50368 (610095), страница 5
Текст из файла (страница 5)
С помощью СЕЙСМОС можно надежно определить (с вероятностью близкой к 100%) зоны отсутствия сильных землетрясений в течение текущего года. Это дает страховщику возможность обоснованно брать на себя ответственность по сейсмическим рискам в данных регионах (принцип максимизации прибыли).В качестве показательного примера работы с использованием СЕЙСМОС можно привести успешную локализацию места (южное побережье о. Ява, Индонезия) и временного интервала (июнь 2006 - февраль 2007), в течение которого ожидалось сильное землетрясение, способное вызвать цунами. Об этом 02 июня 2006 года в МоскваРе было отправлено официальное письмо (Вх. №506/В-06), составленное авторами системы СЕЙСМОС. Данный прогноз полностью подтвердился 17 июля 2006 года.Таким образом, уникальная возможность локализации зон и временных интервалов сейсмической опасности с использованием СЕЙСМОС предостерегает компанию от потенциальных страховых случаев (принцип минимизации потерь).
Технология и состав СППР
Технология построения СППР для страховых компаний базируется на геоинформационных технологиях, которые, в свою очередь, используют всю информационную базу компании и внешние данные в виде источников данных. Такая интеграция позволяет получить принципиально новую информацию для выработки управленческих решений по минимизации потерь и максимизации прибыли компании.Сегодня создание информационной инфраструктуры компаний (не только страховых) в большинстве случаев представляет собой хаотичный процесс, характеризующийся внедрением нескольких автоматизированных систем с различными, не всегда совместимыми стандартами и технологиями. Как правило, только крупные корпорации позволяют себе капитальные вложения в создание единой корпоративной ERP системы.
СППР на базе ГИС-технологий являются оптимальным универсальным решением, так как подходят для страховых компаний с любым уровнем информатизации. СППР можно внедрить независимо от текущей степени автоматизации компании и сразу получить эффективный инструмент управления. Данный тезис иллюстрирует рис. 1, где показана интегрирующая роль СППР на базе ГИС.
В качестве исходной информации для СППР выступают:
Информационная инфраструктура компании, которая может быть представлена как в виде солидной и мощной ERP системы, так и в виде простых таблиц базы данных локальных приложений и систем учета компании. Данные ГИС. Это базовые картографические данные, такие как карты Мира, России, городов, а также привязанная к ним информация о застрахованных объектах компании.
Тематические данные ГИС, содержащие предметно-ориентированную информацию для оценки риска на произвольной территории. Здесь присутствуют такие карты, как карта сейсмического районирования, карта паводковой опасности, карта статистики по угонам автомобилей, карта пожароопасности и множество других данных, касающихся оценки риска.Данные прогноза в реальном времени по сейсмической, паводковой, пожарной опасности и др.Внешние источники, содержащие любую полезную информацию, не присутствующую на данный момент в СППР. Это могут быть обновленные картографические данные (например, по городам), экономическая информация по развитию регионов и стран, специализированные источники статистических данных для страхования, оценка риска в реальном времени (сейсмический риск, паводковый риск и т.д.) и другая информация, в том числе доступная в сети Интернет.
Примеры работы и внедрения
СППР МоскваРе построена на архитектуре Web. Любой сотрудник компании может зайти на Web-портал СППР и получить информацию, необходимую для решения своей задачи. Например, андеррайтеры при поступлении котировок или слипов могут сразу найти местонахождение объекта на электронной карте, нанести данный объект на карту для дальнейшего учета и анализа и моментально оценить риск страхования и кумуляцию риска.Архитектура развертывания СППР МоскваРе представляет собой совокупность серверов (сервер хранения пространственных данных и картографический сервер), взаимодействующих с другими информационными системами МоскваРе и рабочими местами пользователей через локальную сеть или интернет
6. Информационная технология экспертных систем и примеры их внедрения
Характеристика и назначение
Наибольший прогресс среди компьютерных информационных систем отмечен в области разработки экспертных систем, основанных на использовании искусственного интеллекта. Экспертные системы дают возможность менеджеру или специалисту получать консультации экспертов по любым проблемам, о которых этими системами накоплены знания.
Под искусственным интеллектом обычно понимают способности компьютерных систем к таким действиям, которые назывались бы интеллектуальными, если бы исходили от человека. Чаще всего здесь имеются в виду способности, связанные с человеческим мышлением. Работы в области искусственного интеллекта не ограничиваются экспертными системами. Они также включают в себя создание роботов, систем, моделирующих нервную систему человека, его слух, зрение, обоняние, способность к обучению.
Главная идея использования технологии экспертных систем заключается в том, чтобы получить от эксперта его знания и, загрузив их в память компьютера, использовать всякий раз, когда в этом возникнет необходимость. Являясь одним из основных приложений искусственного интеллекта, экспертные системы представляют собой компьютерные программы, трансформирующие опыт экспертов в какой-либо области знаний в форму эвристических правил (эвристик). Эвристики не гарантируют получения оптимального результата с такой же уверенностью, как обычные алгоритмы, используемые для решения задач в рамках технологии поддержки принятия решений. Однако часто они дают в достаточной степени приемлемые решения для их практического использования. Все это делает возможным использовать технологию экспертных систем в качестве советующих систем.
Сходство информационных технологий, используемых в экспертных системах и системах поддержки принятия решений, состоит в том, что обе они обеспечивают высокий уровень поддержки принятия решений. Однако имеются три существенных различия. Первое связано с тем, что решение проблемы в рамках систем поддержки принятия решений отражает уровень ее понимания пользователем и его возможности получить и осмыслить решение. Технология экспертных систем, наоборот, предлагает пользователю принять решение, превосходящее его возможности. Второе отличие указанных технологий выражается в способности экспертных систем пояснять свои рассуждения в процессе получения решения. Очень часто эти пояснения оказываются более важными для пользователя, чем само решение. Третье отличие связано с использованием нового компонента информационной технологии - знаний.
Основные компоненты
Основными компонентами информационной технологии, используемой в экспертной системе, являются (рис. 3.17): интерфейс пользователя, база знаний, интерпретатор, модуль создания системы.
Рис. 3.17. Основные компоненты информационной технологии экспертных систем
Интерфейс пользователя. Менеджер (специалист) использует интерфейс для ввода информации и команд в экспертную систему и получения выходной информации из нее. Команды включают в себя параметры, направляющие процесс обработки знаний. Информация обычно выдается в форме значений, присваиваемых определенным переменным.
Менеджер может использовать четыре метода ввода информации: меню, команды, естественный язык и собственный интерфейс.
Технология экспертных систем предусматривает возможность получать в качестве выходной информации не только решение, но и необходимые объяснения. Различают два вида объяснений:
объяснения, выдаваемые по запросам. Пользователь в любой момент может потребовать от экспертной системы объяснения своих действий;
объяснения полученного решения проблемы. После получения решения пользователь может потребовать объяснений того, как оно было получено. Система должна пояснить каждый шаг своих рассуждении, ведущих к решению задачи.
Хотя технология работы с экспертной системой не является простой, пользовательский интерфейс этих систем является дружественным и обычно не вызывает трудностей при ведении диалога.
База знаний. Она содержит факты, описывающие проблемную область, а также логическую взаимосвязь этих фактов. Центральное место в базе знаний принадлежит правилам. Правило определяет, что следует делать в данной конкретной ситуации, и состоит из двух частей: условия, которое может выполняться или нет, и действия, которое следует произвести, если условие выполняется.
Все используемые в экспертной системе правила образуют систему правил, которая даже для сравнительно простой системы может содержать несколько тысяч правил.
Все виды знаний в зависимости от специфики предметной области и квалификации проектировщика (инженера по знаниям) с той или иной степенью адекватности могут быть представлены с помощью одной либо нескольких семантических моделей. К наиболее распространенным моделям относятся логические, продукционные, фреймовые и семантические сети.
Интерпретатор. Это часть экспертной системы, производящая в определенном порядке обработку знаний (мышление), находящихся в базе знаний. Технология работы интерпретатора сводится к последовательному рассмотрению совокупности правил (правило за правилом). Если условие, содержащееся в правиле, соблюдается, выполняется определенное действие, и пользователю предоставляется вариант решения его проблемы.
Кроме того, во многих экспертных системах вводятся дополнительные блоки: база данных, блок расчета, блок ввода и корректировки данных. Блок расчета необходим в ситуациях, связанных с принятием управленческих решений. При этом важную роль играет база данных, где содержатся плановые, физические, расчетные, отчетные и другие постоянные или оперативные показатели. Блок ввода и корректировки данных используется для оперативного и своевременного отражения текущих изменений в базе данных.
Модуль создания системы. Он служит для создания набора (иерархии) правил. Существуют два подхода, которые могут быть положены в основу модуля создания системы: использование алгоритмических языков программирования и использование оболочек экспертных систем.
Для представления базы знаний специально разработаны языки Лисп и Пролог, хотя можно использовать и любой известный алгоритмический язык.
Оболочка экспертных систем представляет собой готовую программную среду, которая может быть приспособлена к решению определенной проблемы путем создания соответствующей базы знаний. В большинстве случаев использование оболочек позволяет создавать экспертные системы быстрее и легче в сравнении с программированием.
Пример внедрения информационная технология экспертных систем
Автоматизированная система учета населения (АСУН) предназначена для реализации регистрационного учета граждан по месту жительства и по месту пребывания в пределах зоны действия системы. Входная информация структурирована в виде потоков входных документов, подготавливаемых с помощью специальных АРМ. Каждый тип документа предназначен для описания соответствующего состояния гражданина, как субъекта учета населения.
Всего на входах системы формируется несколько десятков типов и разновидностей учетных документов – в зависимости от полноты использования функциональных возможностей системы.
Одном из характерных документов, используемых при оформлении регистрационного учета, является учетный документ регистрации прибытия гражданина по месту жительства (адресный листок прибытия)[3].
информационнаяехнология данные интерфейс
Учетные документы прибытия, рассматриваемые как характерный кадр входной информации в каналах АСУН, включают следующие основные характеристики (реквизиты) [3]:
-
Первичные идентификационные данные личности (фамилия, имя, отчество, дата рождения, адрес места рождения, пол).
-
Сведения о гражданстве и национальности.
-
Паспортные данные (тип удостоверяющего личность документа, серия, номер, кем и когда выдан).
-
Адресные данные (адрес места жительства до переезда в зону ответственности АСУН, предыдущий адрес места жительства в зоне ответственности АСУН, актуальный адрес места жительства – фиксируемый при регистрации).
-
Дополнительные сведения (сведения о детях, номер телефона и т.п.).
-
Служебные сведения (дата подготовки документа, дата оформления регистрации, идентификаторы должностных лиц и др.).
На основе предварительного анализа каждой из перечисленных групп реквизитов устанавливаются характерные особенности, способные служить семантическими и логическими критериями для последующего контроля вводимой информации и повышения ее достоверности, например:
-
Фамилия, имя, отчество и пол составляют алфавитные записи (обнаружение в них иных символов служит критерием ошибки ввода).
-
Дата рождения представляет собой цифровую строго структурированную запись (цифровые символы и разделители) и др.
Дальнейший анализ позволяет установить, что наиболее распространенные фамилии для каждой национальности могут быть сопоставлены с соответствующими справочниками, которые представляют собой элементы баз знаний соответствующего направления.
Точно также в качестве элементов баз знаний могут использоваться справочники (классификаторы) обозначений адресных наименований для различных территориальных образований. Дальнейшим развитием может быть применение структурированных справочников обозначений адресных наименований, имеющих иерархическую структуру (наименование стран с вложением в них регионов, наименование регионов с вложением в них более мелких входящих территорий – и т.д. до наименований улиц и обозначений отдельных зданий).
Следующим этапом, требующим более глубоких специальных знаний и экспертных оценок, является выявление устойчивых перекрестных связей и формирование на их основе сложных логических и семантических критериев контроля достоверности. В качестве иллюстрации можно привести следующие взаимосвязи:
-
Связь окончаний фамилии, имени и отчества с обозначением пола и национальности.
-
Дата рождения не может быть больше по значению даты подготовки документа.
-
Дата оформления регистрации не может быть меньше даты подготовки документа.
-
Дата выдачи документа, удостоверяющего личность, не может быть меньше даты рождения.
-
Цифра, обозначающая месяц, не может быть больше 12. Максимальная дата должна удовлетворять ограничению исходя из номера месяца (с учетом максимальной даты февраля по високосным и невисокосным годам) и др.
Определив весь набор элементов баз знаний по каждой контролируемой характеристики, выявив устойчивые семантические и логические связи внутри характеристик и перекрестные связи между характеристиками в составе каждого кадра входной информации, мы создали предпосылки для реализации соответствующих решающих правил.
7. Биллинговые системы и примеры их внедрения