50368 (610095), страница 5

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

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]:

1. Первичные идентификационные данные личности (фамилия, имя, отчество, дата рождения, адрес места рождения, пол).

2. Сведения о гражданстве и национальности.

3. Паспортные данные (тип удостоверяющего личность документа, серия, номер, кем и когда выдан).

4. 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).

5. Дополнительные сведения (сведения о детях, номер телефона и т.п.).

6. 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:

1. Фамилия, имя, отчество и пол составляют алфавитные записи (обнаружение в них иных символов служит критерием ошибки ввода).

2. 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:

1. Связь окончаний фамилии, имени и отчества с обозначением пола и национальности.

2. Дата рождения не может быть больше по значению даты подготовки документа.

3. Дата оформления регистрации не может быть меньше даты подготовки документа.

4. Дата выдачи документа, удостоверяющего личность, не может быть меньше даты рождения.

5. 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

Характеристики

Список файлов курсовой работы