowych technologii w ogóle byłoby niepełne bez badania historii etapów rozwoju technologicznego. Każdemu etapowi innowacyjnego rozwoju towarzyszyła radykalna zmiana struktur technicznych i ekonomicznych, która pociągała za sobą nieodwracalne skutki we wszystkich sferach życia społecznego. Analiza periodyzacji rozwoju technologicznego jest o tyle interesująca, że \u200b\u200bpozwala zidentyfikować pewne ogólne wzorce zmian struktur technicznych i ekonomicznych oraz wprowadzania w tym czasie nowych, innowacyjnych technologii. Oczywiście XXI wiek bardzo różni się od wszystkich poprzednich (znacznie bardziej niż, powiedzmy, wiek XIX różni się od wieku XVIII), a wiele cech i wzorców innowacyjnego rozwoju z przeszłości jest całkowicie błędnych w obecnych warunkach, ale kilka, z najważniejszych, wciąż jest interesujących.

Gospodarka oparta na nowym porządku technologicznym nie może pomyślnie funkcjonować, jeśli nie służy, bezpośrednio lub pośrednio, swemu naturalnemu celowi - zaspokajaniu ludzkich potrzeb, zwiększaniu dochodów i dobrobytu narodowego. Skupienie się na zaspokajaniu potrzeb staje się absolutnie konieczne przy podejmowaniu strategicznych decyzji w zakresie innowacji, inwestycji strukturalnych i innych obszarów działalności produkcyjnej. Gospodarka działająca jednocześnie na trzech paradygmatach technologicznych również nie może pomyślnie funkcjonować, ponieważ nie może odtworzyć jednocześnie trzech paradygmatów technologicznych ze względu na brak równowagi w dystrybucji zasobów między nimi. Problem odtworzenia struktur technologicznych to problem nie tylko rozwoju struktury technologicznej gospodarki, ale także dostosowania podmiotów gospodarczych, ich modeli zachowań, istniejących instytucji i porozumień instytucjonalnych. Rodzaje nośników energii ewoluują, pojawiają się nowe, co pozwala kojarzyć rozwój technologiczny z ich rodzajami, a PNB - z całkowitym zużyciem tych nośników energii. Pierwszy etap rozwoju technologicznego związany jest z wykorzystaniem drewna opałowego jako pierwotnego źródła energii, drugi z wykorzystaniem węgla, trzeci z ropą, czwarty z gazem, piąty z paliwem jądrowym. Wydaje się, że kolejny etap będzie charakteryzował się wyczerpywaniem się ropy naftowej, zwiększonym wykorzystaniem gazu (zwłaszcza łupków) oraz przyjaznych środowisku naturalnych źródeł energii, w tym energii wiatrowej, pływowej, osmotycznej i słonecznej. Dla społeczeństwa ludzkiego istnieją trzy potencjalnie możliwe etapy ewolucji ekonomicznej: przedenergetyczny, energetyczny i postenergetyczny. Na pierwszym etapie energia nie działa jako czynnik ograniczający ze względu na prymitywny stan sił wytwórczych społeczeństw, na drugim występują poważne problemy z zaopatrzeniem w energię wzrostu gospodarczego. Na etapie postenergetycznym możliwości energetyczne zostaną uznane za obfite i nie ograniczające poziomu życia i satysfakcji społecznej ludności lub etap ten będzie charakteryzował się ogólnym deficytem energii ze względu na nadmiernie zwiększone zużycie zarówno przemysłu, jak i ludności, której nie da się zaspokoić istniejącymi możliwościami energetycznymi. W każdym razie do tej pory społeczeństwo ludzkie rozwijało się w skali dostępnej energii, którą wykorzystuje. Możliwe są jednak okoliczności, kiedy energia nie wystarczy do dalszego rozwoju gospodarki, a takie epizody w lokalnych systemach gospodarczych, na poziomie poszczególnych regionów, już się pojawiają. Oczywiście biorąc pod uwagę relacyjny charakter wiedza ekonomicznanie można żądać, aby teoria rozwoju technologicznego obowiązywała na każdym etapie ewolucji ekonomicznej. Współczesna teoria rozwoju najprawdopodobniej odpowiada fazie energetycznej i powinna wychodzić od ograniczeń zasobowych i potrzeby przejścia do postenergetycznego etapu rozwoju gospodarki światowej, kiedy zniknie powaga problemu energetycznego. Dodatkowo istotną funkcją teorii rozwoju jest uzyskanie odpowiedzi na pytanie o potencjał cywilizacji postenergetycznej w powyższym rozumieniu oraz o zadania stojące przed gospodarką na etapie „energetycznym”.

Celem tej pracy nie jest szczegółowe badanie rozwoju i wdrażania najważniejszych innowacji technicznych i technologii. Taka analiza byłaby bardzo złożona i zajęłaby dużo czasu uznanym ekspertom w tej dziedzinie. Jednak w ramach badania periodyzacji postępu technicznego i technologicznego można wysnuć istotny wniosek, że zmiana struktur technologicznych poprzez zastosowanie nowych środków produkcji następuje na określonym etapie energetycznym. To uwarunkowania i możliwości etapu energetycznego stanowią podstawę dalszego rozwoju technologii i technologii. Oczywiście nauka odgrywa wiodącą rolę w postępie technicznym i technologicznym. Jednak możliwości nauki w określonym przedziale czasu są zawsze ograniczone i uważam, że zakres tych ograniczeń wyznaczają warunki etapu energetycznego. Jak widać z tabeli 1, rewolucyjne zmiany w produkcji zawsze poprzedzone były odkryciem i wykorzystaniem nowych źródeł energii. Oznacza to, że każda zmiana struktury techniczno-ekonomicznej następuje w ramach możliwości energetycznych danego etapu rozwoju gospodarczego.

2. Nowe technologie jako motor postępu produkcji

1 Postęp technologiczny w centrum postępu i rozwoju człowieka

Kluczowe dla zrozumienia roli technologii jest uznanie, że technologia i postęp technologiczny są istotne dla wielu dziedzin

zakres działalności gospodarczej, nie tylko produkcja i komputery. Na przykład, według niektórych szacunków, postęp technologiczny zwiększył wydajność rolnictwa czterokrotnie w takim samym tempie, jak w produkcji, i rzeczywiście, wydaje się, że produkty o niskim stopniu zaawansowania technologicznego, takie jak kukurydza czy kwiaty, mogą być wynikiem stosunkowo zaawansowanych technologicznie procesów produkcyjnych w tamtym czasie. jak w niektórych krajach produkcja rzekomo zaawansowanych technologicznie produktów, takich jak komputery, jest wynikiem stosunkowo niskich technologii. Wreszcie, w wielu przypadkach technologia jest zawarta w produkcji systemów produkcyjnych i zarządzaniu nimi, a nie w dobrach fizycznych lub algorytmach oprogramowania. Komputer, do którego jest załadowany

najnowsza wersja oprogramowania, które przez większość dnia siedzi na stole nieużywanym, jest innym przejawem korzystania z technologii niż ten sam komputer sterujący procesami produkcyjnymi czy systemem płatności.

Postęp technologiczny może prowadzić do obniżenia kosztów,

podnoszenie jakości, tworzenie nowych produktów,

i pomóc Ci wejść na nowe rynki. Postępy w nauce i technologii wymagają znacznie więcej niż robienie tego samego lub lepsze przy mniejszych zasobach. Koncepcja ta jest bardziej dynamiczna i wiąże się zarówno z tworzeniem nowych produktów i technologii na rynek, jak iz rozpowszechnianiem tych technologii między firmami i w całej gospodarce. Chociaż wiele implikacji postępu technologicznego jest pod pewnymi względami oczywistych, na szczególną uwagę zasługują następujące kwestie:

Postęp technologiczny może pobudzić rozwój poprzez obniżenie kosztów produkcji i eksploatacji poprzez zwiększenie korzyści skali.

Może się do tego przyczynić postęp technologiczny w jednym sektorze

tworzenie nowych możliwości gospodarczych w innych sektorach. Obniżenie kosztów produkcji może stworzyć całkowicie nowe produkty, a nawet sektory gospodarki. Nowe technologie wprowadzone na rynek w jednym sektorze mogą doprowadzić do boomu w innych sektorach, tworząc popyt i podaż na towary i usługi, które nie istniały.

Korzyści płynące z nowych technologii wykraczają daleko poza sektor gospodarczy lub produkt, w którym dana technologia istnieje. Dzieje się tak w przypadku, gdy produkt początkowy jest ważnym półproduktem w produkcji innych towarów, takich jak systemy telekomunikacyjne lub niezawodne utrzymanie sieci energetycznej.

Technologia może pomóc poprawić jakość. Takie ulepszenia mogą umożliwić krajowi rozwijającemu się podbój bardziej wymagających konsumentów i nowych rynków. Może to być tak proste, jak używanie maszyn i urządzeń, wytwarzanie towarów i usług, które spełniają bardziej wygórowane oczekiwania i standardy konsumentów i klientów biznesowych w krajach o wysokich dochodach, czyli innymi słowy produktów premium.

2 Trzecia rewolucja przemysłowa

Pierwsza rewolucja przemysłowa rozpoczęła się w Wielkiej Brytanii pod koniec XVIII wieku wraz z mechanizacją przemysłu tekstylnego. Zadania, które wcześniej były pracochłonne i wykonywane ręcznie przez setki tkaczy, zostały połączone w jednej przędzalni bawełny - tak narodziła się fabryka. Druga rewolucja przemysłowa miała miejsce na początku XX wieku, kiedy Henry Ford zbudował pierwszą ruchomą linię montażową i zapoczątkował erę masowej produkcji towarów. Pierwsze dwie rewolucje przemysłowe wzbogaciły ludzi i zurbanizowały świat. Teraz trzecia rewolucja trwa. Produkcja staje się cyfrowa. Szereg wspaniałych technologii można podzielić na jeden obszar: inteligentne oprogramowanie, nowe materiały, bardziej zwinne roboty, nowe procesy produkcyjne (zwłaszcza drukowanie 3D) i szereg usług internetowych. Fabryka w przeszłości powstała na bazie stworzenia ogromnej liczby identycznych produktów: słynne zdanie Henry'ego Forda mówiło, że nabywcy Forda mogą kupić samochód w dowolnym kolorze, pod warunkiem, że jest to kolor czarny. Jednak w XXI wieku spadają koszty produkcji mniejszej liczby serii z szeroką gamą produktów, biorąc pod uwagę kaprysy każdego klienta. Produkcja przyszłości będzie koncentrować się na masowej produkcji zindywidualizowanych towarów i może bardziej przypominać tkaczy niż linię montażową Forda.

Stara metoda produkcji zakłada użycie dużej liczby części do późniejszego łączenia lub spawania. Produkt można teraz zaprojektować na komputerze i „wydrukować” na drukarce 3D, która tworzy solidny obiekt poprzez tworzenie warstw materiału. Projekt cyfrowy można zmienić kilkoma kliknięciami myszy komputerowej. Drukarka 3D może działać bez nadzoru i może robić wiele rzeczy, które są zbyt skomplikowane dla tradycyjnych fabryk. Z biegiem czasu te niesamowite maszyny będą w stanie zrobić wszystko i wszędzie, w garażu w afrykańskiej wiosce.

Zastosowania druku 3D są szczególnie oszałamiające. Aparaty słuchowe i zaawansowane technicznie części do wojskowych samolotów są już drukowane w niestandardowych formach. Duże zmiany wpłyną również na geografię dostaw. Inżynier, który pracował w trudnodostępnych warunkach, nie posiadając konkretnego narzędzia, nie musi już go kupować w najbliższej dużej osadzie. Wystarczy pobrać projekt tego narzędzia i „wydrukować” go. Dni, kiedy projekty utknęły w martwym punkcie z powodu brakujących elementów wyposażenia lub kiedy klienci narzekali, że nie mogą znaleźć części do rzeczy, które kupili, pewnego dnia odejdą do przeszłości.

Niemal równie ważne są inne zmiany związane z korzystaniem z drukarek 3D. Nowe materiały są lżejsze, mocniejsze i trwalsze niż stare. Włókno węglowe zastępuje stal i aluminium w produktach, od samolotów po rowery górskie. Nowe techniki przetwarzania materiałów umożliwiają inżynierom kształtowanie obiektów w małe kształty. Nanotechnologia zapewnia produktom zaawansowane funkcje, takie jak bandaże, które pomagają leczyć skaleczenia, wydajniejsze silniki i naczynia, które są łatwiejsze do czyszczenia. A wraz z internetem umożliwiającym dużej liczbie projektantów i inżynierów wspólną pracę nad nowymi produktami, bariery wejścia dla nowej firmy spadają. Ford potrzebował olbrzymiego kapitału, aby zbudować swoją ogromną fabrykę w River Rouge, a jego nowoczesny odpowiednik może zacząć od laptopa i chęci tworzenia.

Jak wszystkie rewolucje, ta będzie równie destrukcyjna. Technologia cyfrowa zrewolucjonizowała już rynek mediów i handlu detalicznego, automatyzując procesy sprzedaży. Rośliny również zmienią się na zawsze. Nie będą pełne brudnych, napędzanych przez ludzi samochodów. Wiele z nich będzie bez skazy i prawie opuszczonych. Niektórzy producenci samochodów już teraz produkują dwa razy więcej samochodów na pracownika niż jeszcze dziesięć lat temu. Większość miejsc pracy będzie wykonywana nie w hali fabrycznej, ale w pobliskich biurach, które będą pełne projektantów, inżynierów, informatyków, logistyki, marketingu itp. Przyszłe zawody produkcyjne będą wymagały większych umiejętności.

Rewolucja wpłynie nie tylko na to, jak się sprawy mają, ale gdzie. Fabryki były zwykle zlokalizowane w krajach rozwijających się, aby obniżyć koszty pracy. Jednak koszty pracy mają coraz mniejszy wpływ na koszty produkcji: z iPada pierwszej generacji o wartości 499 USD koszty pracy wyniosły zaledwie 33 USD, z czego koszty montażu w Chinach wyniosły zaledwie 8 USD. Producenci coraz częściej wracają do bogatych krajów. ponieważ rosną chińskie płace, ale firmy chcą być teraz bliżej swoich klientów, aby móc szybciej reagować na zmiany popytu. Niektóre produkty są tak złożone, że efektywniej jest mieć ludzi, którzy je tworzą i ludzi, którzy je tworzą w jednym miejscu. Boston Consulting Group szacuje, że w takich dziedzinach jak transport, komputery, obróbka metali i sprzęt produkcyjny, 10-30% towarów, które Ameryka obecnie importuje z Chin, może być wyprodukowanych w samej Ameryce do 2020 r., Co pomoże zwiększyć PKB i o 20-55 miliardów dolarów rocznie.

Konsumenci nie będą mieli większych trudności z przystosowaniem się do nowej ery rozwoju produkcji. Władze mogą mieć jednak trudniej. Są przyzwyczajeni do obrony branż i firm, które już istnieją, a nie do nowicjuszy, którzy mogliby wypchnąć je z rynku. Pompują dotacje w starych gałęziach przemysłu i stawiają ludzi na czele ludzi, którzy chcą przenieść produkcję za granicę, aby obniżyć koszty pracy. Wydają miliardy, aby zatrzymać postęp techniczny i technologiczny. I trzymają się romantycznego przekonania, że \u200b\u200bprodukcja jest ważniejsza niż usługi, nie wspominając o finansach.

Nic z tego nie ma sensu. Zacierają się granice między produkcją a usługami. Rolls-Royce nie sprzedaje już silników odrzutowych, sprzedaje zegarki, na których samolot leci na ich silnikach. Władze zawsze błędnie wybierały, kogo należy wspierać, i prawdopodobnie nie rozumieją, do kogo należy przyszłość. Tysiące przedsiębiorców tworzy projekty nowych produktów online, produkuje je w domu (na drukarkach 3D) i sprzedaje na rynku. W czasie rewolucji władze muszą trzymać się podstaw: stworzyć dobre szkoły dla wykwalifikowanej siły roboczej, ustalić jasne zasady dla przedsiębiorców we wszystkich sferach. Resztę zrobią „rewolucjoniści”.

3 Innowacyjne przedsiębiorstwa przyszłości

Wierzę, że w najbliższych dziesięcioleciach struktura innowacyjnych przedsiębiorstw i same inwestycje w nowe technologie ulegną znaczącym zmianom. Dziś jest coraz bardziej oczywiste, że przedsiębiorstwo, które się nie poprawia, nie może dostosować się do stale zmieniającego się rynku, ponieważ wymagania konsumentów rosną coraz bardziej, ponieważ sztandarowe przedsiębiorstwa innowacyjnego rozwoju oferują konsumentom coraz więcej nowych produktów technologicznych. Jednak inwestycje w B + R wymagają od przedsiębiorstwa znacznych nakładów finansowych, na które stać tylko największych graczy rynkowych. Jednocześnie stale rosnący popyt konsumentów na nowe produkty o ulepszonych właściwościach i właściwościach będzie wymagał dużych inwestycji w badania i rozwój, na które z czasem nie mogą sobie pozwolić nawet wielkie korporacje wydające miliardy dolarów rocznie na badania i rozwój. W tym momencie korporacje i po prostu innowacyjne przedsiębiorstwa będą zmuszone do łączenia inwestycji w B + R. Jednak tutaj nieuchronnie pojawiają się trudności, na podstawie których przedsiębiorstwa mają prowadzić badania, a to spowoduje konflikt interesów. To właśnie ta sytuacja zmusi przedsiębiorstwa do zwrócenia się do innego przedsiębiorstwa, które na bieżąco zajmuje się innowacyjnymi rozwiązaniami.

Proponowany model przedsiębiorstwa innowacyjnego to rodzaj butiku o dość wąskiej specjalizacji i kręgu klientów. Zalety takiego modelu przedsiębiorstwa są oczywiste: wysoka koncentracja kapitału i kadry naukowej pozwoli na osiągnięcie wysokiego wskaźnika efektywności inwestycji w B + R. W tym przypadku efekt skali odgrywa rolę, ponieważ przy dużej liczbie przewidywalnych badań niepowodzenia kilku projektów opłacą się kosztem sukcesu pozostałych.

Jest jednak jedna poważna wada w działalności takich przedsiębiorstw: skoro B + R jest prowadzony za pieniądze kilku firm, wyniki badań należą do każdego, kto zainwestował w działalność „butiku innowacyjnego”. Powstaje pytanie, jak podzielić między sobą wyniki badań i jest to bardzo trudny problem ze względu na złożoność oceny wyników prac B + R. Proponuję kilka opcji dystrybucji wyników innowacyjnego przedsięwzięcia i ich wykorzystania przez inwestorów:

1.Rozkład wyników badań wśród inwestorów w zależności od wielkości inwestycji. Same wyniki B + R będą szacowane według wartości zdyskontowanej, tj. pod względem potencjalnego zysku, jaki przyniesie ich użycie. Firma, która zainwestowała najwięcej, uzyska prawo do najdroższej technologii itp.

2.Firmy-inwestorzy mogą wstępnie sporządzić umowy o podziale praw do wyników przedsięwzięcia badawczego. Jednak luka ta opcja jest to, że inwestycje w badania i rozwój są rodzajem „czarnej skrzynki” i nikt nie wie, jaki będzie z tego wynik. W związku z tym pisemne porozumienia o podziale praw do badanych technologii stanowią poważny konflikt interesów, ponieważ ich wyników i ich potencjalnej przydatności nie można z góry poznać.

.Dzielenie się prawami do wyników prac badawczo-rozwojowych przez kilku inwestorów i ustalone wcześniej zasady ich wykorzystania. Przykładowo, każda technologia może znaleźć zastosowanie w zupełnie innych branżach, a inwestorzy reprezentujący kilka firm działających na zupełnie innych rynkach mogą zgodzić się na wykorzystanie tej technologii bez uszczerbku dla interesów któregokolwiek z inwestorów. Uważam, że ta strategia dzielenia się prawami do wyników inwestycji w innowacyjną firmę technologiczną jest optymalna.

Zatem główną trudność w działalności tego rodzaju przedsiębiorstwa można pokonać w drodze porozumień między inwestorami.

Kończąc opowieść o tym pomyśle, chciałbym powiedzieć, że istnienie i działalność takiej firmy jest możliwe tylko wtedy, gdy wymagania techniczne lub technologiczne konsumentów wzrosną na tyle, że koszty finansowania B + R wzrosną na tyle, że nawet duże korporacje nie mogą ich samodzielnie pokryć. Uważam, że w praktyce takie innowacyjne przedsięwzięcia badawcze mogą powstawać na czołowych uczelniach krajów rozwiniętych lub po prostu w dużym ośrodku naukowym, który może przyciągnąć wystarczającą liczbę osób.

3. Rozwój nowych technologii w Federacji Rosyjskiej

1 Problemy rozwoju nowych technologii w Rosji

Rosja wkroczyła w XXI wiek, wiek innowacyjnego rozwoju gospodarczego w bardzo tragicznej sytuacji, spowodowanej wieloma przyczynami:

.Upadek ZSRR poważnie podważył więzi gospodarcze między państwami obszaru poradzieckiego

.Brak innowacyjnych przedsiębiorstw w przemyśle (poza obronnym) poważnie skomplikował pozycję Rosji na rynku światowym.

.Masowy odpływ wysoko wykwalifikowanej kadry naukowej w latach 90. XX wieku doprowadził do opłakanego stanu całej rosyjskiej nauki, a także poważnie zaszkodził reprodukcji potencjału naukowego kraju.

.Ostateczne ukształtowanie Rosji jako potęgi opartej wyłącznie na surowcach doprowadziło do tego, że wszystkie inwestycje krajowe i zagraniczne trafiały tylko do sektora surowcowego gospodarki. Ten „nawyk” ma niezwykle negatywny wpływ na stan rosyjskiej gospodarki, gdyż państwo jest bezpośrednio zainteresowane zwiększeniem sektora surowcowego gospodarki, który jest głównym źródłem dochodów budżetowych, a de facto samo państwo stwarza warunki, w których inwestycje trafiają wyłącznie do sektora surowcowego. pomijając wszystkie inne.

.Brak szczegółowych ram prawnych przyczynia się do pogorszenia koniunktury w kraju, czego konsekwencją jest niska aktywność biznesowa rodzimych przedsiębiorców (w porównaniu z krajami Europy Zachodniej i USA).

Oczywiście problemy rozwoju rosyjskich przedsiębiorstw na drodze wprowadzania nowych technologii zależą bezpośrednio od polityki prowadzonej przez państwo. Bez wątpienia nowoczesna polityka państwa może być ukierunkowana wyłącznie na zaawansowany rozwój naukowo-zaawansowanych, zaawansowanych technologicznie sektorów gospodarki, systemów edukacyjnych, infrastruktury informacyjno-transportowej, co upraszcza wymianę, obniża koszty transakcyjne, zapewniając narodowe długoterminowe przewagi konkurencyjne. Światowe doświadczenia polityki gospodarczej państwa XX wieku wskazały trzy wektory jej orientacji: eksportową, krajową (rozwój rynku wewnętrznego) i strategiczną, związaną z celowym ograniczaniem wykorzystania własnych nieodnawialnych zasobów (ropa, gaz, drewno itp.). Przykładem pierwszego wektora jest Korea Południowa i nowoczesne Chiny, które już dziś łączą dwa kierunki, drugi - Francja i Japonia ostatniej ćwierci XX wieku, trzeci - Stany Zjednoczone i kraje OPEC. Jednocześnie zwiększa się zróżnicowanie tempa wzrostu gospodarczego poszczególnych państw, a co za tym idzie - dystans między poziomami rozwoju naukowo-technicznego gospodarek narodowych. Tym samym pięć wiodących krajów - Stany Zjednoczone, Japonia, Niemcy, Francja i Wielka Brytania - wydaje obecnie więcej pieniędzy na B + R niż wszystkie inne kraje na świecie razem wzięte, a udział Stanów Zjednoczonych w tej grupie przekracza 50%. Przez politykę przemysłową rozumiemy zestaw środków prawnych, organizacyjnych, ekonomicznych i zarządczych, których celem jest stworzenie warunków do efektywnego funkcjonowania struktur produkcyjnych oraz zapewnienie wzrostu produktywności, produkcji i zatrudnienia, opracowanych przez władze federalne i regionalne.

Opisanie konkretnych kroków państwa w realizacji polityki w zakresie tworzenia zachęt do tworzenia innowacyjnych branż było zbyt trudne dla tej pracy. Mogę jedynie opisać główne kierunki, w jakich należało podjąć kroki w celu rozwoju nowych technologii w Rosji. Uważam, że początek wdrażania wsparcia innowacji powinien być realnym wsparciem nauki na wszystkich szczeblach administracji. Rozwój nauki powinien stać się głównym priorytetem państwa na najbliższą dekadę, w przeciwnym razie Rosja nie odzyska konkurencyjności na rynkach produktów wysokiej technologii. Konieczne jest także zdobycie zaufania inwestorów zagranicznych do rosyjskich ośrodków badawczych. Można to osiągnąć dzięki finansowaniu przez rząd ważnych projektów badawczych, które mają szerokie zastosowanie praktyczne. Jeśli takie badania zakończą się sukcesem, inwestorzy zrozumieją perspektywy inwestowania w B + R w Rosji, która ma ogromny, ale całkowicie niewykorzystany potencjał naukowy. Na pierwszych etapach tworzenia innowacyjnej gospodarki w Rosji wskazane byłoby prowadzenie polityki protekcjonizmu, ponieważ na pierwszych etapach powstawania rosyjskim innowacyjnym przedsiębiorstwom będzie niezwykle trudno konkurować z firmami zagranicznymi nawet na rynku krajowym ze względu na brak wystarczającego doświadczenia w pracy z innowacyjnymi rozwiązaniami.

Uważam, że pomoc państwa na wczesnych etapach powstawania innowacyjnej gospodarki jest po prostu konieczna, ale później, gdy efekty prowadzonej polityki będą już widoczne, konieczne będzie ograniczenie pomocy rządowej, przywracając rynkowi prawo do decydowania, kto zostanie, a kto nie.

Wniosek

stulecie można śmiało nazwać wiekiem innowacyjnego rozwoju. Nowe technologie od początku działalności gospodarczej człowieka wpływały na rozwój gospodarki. Ale to właśnie ten wiek dał przedsiębiorstwom wybór: zmodernizować lub zniknąć pod presją bardziej zaawansowanych technicznie i technologicznie konkurentów. Od teraz nowe technologie stały się dominującym czynnikiem rozwoju gospodarki. Problem innowacyjnego rozwoju gospodarczego jest szczególnie dotkliwy w Rosji, której system gospodarczy w ogóle nie odpowiada standardom innowacyjnej gospodarki. Rosja nadal żyje ze sprzedaży własnych nieodnawialnych zasobów, tracąc z każdym dniem coraz więcej możliwości odzyskania pozycji lidera na światowym rynku. Środki, jakie kraj otrzymuje ze sprzedaży surowców, trzeba zainwestować w rozwój nauki, obiecując innowacyjne przedsiębiorstwa. Inwestycje te nawet w krótkim okresie się opłacą, bo wierzę, że niezrealizowany potencjał Rosji będzie w stanie dokonać przełomowych osiągnięć we wszystkich dziedzinach nauki. Z pewnością da to potężny impuls rozwojowi całej gospodarki. Wymaga to jednak woli politycznej i szczegółowej polityki państwa, o której do tej pory można tylko pomarzyć. W międzyczasie Rosja nadal pozostaje w tyle za krajami rozwijającymi się, tracąc co roku pozycje, których być może nigdy nie będzie w stanie wrócić. Kierownictwo Federacji Rosyjskiej musi zrozumieć oczywistą prawdę, która dotyczy zarówno podmiotów gospodarczych, jak i całych państw: kto nie modernizuje się, znika.

Lista referencji

ekonomia technologiczna przemysłowa

II. Monografie, prace zbiorowe, zbiory prac naukowych:

O.S. Sukharev Ekonomia rozwoju technologicznego - M .: Finanse i statystyka, 2008 - 480 str.; muł

Makarov V.L. Gospodarka oparta na wiedzy: lekcje dla Rosji // Rosja i współczesny świat. - 2004.

Schumpeter J. Teoria rozwoju gospodarczego.

Glazyev S.Yu. Teoria długoterminowego rozwoju technicznego i gospodarczego. - M .: VlaDar, 1993

III. Artykuły z czasopism:

Załącznik 1

Tabela 1

Liczba etapów rozwoju technologicznego Czas objęty etapem rozwoju technologicznego Branże zapewniające podstawowe technologie etapu i energetyczne wspomaganie etapu rozwoju technologicznego Stan infrastruktury etapu rozwoju technologicznego I lata 1790-1840 Przemysł tekstylny, woda, para wodna, energetyka węglowa Drogi gruntowe, jazda konna na lądzie i żaglowce drogą morską, pocztowa kurierzy II 1830-1890 Transport kolejowy, mechanizacja procesów produkcyjnych, zastosowanie parowozu. Powstanie pierwszych spółek akcyjnych jako nowych form organizacyjno-prawnych przedsiębiorczości Koleje, żegluga światowa Trzecia 1880-1940 Rozwój przemysłu ciężkiego, elektrotechnicznego i chemicznego. Oparty na energii elektrycznej, silnikach spalinowych i rozwoju ropy. Konkurencja ma charakter monopolistyczny: trusty, kartele itp. Telefon, telegraf, radio, sieci elektryczne 4. 1930-1990 Rozwój produkcji masowej, energetyka gazowa i naftowa, elektrownie atomowe, komunikacja, nowe materiały, elektronika, oprogramowanie, komputery. Powstają TNK, konkurencja jest oligopolistyczna. Autostrady dużych prędkości, komunikacja lotnicza, gazociągi, rozwój telewizji Piąta połowa lat 80. - do dnia dzisiejszego Mikroelektronika, informatyka, zaawansowane technologie elektroniczne, biotechnologia, inżynieria genetyczna, materiały syntetyczne, komercyjna eksploracja kosmosu. Zjednoczenie dużych i małych firm w pojedyncze sieci, technopole, miasta nauki, parki technologiczne, nowe systemy zarządzania jakością, inwestycje, dostawy, remonty i eksploatacja obiektów technicznych Sieci komputerowe, telekomunikacja, połączenie satelitarne, media elektroniczne, nowe typy elektrowni jądrowych, duża liczba elektrowni wytwarzających „zieloną energię”.

FGBU VPO „UNIWERSYTET FINANSOWY POD RZĄDEM FEDERACJI ROSYJSKIEJ”

do zajęć studenckich

Wydział ______________________________ Grupa ______________

PEŁNE IMIĘ I NAZWISKO. student ______________________________________________

Temat ________________________________________________________

Nr p / p Charakterystyka jakościowa pracy Max. Ocena Fakt. punktacja I. Ocena pracy według kryteriów formalnych: 301. Przestrzeganie terminów realizacji prac poprzez etapy pisania 42. Wygląd pracy i poprawny projekt pracy 23. Obecność dobrze sformułowanego planu 24. Obecność wewnętrznych nagłówków rozdziałów i podrozdziałów 25. Wskazanie stron w planie pracy i ich numeracja w tekście 26. w tekście przypisów i piśmiennictwa 27. Poprawność cytowania i formatowania cytatów 38. Przejrzystość i jakość materiału ilustracyjnego 39. Dostępność i jakość załączników dodatkowych 310. Poprawność wykazu wykorzystanych materiałów 511. Wykorzystanie literatury zagranicznej w tekście pracy i spisie piśmiennictwa 2 II. Ocena pracy pod względem treści: 701. Trafność problemu 42 Logiczna struktura pracy i jej odzwierciedlenie w planie 23 Głębokość nagłówka i zbilansowanie działów 24 Jakość wprowadzenia 55 Wskazanie celów badawczych 36 Wskazanie metod badawczych 27 Treść pracy odpowiada zadeklarowanemu tematowi 68 Zgodność treści działów z ich nazwami 29 Logiczne powiązanie między działami 3 10. Stopień samodzielności prezentacji 13 11 Obecność elementów nowości naukowej 3 13 Powiązanie pracy z problemami rosyjskimi 514 Umiejętność wyciągania wniosków 10 15 Jakość formułowania wniosków 516 Znajomość najnowszej literatury 517 Obecność podstawowych błędów-35

Korepetycje

Potrzebujesz pomocy w zgłębieniu tematu?

Nasi eksperci doradzą lub zapewnią korepetycje na interesujące Cię tematy.
Wyślij zapytanie ze wskazaniem tematu już teraz, aby dowiedzieć się o możliwości konsultacji.

1.1 Podstawowe pojęcia dotyczące sztucznej inteligencji

1.2 Reprezentacja wiedzy

1.3 Zadanie tworzenia baz wiedzy

2. Rozpoznawanie wzorców i tłumaczenie maszynowe

2.1 Pojęcie obrazu

2.2 Problem rozpoznawania wzorców

2.3 Uczenie się, samokształcenie i adaptacja

2.4 Konwersja obrazów na kod cyfrowy

3. Neurokomputery i sieci

3.1 Neurokomputery

3.2 Co to są sieci neuronowe?

4. Systemy ekspertowe (ES), ich struktura i klasyfikacja. Narzędzia do konstruowania ES. Technologia rozwoju ES.

5. Wykorzystanie i wsparcie ES. Reengineering biznesowy.

5.1 Korzystanie z systemów ekspertów finansowych

5.3 Reengineering biznesowy

6. Strategia zdobywania wiedzy. Praktyczne metody wydobywania wiedzy. Strukturyzacja wiedzy. Oprogramowanie bazy wiedzy.

WPROWADZENIE

Możliwości komputerów elektronicznych nie są już zaskakujące. Informatyzacja różnych dziedzin działalności człowieka, poza bezpośrednim efektem wprowadzenia technologii informatycznych, często generuje nowe klasy oprogramowania i technologie ich rozwoju. Każda technologia jest przede wszystkim polem intelektualnej aktywności specjalistów, jednak w przeciwieństwie do innych rodzajów działalności technologie wytwarzania oprogramowania od razu stają się obiektami automatyzacji, co przenosi odpowiednią sekcję programowania na nowy poziom rozwoju.

Systemy oparte na wiedzy przeszły typową ewolucję od konkretnych programów do narzędzi programistycznych, a przede wszystkim do systemów ekspertowych przeznaczonych do rozwiązywania problemów z tych dziedzin, w których wiedza i doświadczenie zawodowe odgrywają decydującą rolę. W systemach eksperckich poszukiwanie rozwiązań odbywa się poprzez naśladowanie rozumowania charakterystycznego dla wybitnych profesjonalistów. Wiedza sformalizowana stanowi rdzeń systemu ekspertowego - jego bazę wiedzy. Pozostałe bloki systemu realizują funkcje przekształcania wiedzy i są zdeterminowane nie tyle treścią wiedzy, co właściwościami ich struktur formalnych.

1. Pojęcie sztucznej inteligencji. Reprezentacja wiedzy i rozwój systemów opartych na wiedzy

1.1. Podstawowe pojęcia dotyczące sztucznej inteligencji

Termin inteligencja (inteligencja) pochodzi od łacińskiego intellectus - co oznacza umysł, rozum, rozum; zdolność myślenia osoby. W związku z tym sztuczna inteligencja (AI) jest zwykle interpretowana jako właściwość automatycznych systemów do przejmowania indywidualnych funkcji ludzkiej inteligencji, na przykład do wybierania i podejmowania optymalnych decyzji w oparciu o wcześniejsze doświadczenia i racjonalną analizę wpływów zewnętrznych.

Inteligencja to zdolność mózgu do rozwiązywania problemów (intelektualnych) poprzez zdobywanie, zapamiętywanie i celowe przekształcanie wiedzy poprzez empiryczne uczenie się i adaptację do różnych okoliczności.

W tej definicji termin „wiedza” oznacza nie tylko informację, która dociera do mózgu poprzez zmysły. Ten rodzaj wiedzy jest niezwykle ważny, ale niewystarczający do aktywności intelektualnej. Faktem jest, że obiekty z otaczającego nas środowiska mają właściwość nie tylko do oddziaływania na zmysły, ale także do przebywania ze sobą w pewnych relacjach. Oczywiste jest, że aby prowadzić działalność intelektualną w środowisku (a przynajmniej po prostu istnieć), konieczne jest posiadanie modelu tego świata w systemie wiedzy. W tym modelu informacyjnym środowiska rzeczywiste obiekty, ich właściwości i relacje między nimi są nie tylko wyświetlane i zapamiętywane, ale także, jak zauważono w ta definicja inteligencja, może mentalnie „celowo przekształcić się”. Jednocześnie istotne jest, aby kształtowanie się modelu środowiska zewnętrznego następowało „w procesie uczenia się z doświadczeń i adaptacji do różnych okoliczności”.

1.2. Reprezentacja wiedzy

Reprezentacja wiedzy to kwestia, która pojawia się w kognitywistyce (nauce o myśleniu) i sztucznej inteligencji. W kognitologii jest to związane ze sposobem przechowywania i przetwarzania informacji przez ludzi. W sztucznej inteligencji (AI) głównym celem jest nauczenie się, jak przechowywać wiedzę w taki sposób, aby programy mogły ją przetwarzać i uzyskać pozory ludzkiej inteligencji. Badacze AI wykorzystują teorie reprezentacji wiedzy z kognitywistyki. Metody takie jak ramy, reguły i sieci semantyczne pojawiły się w sztucznej inteligencji z teorii przetwarzania informacji przez ludzi. Ponieważ wiedza jest wykorzystywana do osiągnięcia inteligentnego zachowania, podstawowym celem dyscypliny reprezentacji wiedzy jest znalezienie sposobów reprezentacji, które umożliwią proces wnioskowania, czyli wnioskowania z wiedzy.

Niektóre z pytań, które pojawiają się przy przedstawianiu wiedzy z perspektywy sztucznej inteligencji:

· Jak ludzie przedstawiają wiedzę?

· Jaka jest natura wiedzy i jak ją przedstawiamy?

· Czy schemat reprezentacji powinien być powiązany z konkretną dziedziną wiedzy, czy też powinien mieć charakter ogólny?

Jak ekspresyjne ten schemat reprezentacja?

· Czy schemat powinien być deklaratywny czy proceduralny?

Niewiele dyskutowano na temat reprezentacji wiedzy i badań w tej dziedzinie. Istnieją dobrze znane problemy, takie jak „rozprzestrzenianie aktywacji” (zadanie nawigacji w sieci węzłów), „kategoryzacja” (wynika to z dziedziczenia selektywnego; na przykład pojazd terenowy można uznać za specjalizację (przypadek szczególny) samochodu, ale dziedziczy on tylko niektóre cechy) i „klasyfikacja ”. Na przykład pomidor można uznać zarówno za owoc, jak i warzywo.

W dziedzinie sztucznej inteligencji rozwiązywanie problemów można uprościć, wybierając odpowiednią metodę reprezentacji wiedzy. Pewna metoda może ułatwić przedstawienie dowolnego obszaru wiedzy. Na przykład diagnostyczny system ekspercki Mitsin wykorzystywał schemat reprezentacji wiedzy oparty na regułach. Zły wybór metody prezentacji utrudnia przetwarzanie. Analogią są obliczenia w notacji indoarabskiej lub rzymskiej. Długi podział jest łatwiejszy w pierwszym przypadku, a trudniejszy w drugim. Podobnie nie ma reprezentacji, której można by użyć we wszystkich zadaniach lub uczynić wszystkie zadania równie prostymi.

Problem tworzenia baz wiedzy jest złożony i wieloaspektowy. Jeśli ograniczymy rozpatrywanie tego problemu do zadania wydobycia osobistej wiedzy eksperta, to możemy sformułować podstawowe wymagania i zasady budowy systemów oprogramowania automatyzujących proces tworzenia baz wiedzy. Systemy tego rodzaju nazywane są zautomatyzowanymi systemami inżynierii wiedzy.

1.3. Zadanie tworzenia baz wiedzy

Przy całej pretensjonalności nazwy inżynieria wiedzy jest dyscypliną czysto prozaiczną, której zadaniem jest praktycznie przydatne programy dla słabo „zmatematyzowanych” dziedzin działalności człowieka. Głównym argumentem przemawiającym za owocnością tego podejścia jest fakt istnienia w realnym życiu instytucji ekspertów - klasy fachowców zdolnych do rozwiązywania słabo sformalizowanych problemów z określonego obszaru problemowego.

Z punktu widzenia inżynierii wiedzy w dowolnym programie użytkowym (przynajmniej w teorii) można wyodrębnić komponent zawierający wiedzę o obszarze problemowym. To właśnie ten komponent, zwany bazą wiedzy, określa praktyczną wartość programu. Budowanie bazy wiedzy wymaga specjalnych badań w obszarze problemowym, podczas gdy reszta bloków programu jest całkowicie w rękach programisty.

Obecnie istnieją cztery główne sposoby przedstawiania wiedzy, z których można skonstruować „hybrydowe” sposoby przedstawiania wiedzy.

· Systemy produkcyjne

· Sieci semantyczne

· Ramy

· Rachunek logiczny

· Połączone sposoby przedstawiania wiedzy

· Modele domen problemowych

2. Rozpoznawanie wzorców i tłumaczenie maszynowe

2.1 Pojęcie obrazu

Obraz, klasa - grupowanie klasyfikacyjne w systemie klasyfikacyjnym, który jednoczy określoną grupę obiektów według pewnego kryterium. Wyobrażeniowe postrzeganie świata jest jedną z właściwości żywego mózgu, która pozwala zrozumieć niekończący się przepływ postrzeganych informacji i zachować orientację w rozproszonych danych o świecie zewnętrznym. Postrzegając świat zewnętrzny, zawsze klasyfikujemy informacje, czyli dzielimy je na grupy podobnych, ale nie identycznych zjawisk. Ta właściwość mózgu umożliwia sformułowanie takiej koncepcji jako obrazu.

Zdolność postrzegania świata zewnętrznego w postaci obrazów pozwala na rozpoznanie z pewnością nieskończonej liczby obiektów na podstawie poznania ich skończonej liczby, a obiektywny charakter głównej właściwości obrazów pozwala modelować proces ich rozpoznawania.

2.2 Problem rozpoznawania wzorców

Rozpoznawanie wzorców to zadanie polegające na identyfikacji obiektu lub określeniu jego właściwości na podstawie jego obrazu (rozpoznanie optyczne) lub nagrania dźwiękowego (rozpoznanie akustyczne). W procesie ewolucji biologicznej wiele zwierząt za pomocą aparatu wzrokowego i słuchowego całkiem dobrze rozwiązało ten problem. Tworzenie sztucznych systemów z funkcjami rozpoznawania obrazu pozostaje złożonym problemem technicznym.

Figa. 2.1. Przykład obiektów edukacyjnych.

Ogólnie problem rozpoznawania wzorców (PRO) składa się z dwóch części: treningu i rozpoznawania. Nauka odbywa się poprzez pokazywanie poszczególnych obiektów ze wskazaniem ich przynależności do jednego lub drugiego obrazu. W wyniku treningu system rozpoznawania musi nabyć umiejętność reagowania tymi samymi reakcjami na wszystkie obiekty tego samego obrazu i innymi reakcjami - na wszystkie obiekty rozróżnialnych obrazów. Bardzo ważne jest, aby proces uczenia się kończył się pokazaniem skończonej liczby obiektów. Przedmiotem szkolenia mogą być obrazy (ryc. 2.1) lub inne obrazy wizualne (litery, cyfry). Ważne jest, aby w procesie uczenia się wskazywać tylko same obiekty i ich przynależność do obrazu. Po uczeniu się następuje proces rozpoznawania nowych obiektów, który charakteryzuje działania już wyuczonego systemu. Automatyzacja tych procedur stanowi problem szkolenia w zakresie rozpoznawania wzorców. W przypadku, gdy osoba zgaduje lub wymyśla, a następnie nakłada na maszynę regułę klasyfikacji, problem rozpoznawania zostaje częściowo rozwiązany, ponieważ osoba przejmuje główną i główną część problemu (szkolenie).

Zakres zadań, które można rozwiązać za pomocą systemów rozpoznawania jest niezwykle szeroki. Obejmuje to nie tylko zadania związane z rozpoznawaniem obrazów wizualnych i słuchowych, ale także zadania klasyfikowania złożonych procesów i zjawisk, które pojawiają się np. Przy wyborze odpowiednich działań przez szefa przedsiębiorstwa czy przy wyborze optymalnego zarządzania zadaniami technologicznymi, ekonomicznymi, transportowymi czy wojskowymi. Zanim przystąpisz do analizy dowolnego obiektu, musisz uzyskać pewne uporządkowane informacje na jego temat.

Wybór wstępnego opisu obiektów jest jednym z głównych zadań problemu rozpoznawania wzorców. Przy pomyślnym wyborze początkowego opisu (przestrzeni cech), problem rozpoznania może okazać się trywialny i odwrotnie, bezskutecznie wybrany początkowy opis może prowadzić albo do bardzo złożonego dalszego przetwarzania informacji, albo do całkowitego braku rozwiązania.

2.5 Uczenie się, samokształcenie i adaptacja

Uczenie się jest procesem, w wyniku którego system stopniowo nabywa umiejętność reagowania niezbędnymi reakcjami na określone zbiory wpływów zewnętrznych, a adaptacja jest dostosowywaniem parametrów i struktury systemu w celu osiągnięcia wymaganej jakości sterowania w obliczu ciągłych zmian warunków zewnętrznych. Wszystkie zdjęcia pokazane na rys. 2.1 scharakteryzuj zadanie uczenia się. W każdym z tych zadań podano kilka przykładów (sekwencji szkoleniowych) poprawnie rozwiązanych zadań. Gdyby można było dostrzec pewną ogólną właściwość, która nie zależy ani od natury obrazów, ani od ich obrazów, ale determinuje jedynie ich zdolność do rozdzielenia, to wraz ze zwykłym zadaniem uczenia rozpoznawania z wykorzystaniem informacji o przynależności każdego obiektu z sekwencji treningowej do jednego lub drugiego obrazu, można by postawić inny problem klasyfikacyjny - tak zwany problem uczenia się bez nadzoru. Zadanie tego rodzaju na poziomie opisowym można sformułować następująco: obiekty są prezentowane w systemie jednocześnie lub sekwencyjnie bez wskazania przynależności do obrazów. Urządzenie wejściowe systemu odwzorowuje zbiór obiektów na zbiór obrazów i wykorzystując pewną predefiniowaną właściwość rozdzielalności obrazów, dokonuje niezależnej klasyfikacji tych obiektów. Po takim procesie samouczenia system musi nabyć umiejętność rozpoznawania nie tylko znanych już obiektów (obiektów z sekwencji treningowej), ale także tych, które wcześniej nie były prezentowane. Proces samouczenia się określonego systemu jest procesem, w wyniku którego system ten, bez porady nauczyciela, nabywa zdolność do tworzenia identycznych reakcji na obrazy obiektów tego samego obrazu i różnych reakcji na obrazy różnych obrazów. Rola nauczyciela polega w tym przypadku jedynie na podpowiadaniu systemowi jakiejś obiektywnej własności, która jest taka sama dla wszystkich obrazów i determinuje możliwość podziału zbioru obiektów na obrazy. Taka obiektywna właściwość jest własnością zwartości obrazów. Względne położenie punktów w wybranej przestrzeni zawiera już informacje o tym, jak podzielić zbiór punktów. Ta informacja determinuje właściwość rozdzielności obrazów, która jest wystarczająca do samouczenia się systemu rozpoznawania wzorców.

Uczenie się jest zwykle nazywane procesem opracowywania w pewnym systemie jednej lub drugiej reakcji na grupy zewnętrznych identycznych sygnałów poprzez wielokrotne oddziaływanie na system zewnętrznej korekty. Takie zewnętrzne dostosowanie w nauczaniu nazywa się zwykle „nagrodą” i „karą”. Mechanizm generowania tego dopasowania prawie całkowicie determinuje algorytm uczenia się. Samokształcenie różni się od uczenia się tym, że nie dostarcza dodatkowych informacji o wierności reakcji na system.

Adaptacja to proces zmiany parametrów i struktury systemu oraz ewentualnie działań kontrolnych w oparciu o bieżące informacje w celu osiągnięcia określonego stanu systemu przy początkowej niepewności i zmieniających się warunkach pracy.

Możliwa jest metoda konstruowania maszyn rozpoznających, oparta na rozróżnieniu wszelkich cech rozpoznawanych figur. Jako znaki można wybrać różne cechy figur, na przykład ich właściwości geometryczne (charakterystyka krzywych tworzących figurę), właściwości topologiczne (wzajemne ułożenie elementów figury) itp. Znane maszyny rozpoznające, w których rozróżnia się litery lub cyfry, zgodnie z tzw. „Metodą sond” (rys. 2.2), tj. przez liczbę przecięć konturu figury z kilkoma specjalnie położonymi liniami prostymi.

Figa. 2.2 Układ sond do rozpoznawania cyfr.

Jeśli rzutujesz liczby na pole za pomocą sond, okaże się, że każda z liczb przecina dość określone sondy, a kombinacje skrzyżowanych sond są różne dla wszystkich dziesięciu cyfr. Te kombinacje są używane jako znaki, za pomocą których rozróżnia się liczby. Takie maszyny z powodzeniem radzą sobie na przykład z czytaniem tekstu napisanego na maszynie, ale ich możliwości są ograniczone czcionką (lub grupą podobnych czcionek), dla której opracowano system funkcji. Praca nad stworzeniem zestawu figur referencyjnych lub systemu znaków musi być wykonana przez osobę. O jakości działania maszyny, czyli o rzetelności „rozpoznania” przedstawionych rysunków decyduje jakość tego wstępnego przygotowania i bez udziału człowieka nie można jej zwiększyć. Opisywana maszyna nie jest maszyną uczącą się.

Modelowanie procesu uczenia się oznacza uczenie się, które nie jest poprzedzone przesłaniem do maszyny jakichkolwiek informacji o tych obrazach, które musi nauczyć się rozpoznawać; Samo uczenie się polega na przedstawianiu maszynie skończonej liczby obiektów każdego obrazu. W wyniku uczenia się maszyna powinna być w stanie rozpoznać dowolnie dużą liczbę nowych obiektów powiązanych z tymi samymi obrazami. Zatem rozumie się następujący schemat eksperymentów:

a) żadne informacje o obrazach, które mają być sklasyfikowane, nie są wcześniej wprowadzane do maszyny;

b) w trakcie uczenia maszyny prezentowana jest określona liczba obiektów każdego z klasyfikowanych obrazów oraz (przy modelowaniu procesu uczenia się „z nauczycielem”) raportowanie, do jakiego obrazu należy dany przedmiot;

c) urządzenie automatycznie przetwarza otrzymane informacje, po czym

d) z wystarczającą rzetelnością odróżnia dowolnie dużą liczbę nowych, wcześniej nie prezentowanych obiektów od obrazów.

Maszyny działające w ten sposób nazywane są maszynami rozpoznającymi.

2.6 Konwersja obrazów na kod cyfrowy

Aby móc wprowadzić obraz do maszyny, należy go przetłumaczyć na język maszynowy, tj. kodują, przedstawiają w postaci pewnej kombinacji symboli, które maszyna może obsługiwać. Figury samolotów można kodować na różne sposoby. Najlepiej dążyć do jak najbardziej „naturalnego” kodowania obrazu. Narysujemy figury na pewnym polu, podzielone pionowymi i poziomymi liniami na identyczne elementy - kwadraty. Elementy, na które padł obraz, zostaną całkowicie poczerniałe, reszta pozostanie biała. Umówmy się na oznaczenie czarnych elementów jednym, białych - zero. Wprowadźmy sekwencyjne numerowanie wszystkich elementów pola, na przykład w każdym wierszu od lewej do prawej i wierszami od góry do dołu. Wtedy każda cyfra narysowana na takim polu zostanie jednoznacznie wyświetlona z kodem składającym się z tylu liczb (jedynek i zer), ile elementów zawiera pole.

Rys. 2.3 Przykłady projekcji i kodowania obrazów.

Takie kodowanie (rys. 2.3) jest uważane za „naturalne”, ponieważ rozszczepienie obrazu na elementy jest podstawą pracy naszego aparatu wzrokowego. Rzeczywiście, siatkówka oka składa się z dużej liczby oddzielnych elementów czuciowych (tak zwanych pręcików i czopków) połączonych włóknami nerwowymi z wizualnymi częściami mózgu. Wrażliwe elementy siatkówki przekazują sygnały przez włókna nerwowe do mózgu, którego intensywność zależy od oświetlenia tego elementu. W ten sposób obraz rzutowany przez układ optyczny oka na siatkówkę jest dzielony przez pręciki i czopki na oddzielne sekcje i przekazywany do mózgu przez elementy o określonym kodzie. Poszczególne elementy pola nazywane są receptorami, a samo pole nazywane jest polem receptorów.

Całość wszystkich płaskich figur, które można przedstawić na polu receptorów, jest rodzajem zbioru. Każda konkretna figurka z tego zestawu jest przedmiotem tego zestawu. Każdy z tych obiektów ma określony kod. W ten sam sposób każdy kod odpowiada określonemu obrazowi w polu receptora. Korespondencja jeden do jednego między kodami i obrazami pozwoli ci operować tylko kodami, pamiętając, że obraz zawsze można odtworzyć za pomocą jego kodu.

Pojemność ANN to liczba obrazów prezentowanych na wejściach SSN w celu rozpoznania. Aby na przykład rozdzielić zestaw obrazów wejściowych na dwie klasy, wystarczy jedno wyjście. Ponadto każdy poziom logiczny - „1” i „0” - będzie oznaczał oddzielną klasę. Na dwóch wyjściach możesz już zakodować 4 klasy i tak dalej. Aby zwiększyć wiarygodność klasyfikacji, pożądane jest wprowadzenie redundancji poprzez przydzielenie do każdej klasy jednego neuronu w warstwie wyjściowej lub, jeszcze lepiej, kilku, z których każdy jest wyszkolony do określania przynależności obrazu do klasy o własnym stopniu niezawodności, na przykład: wysokim, średnim i niskim. Takie SSN pozwalają na klasyfikację obrazów wejściowych łączonych w zbiory rozmyte (rozmyte lub przecinające się). Ta właściwość zbliża takie SSN do rzeczywistych warunków życia.

3. Neurokomputery i sieci

3.1 Neurokomputery

Neurokomputery to systemy, w których algorytm rozwiązania problemu jest reprezentowany przez logiczną sieć elementów określonego typu - neuronów z całkowitym odrzuceniem elementów boolowskich typu AND, OR, NOT. W konsekwencji wprowadzono specyficzne powiązania między elementami, które są przedmiotem odrębnych rozważań.

W przeciwieństwie do klasycznych metod rozwiązywania problemów, neurokomputery implementują algorytmy rozwiązywania problemów, przedstawione w postaci sieci neuronowych. To ograniczenie umożliwia opracowywanie algorytmów, które są potencjalnie bardziej równoległe niż jakakolwiek inna implementacja fizyczna.

Neurokomputer to system obliczeniowy o architekturze MSIMD, w którym zaimplementowano dwa podstawowe rozwiązania techniczne: element przetwarzający o jednorodnej strukturze został uproszczony do poziomu neuronu, a połączenia między elementami są mocno skomplikowane; programowanie struktury obliczeniowej zostało przeniesione na zmianę powiązań wagi pomiędzy elementami przetwarzającymi.

Ogólną definicję neurokomputera można przedstawić w następujący sposób. Neurokomputer to system obliczeniowy o architekturze sprzętowej i programowej adekwatnej do realizacji algorytmów przedstawionych w logicznej podstawie sieci neuronowej.

3.2 Co to są sieci neuronowe?

Każdy neuron odbiera sygnały od sąsiednich neuronów poprzez specjalne włókna nerwowe. Sygnały te mogą być pobudzające lub hamujące. Ich suma to potencjał elektryczny wewnątrz ciała neuronu. Gdy potencjał przekroczy pewien próg, neuron przechodzi w stan wzbudzony i wysyła sygnał wzdłuż wyjściowego włókna nerwowego. Poszczególne sztuczne neurony łączą się ze sobą na różne sposoby. Pozwala to na tworzenie różnorodnych sieci neuronowych o różnych architekturach, zasadach uczenia się i możliwościach.

Wiele osób kojarzy termin „sztuczne sieci neuronowe” z fantazjami o buncie androidów i robotów, maszynach, które zastępują i naśladują ludzi. Wrażenie to wzmacnia wielu twórców neurosystemów, opowiadających o tym, jak w niedalekiej przyszłości roboty zaczną opanowywać różne rodzaje czynności, po prostu obserwując człowieka. Jeśli przejdziesz na poziom codziennej pracy, to sieci neuronowe są po prostu sieciami składającymi się z połączonych ze sobą prostych elementów formalnych neuronów. Większość prac w neuroinformatyce poświęcona jest transferowi różnych algorytmów rozwiązywania problemów w takich sieciach.

Koncepcja opiera się na założeniu, że neurony można modelować za pomocą dość prostych automatów, a o całej złożoności mózgu, elastyczności jego funkcjonowania i innych ważnych cechach decydują połączenia między neuronami. Każde łącze jest przedstawiane jako bardzo prosty element służący do transmisji sygnału. Krótko mówiąc, myśl tę można wyrazić następująco: „struktura połączeń jest wszystkim, właściwości elementów są niczym”.

Zbiór pomysłów i kierunków naukowych i technicznych określonych przez opisaną koncepcję mózgu nazywa się koneksjonizmem (połączenie łączeniowe). Wszystko to odnosi się do prawdziwego mózgu w taki sam sposób, jak karykatura czy kreskówka z jego prototypem. Nie liczy się dosłowna zgodność z oryginałem, ale produktywność pomysłu technicznego.

Następujący blok pomysłów jest ściśle powiązany z koneksjonizmem:

· Jednorodność systemu (elementy są takie same i niezwykle proste, o wszystkim decyduje struktura połączeń);

· Niezawodne układy zawodnych elementów i „renesans analogowy” stosowania prostych elementów analogowych;

· Systemy „holograficzne” po zniszczeniu losowo wybranej części system zachowuje swoje właściwości.

Przyjmuje się, że szerokie możliwości systemów komunikacyjnych rekompensują zły dobór elementów, ich zawodność oraz możliwość zniszczenia części łączy.

Aby opisać algorytmy i urządzenia w neuroinformatyce, opracowano specjalne „obwody”, w których elementarne urządzenia (sumatory, synapsy, neurony itp.) Są łączone w sieci przeznaczone do rozwiązywania problemów. Dla wielu początkujących wydaje się zaskakujące, że ani w sprzętowej implementacji sieci neuronowych, ani w profesjonalnym oprogramowaniu elementy te niekoniecznie są implementowane jako oddzielne części lub bloki. Idealne obwody używane w neuroinformatyce to specjalny język do opisu sieci neuronowych i ich treningu. W przypadku implementacji oprogramowania i sprzętu opisy wykonane w tym języku są tłumaczone na bardziej odpowiednie języki na innym poziomie.

4. Systemy ekspertowe (ES), ich struktura i klasyfikacja. Narzędzia do konstruowania ES. Technologia rozwoju ES

4.1 Cel systemów ekspertowych

Na początku lat osiemdziesiątych wyłonił się niezależny kierunek badań nad sztuczną inteligencją, który nazwano „systemami ekspertowymi” (ES). Celem badań ES jest opracowanie programów, które rozwiązując problemy trudne dla eksperta będącego człowiekiem, uzyskują wyniki nie gorsze pod względem jakości i wydajności w porównaniu z rozwiązaniami uzyskanymi przez eksperta. Badacze z zakresu ES w nazwie swojej dyscypliny często posługują się także terminem „inżynieria wiedzy”, wprowadzonym przez E. Feigenbauma jako „przynoszący zasady i narzędzia badań z zakresu sztucznej inteligencji w rozwiązywaniu trudnych problemów aplikacyjnych, wymagających wiedzy eksperckiej”.

Narzędzia programowe (PS) oparte na technologii systemów ekspertowych, czyli inżynierii wiedzy (dalej będziemy ich używać jako synonimów), upowszechniły się na świecie. Znaczenie systemów ekspertowych jest następujące:

· Technologia systemów ekspertowych znacznie poszerza zakres praktycznie istotnych problemów rozwiązywanych na komputerach, których rozwiązanie przynosi znaczący efekt ekonomiczny;

· Technologia ES jest najważniejszym narzędziem w rozwiązywaniu globalnych problemów tradycyjnego programowania: czas trwania, a tym samym wysoki koszt tworzenia złożonych aplikacji;

· Wysoki koszt utrzymania złożonych systemów, często kilkakrotnie wyższy niż koszt ich rozwoju; niski poziom możliwości ponownego wykorzystania programu itp.;

· Połączenie technologii ES z tradycyjną technologią programowania dodaje nowe walory produktom programowym dzięki: zapewnieniu dynamicznej modyfikacji aplikacji przez użytkownika, a nie programistę; większa „przejrzystość” aplikacji (na przykład wiedza jest przechowywana w ograniczonym NL, co nie wymaga komentarzy na temat wiedzy, upraszcza szkolenie i utrzymanie); lepsza grafika; interfejs i interakcja.

Według czołowych ekspertów w najbliższej przyszłości ES znajdzie następujące zastosowanie:

· ES będzie odgrywać wiodącą rolę na wszystkich etapach projektowania, rozwoju, produkcji, dystrybucji, sprzedaży, wsparcia i świadczenia usług;

· Technologia ES, która otrzymała komercyjną dystrybucję, zapewni rewolucyjny przełom w integracji aplikacji z gotowych inteligentnie współdziałających modułów.

ES przeznaczone są do tzw. Zadań niesformalizowanych tj. ES nie odrzucają ani nie zastępują tradycyjnego podejścia do opracowywania programów ukierunkowanego na rozwiązywanie sformalizowanych problemów.

Nieformalne zadania mają zwykle następujące cechy:

· Błędność, niejednoznaczność, niekompletność i niespójność początkowych danych;

· Błędność, niejednoznaczność, niekompletność i niespójność wiedzy o obszarze problemowym i rozwiązywanym problemie;

· Duży wymiar przestrzeni rozwiązania, tj. poszukiwanie rozwiązania jest bardzo duże;

· Dynamicznie zmieniające się dane i wiedza.

Należy podkreślić, że zadania niesformalizowane stanowią dużą i bardzo ważną klasę zadań. Wielu ekspertów uważa, że \u200b\u200bte problemy są najbardziej rozpowszechnioną klasą problemów rozwiązywanych przez komputery.

Systemy ekspertowe i systemy sztucznej inteligencji różnią się od systemów przetwarzania danych tym, że używają głównie reprezentacji symbolicznej (zamiast numerycznej), wnioskowania symbolicznego i heurystycznego wyszukiwania rozwiązania (zamiast wykonywania znanego algorytmu).

Systemy eksperckie służą wyłącznie do rozwiązywania trudnych problemów praktycznych (nie związanych z zabawkami). Pod względem jakości i wydajności rozwiązania systemy ekspertowe nie ustępują decyzjom eksperta-człowieka. Eksperckie rozwiązania systemowe są „przejrzyste”; można wyjaśnić użytkownikowi na poziomie jakościowym. Tę jakość systemów ekspertowych zapewnia ich umiejętność wnioskowania o posiadanej wiedzy i wnioskach. Systemy ekspertowe są w stanie uzupełniać swoją wiedzę w trakcie interakcji z ekspertem. Należy zauważyć, że obecnie technologia systemów ekspertowych jest wykorzystywana do rozwiązywania różnego rodzaju problemów (interpretacja, predykcja, diagnostyka, planowanie, projektowanie, sterowanie, debugowanie, instruktaż, zarządzanie) w wielu różnych obszarach problemowych, takich jak finanse, przemysł naftowy i gazowy. , energetyka, transport, produkcja farmaceutyczna, kosmos, metalurgia, górnictwo, chemia, edukacja, przemysł celulozowo-papierniczy, telekomunikacja i łączność itp.

Komercyjne sukcesy firm-twórców systemów sztucznej inteligencji (AI) nie przyszły od razu. W latach 1960 - 1985. Sukcesy sztucznej inteligencji były głównie związane z rozwojem badań, które wykazały przydatność sztucznej inteligencji do praktycznego zastosowania. Począwszy od około 1985 r. (Na masową skalę od 1988 - 1990), głównie ES, aw ostatnich latach systemy, które postrzegają język naturalny (systemy NL) i sieci neuronowe (NN), stały się aktywnie wykorzystywane w zastosowaniach komercyjnych. ...

Powody, które doprowadziły FIS do sukcesu komercyjnego, są następujące.

Integracja. Opracowano narzędzia sztucznej inteligencji (IS AI), które można łatwo zintegrować z innymi technologiami i narzędziami informatycznymi (z CASE, DBMS, kontrolerami, koncentratorami danych itp.).

Otwartość i przenośność. AI IS są opracowywane zgodnie ze standardami zapewniającymi otwartość i przenośność.

Wykorzystanie tradycyjnych języków programowania i stacji roboczych. Przejście z AI IS, zaimplementowanego w językach AI (Lisp, Prolog itp.), Na AI IS, zaimplementowane w tradycyjnych językach programowania (C, C ++ itp.), Uprościło zapewnienie integracji, zmniejszyło wymagania aplikacji AI do szybkości komputera i ilości pamięci RAM. Zastosowanie stacji roboczych (zamiast komputerów PC) znacznie zwiększyło zakres aplikacji, które można uruchomić na komputerze z wykorzystaniem AI IS.

Architektura klient-serwer... Opracowano SI, które wspierają przetwarzanie rozproszone w architekturze klient-serwer, co pozwoliło na: obniżenie kosztów sprzętu używanego w aplikacjach, decentralizację aplikacji, zwiększenie niezawodności i ogólnej wydajności (ponieważ zmniejsza się ilość informacji przesyłanych między komputerami, a każdy moduł aplikacji jest wykonywany na odpowiednim ekwipunek).

IS specyficzna dla problemu / domeny... Przejście od opracowań SI ogólnego przeznaczenia (chociaż nie straciły one na znaczeniu jako środka tworzenia zorientowanych SI) do SI specyficznych dla problemu / domeny zapewnia: skrócenie czasu opracowywania aplikacji; zwiększenie efektywności wykorzystania IP; uproszczenie i przyspieszenie pracy eksperta; możliwość ponownego wykorzystania informacji i oprogramowania (obiekty, klasy, reguły, procedury).

4.2 Klasyfikacja systemów ekspertowych

Klasa „systemy ekspertowe” obejmuje dziś kilka tysięcy różnych systemów oprogramowania, które można sklasyfikować według różnych kryteriów. Przydatne mogą być następujące klasyfikacje (Rysunek 4.1).

Figa. 4.1. Klasyfikacja systemów ekspertowych

Klasyfikacja według rozwiązanego problemu

Interpretacja danych. Jest to jedno z tradycyjnych zadań dla systemów ekspertowych. Interpretacja odnosi się do definicji znaczenia danych, których wyniki muszą być spójne i poprawne. Zwykle dostępna jest analiza danych wielowymiarowych.

Diagnostyka. Diagnostyka odnosi się do wykrycia nieprawidłowego działania w określonym systemie. Awaria jest odchyleniem od normy. Taka interpretacja umożliwia rozpatrzenie awarii sprzętu z ujednoliconego teoretycznego punktu widzenia. systemy techniczneoraz choroby organizmów żywych i wszelkiego rodzaju anomalie naturalne. Ważną specyfiką jest potrzeba zrozumienia struktury funkcjonalnej („anatomii”) systemu diagnostycznego.

Monitorowanie. Głównym zadaniem monitoringu jest ciągła interpretacja danych w czasie rzeczywistym i sygnalizowanie, że określone parametry są poza dopuszczalnymi granicami. Główne problemy to „pomijanie” alarmującej sytuacji i odwrotne zadanie „fałszywego” wyzwalania. Złożoność tych problemów polega na zacieraniu się objawów sytuacji lękowych i konieczności uwzględnienia kontekstu czasowego.

Projekt. Projektowanie polega na przygotowywaniu specyfikacji tworzenia „obiektów” o określonych właściwościach. Specyfikacja to cały zestaw niezbędnych dokumentów - rysunek, nota wyjaśniająca itp. Główne problemy to uzyskanie jasnego strukturalnego opisu wiedzy o obiekcie oraz problem „śladu”. Aby zorganizować efektywny projekt i, w jeszcze większym stopniu, przeprojektować, konieczne jest sformułowanie nie tylko samych decyzji projektowych, ale także motywów ich przyjęcia. Zatem w zadaniach projektowych dwa główne procesy są ściśle powiązane, realizowane w ramach odpowiedniego scenariusza narażenia: proces cofnięcia decyzji i proces wyjaśniania.

Prognozowanie. Systemy predykcyjne logicznie wnioskują prawdopodobne konsekwencje z danych sytuacji. W systemie predykcyjnym zwykle stosuje się parametryczny model dynamiczny, w którym wartości parametrów są „dopasowywane” do danej sytuacji. Konsekwencje wyprowadzone z tego modelu stanowią podstawę prognoz z szacunkami probabilistycznymi.

Planowanie. Planowanie odnosi się do znalezienia planów działania związanych z obiektami, które są w stanie wykonywać określone funkcje. W takim ES wykorzystuje się modele zachowania rzeczywistych obiektów, aby logicznie wydedukować konsekwencje planowanej działalności.

Trening. Systemy uczące się diagnozują błędy w nauce dyscypliny za pomocą komputera i sugerują trafne decyzje. Gromadzą wiedzę o hipotetycznym „uczniu” i jego charakterystycznych błędach, a następnie w swojej pracy potrafią zdiagnozować słabości wiedzy kursantów i znaleźć odpowiednie sposoby ich eliminacji. Ponadto planują komunikację z uczniem w zależności od postępów ucznia w celu przekazania wiedzy.

Ogólnie wszystkie systemy oparte na wiedzy można podzielić na systemy rozwiązujące problemy analizy, i dalej systemy rozwiązujące problemy syntezy.

Główna różnica między problemami analitycznymi a problemami syntezy jest następująca: jeśli w problemach analitycznych można wyszczególnić zbiór rozwiązań i włączyć go do systemu, to w problemach syntezy zbiór rozwiązań jest potencjalnie konstruowany z rozwiązań składowych lub podproblemów. Zadaniem analizy jest interpretacja danych, diagnostyka; zadania syntezy obejmują projektowanie, planowanie. Połączone zadania: szkolenie, monitorowanie, prognozowanie.

Klasyfikacja w czasie rzeczywistym

Static ES rozwijane są w obszarach tematycznych, w których baza wiedzy i interpretowane dane nie zmieniają się w czasie. Są stabilne.

Quasidynamic ES interpretować sytuację, która zmienia się w określonym, ustalonym odstępie czasu.

Dynamic ES praca w połączeniu z czujnikami obiektowymi w czasie rzeczywistym z ciągłą interpretacją napływających danych.

Klasyfikacja według typu komputera

Dziś są:

ES dla unikalnych strategicznie ważnych zadań na superkomputerach (Elbrus, CRAY, CONVEX itp.);

ES na komputerze o przeciętnej wydajności (takim jak komputery ES, mainframe);

ES na procesorach symbolicznych i stacjach roboczych (SUN, APOLLO);

ES na mini- i supermini-komputerach (VAX, mikro - VAX itp.);

ES na komputerach osobistych (IBM PC, MAC II i tym podobne).

Klasyfikacja według stopnia integracji z innymi programami

Autonomous ES pracować bezpośrednio w trybie konsultacji z użytkownikiem przy konkretnych zadaniach „eksperckich”, które nie wymagają stosowania tradycyjnych metod przetwarzania danych (obliczenia, modelowanie itp.).

Hybrid ES reprezentują pakiet oprogramowania, który agreguje standardowe pakiety oprogramowania (na przykład statystykę matematyczną, programowanie liniowe lub systemy zarządzania bazami danych) oraz narzędzia do manipulacji wiedzą. Może to być inteligentna nadbudowa nad RFP lub zintegrowane środowisko do rozwiązywania złożonego problemu z elementami wiedzy eksperckiej.

Pomimo zewnętrznej atrakcyjności podejścia hybrydowego, należy zauważyć, że rozwój takich systemów jest o rząd wielkości bardziej złożony niż rozwój autonomicznego ES. Dokowanie nie tylko różnych pakietów, ale różnych metodologii (co dzieje się w systemach hybrydowych) stwarza cały szereg trudności teoretycznych i praktycznych.

4.3 Struktura systemów ekspertowych (na przykładzie statycznego i dynamicznego ES)

Typowy statyczny ES składa się z następujących głównych elementów (rysunek 4.2):

Solver (tłumacz);

· Pamięć robocza (RP), zwana także bazą danych (DB);

· Baza wiedzy (KB);

· Elementy pozyskiwania wiedzy;

· Część wyjaśniająca;

· Okno dialogowe.

Baza danych (pamięć robocza) służy do przechowywania danych początkowych i pośrednich dotyczących aktualnie rozwiązywanego problemu. Termin ten pokrywa się z nazwy, ale nie w znaczeniu, z terminem używanym w systemach wyszukiwania informacji (ISS) i systemach zarządzania bazami danych (DBMS) w odniesieniu do wszystkich danych (głównie długoterminowych) przechowywanych w systemie.

Baza wiedzy (BZ) w ES służy do przechowywania długoterminowych danych opisujących rozpatrywany obszar (a nie danych bieżących) oraz reguł opisujących odpowiednie przekształcenia danych w tym obszarze.

Solver, wykorzystując dane początkowe z pamięci roboczej i wiedzę z bazy wiedzy, tworzy ciąg reguł, które zastosowane do danych początkowych prowadzą do rozwiązania problemu.

Składnik pozyskiwanie wiedzy automatyzuje proces wypełniania ES wiedzą, realizowany przez doświadczonego użytkownika.

Część wyjaśniająca wyjaśnia, w jaki sposób system otrzymał rozwiązanie problemu (lub dlaczego nie otrzymał rozwiązania) i jaką wiedzę wykorzystał, co ułatwia ekspertowi testowanie systemu i zwiększa zaufanie użytkownika do wyniku.

Figa. 4.2. Struktura statystycznego ES

Komponent dialogowy koncentruje się na organizowaniu przyjaznej komunikacji z użytkownikiem zarówno w trakcie rozwiązywania problemów, jak iw procesie zdobywania wiedzy i wyjaśniania wyników pracy.

W rozwoju ES uczestniczą przedstawiciele następujących specjalności:

ekspert w dziedzinie problemowej, której zadania rozwiąże ES;

inżynier wiedzy - specjalista w zakresie rozwoju ES (stosowana przez niego technologia, metody nazywane są technologią (metodami) inżynierii wiedzy);

programista do opracowywania narzędzi (IS) przeznaczonych do przyspieszenia rozwoju ES.

Należy zauważyć, że brak inżynierów wiedzy wśród uczestników rozwoju (czyli ich zastąpienie przez programistów) albo prowadzi do niepowodzenia procesu tworzenia ES, albo znacznie go wydłuża.

Ekspert definiuje wiedzę (dane i reguły) charakteryzującą obszar problemowy, zapewnia kompletność i poprawność wiedzy wprowadzonej do ES.

Inżynier wiedzy pomaga ekspertowi zidentyfikować i ustrukturyzować wiedzę niezbędną do obsługi scenariusza narażenia; dokonuje wyboru SI, który jest najbardziej odpowiedni dla danego obszaru problemowego i określa sposób reprezentacji wiedzy w tym SI; dobiera i programuje (w sposób tradycyjny) standardowe funkcje (typowe dla danego obszaru problemowego), które będą wykorzystywane w regułach wprowadzanych przez eksperta.

Programista rozwija IS (jeśli IS jest rozwijany od nowa), zawierając w granicach wszystkie główne komponenty ES i implementuje swój interfejs ze środowiskiem, w którym będzie używany.

System ekspertowy działa w dwóch trybach: trybie zdobywania wiedzy oraz w trybie rozwiązania problemu (zwanym także trybem konsultacji lub trybem korzystania z ES).

W trybie zdobywania wiedzy komunikacja z ES prowadzona jest (za pośrednictwem inżyniera wiedzy) przez eksperta. W tym trybie ekspert, wykorzystując komponent pozyskiwania wiedzy, uzupełnia system wiedzą, która pozwala ES w trybie rozwiązania samodzielnie (bez eksperta) rozwiązywać problemy z obszaru problemowego. Ekspert opisuje obszar problemowy w postaci zbioru danych i reguł. Dane określają obiekty, ich cechy i wartości istniejące w dziedzinie wiedzy. Reguły definiują sposoby manipulowania danymi specyficznymi dla danego obszaru.

Należy zwrócić uwagę, że sposób zdobywania wiedzy w tradycyjnym podejściu do tworzenia programu odpowiada etapom algorytmizacji, programowania i debugowania wykonywanego przez programistę. Zatem, w przeciwieństwie do tradycyjnego podejścia, w przypadku ES tworzenie programów nie jest wykonywane przez programistę, ale przez eksperta (z pomocą ES), który nie zna programowania.

W trybie konsultacji komunikacja z ES jest prowadzona przez końcowego użytkownika, który jest zainteresowany wynikiem i (lub) sposobem jego uzyskania. Należy zaznaczyć, że w zależności od przeznaczenia ES użytkownik może nie być ekspertem w tej problematycznej dziedzinie (w takim przypadku po wynik zwraca się do ES, nie będąc w stanie go uzyskać sam), lub być specjalistą (w tym przypadku użytkownik sam może uzyskać wynik, ale zwraca się do ES w celu przyspieszenia procesu uzyskiwania wyniku lub przydzielenia ES rutynowej pracy). W trybie konsultacji dane o zadaniu użytkownika po przetworzeniu przez komponent dialogowy są przenoszone do pamięci roboczej. Rozwiązaniem problemu jest rozwiązanie oparte na danych wejściowych z pamięci roboczej, ogólnych danych dotyczących obszaru problemu i regułach z bazy wiedzy. Podczas rozwiązywania problemu ES nie tylko wykonuje zalecaną kolejność operacji, ale także ją wstępnie formuje. Jeżeli reakcja systemu nie jest jasna dla użytkownika, może zażądać wyjaśnienia:

„Dlaczego system zadaje takie lub inne pytanie?”, „W jaki sposób system zbiera odpowiedź?”

Konstrukcja pokazana na ryc. 4.2 nazywana jest strukturą statycznego ES. ES tego typu są wykorzystywane w tych aplikacjach, w których można zignorować zmiany w otaczającym świecie, jakie zachodzą podczas rozwiązywania problemu. Pierwsze ES, które otrzymały praktyczne zastosowanie, były statyczne.

Figa. 4.3. Dynamiczna struktura ES

Na rys. 4.3 pokazuje, że do architektury dynamicznego ES w porównaniu ze statycznym ES wprowadzono dwa komponenty: podsystem do modelowania świata zewnętrznego i podsystem do komunikacji ze środowiskiem zewnętrznym. Ten ostatni komunikuje się ze światem zewnętrznym za pośrednictwem systemu czujników i kontrolerów. Ponadto tradycyjne komponenty statycznego ES (baza wiedzy i mechanizm wnioskowania) ulegają znaczącym zmianom, aby odzwierciedlić czasową logikę zdarzeń zachodzących w świecie rzeczywistym.

Podkreślamy, że struktura ES pokazana na rys. 4.2 i 4.3, odzwierciedla tylko komponenty (funkcje) i wiele pozostaje „za kulisami”.

4.4 Etapy rozwoju systemów ekspertowych

Rozwój ES znacznie różni się od rozwoju konwencjonalnego oprogramowania. Doświadczenia związane z tworzeniem ES pokazały, że wykorzystanie w ich rozwoju metodologii przyjętej w tradycyjnym programowaniu albo nadmiernie opóźnia proces tworzenia ES, albo generalnie prowadzi do negatywnego wyniku.

ES należy stosować tylko w przypadku rozwoju ES możliwe, uzasadnione a techniki inżynierii wiedzy są odpowiednie do danego zadania. Tak, że rozwój ES był możliwy dla danego zastosowania konieczne jest jednoczesne spełnienie co najmniej następujących wymagań:

1) są specjaliści w tej dziedzinie, którzy rozwiązują problem znacznie lepiej niż początkujący specjaliści;

2) eksperci zgadzają się na ocenę proponowanego rozwiązania, w przeciwnym razie nie będzie możliwa ocena jakości opracowanego scenariusza narażenia;

3) eksperci potrafią werbalizować (wyrażać w języku naturalnym) i wyjaśniać stosowane przez siebie metody, w przeciwnym razie trudno oczekiwać, że wiedza ekspertów zostanie „wydobyta” i zainwestowana w ES;

4) rozwiązanie problemu wymaga jedynie rozumowania, a nie działania;

5) zadanie nie powinno być zbyt trudne (czyli jego rozwiązanie powinno zająć ekspertowi kilka godzin lub dni, a nie tygodni);

6) chociaż zadanie nie powinno być wyrażone w formie formalnej, to jednak powinno odnosić się do wystarczająco „zrozumiałego” i ustrukturyzowanego obszaru, tj. należy zidentyfikować podstawowe pojęcia, zależności i znane (przynajmniej ekspertowi) sposoby uzyskania rozwiązania problemu;

7) rozwiązanie problemu nie powinno w dużej mierze opierać się na „zdrowym rozsądku” (czyli szerokim wachlarzu ogólnych informacji o świecie i sposobie jego funkcjonowania, które każdy normalny człowiek zna i umie wykorzystać), gdyż takiej wiedzy jeszcze nie udało się (w wystarczające) do inwestowania w systemy sztucznej inteligencji.

Użycie ES w tej aplikacji może być możliwe, ale nie jest uzasadnione. Użycie ES może być usprawiedliwiony jeden z następujących czynników:

· Rozwiązanie problemu przyniesie znaczące skutki, np. Ekonomiczne;

· Skorzystanie z pomocy eksperta będącego człowiekiem jest niemożliwe albo z powodu niewystarczającej liczby ekspertów, albo z powodu konieczności przeprowadzania badania jednocześnie w różnych miejscach;

· Stosowanie scenariusza narażenia jest zalecane w przypadkach, gdy podczas przekazywania informacji ekspertowi następuje niedopuszczalna strata czasu lub informacji;

· Stosowanie ES jest zalecane, jeśli to konieczne, do rozwiązania problemu w środowisku wrogim ludziom.

podanie odpowiada Metody ES, jeżeli rozwiązywany problem ma kombinację następujących cech:

1) problem można naturalnie rozwiązać, manipulując symbolami (tj. Stosując rozumowanie symboliczne), a nie manipulując liczbami, jak to ma miejsce w metodach matematycznych i tradycyjnym programowaniu;

2) zadanie musi mieć charakter heurystyczny, a nie algorytmiczny, tj. jego rozwiązanie powinno wymagać zastosowania reguł heurystycznych. Problemy, które można zagwarantować, że zostaną rozwiązane (zgodnie z określonymi ograniczeniami) przy użyciu pewnych formalnych procedur, nie nadają się do zastosowania scenariusza narażenia;

3) zadanie powinno być na tyle złożone, aby uzasadnić koszty opracowania scenariusza narażenia. Jednak rozwiązanie problemu w scenariuszu narażenia nie powinno być zbyt skomplikowane (zajmie to ekspertowi godziny, a nie tygodnie);

4) problem powinien być na tyle wąski, aby można go było rozwiązać metodami ES, i praktycznie istotny.

Przy opracowywaniu ES z reguły używa się pojęcia „szybkiego prototypu”. Istotą tej koncepcji jest to, że programiści nie próbują od razu budować produktu końcowego. Na wstępnym etapie tworzą prototyp (prototypy) ES. Prototypy muszą spełniać dwa sprzeczne wymagania: z jednej strony muszą rozwiązywać typowe zadania danej aplikacji, az drugiej strony czas i pracochłonność ich tworzenia muszą być bardzo nieznaczne, aby proces gromadzenia i debugowania wiedzy (prowadzony przez eksperta) z procesem selekcji mógł być maksymalnie równoległy. (opracowanie) narzędzi programowych (przez inżyniera wiedzy i programistę). Aby spełnić te wymagania, z reguły przy tworzeniu prototypu stosuje się różnorodne narzędzia przyspieszające proces projektowania.

Prototyp musi wykazać przydatność technik inżynierii wiedzy do zastosowania. Jeśli to się powiedzie, ekspert, z pomocą inżyniera wiedzy, poszerza wiedzę prototypu o problematycznym obszarze. Jeśli to się nie powiedzie, może być konieczne opracowanie nowego prototypu lub programiści mogą dojść do wniosku, że metody ES są nieodpowiednie dla danej aplikacji. Wraz ze wzrostem wiedzy prototyp może osiągnąć stan, w którym z powodzeniem rozwiązuje wszystkie problemy danej aplikacji. Przekształcenie prototypu ES w produkt końcowy zwykle prowadzi do przeprogramowania ES w językach niskiego poziomu, które zapewniają zarówno wzrost wydajności ES, jak i zmniejszenie wymaganej pamięci. Złożoność i czas tworzenia scenariusza narażenia w dużej mierze zależą od rodzaju użytych narzędzi.

W trakcie prac nad stworzeniem ES powstała pewna technologia ich rozwoju, która obejmuje sześć następujących etapów (ryc.4.4):

identyfikacja, konceptualizacja, formalizacja, implementacja, testowanie, eksploatacja próbna. Na scenie identyfikacja określane są zadania do rozwiązania, cele rozwojowe, eksperci i typy użytkowników.

Figa. 4.4. Technologia rozwoju ES

Na scenie konceptualizacja przeprowadzana jest merytoryczna analiza obszaru problemowego, identyfikowane są stosowane pojęcia i ich wzajemne zależności, określane są metody rozwiązywania problemów.

Na scenie formalizowanie Dobiera się SI i określa metody reprezentacji wszystkich rodzajów wiedzy, formalizuje podstawowe pojęcia, określa metody interpretacji wiedzy, modeluje działanie systemu, ocenia się adekwatność celów systemu pojęć stałych, metod decyzyjnych, sposobów reprezentacji i manipulacji wiedzą.

Na scenie spełnienie ekspert wypełnia bazę wiedzy. Z uwagi na fakt, że podstawą ES jest wiedza, ten etap jest najważniejszym i najbardziej czasochłonnym etapem w rozwoju ES. Proces zdobywania wiedzy dzieli się na wydobycie wiedzy od eksperta, uporządkowanie wiedzy zapewniającej efektywne działanie systemu oraz przedstawienie wiedzy w formie zrozumiałej dla ES. Proces pozyskiwania wiedzy realizowany jest przez inżyniera wiedzy na podstawie analizy działań eksperta w rozwiązywaniu rzeczywistych problemów.

5. Wykorzystanie i wsparcie ES. Reengineering biznesowy

5.1 Korzystanie z finansowych systemów eksportu

Wiele przedsiębiorstw tworzy ES, aby rozwiązywać problemy w takich obszarach jak: obrót na giełdzie, automatyczne rozumienie wiadomości, analiza kredytowa, zarządzanie ryzykiem, budowanie portfeli kredytowych i inwestycyjnych, ocena ratingów banków, automatyzacja audytów, przewidywanie zmian na rynku finansowym itp.

Przykładem tego jest cała klasa doradczych ES: Bear, Sterns & Company’s Broker Monitoring System, Athena Group’s Portfolio Advisor and Trader’s Assistant, opracowane wspólnie przez Author D. Little Corporation, Knowledge-Based Network Corporation i sześć innych instytucji finansowych. Japoński bank Sanwa, jeden z największych banków na świecie, korzysta z systemu eksperckiego Best Mix w celu poprawy jakości informacji inwestycyjnych.

System zarządzania konsultacjami w zakresie portfela Nikko, opracowany wewnętrznie przez firmę Nikko Securities, Ltd., pomaga zarządzającym funduszami wybrać najlepszy portfel dla swoich klientów. System opiera się na pięcioletniej bazie danych o sprzedaży akcji i nowym systemie teorii zarządzania portfelem, który oblicza i optymalizuje portfel papierów wartościowych w celu zabezpieczenia się przed różnymi rodzajami ryzyka. Zarządzający funduszami są wolni od rutynowych obliczeń, dzięki czemu mają możliwość szybszego budowania optymalnego portfela papierów wartościowych. IDS Financial Services, ramię planowania finansowego firmy American Express, sklasyfikowało wiedzę finansową swoich głównych menedżerów, aby stworzyć system ekspercki o nazwie Insight. IDS włączył do swoich funduszy wiedzę najlepszych menedżerów, tj. system ekspercki dostępny dla wszystkich planistów. Jednym z głównych rezultatów zastosowania systemu ekspertowego w IDS był spadek odsetka klientów odchodzących z firmy o ponad połowę.

Wymieńmy charakterystykę niektórych konkretnych ES z tej klasy.

1. FLiPSiDE: Logiczny system programowania ekspertyz finansowych. Deweloper: Case Western Reserve University Zadania do rozwiązania: monitorowanie stanu rynku papierów wartościowych; monitorowanie stanu aktualnego portfela papierów wartościowych; wsparcie dla przeglądu przyszłych warunków rynkowych; planowanie i realizacja sprzedaży.

Krótka charakterystyka: Zastosowanie oryginalnego paradygmatu Chalkboard opisanego przez Newella; język Prolog jako platforma programistyczna; prezentacja danych na „tablicy szkolnej” jako wkład do różnorodnej wiedzy;

2. Splendors: system zarządzania portfelem w czasie rzeczywistym. Zadania do rozwiązania: osiągnięcie różnorodnych celów inwestycyjnych w szybko zmieniających się danych. Krótka charakterystyka: system czasu rzeczywistego, wykorzystanie specjalistycznego języka Profit wysokiego poziomu, duża elastyczność w tworzeniu portfela dla doświadczonych programistów C, możliwość tworzenia portfela dla nieprogramującego analityka finansowego.

System pozwala na tworzenie optymalnych portfeli inwestycyjnych w realnej skali dzięki grze uwzględniającej szybkie zmiany na giełdzie.

3. PMIDSS: System wspomagania decyzji w zarządzaniu portfelem. Rozwijające się przedsiębiorstwo: New York University Finance Group. Zadania do rozwiązania: wybór portfela papierów wartościowych, długoterminowe planowanie inwestycji. Krótka charakterystyka: mieszany system reprezentacji wiedzy, zastosowanie różnych mechanizmów wnioskowania: logika, ukierunkowane sieci semantyczne, ramy, reguły.

4. Le Courtier: Asystent-system ekspercki dla menedżera portfela. Przedsiębiorstwo deweloperskie: Cognitive System Inc. Zadania do rozwiązania: pomoc inwestorom w określeniu ich celów inwestycyjnych, zarządzanie portfelem. Krótka charakterystyka: zastosowanie reguł, potężny interfejs języka naturalnego.

5. PMA: doradca zarządzającego portfelem. Deweloper: Athena Group. Zadania do rozwiązania: tworzenie portfela, dostarczanie rekomendacji dotyczących utrzymania portfela. Krótka charakterystyka: dostarczenie jakościowego uzasadnienia wyników zastosowania różnych metod numerycznych.

6. ArBoR: Obliczeniowy model oceny obligacji. Deweloper: College of Business Administration Univercity of Nebraska. Problemy do rozwiązania: System ten powstał w celu zbudowania modelu obliczeniowego w zakresie wyceny obligacji oraz zastosowania modelu jako systemu ekspertowego. Krótka charakterystyka: zastosowanie analizy jakościowej i ilościowej, użycie standardowej powłoki ES.

7. Intelligent Hedger: oparte na wiedzy podejście do problemów związanych z ubezpieczeniem od ryzyka. Deweloper: Departament Systemów Informacyjnych, New York University. Zadania do rozwiązania: problem ogromnej liczby stale rosnących alternatyw ubezpieczenia ryzyka, szybkiego podejmowania decyzji przez menedżerów ryzyka w przyspieszającym przepływie informacji, a także brak odpowiedniego wsparcia maszynowego na wczesnych etapach procesu tworzenia systemu ubezpieczeń ryzyka sugeruje bogaty wachlarz różnych optymalnych rozwiązań dla zarządzających ryzykiem. W tym systemie rozwój ubezpieczeń od ryzyka jest sformułowany jako wielofunkcyjny problem optymalizacyjny. Ten problem optymalizacji obejmuje kilka trudności, z którymi nie mogą sobie poradzić istniejące rozwiązania techniczne.

Podsumowanie: System wykorzystuje reprezentację obiektu, która oddaje dogłębną wiedzę na temat zarządzania ryzykiem i ułatwia emulację podstawowego rozumowania menedżerów ryzyka, przydatnego do wnioskowania i ich wyjaśniania.

8. Wąsko ukierunkowany system wspomagania decyzji przy wyborze strategii inwestycyjnych. Deweloper: Intelligent System Laboratory Science Univercity of Tokyo. Zadania do rozwiązania: Wraz z pojawieniem się koncepcji „wyboru” i „przyszłości” w zestawie instrumentów finansowych, inwestorzy mają możliwość ukształtowania zestawu strategii, które spełniają cele ich inwestycji. Jednak ta szansa rodzi trudne zadanie znalezienia odpowiedniej strategii spośród wielu strategii inwestycyjnych. Przedstawiono inteligentny system wspomagania decyzji służący do generowania niezbędnych strategii inwestycyjnych przy użyciu notacji ograniczonej satysfakcji, która jest szeroko stosowana w problemach poszukiwawczych. W tym systemie ograniczenia odgrywają rolę nawigacji w automatycznym generowaniu złożonych strategii poprzez abstrakcyjne porównanie z profilem kontrybutora. Abstrakcyjne porównanie można postrzegać jako poszukiwanie metody tworzenia dobrze ugruntowanych strategii, które opisują zestaw ofert kupna lub sprzedaży bez informacji cyfrowych. Ponieważ Technika ta może służyć jako preprocesor do analizy ilościowej, takiej jak programowanie liniowe w celu uzyskania optymalnego rozwiązania, proponowany system jest pomostem dla płynnego przejścia między analizami jakościowymi i ilościowymi.

Krótka charakterystyka: wykorzystanie analizy jakościowej do uzyskania możliwych rozwiązań jakościowych (rozwiązania intuicyjne) oraz analiza ilościowa do znalezienia optymalnego rozwiązania metodą programowania liniowego simplex.

9. Jawne rozumowanie w prognozowaniu wymiany walut. Przedsiębiorstwo rozwojowe: Wydział Informatyki Politechniki Miejskiej w Hongkongu. Problemy do rozwiązania: Wprowadza nowe podejście do prognozowania kursów wymiany w oparciu o akumulację i rozumowanie ze wsparciem dla obecnych funkcji, aby skupić się na zestawie hipotez dotyczących zmian kursów walutowych. Zbiór cech prezentowanych w systemie prognostycznym to zadany zbiór wielkości ekonomicznych oraz różne zbiory zmiennych w czasie parametrów wykorzystywanych w modelu prognostycznym.

Krótka charakterystyka: podstawy matematyczne zastosowanego podejścia oparte są na teorii Dempstera-Schafera.

10. Nereid: System wspomagania decyzji w celu optymalizacji pracy z opcjami walutowymi. Firma deweloperska: NTT Data, The Tokai Bank, Science Univercity of Tokyo.

Zadania do rozwiązania: system ułatwia wsparcie dealera w celu uzyskania najlepszej odpowiedzi z przedstawionych możliwych opcji. System jest bardziej praktyczny i zapewnia lepsze rozwiązania niż konwencjonalne systemy decyzyjne.

Krótka charakterystyka: System został zaprojektowany z wykorzystaniem systemu ramek CLP, który w łatwy sposób integruje obszar finansowy z aplikacją AI. Zaproponowano mieszany typ optymalizacji, który łączy wiedzę heurystyczną z technikami programowania liniowego. System działa na stacjach Sun.

5.2 ES na podstawie przykładów

ES na podstawie przykładów można podzielić na dwie grupy zgodnie z zasadami działania: z wykorzystaniem sieci neuronowych oraz z wykorzystaniem algorytmu generalizacji indukcyjnej ID3. Te pierwsze służą głównie jako wstępnie wyszkolony na przykładach klasyfikator, który po podaniu na jego wejście zbioru wartości początkowych parametrów finansowych, na wyjściu pojawia się pożądane rozwiązanie dla danej sytuacji finansowej. Drugi zestaw przykładów tworzy drzewo decyzyjne, z którego następnie budowane są reguły odpowiadające podejmowaniu decyzji. Poniżej podamy 2 typowe przykłady ES z obu grup.

1. S & PCBRS: symulator neuronowy do oceny ratingu papierów wartościowych. Deweloper: Chase Manatten Bank, Standart & Poor's Corp. Zadania do rozwiązania: ocena ratingu papierów wartościowych na podstawie danych o emitentach spółek, sformułowanie prawidłowej skali ratingowej.

Krótka charakterystyka: przedstawienie zadania oceny ratingowej jako zadania klasyfikacyjnego, dobór danych o firmach wystawiających i tworzenie materiałów szkoleniowych, dobór neuroklasyfikatora, jego szkolenie i testowanie, porównanie z oszacowaniami ekspertów, zastosowanie paradygmatu sieci neuronowej Couter-Propagation, prawdopodobieństwo poprawnej prognozy ratingu wynosi 84%.

2. ISPMS: Inteligentny system zarządzania portfelem. Zadania do rozwiązania: utworzenie portfela akcji zapewniającego równowagę między ryzykiem a oczekiwanym zwrotem.

Krótka charakterystyka: wykorzystanie modelu optymalizacji programowania kwadratowego Markowitza, baz danych i baz wiedzy przez firmy i branże wydawców, obecność podsystemu uczenia się z doświadczenia opartego na wyodrębnianiu reguł z dużej liczby faktów, z uwzględnieniem wiedzy eksperta i osobistych preferencji inwestora w modelu optymalizacyjnym. Prawdopodobieństwo prawidłowego przewidzenia gwałtownej zmiany na giełdzie mieści się w przedziale 68% - 84%.

5.3 Refinansowanie biznesu

Restrukturyzacja przedsiębiorstw w zakresie procesów związanych z projektowaniem i przygotowaniem do produkcji nowych wyrobów, zwana reengineeringiem, podejmowana w celu radykalnego zwiększenia efektywności przedsiębiorstw w nowoczesnych warunkach, oparta jest na zmianach organizacyjnych i wykorzystaniu nowych technologii informatycznych.

Analizując istniejący i rozwijający się nowy biznes, ważną rolę odgrywa budowa modeli firmy i zachodzących w niej procesów biznesowych. Modele mogą różnić się stopniem szczegółowości procesów, formą ich prezentacji, biorąc pod uwagę jedynie czynniki statyczne lub dynamiczne itp. Należy zwrócić uwagę, że wszystkie znane podejścia do modelowania biznesowego należą do rodziny metod modelowania złożonych systemów informatycznych.

Tradycyjne narzędzia do konstruowania modeli złożonych systemów obejmują metodologię SADT (Structured Analysis Design Technique). Został stworzony na początku lat 70. w celu ujednolicenia podejść do opisu złożonych systemów. SADT obejmuje zarówno koncepcyjne podejście do budowy modeli systemów, jak i zestaw reguł i symboli graficznych do ich opisu. Proponowane metody konstruowania modeli funkcjonalnych, w których opis systemów odbywa się pod kątem pełnionych przez nie funkcji, nazywane są metodologią IDEF0. Istnieją również specjalne metodologie budowania modeli informacyjnych, które opisują przepływy informacji (IDEFIX) oraz modele dynamiczne, które wyświetlają związki przyczynowo-skutkowe między obiektami systemu (IDEF / CPN).

Do bardziej nowoczesnych narzędzi modelowania, które pojawiły się w połowie lat 90., należy metodologia RUP (Rational Unified Process). Ta metodologia, opracowana przez firmę Rational Software Corp., jest objęta programem

posiada iteracyjny proces tworzenia złożonego systemu informacyjnego opartego na podejściu obiektowym, z wykorzystaniem diagramów UML (Unified Modeling Language) do wizualnego modelowania domeny. Notacja diagramu UML oraz sposób korzystania z UML w reengineeringu projektowania i przedprodukcyjnych procesów biznesowych zostaną omówione w kolejnych sekcjach tego samouczka.

Wraz z UML istnieją inne notacje do modelowania wizualnego, zaimplementowane np. W systemach ARIS i ADONIS. System ADONIS pozwala na wykonanie nie tylko wizualnego, ale także symulacyjnego modelowania procesów biznesowych, jego możliwości również omówiono poniżej.

Systemy informacyjne wspierające nowe procesy biznesowe.

Zaznaczono powyżej, że korzystanie z nowych technologii informatycznych jest integralną częścią przebudowy. Jednocześnie modele nowych procesów biznesowych są bezpośrednio wdrażane w środowisku systemu wspomagania informacji (ISP) nowej firmy. Znaczenie COI polega nie tylko na tym, że jest niezbędnym elementem przebudowy, ale także na tym, że często wykorzystanie COI w dużej mierze determinuje technologię prowadzenia nowego biznesu. ISP to specjalnie opracowane oprogramowanie - system oprogramowania, który budowany jest w oparciu o zastosowanie odpowiednich narzędzi.

W zakresie projektowania nowych produktów rolę ICP odgrywają systemy projektowania wspomaganego komputerowo (CAD-K). W zakresie technologicznego przygotowania produkcji rolę ICP odgrywają zautomatyzowane systemy technologicznego przygotowania produkcji (ASTPP).

Narzędzia do tworzenia CAD-K i ASTPP obejmują systemy CAD / CAM, CAE i PDM. Jednocześnie systemy CAD / CAM i CAE stają się narzędziami do automatyzacji wykonywania procedur projektowych, a system PDM staje się narzędziem do zarządzania procesami projektowania i przygotowania produkcji. Jednocześnie system PDM jest podstawowym środkiem zaimplementowania jednej przestrzeni informacyjnej na wszystkich etapach cyklu życia produktu (ZHCI).

Najpotężniejsze iw pełni funkcjonalne kompleksy CAD / CAM / CAE / PDM nazywane są rozwiązaniami PLM (Product Data Management).

6. Strategia zdobywania wiedzy. Praktyczne metody wydobywania wiedzy

6.1 Strategia uczenia się

Istnieją trzy strategie zdobywania wiedzy - zdobywanie wiedzy, wydobywanie wiedzy i odkrywanie wiedzy w bazach danych:

Pod nabycie (zdobywanie) wiedzy rozumie sposób automatycznego wypełniania bazy wiedzy poprzez dialog między ekspertem a specjalnym programem.

Wyodrębniając (pozyskiwanie) wiedzy to procedura interakcji inżyniera wiedzy ze źródłem wiedzy (ekspertem, literaturą specjalistyczną itp.) bez wykorzystania technologii komputerowej.

Termin " odkrywanie wiedzy w bazach danych „(Odkrywanie wiedzy w bazach danych - KDD)” oznacza dziś proces uzyskiwania nowych, potencjalnie przydatnych informacji na dany temat z „surowych” danych. Proces ten obejmuje kilka etapów (rysunek 6.1). Obejmuje to gromadzenie surowych danych, selekcję, przygotowanie, transformację danych, wyszukiwanie wzorców w danych, ocenę, uogólnianie i strukturyzację znalezionych wzorców.

Figa. 6.1. Proces odkrywania wiedzy w bazie danych

Strategia KDD coraz bardziej wysuwa się na pierwszy plan. Wynika to w dużej mierze z szybkiego rozwoju różnorodnych hurtowni danych - zbiorów danych, które są zorientowane podmiotowo, zintegrowane, chronologiczne, niezmienne i przeznaczone do późniejszego przetwarzania analitycznego.

Specyfika współczesnych wymagań dotyczących przetwarzania danych w celu odkrywania wiedzy przedstawia się następująco:

Dane są nieograniczone

Dane są niejednorodne (ilościowe, jakościowe, kategorialne)

Wyniki powinny być konkretne i zrozumiałe

· Narzędzia do przetwarzania „surowych” danych powinny być łatwe w użyciu

6.2 Praktyczne techniki ekstrakcji danych

Klasyfikacja metod ekstrakcji wiedzy (rys. 6.2) pozwoli inżynierom wiedzy, w zależności od konkretnego zadania i sytuacji, wybrać konkretną metodę. Z zaproponowanego schematu klasyfikacji można zauważyć, że podstawowa zasada podziału jest związana ze źródłem wiedzy. Metody komunikacyjne obejmują wszystkie rodzaje kontaktów z żywym źródłem wiedzy - ekspertem, a metody tekstowe dotyczą metod wydobywania wiedzy z dokumentów (techniki, podręczniki, podręczniki) i literatury specjalistycznej (artykuły, monografie, podręczniki).

Podział tych grup metod na wyższym poziomie klasyfikacji nie oznacza, że \u200b\u200bsą one antagonistyczne, zazwyczaj inżynier wiedzy łączy różne metody, np. Najpierw studiuje literaturę, potem rozmawia z ekspertami lub odwrotnie.

Figa. 6.2. Klasyfikacja metod ekstrakcji wiedzy.

Z kolei metody komunikacji można również podzielić na dwie grupy: aktywną i pasywną. Z metod pasywnych wynika, że \u200b\u200bwiodącą rolę w procedurze wydobywania wiedzy przenosi się niejako na eksperta, a inżynier wiedzy jedynie rejestruje rozumowanie eksperta podczas jego rzeczywistej pracy decyzyjnej lub zapisuje to, co ekspert uważa za konieczne do samodzielnego opowiedzenia w formie wykładu. W metodach aktywnych natomiast inicjatywa jest całkowicie w rękach inżyniera wiedzy, który aktywnie kontaktuje się z ekspertem na różne sposoby - w grach, dialogach, dyskusjach przy okrągłym stole itp.

Na pierwszy rzut oka metody pasywne są dość proste, ale w rzeczywistości wymagają od inżyniera wiedzy umiejętności jasnej analizy „strumienia świadomości” eksperta i zidentyfikowania w nim znaczących fragmentów wiedzy. Brak sprzężenia zwrotnego (bierność inżyniera wiedzy) znacząco osłabia skuteczność tych metod, co tłumaczy ich zwykle pomocniczą rolę w metodach aktywnych.

Metody aktywne można podzielić na dwie grupy w zależności od liczby ekspertów przekazujących swoją wiedzę. Jeśli jest ich więcej niż jeden, to oprócz serii indywidualnych kontaktów z każdym z nich warto skorzystać z metod dyskusji grupowej z danego obszaru tematycznego. Takie metody grupowe zwykle aktywizują myślenie uczestników dyskusji i pozwalają zidentyfikować bardzo nietrywialne aspekty ich wiedzy. Z kolei metody indywidualne pozostają dziś wiodącymi metodami, gdyż tak delikatna procedura jak „wycofywanie wiedzy” nie toleruje zbędnych świadków.

Osobno należy powiedzieć o grach. Metody gier są obecnie szeroko stosowane w socjologii, ekonomii, zarządzaniu, pedagogice do szkolenia liderów, nauczycieli, lekarzy i innych specjalistów. Zabawa to szczególna forma aktywności i kreatywności, w której człowiek jest wyzwolony i czuje się znacznie swobodniej niż w zwykłej pracy.

Wniosek

W trakcie pracy wyciągnięto następujące wnioski:

System ekspertowy to inteligentny program zdolny do wyciągania logicznych wniosków na podstawie wiedzy z określonego obszaru tematycznego i dostarczający rozwiązania konkretnych problemów.

Na systemy ekspertowe nakładane są następujące wymagania: wykorzystanie wiedzy związanej z określonym obszarem tematycznym; zdobywanie wiedzy od eksperta; określenie rzeczywistego i raczej trudnego zadania; wyposażenie systemu w umiejętności eksperta.

Strukturę systemu ekspertowego reprezentują następujące elementy strukturalne: baza wiedzy, mechanizm wnioskowania, interfejs użytkownika, moduł pozyskiwania wiedzy, moduł porad i wyjaśnień.

Aplikacje systemów opartych na wiedzy można podzielić na kilka głównych klas: diagnostyka medyczna, monitorowanie i sterowanie, diagnostyka usterek w urządzeniach mechanicznych i elektrycznych, edukacja, ekonomia i finanse.

Wiele przedsiębiorstw tworzy ES, aby rozwiązywać problemy w takich obszarach jak: obrót na giełdzie, automatyczne rozumienie wiadomości, analiza kredytowa, zarządzanie ryzykiem, budowanie portfeli kredytowych i inwestycyjnych, ocena ratingów banków, automatyzacja audytów, przewidywanie zmian na rynku finansowym itp. Rozważono najpopularniejsze systemy ekspertowe w dziedzinie finansów.

Specjalność „Systemy i technologie informacyjne (w ekonomii)”

Kwalifikacja - inżynier oprogramowania-ekonomista
Forma studiów - dzienne (budżetowe / płatne)

Specyfika i znaczenie
W nowoczesnych warunkach narastającej interakcji gospodarki, nauki i techniki szczególnie ważne jest kształcenie specjalistów w czterech obszarach: inżynierskim, matematycznym, informacyjnym i ekonomicznym. Opanowanie profili inżynieryjno-ekonomiczno-matematycznych, zaawansowane szkolenia z zakresu programowania i informatyki czynią takiego specjalistę wyjątkowym.

Czego się nauczysz
W programie studiów przewidziano:
1. Obiecujące języki i technologie programowania: C, C ++, JAVA, C #, PHP, HTML, XML, języki skryptowe używane do tworzenia aplikacji internetowych, metody i narzędzia do konstruowania programów w różnych systemach operacyjnych i sieciach komputerowych, grafika komputerowa i sieć -projekt.
2. Systemy, technologie i standardy analizy, projektowania i modelowania (standardy IDEF, seria UML, systemy CASE All Fusion Process Modeller (BpWin), All Fusion Data Modeller (ErWin), Enterprise Architect itp.), Inteligentne systemy, systemy wspomaganie decyzji i ochrona informacji.
3. Bazy danych, DBMS i języki QBE, SQL, T-SQL, OLAP i technologie Data Mining.
4. Technologie tworzenia systemów architektury klient-serwer platformy JEE: RFC, RMI, JSP, SERVLETS, CORBA, EJB, JSF, AJAX, SPRING, STRUTS itp., A także platformy. NET: ASP.NET, ADO. NETTO; Usługi sieciowe i usługi internetowe. Koncepcje i systemy do kompleksowej automatyzacji i zarządzania biznesem, takie serie jak: ERP, MRP, SCM, CRM, CALS, 1C, SAP,.
5. Dyscypliny ekonomiczne: teoria ekonomii, mikro- i makroekonomia, ekonomia przedsiębiorstw itp.
6. Dyscypliny ekonomiczne i matematyczne.
7. Dyscypliny inżynierskie.

Co dalej?
Nasi absolwenci są przygotowani do aktywnego udziału w rozwoju działalności informacyjnej, społeczno-gospodarczej, innowacyjnej, procesów inżynieryjnych oraz re-inżynierii systemów informacyjnych i gospodarczych Republiki Białoruś. W oparciu o Katedrę Informatyki Ekonomicznej regularnie odbywają się szkolenia i seminaria dla studentów, organizowane przez wiodące firmy informatyczne, z dalszym przyciąganiem studentów na praktyki i pracę w firmach według ruchomego harmonogramu równolegle z zajęciami na uczelni.

Miejsca dystrybucji absolwentów: firmy rezydujące w Parku Wysokich Technologii (Sam Solutions, EPAM Systems, IBA, Itransition, System Technologies, BelHard Development itp.), Czołowe banki Białorusi, instytucje edukacyjne i badawcze w Mińsku, instytuty i instytucje Akademia Nauk Republiki Białoruś, duże przedsiębiorstwa i organizacje w Mińsku.

Absolwent wydziału - katedra Informatyki Ekonomicznej.
Kierownik Katedry - kandydat nauki techniczne, docent Witalij Nikołajewicz Komlichenko,
tel .: +375 17 293-84-81.