Управление производством с использованием нейросетевых технологий

NovaInfo 46, с.211-216
Опубликовано
Раздел: Экономические науки
Просмотров за месяц: 24
CC BY-NC

Аннотация

Рассматриваются принципы управления предприятием на базе использования интеллектуальных информационных технологий. Изучаются различные разработки программного обеспечения для решения соответствующих задач управления промышленным предприятием, выявляется необходимость применения таких технологий

Ключевые слова

АНАЛИТИЧЕСКИЕ МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ, ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ, ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Текст научной работы

Интерес со стороны промышленных предприятий к использованию современных методов информационного анализа и прогноза закономерно привел к появлению на рынке программных услуг и разнообразного программного обеспечения как специального, так и общего назначения. За последние несколько лет резко возрос интерес к использованию интеллектуальных технологий анализа и обработки данных. Одним из направлений в этой области является построение нейромоделей. Искусственные нейронные сети (нейросети) были придуманы в начале 1950-х годов в связи с интенсивным изучением нейробиологами процессов обработки информации в живой природе. Их прототипом можно считать мозг человека. Однако несовершенство методов исследования мозга, отсутствие развитой математической теории и, самое главное, критическое отношение маститых ученых поубавило энтузиазм исследователей и, как следствие, привело к снижению инвестиций в изучение нейросетей и развитие нейромоделей. На долгое время нейромоделирование ушло в тень, им занимались лишь узкие специалисты в области информатики и искусственного интеллекта. К счастью, усилия небольшой группы ученых оказались успешными, и последовал взрыв интереса к использованию нейромоделей в различных прикладных сферах деятельности человека. Под искусственной нейронной сетью, базирующейся на нейромодели, обычно понимают связную параллельную сеть простых адаптивных элементов, которая взаимодействует с окружающим миром по аналогии с биологической нервной системой. На определенные раздражители вырабатываются индивидуальные комплексы условных реакций нейросети. Огромным достоинством любой нейросети является ее обучаемость. Созданная нейросеть не требует программирования, поскольку сама обучается решению задач. Другое ее достоинство – толерантность по отношению к ошибкам. Ошибка не приводит к отказу нейросети, а лишь снижает качество обработки информации. Однако при этом не следует забывать, что качество обучения нейросети влияет на качество получаемых результатов («чему научишь, то и получишь»). Поэтому вопрос обучения нейросети для любого аспекта ее использования имеет определяющее значение. Применение нейромодели для решения какой-либо задачи возможно при следующих условиях:

  1. известно, что эта задача решается людьми (независимо от того, построена ли модель для ее решения);
  2. возможно предоставление примеров решения задачи;
  3. имеется взаимосвязь между входными и выходными данными, т. е. изменения на входе влияют на результат на выходе.

Если эти три условия соблюдаются, то задача может быть решена с помощью нейромодели. Применение нейросетей предпочтительнее при решении задач, для которых еще не существует строго формализованных алгоритмов, или когда использование алгоритма ведет к большим затратам времени. Лучше всего использовать нейросети для задач с неполной или плохо определенной информацией.

Использование таких систем позволяет обеспечить высокую эффективность принятия решений, интегрировать информационные процессы, совершенствовать организацию документооборота предприятия, устранить дублирование функций, повысить эффективность работы в целом, снизить расходы на информационное сопровождение функционирования предприятия.

Одним из наиболее перспективных направлений повышения деятельности предприятий является внедрение так называемых ERP–систем.ERP–системы - это системы управления всеми ресурсами предприятия. Данные системы позволяют поддерживать весь цикл управления: планирование – учет – контроль – регулирование – практически для всех основных функций деятельности, к которым относятся:

  • планирование производственной деятельности;
  • составление производственных планов различного уровня, проверка возможности их исполнения в соответствии с состоянием производственных мощностей и людских ресурсов);
  • управление закупками, запасами, продажами;
  • автоматизация процессов планирования и учета для задач снабжения производства, сбыта готовой продукции и управления складскими запасами;
  • управление финансами – ведение Главной книги, расчеты с дебиторами и кредиторами, учет основных средств, управление наличными средствами и планирование финансовой деятельности;
  • управление персоналом – в подсистеме управления персоналом реализованы все основные потребности работы с кадрами: найм и увольнение персонала, учет сведений о сотрудниках, планирование их карьерного роста, расчет заработной платы и учет рабочего времени. В системах ERP персонал рассматривается как отдельный вид ресурса, что позволяет связать воедино кадровый потенциал предприятия и производственные планы;
  • управление затратами – учет всех затрат предприятия и калькуляция себестоимости готовой продукции или услуг.

Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможности применять нейронные сети для решения широкого класса экономических задач. Современные финансовые рынки меняются очень быстро, и технический анализ уже не позволяет в полной мере охватить основные характеристики рынка. Это порождает необходимость поиска других, более современных подходов к анализу финансового рынка.

С помощью нейронных сетей решатся множество задач: повышение эффективности управления предприятием, страховая деятельность, определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия, прогнозирование банкротств и эффективности финансирования экономических и инновационных проектов.

Нейронную сеть можно рассматривать как сложный индикатор, сигнализирующий о необходимости принимать решение: покупать, продавать или вообще не вступать в игру на рынке. Её можно организовывать таким образом, что на ее входы будут поступать индикаторы технического и статистического анализа, а также показатели, измеряющие фрактальность рынка. Весь анализ можно закодировать в виде бинарных или иных последовательностей и также подать на вход нейронной сети. Следовательно, нейронная сеть может рассматриваться как один глобальный метод анализа, интегрирующий в себе различные индикаторы, присущие другим методам, и учитывающие при этом их взаимозависимость.

Для обучения нейросети требуются обучающие данные. Такие данные представляют собой ряды примеров с указанием для каждого из них значением выходного параметра, которое желательно получить или было получено ранее. Контролируемое обучение нейросети можно рассматривать как решение задачи оптимизации. Ее целью является минимизация функции ошибок на данном множестве примеров путем выбора значений весов. Поиск глобального минимума осуществляется посредством итерационного процесса – обучающего алгоритма. Обычно в качестве меры погрешности берется средняя квадратичная ошибка.

Нейросетевой анализ не предполагает никаких ограничений на характер входной информации. Нейросети способны находить оптимальные для данного инструмента индикаторы и строить по ним оптимальную для данного ряда стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с рынком, что особенно важно для молодых активно развивающихся рынков.

Применение нейронных сетей позволяет достичь значительно более хороших результатов, чем применение статистических методов регрессионного анализа, поскольку нейронная сеть строит неформальную модель процесса, которая не может быть выражена в виде некоего формального аппарата выделения статистических характеристик, применяемого в регрессионном анализе.

Широкое использование информационных систем в управлении предприятием, а также быстрое развитие информационных систем общего пользования, в условиях возрастающего числа вторжений (от информационного мошенничества до нарушения функционирования служб), вызвало необходимость разработки методов и средств защиты от несанкционированного доступа к корпоративной информации.

Первым этапом в разработке методов и средств защиты является анализ угроз. Можно выделить следующие виды угроз:

  • некомпетентные служащие и хакеры;
  • неудовлетворённые своим статусом и нечестные служащие;
  • шпионаж экономический, политический, военный.

Анализ показывает, что службы безопасности не беспомощны перед угрозами несанкционированного проникновения в информационные системы. Существует достаточно большой арсенал средств, который можно использовать, чтобы уменьшить риск разглашения или потери информации.

Для успешной борьбы с компьютерным криминалом необходимы не только технические и программные средства, но и понимание психологии и мотивов поведения нарушителей и постоянное привлечение внимания сотрудников информационных систем к вопросам безопасности, их непрерывное обучение и тренировки.

Актуальность защиты корпоративной информации возрастает в условиях использования компаниями услуг, предоставляемых всемирной компьютерной сетью Internet. По некоторым оценкам, ежегодный ущерб от компьютерных преступлений составляет 7,5 млрд. долл. США, причем 80% из них совершается через Internet.

Подключаясь к Internet, важно правильно организовать управление каналом доступа. Контролировать этот канал можно по-разному: пресекать только опасные действия пользователей или подключиться к ней через специальную защитную систему, которая ограничивает такие действия. Это очень важный выбор, от которого зависит будущая безопасность всей корпоративной сети.

Если использовать специальную систему, которая будет контролировать канал доступа к внешнему миру (так называемый защитный экран), то появляется возможность разрешать только необходимые для внутренней сети соединения, а остальные блокировать. Такая защита позволяет предотвратить не только нападение на корпоративную сеть, но и его предварительный этап – исследование сети. Кроме того, достаточно установить защиту только на канал доступа – это упрощает ее изменение и восстановление.

Обычно защитный экран используется для защиты от внешнего нападения, и если корпоративная сеть может быть атакована через модем, то экран в состоянии эффективно контролировать телефонные связи. Более сложная экранирующая система блокирует доступ внешних пользователей в корпоративную сеть, но разрешает свободный доступ к Internet для внутренних пользователей. В общем случае защитный экран можно настроить на защиту от любого нападения, однако для этого необходимо правильно его запрограммировать, то есть составить для него политику безопасности.

Экранирующая система включает механизмы разрешающего и запрещающего действия. Разрешающая часть экрана обеспечивает связь между корпоративной и открытыми сетями, а запрещающая блокирует опасные и незаконные действия пользователей.

Защитный экран – это последовательность фильтров, выполняющих определенные действия с потоками информации. Фильтры имеют различные сведения о передаваемых через них данных и поэтому могут по-разному обрабатывать потоки информации. Общими для всех фильтров являются следующие действия: пропустить поток информации через фильтр, блокировать его, подать сигнал тревоги или записать определенное сообщение в системный журнал.

Таким образом, внедрение, применение и развитие нейросетевых технологий для управления работой конкретного промышленного предприятия приведет к повышению производительности всего предприятия и сокращению сроков самоокупаемости средств, потраченных на развитие информационных технологий поддержки принятия управленческих и плановых решений.

Читайте также

Список литературы

  1. Абхалимова, Р. С. Информационные технологии ХХI века [Текст] / Р. С. Абхалимова, А. Г. Шарафутдинов // Экономика и социум. - 2014 г. - № 2-5 (11). - С. 234-236.
  2. Виноградова, Е. Ю. Управление производством с использованием нейросетевых технологий [Текст] / Е. Ю. Виноградова // Известия Уральского государственного экономического университета. – 2010 г. - № 3. – С. 151-153
  3. Карышев, М. Ю. Нейросетевые модели управления экономической эффективностью производственных процессов в сфере информационно-коммуникационных технологий [Текст] / М. Ю. Карышев // Вектор науки Тольяттинского государственного университета. – 2011 г. - № 1. – С. 23
  4. . Мякишев, Ю. Д. Применение прогрессивных технологий в системе управления предприятием [Текст] / Ю. Д. Мякишев // Современная экономика: проблемы, тенденции, перспективы. – 2008 г. - № 1. – С. 51-55.
  5. Наумова, М.Я. Искусственный интеллект - будущее сегодня [Текст] / М. Я. Наумова М.Я., А. Г. Шарафутдинов // Электронный журнал NovaInfo.Ru. – 2015 г. - Т. 2. - № 34. - С. 67-69.
  6. Сулейманов, Р.Р. Инновационные технологии обучения в экономике [Текст] / Р. Р. Сулейманов, А. Г. Шарафутдинов // Актуальные вопросы экономико-статистического исследования и информационных технологий сборник научных статей: посвящается 40-летию создания кафедры «Статистики и информационных систем в экономике» / МСХ РФ, Башкирский государственный аграрный университет. - Уфа, 2011. - С. 340-342.
  7. Царегородцев, В. Г. К определению информативности независимых переменных для нейронной сети [Текст] / В. Г. Царегородцев // Нейроинформатика и ее приложения : материалы XI Всерос. семинара. Красноярск, 2003 г. – С. 231
  8. Шарафутдинов, А.Г. Оптимизация производственных параметров личных подсобных хозяйств [Текст] / А. Г. Шарафутдинов // Перспективы инновационного развития АПК: материалы Международной научно-практической конференции в рамках XXIV Международной специализированной выставки «Агрокомплекс–2014». - 2014 г. - С. 261-264.

Цитировать

Бадртдинова, И.И. Управление производством с использованием нейросетевых технологий / И.И. Бадртдинова. — Текст : электронный // NovaInfo, 2016. — № 46. — С. 211-216. — URL: https://novainfo.ru/article/6399 (дата обращения: 22.01.2022).

Поделиться