Ресторанное и гостиничное дело как объект управления

Рассмотрим известные  операции DM.

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

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

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

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

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

— прогнозное моделирование. Благодаря бурному развитию различных  методов автоматического построения моделей (методы индукции, нейронные  сети) прогнозное моделирование стало  самым распространенным типом операций DM. Основой для всевозможных систем прогнозирования служит историческая информация, хранящаяся в БД в виде временных рядов. Если удается построить математическую модель, адекватно описывающую эту динамику, есть вероятность, что можно предсказать и поведение системы в будущем.

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

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

— идентификация  отклонений. Цель этой операции, — во-первых, выявить данные, которые не входят ни в один из имеющихся сегментов, а во-вторых, установить, являются они «шумом» или отражают пока неизвестные закономерности. Применяемые здесь алгоритмы основываются на методах дисперсионного анализа.

Слайд 14.

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

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

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

— кластеризация. Это процесс разбиения БД на ряд сегментов (кластеров), объединяющих данные, имеющие общие характеристики. Результаты кластеризации применяются двояко: для подведения суммарных итогов по кластерам и в качестве входных данных для какого-либо другого метода анализа. Основное интерес и отличие от традиционных методов заключается в отсутствии обучающей выборки и каких-либо априорных сведений о структуре данных. В последние годы, помимо многочисленных традиционных методов, для проведения кластерного анализа все шире применяются нейронные сети.

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

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

Слайд 15.

Модели  представления знаний. Часто вопрос выбора модели представления знания сводят к обсуждению баланса между декларативным и процедурным представлением. Различие между ними можно выразить как различие между «Знать, что» и «Знать, как». Процедурное основано на предпосылке, что интеллектуальная деятельность есть знание проблемной среды, вложенное в программы, т.е. знание о том, как можно использовать те или иные сущности. Декларативное основано на предпосылке, что знание неких сущностей не имеет глубоких связей с процедурами, используемыми для обработки этих сущностей. Основное достоинство декларативного по сравнению с процедурным заключается в том, что в нем нет необходимости указывать способ использования конкретных фрагментов знания. Это позволяет по разному использовать одни и те же факты.

Задачи  компьютерных систем поддержки принятия решений. Принятие решения в большинстве случаев заключается в генерации возможных альтернатив решений, их оценке и выборе лучшей альтернативы. Принять «правильное» решение — значит выбрать такую альтернативу из числа возможных, в которой с учетом всех разнообразных факторов и противоречивых требований будет оптимизирована общая ценность. Неопределенности являются неотъемлемой частью процессов принятия решений.

Компьютерная  поддержка процесса принятия решений  так или иначе основана на формализации методов получения исходных и  промежуточных оценок, даваемых лицом, принимающим решения, и алгоритмизации самого процесса выработки решения.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Слайд 16.

Рис. 5. Взаимосвязь компонентов современного состояния ситуации 
в области анализа и прогноза данных гостиничных предприятий 

Итак, общая схема  взаимосвязей описанных выше компонент  управления и анализа деятельности предприятия представлена на рис. 5. На нем отражено мнение автора о  сложившейся на текущий момент ситуации и предпосылках вокруг прогнозирования на предприятиях индустрии гостеприимства.

Из рисунка  видно, что главными причинами становятся увеличение объема информации, необходимость  в ускорении ее обработки и  параллельное всему этому развитие информационных технологий, которые помогают гостиничному предприятию, как и любому другому, справиться с первыми двумя причинами.

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