Инновационные системы в экономике

     Следующей особенностью ИБС является единая информационная база. В современных условиях для ведения единой информационной базы используются различного рода системы управления базами данных (СУБД). СУБД имеют специальные механизмы контроля целостности данных (триггеры, внешние ключи и т.д.), отличающиеся простотой и высокой надежностью. В подавляющем большинстве это системы управления реляционными БД.

     Также существует несколько уровней программного обеспечения: операционная система, СУБД, прикладные программы, каждый из которых решает свои специфические задачи. Например, СУБД обеспечивает интерфейс доступа к данным на чтение и запись, блокирование записей в режиме многопользовательской работы, предоставляет средства архивации, восстановления и резервного копирования данных. Наиболее распространенным интерфейсом доступа к данным являютсяSQL-запросы, которые анализируются на СУБД, и различные программные средства, которые исполняют эти запросы. Особенностью информационной системы банка является необходимость обработки двух типов данных, а именно оперативных и аналитических. Поэтому в процессе функционирования ИБС приходится решать два класса задач: обеспечение повседневной работы банка по вводу и обработке информации и организация информационного хранилища в целях анализа данных для выявления тенденций развития, прогнозирования состояний, оценки и управления рисками и т.д. Задачи первого класса полностью решаются OLTP-системами (OnLine Transactional Processing - оперативная обработка транзакции). Для работы с аналитическими данными предназначены OLAP-системы (OnLine Analytical Processing -оперативная аналитическая обработка), которые построены по технологии хранилища данных и служат для агрегированного анализа больших объемов данных. Эти системы являются составной частью систем принятия решений или управленческих систем класса middle и top management, т.е. систем, предназначенных для пользователей среднего и высшего уровня управления банка.

     Таким образом, возможности ИБС могут быть расширены путем совместного использования транзакционных OLTP-систем и хранилищ данных (Data Warehouse).

     Подобная структура обеспечивает высокую централизацию и взаимосвязанность процессов обработки данных по операциям выпускаемых банком продуктов. На основе этой системы банкам легко будет перейти от интегрированных решений учреждений к единому информационному пространству банка в целом. 
 
 
 

Тема 4. Компьютерные технологии интеллектуальной поддержки управленческих решений. 

1. Автоматизированные экспертные системы.

     Автоматизированная экспертная система – это продвинутая компьютерная программа (набор команд), которая имитирует знания и способности эксперта к рассуждениям в какой-либо специальной области. Создатели такой системы стремятся клонировать знания одного или нескольких специалистов чтобы создать инструмент, который может быть использован непрофессионалом для решения сложных задач. Основное преимущество экспертных систем состоит в их низкой стоимости по сравнению со стоимостью услуг экспертов или групп специалистов. Экспертные системы отличаются от обычных компьютерных программ, основными функциями которых являются поиск информации, манипуляция данными и вычисления. В отличие от таких программ они применяют к фактам определенные правила, которые устанавливают отношения между этими фактами с целью получения рассуждений, подобных тем, которые бывают у человека.

     Двумя основными компонентами экспертных систем являются: 1) база знаний, которая отличается от базы данных в том, что она содержит исполняемый программный код (предписания), и 2) логическая машина (решатель задач), которая интерпретирует и оценивает предписания и данные, содержащиеся  в базе знаний. 

     Концепция экспертных систем появилась еще в 60-х годах прошлого столетия, но впервые она привлекла к себе внимание благодаря трудам профессора Стэнфордского университета Эдварда Фейгенбаума (Edward Feigenbaum). В 1977 году он показал, что  эффективность компьютерных программ при решении сложных логических задач в большей степени определяется объемом знаний в соответствующей проблемной области, которыми они располагают, чем от формализмов и техники программирования, которые они используют. Вначале экспертные системы применялись в области диагностики и лечения болезней человека. Позднее они стали использоваться в таких областях деятельности как химия, банковское дело, налогообложение и геология. Был такой период времени, когда многие специалисты считали, что нейронные сети и экспертные системы являются конкурирующими направлениями в работах по искусственному интеллекту. Но в настоящее время преобладает точка зрения, что это два равноправных альтернативных подхода к решению задач со свойственными им достоинствами и недостатками. При этом экспертные системы ориентированы преимущественно на использование наборов правил и их последовательное применение, а нейронные сети - на использование примеров. Оба подхода являются достаточно общими и должны применяться с учетом характера решаемых задач.  Задача может быть решена либо путем обучения нейронной сети, либо путем проектирования экспертной системы. 

Для проектировщика интеллектуальной системы автоматической обработки информации экспертная система  проще для понимания, чем нейронная  сеть, так как в ней применяются правила типа “ЕСЛИ …, ТО …”, используемые и в человеческих рассуждениях.  Нейронная же сеть имитирует малопонятные биологические процессы в мозгу и может показаться странной.      Проектировщик практически не может видеть, как обучается нейронная сеть.

     Нейронные сети целесообразно использовать вместо традиционных методов программирования, когда правила функционирования автоматизируемых объектов и процессов неопределенны или когда они изменяются во времени.  Нейронные сети и экспертные системы могут использоваться совместно в составе гибридных систем. При этом нейронные сети могут применяться для распознавания образов (например, для распознавания финансовых ситуаций или чувственных данных), а экспертные системы - для последующей логической обработки результатов распознавания. Экспертные системы могут также применяться в процессах обучения нейронных сетей. Многие сложные задачи могут быть решены путем совместного использования процедур логического вывода и процедур, моделирующих человеческую интуицию. В гибридных системах логический вывод может выполняться с помощью экспертных систем, а человеческая интуиция моделироваться с помощью нейронных сетей. Обученные нейронные сети могут быть представлены в виде матриц порогов чувствительности входов в нейроны, храниться на компьютерном диске или на чипе и использоваться в составе экспертных систем в качестве специальных процедур. 

2. Основные понятия нейросетевых технологий.

     Бионический (нейросетевой) подход к созданию интеллектуальных компьютерных систем. В настоящее время биоэлектроника является новейшей отраслью науки и техники, изучающей принципы и методы обработки информации живыми организмами с целью создания высокопроизводительных, надежных и интеллектуализированных вычислительных средств. Одним из направлений бионического подхода к созданию интеллектуальных компьютерных систем являются исследования в области создания нейрокомпьютера — систем нечисловой информационно-логической обработки данных, реализуемых на базе новых архитектурных принципов ЭВМ. В основе этих работ лежат интенсивные исследования:

структуры и процессов функционирования человеческого  мозга; нейронных сетей низших типов животных; методов получения мономолекулярных органических пленок и многослойных структур на их основе; методов получения биологических проводников электрического тока; по созданию искусственных нейронных сетей в виде специализированных электронных схем, состоящих из электронных аналогов клеток головного мозга.

     Отличительной чертой нейронных сетей является их способность менять свое поведение (обучаться) в зависимости от изменения внешней среды, извлекая скрытые закономерности из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях — необходимо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом.

     Основанная на нейросетях технология не предъявляет повышенных требований к точности входных данных как на этапе обучения, так и при ее использовании (после настройки и обучения), например, при распознавании симптомов приближения критических ситуаций, для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает двумя чрезвычайно полезными свойствами: 1) способностью обучаться на конкретном множестве примеров; 2) умением стабильно распознавать, прогнозировать новые ситуации с высокой степенью точности, причем в условиях внешних помех (например, появления противоречивых или неполных значений в потоках информации).

     Основанные на исследованиях работы мозга, нейросетевые технологии оперируют рядом биологических терминов, понятий, параметров, а метод получил название генетического алгоритма. Генетический алгоритм реализован в популярных версиях нейропакетов - широко известном в России Brain Maker Professional v.3.11 и менее известном, но более профессиональном Neurofo-rester v.5.1. В этих пакетах генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает (прогнозирует) новые ситуации с высокой степенью точности даже в условиях внешних помех (например, появления противоречивых или неполных знаний). Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без непосредственного участия пользователя-аналитика.

     Современные нейросетевые продукты позволяют работать как с числовыми, так и с текстовыми данными, т. е. преобразовывать набор символов (слово, фраза) в уникальный набор чисел. Ward System делает возможной также обратную операцию, т. е. представление результатов работы нейросети в виде не только чисел, но связного текста, что позволяет генерировать результаты в виде различных информационных сообщений.

      Работоспособность первоначально обученных сетей проверяется на тестовой выборке данных. По результатам тестов отбираются наиболее перспективные варианты. При этом руководствуются тем, что точность и надежность прогноза, прежде всего, зависят от типа прогнозируемой величины, состояния, в котором находится система (стационарное, вблизи критической точки и т. п.), типа системы (управляемая извне или замкнутая). Если результаты тестирования неудовлетворительные, то просматривается набор входных данных, изменяются некоторые учебные программы или перестраивается сеть.

     После завершения полного цикла решения задачи возможны два пути: пользоваться в дальнейшей работе созданной системой, что вполне приемлемо для одного специалиста, решающего определенный круг задач, или создать для каждой задачи независимые приложения в виде отдельного файла, который может использоваться другими программами. В этом случае полученный вариант нейросетевой технологии представляет собой упакованную нейросеть с описанными функциями передачи данных команд управления.

Использование нейронных сетей открывает практически  неограниченные возможности применения, особенно в качестве аналитических  инструментов в таких плохо формализуемых  и многокритериальных областях управления, как анализ финансовой и банковской деятельности, биржевые рынки. Любая задача, связанная с использованием финансовых средств на валютном рынке или рынке ценных бумаг, сопряжена с риском и требует тщательного анализа и прогноза. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. Поэтому количество примеров успешного применения нейросетевых программных продуктов стремительно растет. Среди перспективных направлений использования нейросетевых технологий в управлении можно назвать создание компьютерных моделей поведения клиента для оценки риска или перспективности работы с конкретными клиентами. Эти модели основаны на анализе проведенных сделок и оценке вероятности того, согласится ли конкретный клиент на то или иное предложение. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Тема 5. Основы защиты информации. 

1. Основные виды угроз информационной безопасности 

    Основные непреднамеренные искусственные угрозы АИТУ (действия, совершаемые людьми случайно, по незнанию, невнимательности или халатности, из любопытства, но без злого умысла): 1) неумышленные действия, приводящие к частичному или полному отказу системы или разрушению аппаратных, программных, информационных ресурсов системы (неумышленная порча оборудования, удаление, искажение файлов с важной информацией или программ, в том числе системных и т. п.); 2) неправомерное включение оборудования или изменение режимов работы устройств и программ; 3) неумышленная, порча носителей информации; 4)  запуск технологических программ, способных при некомпетентном использовании вызывать потерю работоспособности системы (зависания или зацикливания) или необратимые изменения в системе (форматирование или реструктуризацию носителей информации, удаление данных и т. п.); 5) нелегальное внедрение и использование неучтенных программ (игровых, обучающих, технологических и др., не являющихся необходимыми для выполнения нарушителем своих служебных обязанностей) с последующим необоснованным расходованием ресурсов (загрузка процессора, захват оперативной памяти и памяти на внешних носителях); 6) заражение компьютера вирусами; 7)  неосторожные действия, приводящие к разглашению конфиденциальной информации или делающие ее общедоступной; 8)  разглашение, передача или утрата атрибутов разграничения доступа (паролей, ключей шифрования, идентификационных карточек, пропусков и т. п.). 9) проектирование архитектуры системы, технологии обработки данных, разработка прикладных программ с возможностями, представляющими угрозу для работоспособности системы и безопасности информации; 10) игнорирование организационных ограничений (установленных правил) при ранге в системе; 11) вход в систему в обход средств зашиты (загрузка посторонней операционной системы со сменных магнитных носителей и т. п.); 12)  некомпетентное использование, настройка или неправомерное отключение средств защиты персоналом службы безопасности; 13)  пересылка данных по ошибочному адресу абонента (устройства); 14)  ввод ошибочных данных; 15)  неумышленное повреждение каналов связи.