Информационное и техническое обеспечение системы управления персоналом организации

В Великобритании фирма "Transco" использовала Commander Decision для создания ESS для 150 человек, от директора компании до финансовых аналитиков и менеджеров первого уровня. ESS включали информацию о расходах, данные о системах поставок и кредиторах. Пользователи имели свободный доступ к информации и могли углубляться вплоть до уровня детализации, в которой они нуждались; они могли также рассматривать многократные перспективы и ставить вопросы типа "что, если", "как изменится себестоимость, если наша критическая рабочая нагрузка повысится на 5 %?". "Commander Decision помогает нам принимать лучшие решения", - говорит Colin Jonson, менеджер District Operation, Transco.

2.2.3. Переработка руды данных (Data Mining)

"Добыча данных" (Data Mining) использует  ряд технологий (типа деревьев  решений и нейронных сетей), чтобы  искать или "добывать" маленькие  "самородки" информации из крупных объемов данных, запасенных в базе данных организации. Добыча данных, которая иногда рассматривается как вспомогательный аппарат систем поддержки принятия решений, является особенно полезной, когда организация имеет большие объемы данных в базе. Понятие "добыча данных" не ново, хотя название стало популярным только в конце 1990 г. По крайней мере в течение двух десятилетий много больших организаций использовали внутренних или внешних аналитиков, часто называемых специалистами управления, пробуя распознавать тренды или создавать модели в больших массивах данных, используя методы статистики, математики и искусственного интеллекта. С развитием крупномасштабных баз данных и недорогих мощных процессоров возобновился интерес к тому, что названо в последние годы "добычей данных".

Наряду с возобновлением интереса появился ряд высокопроизводительных и относительно легких в использовании  пакетов программ, добывающих коммерческие данные.

Какие методы решения  или подходы используются при "добыче данных"? Фирма "KnowledgeSeeker" использует только одну технологию - дерево решений. Это структура в виде дерева, полученная из данных, чтобы представить наборы решений, приводящих к различным результатам. Когда создан новый набор решений в виде информации относительно частного покупателя, дерево решений предсказывает результат. Нейронные сети, область искусственного интеллекта, которые будут обсуждаться позже в курсовой работе, включены в пакеты программ Marksman, Intelligent Miner и Darwin (последние два также используют дерево решений). Другие популярные технологии включают правила предположений, извлечение из правил "если, то", основанные на статистическом значении; сортировку записей, основанных на наиболее близких им в базе данных; генетические алгоритмы, т.е. методы оптимизации, основанные на концепциях генетической комбинации, мутации и естественного выбора.

Конечно, менеджеру более важно  то, что может быть выполнено с "добычей данных", чем использованные в технологии решения. Ниже даны типичные приложения обработки данных. Для  бизнеса любого вида эти приложения хороши, если смогут увеличить прибыль  организации. Большинство этих приложений сосредоточивается на извлечении ценной информации для клиентов. Таблица 3.1. показывает возможное использование добычи данных [12. С. 77].

Таблица 3.1.

Использование добычи данных

Ниже представлен пример успешной добычи данных.

"Firster Bank", холдинговая компания  с оборотом 20 млрд. долл., основанная  в Милуоки (США), использовала  добычу данных для прямой отправки  по почте набора заказов, чтобы  увеличить быстродействие. Firster применила пакет обработки данных Marksman, сгруппировав карточки заказов клиентов на основе банка данных, который они уже использовали (типа карт расходов, акций домашних займов, сберегательных счетов и выполнения инвестиций), и затем предсказала, какие изделия будут предложены каждому клиенту и в какое время.

Добыча данных требует разработанной  и хорошо построенной базы (склада) данных с сохраняемыми в ней данными. Прежде чем любая организация  подумает относительно добычи данных, нужно сначала убедиться, что необходимые данные имеются и что они являются полными и точными. Например, отделение заказов по почте фармацевтического гиганта Merck-Medco, основанного в Нью-Джерси, потратило 4 года на работу над громоздкой базой данных пациентов и обращений прежде, чем сделать банки данных готовыми к добыче данных. В Merek-Medco главными задачами реинжиниринга стали очистка данных и объединение их в значимую структуру [2].

2.2.4. Искусственный интеллект (Artificial Intelligence)

Идея искусственного интеллекта (AI), т.е. изучение того, как компьютеры могут "думать", имеет приблизительно 30-летний возраст, но только недавно появились достаточно мощные компьютеры, чтобы делать коммерчески привлекательными AI-приложения. АI-исследования развились в пять отдельных, но связанных областей: естественные языки, робототехника, системы ощущения (системы зрения и слуха), экспертные системы и нейронные сети. Чтобы работать с естественными языками, необходимо создание систем, переводящих обычные человеческие инструкции в язык, который компьютеры могут воспринимать и выполнять. Робототехника в большей степени относится к промышленности. Исследование систем ощущения направлено на создание машин, обладающих визуальными и слуховыми способностями, которые воздействуют на их физическое поведение. Другими словами, это исследование нацелено на создание роботов, которые могут "'видеть" или "слышать" и реагировать соответственно тому, что они видят или слышат [12. С. 84].

Заключительные две ветви AI наиболее пригодны для поддержки управления. Экспертные системы - это системы, которые используют логику принятия решения человеческого эксперта. Самая новая отрасль AI - нейронные сети, которые устроены по аналогии с тем, как работает человеческая нервная система, но фактически используют статистический анализ, чтобы распознать модели из большого количества информации посредством адаптивного изучения.

2.2.5. Экспертные системы (Expert Systems)

Чтобы спроектировать экспертную систему, специалист, называемый инженером знания (специально подготовленный системный аналитик), очень тесно работает с одним или большим количеством экспертов в изучаемой области. Инженеры знания пробуют узнавать все относительно способа, которым эксперт принимает решения. Если строится экспертная система для планирования оборудования, то инженер знания работает с опытными планировщиками оборудования, чтобы видеть, как они работают. Знание, полученное инженером знания, затем загружается в компьютерную систему, в специализированном формате, в блоке, названном базой знаний (рис. 3.3).

Эта база знаний содержит правила  и заключения, которые используются в принятии решений, - параметры, или  факты, необходимые для решения.

Другие главные фрагменты экспертной системы - создатель заключения и интерфейс пользователя. Создатель заключения - логический каркас, который автоматически проводит линию рассуждения и который беспечен правилами заключения и параметрами, вовлеченными в решение. Таким образом, один и тот же создатель заключения может использоваться для многих различных экспертных систем с различной базой знаний. Интерфейс пользователя - блок, используемый конечным пользователем, например неопытным планировщиком оборудования идеальный интерфейс - очень дружественный. [12. С. 92]

Классический пример экспертной системы - MYCIN, она была создана в "Stanford University" в середине 70-х годов, чтобы диагностировать обращения по болезням крови и менингита. "General Electric" развивала экспертную систему CATS-1, чтобы диагностировать механические проблемы в дизельных локомотивах, фирма AT&T разработала АСЕ для обнаружения повреждений в телефонных кабелях. Международная нефтяная компания "Schlumberger" развивала экспертную систему, названную Dipmeter, применяемую для подачи сигналов, когда сверло заклинивает и когда сверление идет нормально. Эти примеры относятся к проблемам диагностики ситуаций и предписывают соответствующие действия, потому что эксперты не всегда присутствуют, когда возникают проблемы на производстве.

2.2.6. Нейронные сети (Neural Networks)

В то время как экспертные системы  пробуют ввести опыт людей в компьютерную программу, нейронные сети пытаются создать значимые модели из большого количества данных. Нейронные сети могут распознавать модели, слишком  не ясные для людей, и адаптировать их при получении новой информации.

Ключевая характеристика нейронных  сетей в том, что они обучаются. Программе нейронных сетей сначала  дается набор данных, состоящих из многих переменных, связанных с большим  количеством случаев, или исходов, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, а затем выбирает набор переменных, которые строго соотнесены с частными известными результатами, как начальная модель. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, а предсказанные результаты сравниваются с известными результатами. Базируясь на этом сравнении, программа изменяет модель, регулируя параметры переменных или даже заменяя их. Этот процесс программа нейронных сетей повторяет много раз, стремясь улучшить прогнозирующую способность при наладке модели. Когда в этом итерационном подходе дальнейшее усовершенствование исчерпывается, программа готова делать предсказания для будущих случаев.

Как только станет доступным новое  большое количество случаев, эти данные также вводятся в нейронную сеть, и модель еще раз корректируется. Нейронная сеть обучается в основном относительно причинно-следственных моделей из этих дополнительных данных, и прогнозирующая способность улучшается.

Коммерческие программы нейронных сетей (фактически это конструкции) доступны за приемлемую цену, но наиболее трудная часть создания и применения нейронных сетей - частый сбор данных и трудности обеспечения данных. Однако возрастает число развертывающихся приложений. Bank of America использует нейронную сеть, чтобы оценить коммерческие заявки на получение ссуды. "American Express" использует нейронную систему, чтобы читать почерк на кредитной карте; штат Вайоминг - чтобы читать заполненные от руки налоговые формы. "Oil giant Arco" и "Texaco" используют нейронные сети, чтобы помочь обнаружить места газовых и нефтяных месторождений под поверхностью земли. "Mellon Bank" работает над нейронной системой, которая ускорит распознавание мошеннических подделок кредитных карточек, контролируя такие показатели, как частота использования кредитной карточки и размеры расходов относительно предельного размера кредита. В 80-е и 90-е годы экспертные системы и приложения нейронной сети слишком рекламировались в популярной прессе как решающие большинство проблем, стоящих перед менеджерами. В конце 20-го столетия индустрия приняла более реалистическую перспективу использования AI-приложений: AI - не панацея, но имеется значительное число потенциально ценных приложений для AI-методов. Каждое потенциальное применение должно быть тщательно оценено. Результатом этих тщательных оценок был устойчивый рост, а не вспышка в развитии и использовании экспертных систем и нейронных сетей, чтобы помочь предпринимателям в проблемных ситуациях найти лучшие полезные решения [12. С. 103].

2.2.7. Виртуальная реальность (Virtual Reality)

Виртуальная реальность (VR) предполагает использование машинных систем для создания окружающей среды, которая кажется реальной пользователю-человеку. Впечатляющий пример виртуальной реальности - игра Holodeck Enterprise, где каждый участник может стать Шерлоком Холмсом в реальной обстановке, с реальными характеристиками и где Кан-Люк Пикард может играть роль жестокого разбойника в начале X столетия.

Использование VR в не развлекательных установках разделяется на две категории: обучение и проектирование. Примеры обучения будут приведены позже, сопровождаясь примерами использования VR в проекте.

"Amoco" развила основанную на PC систему виртуальной реальности, названную "truck dri VR", для обучения водителей. Эта система, основанная на вариациях опасностей движения, стала удачным способом испытания для 12000 водителей. Система VR, создание которой стоит приблизительно 50000$, использует шлем с визуальной и слуховой информацией и полностью погружает пользователя в виртуальный мир. Вождение грузовика с driVR реалистично, с многократными возможностями для пользователя, включая перспективы и левых, и правых зеркал заднего вида, которые появляются тогда, когда пользователь поворачивает голову налево или направо.

Одно недорогое применение виртуальной  реальности (с ценой около 500 долл.) - использование для размещения товаров  розничной продажи в универмагах. При использовании программного обеспечения "прогулки внутрь (walk-through)" типа Virtus Walk Through Pro на Macintosh или PC много розничных торговцев сохранили время и деньги при проектировании планировок магазина и витрин. Walk Through Pro обеспечивает трехмерное изображение на экране компьютера без специальных стекол. Пользователь может прогуляться внутри и осмотреть расположение с различными перспективами. Могут быть легко изменены имущество и цветовая палитра, могут быть добавлены кирпичи и плитка, а стены, двери и окна могут быть перемещены. В подобных приложениях можно было воображать агента недвижимого имущества, предлагающего виртуальные прогулки внутрь зданий на рынке, или агента путешествия, предлагающего виртуальные прогулки по курортам, или круизы на корабле [12. С. 109].

Развитие виртуальной реальности находится в грудном возрасте, и пройдет длительное время, прежде чем, возможно, кто-нибудь отдаленно приблизится к Holodeck Enterprise. Однако много продавцов развивают VR, программное и техническое обеспечение, и начинают появляться многочисленные ценные приложения VR.

2.2.8. Системы поддержки работы группы (Group Support Systems)

Системы поддержки работы группы .(Group Support Systems -GSS) -важный вариант DSS, в котором  система разработана, чтобы поддержать группу, а не индивидуума. GSS, иногда называемые системами поддержки принятия решений группы или системами электронных встреч, стремятся воспользоваться преимуществом возможностей группы, чтобы находить лучшие решения, чем решения личностей, действующих отдельно. Менеджеры расходуют значительную часть своего времени на участие в работе групп (встречи, комитеты, конференции). В среднем у менеджеров это составляет 35% рабочего времени в неделю, у главных управляющих - от 50 до 80%. GSS старается сделать сеансы электронных встреч группы более производительными [12. С. 115].