Технологии оперативной аналитической обработки данных - OLAP

OLAP-системы предоставляют аналитику средства проверки гипотез при анализе данных, то есть основной задачей аналитика является генерация гипотез, которую он решает ее, основываясь на своих знаниях и опыте.

Однако знания есть не только у человека, но и у накопленных данных, которые подвергаются анализу. Такие знания содержатся в огромной объеме информации, которую человек не в силах исследовать самостоятельно. В связи с этим существует вероятность пропустить гипотезы, которые могут принести значительную выгоду.

Для обнаружения «скрытых» знаний применяется специальные методы автоматического анализа - Добыча Данных (Data Mining) (ДД).

Методы ДД помогают решить многие задачи, с которыми сталкивается аналитик. К базовым методам ДД принято относить прежде всего алгоритмы, основанные на переборе и подходы, использующие элементы теории статистики.

Для обнаружения скрытых знаний в данных недостаточно просто применить методы ДД, хотя, безусловно, этот этап является основным в процессе интеллектуального анализа. Весь процесс состоит из нескольких этапов.

понимание и формулировка задачи анализа; На этом этапе происходит осмысление поставленной задачи и уточнение целей, которые должны быть достигнуты методами ДД. Правильно сформулированные цели и адекватно выбранные для их достижения методы в значительной степени определяют эффективность всего процесса.

подготовка данных для автоматизированного анализа; то есть приведение данных к форме, пригодной для применения конкретных выбранных методов ДД,

применение методов ДД и построение моделей; Сценарии применения могут быть самыми различными и включать сложную комбинацию разных методов, особенно если используемые методы позволяют проанализировать данные с разных точек зрения.

проверка построенных моделей; что дает судить об адекватности построенной модели.

интерпретация моделей человеком с целью их использования для принятия решений, добавления полученных правил и зависимостей в базы знаний.

Этим этапом и завершается цикл ДД в строгом смысле слова.

11.3Решение типовых задач посредством SCADA [18]- системы

Речь идет о новом направлении развития функций SCADA системы Trace Mode, основанного на интеллектуальных информационных технологиях и позволяющего существенно расширить область использования системы.

Современные SCADA-системы имеют схожие возможности и принципы функционирования, которые позволяют решить типовые задачи, такие как: диспетчерский мониторинг и сбор данных о протекании технологического процесса, управление при наличии четких алгоритмов и полной формализованной модели объекта управления. Однако, в случае, когда объектом мониторинга и управления является сложная динамическая многопараметрическая система, средств, предоставляемых традиционными SCADA-системами, становится недостаточно.

Необходимость в дальнейшем развитии SCADA-систем при управлении сложными техническими объектами и процессами обуславливается непрерывным возрастанием сложности управляемых объектов и процессов с одновременным сокращением времени, отводимого лицам оперативно-диспетчерского персонала на анализ проблемной ситуации, идентификацию возникшего отклонения от нормального (штатного) режима функционирования объекта, поиск возможных корректирующих решений по воздействию на объект, прогнозирование ситуаций, оценку последствий принимаемых решений и, наконец, выдачу команд на отработку необходимых управляющих воздействий.

Этот процесс требует много времени и высокой квалификации для того, чтобы точно и объективно оценить обстановку. При таком большом объеме информации, одновременно обрушивающейся на оператора, могут возникать ошибки. Анализ мирового опыта показывает, что при совершенствовании технологических процессов и автоматизации процесса принятия решений наиболее перспективным является использование информационных систем, основанных на знаниях, формализуемых в рамках технологии искусственного интеллекта и опыте высококвалифицированных специалистов, накапливаемом в базах знаний экспертных систем.