Перспективы развития прикладного программного обеспечения в предметной области.

1Преобразование ряда белор.КИС для соотв-я MRP стандартам

2 интеграция отдельных модулей белор. И западн. КИС3появление конкурентоспособных КИС белор.разработки.Рыночными преимущ-вами обладают КИС,в кот. учитывается белор. специфика ведения бизнеса.Поэтому сейчас наблюдается смещение интересов заказчика в сферу отечест.корпоративных учетно-аналитич. систем,кот. преимущ-но предназначены для средних п/п. В тоже время часть клиентов переходит на западные КИС.4Заметное повышение интереса крупных и средних заказчиков отраслевым версиям КИС.Т.е. ориентация белор. Разработчиков на отраслевые решения. 5Значит-е увелич-е числа фирм,занимающихся внедрением програмн. Прод-тов посторонних разработчиков.6рост культуры выбора и эксплуатации КИС.Заказчики начинают более придирчиво выбирать КИС,учитывая их функц-ть,стоим-ть,легкость настройки и сопровождения.Рыночная стоим-ть п/п с внедренной КИС значит-но выше,что явл-ся одним из побудит-ых мотивов для инвестир-я в свою автоматизацию. 7Растет число аудиторских фирм.Появление спроса на консультацион. Услуги,помогающие проанализир-ть все многообразие,присутствующее на белор. Рынке корпоративного ПО и выбрать КИСпод конкретные задачи.Выбор КИС сложен и длителен,поэтому п/п начинают задумыв-ся о необход-ти оплаты услуг фирм кот. смогут упростить и сократить процесс выбора.

31. Направления использования систем искусственного интеллекта (ИИ): системы понимания естественного языка, распознавание образов, системы символьных вычислений, системы с нечеткой логикой, генетические алгоритмы, теория игр и т.д.

ИИ-наука о концепциях,позволяющих вычислит-ной модели делать такие вещи,кот. у людей выглядят разумно.ЗАДАЧА- сделать вычислит модель более полезной и понять принципы,лежащие в основе интелекта.Обл-ть применения:док-ва теорем,игры,принятие решений,адаптивное программир-е,вербал. Концептуал. Обуч-я.1.НЕЙРОННАЯ СЕТЬ.Обраб-ка естест. Языков,распознавание речи,сигналов,создание моделей интелект. Интерфейса,кот. может быть подстроен под польз-ля.Задачи,реш. С пом-ю нейрон.сетей:финанс. Прогнозир-е,раскопка данных,диагностика сис-мы,контроль за деят-ю сетей,шифрование инф-ии.2.ЭВОЛЮЦИОН.ВЫЧИСЛЕНИЕ-автономное и адаптивное поведение комп. Приложений и робото-технич. устр-в.ЭВ затрагивают практич. Проблемы: самосборка,самоконфигурир-е,самовосстановл-е сис-м.Использ-е для решения задач автономных агентов,кот. управляют личными счетами,отбирают нужную инф. в сетях.3.ИИ располагает 2 видами логики:математич. и нечеткой.К матем. логике относ-ся арифм. и логич.операции.Сис-ма нечетк. логики применяется в гибридных управляющих сис-мах,она оперирует понятиями:не более, не менее,примерно.4.а)автоматич. анализ естествен. языков-морфологич,лексич,терминологич. словари,коррекция ошибок. б)высокопроизводит-ый OLAP-анализ и раскопка данных,способы визуализации заданных вопросов. в)мед. сис-мы,позволяющие проводить консультацию в экстренных ситуациях. г)создание полностью автоматизир. игр-заводов. д)выработка прикладных методов,направленных на решение конкретных задач пром-ти в обл-ти финансов,медицины,математики.

32. Математические модели и аппаратно-программная реализация систем ИИ.!!!!!!!!!!!!!!!!!!

33. Модель нейрона, алгоритм ее работы. Искусственные нейронные сети. Примеры применения нейронных сетей для решения экономических задач.

Искуст. нейрон имитирует в первом приближении св-ва биологич. нейрона.Множ-во входных сигналов поступают на исск. нейрон.Сигналы умножаются на соответств. им вес и поступает на суммирующий блок,кот. складывает входы алгебраически,создавая выход,кот. преобраз-ся с пом-ю интегратора в сигнал выхода нейрона.Виды иск. нейрон.сетей:однослойные-простейшая сеть,сост. из группы нейронов,образующих слой. Многослойные –приводят к увеличению вычислит-ной мощности,обладают большими вычислит возмож-тями. Нейронная сеть-обобщенное название групп-алгоритмов,кот. умеют обучаться на примерах,извлекая скрытые закономер-ти из потока данных.Решают задачи:распознавание чел. речи,абстрактных образов,упр-е финанс. потоками,решение аналитич,исслед,прогнозных задач.В наст. время использ-ся нейросетевой пакет Brain Maker Pro B12,кот. адаптирована для банковских и торговых компаний,для аналитич. учреждений верхних эшалонов власти.Отличит. черта нейрон.сетей-спос-ть изменять свое поведение в зависим-ти от изменения внешней среды,извлекая скрытые законом-ти из потока данных.СВ-ВА нейросет. технол.:1)спос-ть обуч-ся на конкретном множ-ве примеров,2)умение стабильно распознавать,прогнозироватьб новые ситуации.При использовании такой технологии,работа строится в несколько этапов:1)четкое определение проблемы, 2)определение и подготовка исходных данных для реализации нейросетев. тех-гии3)вводи данных в сис-му,их подготовка,создание файлов для тренировки и тестирования,4)выбирают тип нейросетевой тех-гии и методы ее обучения.

Использование ИИ в экономике. Интеллектуальный анализ данных. Управление знаниями.

В наст. время использ-ся нейросетевой пакет Brain Maker Pro B12,кот. адаптирован для банковских и торговых компаний.ИАД-процесс поддержки принятия решений,основанный на поиске данных скрытых закономерностей.Стадии ИАД:1.Свободный поиск-выявляет закономер-ти условной логики,асоциативной логики,выявление трендов и колебаний.2.Прогностическое моделирование-использует выявленные закономер-ти для предсказания неизвестных значений и прогнозирования хода событий. 3.Анализ исключений-анализирует исключения(необходима для выявления и толкования аномалий в найденной закономерности.Иногда в явном виде выделяют промежуточную стадию-проверка достоверности найденной закономерности м/у их нахождением и использованием-валидация Методы ИАД:1)непосредственное использование обучающих данных-рассуждения на основе анализа прецендента.2)выявленное использование формализованных закономерностей-методы прос-табуляции,методы вывода уравнений(статистика,нейронные сети),методы логической индукции.При 1 методе используемые данные могут храниться в явном детализ-ом виде и использоваться для прогностического моделирования либо анализа исключений.Проблемой этой группы методов является затрудненность их использования под большим объемом инф-ии.Хотя при анализе больших хранилищ данных такой метод приносит наибольшую пользу.При втором методе инф. извлекается из первичных данных и преобраз-ся в некоторые формальные конструкции,кот. компактны и с помощью их мы можем польз-ся инструкциями прозрачными (интерпритируемыми) или черными ящиками(необъяснимые)