Віталій Еліферов, Світлана Файнштейн: Процесний підхід до управління: проблеми і моделі (Частина 2)

Віталій Еліферов , Світлана Файнштейн

2. Модель «Інтелектуальний агент»

2.1 Типи агентів і концепція раціональності

Інтелектуальний агент [10] - робот або програма, призначені для дії в середовищі. Крім того, агентів можна використовувати як інструмент для аналізу систем. Всі агенти сприймають деякі вхідні дані і повертають обраний варіант дії. Завдання Інтелектуального агента - функціонувати під автономним управлінням, отримувати з середовища дані шляхом актів сприйняття, існувати протягом тривалого часу, адаптуватися до змін середовища і вміти досягати мети, поставленої іншими.

Наприклад, програмний бот, призначений для збору в Internet, що цікавить клієнта інформації, повинен уміти обробляти тексти на природній мові, в процесі навчання визначити інтереси замовника, пристосовуватися до змін середовища, наприклад, до закриття одних джерел інформації і появи нових.

При конструюванні агентів зазвичай використовують спрощують припущення. Для робота-контролера деталей, що проходять повз нього на стрічковому конвеєрі, припускають, що освітлення завжди включено; єдиним спостережуваним об'єктом є деталь відомого йому типу; існує тільки два допустимих дії - прийняти деталь або забракувати.

Поведінка агента прийнято оцінювати за допомогою показників продуктивності.

Визначення 4. Для кожної можливої послідовності актів сприйняття раціональний агент повинен вибрати дію, яке максимізує показники його очікуваної (не фактичне!) Продуктивності, з урахуванням фактів, отриманих з послідовності зовнішніх актів сприйняття і всіх внутрішніх вбудованих знань.

Різниця між очікуваною і фактичною продуктивністю залежить від типу середовища. У повністю спостерігається середовищі агент знає результат своїх дій до того, як він їх зробив, тому фактична продуктивність збігається з очікуваною. Розглянута вище модель «Простір станів» неявно передбачала, що простір станів має астрономічно великі розміри, але при цьому є повністю контрольоване. У частково спостерігається середовищі раціональний агент може тільки прогнозувати результат своєї дії, тому вибирає дію, що приводить до кращого прогнозованого результату. Важливою складовою раціональної поведінки є збір інформації та дослідження ситуації в невідомої середовищі.

Поняття «продуктивність» в загальному випадку визначити не можна, але існує загальне правило, що наведені цифри слід розробляти відповідно до того, чого ми хочемо досягти в цьому середовищі, а не з тим, як, на думку проектувальника, повинен вести себе агент.

Будемо вважати, що опис простору станів системи складається з опису зовнішнього середовища, датчиків, виконавчих механізмів і показників продуктивності агента. Середа класифікується за такими ознаками: повністю або частково спостерігається; епізодична (немає ефекту післядії, як в розглянутих раніше багатокрокових процесах прийняття рішення [3]) або послідовна (поточне рішення може вплинути на всі наступні), детермінована (новий стан середовища повністю визначається її поточним станом і виконаним агентом дією) або стохастична, статична або динамічна (змінюється в ході прийняття рішення), полудінаміческі (саме середовище не змінюється, але змінюються критерії продуктивності агента), дискретна або безперервна, одноагентная або многоаген тна (конкурентна або частково кооперативна). У конкурентному середовищі максимізація показників продуктивності одного агента призводить до мінімізації показників продуктивності іншого агента. Найбільш складним варіантом середовища є частково спостерігається, послідовна, стохастична, динамічна, безперервна, конкурентна багатоагентна середу.

Наприклад, робот-сортувальник деталей діє в частково спостерігається, стохастичною, епізодичній, динамічної, дискретної, одноагентной середовищі. Оскільки вхідні дані від цифрових камер надходять дискретно, то з деяким спрощенням можна вважати, що середовище є дискретною, хоча швидкість стрічки може змінюватися в часі в певному діапазоні безперервних значень.

Продуктивність агента прийнято підраховувати на основі багатьох сценаріїв, згенерованих для певного класу середовища. Раціональний агент максимізує свою середню очікувану продуктивність по всіх вибраних сценаріями.

Інтелектуальні агенти мають наступні типи:

- прості рефлексні агенти;

- рефлексні агенти, засновані на моделі;

- агенти, що діють на основі мети;

- агенти, що діють на основі корисності.

Будь-якого агента з перерахованих вище типів можна перетворити в того, хто навчається агента зі зворотним зв'язком.

Прості рефлексні агенти

Послідовність актів сприйняття агента - повна історія того, що було коли-небудь сприйнято агентом. У загальному випадку вибір агентом дії в будь-який конкретний момент часу залежить не тільки від поточного сприйняття, але і від всієї історії. Простий рефлексний агент вибирає дію тільки на основі поточного акту сприйняття, ігноруючи всю попередню історію. Алгоритм його функціонування заснований на вбудованих правилах типу «умова - дія», які визначають відповідність між актом сприймання і подальшим дією. Якщо середовище повністю наблюдаема, то шляхом навчання поведінка простого рефлексного агента можна зробити раціональним, як буде показано нижче, в Прімері 2.

Рефлексні агенти, засновані на моделі

Ефективним способом організації функціонування рефлексного агента в частково спостерігається середовищі є запам'ятовування всієї історії актів сприйняття. Для цього агент повинен мати внутрішній стан, залежне від історії попередніх актів сприйняття. Дія агента залежить не тільки від поточного сприйняття, але і від його внутрішнього стану, і після кожного акту сприйняття агент переходить в новий стан.

Агенти, засновані на цілі

Раціональна поведінка агента має перетворювати середу до бажаного цільового стану, тому агенту потрібні знання про цілі. Якщо в програмах рефлексних агентів вбудовані правила «умова - дія» встановлюють безпосередню відповідність між сприйняттями і діями, то цільові агенти - це планують агенти, вони здійснюють пошук цільового стану шляхом планування послідовності дій. Такий агент діє повільніше рефлексивного, але більш гнучко. Щоб змусити його змінити поведінку, потрібно просто змінити мету, для зміни поведінки рефлексивного агента потрібно переписати всі або майже всі вбудовані правила.

Агенти, засновані на оціночної функції корисності

Цілі дозволяють провести лише жорстке бінарне розмежування між станами, тому будь-який раціональний агент повинен володіти евристичної функцією корисності, щоб оцінювати кожне стан світу одним числом. Прикладом такого агента може служити АРМ майстра Ад'юстаж з Прикладу 1.

Оціночна функція дозволяє приймати рішення в ситуаціях, коли цього не дозволяють зробити мети. По-перше, коли є конфліктуючі цілі, наприклад, швидкість і безпеку, функція корисності дозволяє знайти прийнятний компроміс. По-друге, для кількох цілей функція корисності дозволяє знайти зважену оцінку ймовірності успіху з урахуванням важливості цілей.

Агент, що володіє явно заданої функцією корисності, має можливість приймати раціональні рішення за допомогою стратегії управління, що не залежить від виду конкретної оціночної функції. Модель агента, заснованого на корисності і чинного в повністю спостерігається середовищі, повністю відповідає розглянутої вище моделі Простір станів.

Розмежуємо поняття «продуктивності» і «корисності». У рефлексних агентів немає функції корисності, і явно не задана мета. У агентів, заснованих на цілі, немає явно заданої функції корисності. Агентам такого типу зовнішній стандарт продуктивності замінює мета і оцінну функцію корисності, дозволяючи навчатися за наявності зворотного зв'язку від зовнішнього критика.

Таким чином, раціональний агент діє так, щоб максимізувати свою очікувану продуктивність. Якщо проектувальник забезпечив агента оціночної функцією корисності, то раціональний агент діє так, щоб максимізувати очікуване значення корисності.

2.2 Ті, що навчаються агенти

Ідея створювати навчаються машини належить Алану Тьюрингу [11]. Навчання дозволяє агенту функціонувати в невідомої середовищі і стає все більш компетентним. Початкова конфігурація агента може містити деякі дані про середовище, закладені туди проектувальником, але, в міру набуття агентом досвіду, ці знання можуть модифікуватися і поповнюватися. Якщо ступінь, в якій агент покладається на апріорні знання свого проектувальника, занадто висока, то такий агент має недостатню автономністю і не готовий діяти в непередбачених ситуаціях. Після достатнього досвіду існування в середовищі поведінку раціонального навчається агента може стати незалежним від його початкових апріорних знань.

Всі вже розглянуті нами типи агентів складалися тільки з продуктивного компонента (датчики, виконавчі механізми, опис проблемної середовища, опис показників продуктивності агента і програма, яка реалізує функцію агента). Агента будь-якого типу можна зробити навчаються, додавши до нього навчальний компонент (малюнок 4 [10]).

Визначення 5. Навчальний компонент використовує інформацію зворотного зв'язку від зовнішнього критика і визначає, яким чином має бути модифікований продуктивний компонент. Критик повідомляє обучающему компоненту, наскільки добре діє агент з точки зору зовнішнього стандарту продуктивності. Важливо, щоб стандарт продуктивності був постійним і зовнішнім по відношенню до агента.

Ще одним компонентом того, хто навчається агента є генератор проблем. Раціональний агент завжди виконує дію, яке в поточний момент є найкращим. За допомогою генератора проблем агент короткочасно виконує неоптимальні дії, які можуть виявитися оптимальними з точки зору довгострокової перспективи. Генератор проблем зазвичай має в своєму складі датчик випадкових чисел.

Ще в 1972 р Мартін Гарднер писав [12]: «Найбільші побоювання викликають самообучающиеся машини (тобто машини, удосконалюються в міру накопичення досвіду), тому що їх поведінка стає непередбачуваним. Такі машини роблять не те, що їм наказують, а то, чого вони навчилися. Вони досить швидко досягають рівня, коли програміст вже більше не може сказати, які зміни відбулися в схемі машини. Більшість самообучающихся машин зазвичай містять так звані «рандомізують пристрої». Якщо дія такого пристрою базується на випадковому розпаді радіоактивного зразка, то поведінка машини в принципі непередбачувано (так, у всякому разі, вважає більшість фізиків) ».

Якщо дія такого пристрою базується на випадковому розпаді радіоактивного зразка, то поведінка машини в принципі непередбачувано (так, у всякому разі, вважає більшість фізиків) »

Розглянемо кілька прикладів навчаються агентів. Продуктивний компонент раціонального робота-таксиста містить базу знань і процедур, за допомогою яких він вибирає дії під час водіння. Зовнішній критик спостерігає за діями робота в середовищі і передає обучающему компоненту інформацію. Наприклад, таксі виконує різкий поворот наліво, перетинаючи три смуги руху. Критик за допомогою датчиків отримує висловлювання інших учасників дорожнього руху дорожнього руху, потім передає відповідну інформацію обучающему компоненту. Той формулює нове правило, що така дія є неприпустимим і оновлює продуктивний компонент.

Якщо агент перестає отримувати від пасажирів чайові, критик інформує його, що, відповідно до стандарту продуктивності, це є негативним внеском в його оцінку корисності. У цьому прикладі зовнішній стандарт продуктивності дозволяє розглядати результати зворотного зв'язку як штрафи або премії. Пояснимо це на Примері 2 учня простого рефлексного агента.

Приклад 2. «Той, що навчається простий рефлексний агент». Розглянемо «Саморобну самообучающуюся машину із сірникових коробок» (САМА) [12] для гри «6 пішаків» (малюнок 5).

Етап розробки.

На сірникові коробки наклеюються позиції, зустрічаються в грі. Можливі допустимі ходи з кожної позиції позначаються різнокольоровими стрілками. У коробок кладеться стільки різнокольорових намистин, скільки стрілок. Робот готовий до гри. Щоб зробити хід за робота, потрібно струсити коробок, навмання витягти намистину, покласти її зверху коробка і зробити хід відповідно до стрілки відповідного кольору.

Етап навчання.

1. Стратегія «батога». Якщо гра закінчилася виграшем робота, все витягнені намистинки кладуться на місце. Якщо програшем, робот карається - намистинка, відповідна останньому ходу, видаляється з коробка. Якщо це була остання намистинка, видаляється намистинка передостаннього ходу.

2. Стратегія «батога» і «пряника». Якщо гра закінчилася виграшем робота, в кожен коробок додаємо намистинку відповідного кольору. Якщо програшем - див. Пункт 1.

Неважко бачити, що САМА є простим рефлексним агентом. САМА робить хід, виходячи тільки з поточної позиції (безпосередній акт сприйняття), а не з усієї попередньої історії актів сприйняття від початку до поточний позиції. Крім того, САМА не знає, яка позиція є цільовою (виграшною) і не має функції корисності, щоб на кожному кроці вибирати найбільш перспективний хід.

Зовнішній стандарт продуктивності містить інформацію, яка позиція є виграної або програної згідно з правилами гри. Після закінчення гри остання позиція порівнюється із зовнішнім стандартом, потім за допомогою позитивного або негативного зворотного зв'язку відбувається навчання - навчальний компонент додає або видаляє намистинки, тобто змінює продуктивний компонент.

2.3 Модель раціонального менеджера

Розглянемо, що повинна включати модель раціонального менеджера з точки зору процесного підходу до управління. Як вже зазначалося (малюнок 2), схема процесного підходу до управління складається з чотирьох блоків, причому ці блоки можна розділити на технологічну складову «Створення продукції» (Do) і управлінську складову - «Менеджмент ресурсів» (Plan), «Відповідальність керівництва» ( Act) і «Вимірювання, аналіз і поліпшення" (Check).

У свою чергу, модель раціонального навчається агента складається з двох концептуальних компонентів - продуктивного і навчає. Продуктивний компонент включає в себе опис проблемної середовища, опис показників продуктивності агента, датчики, за допомогою яких агент здійснює акти сприйняття, і виконавчі механізми для здійснення дій. Продуктивний компонент в результаті актів сприйняття отримує інформацію про середовище, планує і виконує дії.

Таким чином, продуктивний компонент планує (Plan) і виконує (Do) дії, максимізує його очікувану продуктивність, що було детально розглянуто в моделі Простір станів,

Навчальний компонент використовує інформацію зворотного зв'язку (Check) від зовнішнього критика. Критик повідомляє, наскільки успішно діє агент відносного постійного стандарту продуктивності (задоволеність споживача). Цей стандарт слід розглядати як зовнішній, оскільки агент не має можливості будь-яким чином його модифікувати. Після отримання інформації від критика навчальний компонент визначає, яким чином слід модифікувати продуктивний компонент (Act), з метою досягнення більш високих показників продуктивності. Вбудований в навчальний компонент генератор проблем дозволяє агенту купувати новий і інформативний досвід, відхиляючись від дій, оптимальних з точки зору поточного моменту.

На жаль (чи на щастя?), Повна заміна людини - ЛПР програмою раціонального (навчається) агента можливе або у вузьких предметних областях, або для добре формалізованих задач. У загальному випадку виключення ЛПР з системи управління процесом рівносильно створенню універсального Штучного Інтелекту, здатного, згідно Алану Тьюрингу, не тільки оперувати формальними синтаксичними об'єктами за допомогою кінцевого набору допустимих операцій, але і, подібно до людського мозку, оперувати семантикою предметної області.

Як показує практика, ЛПР, як правило, включений в систему управління в вигляді нелінійного елемента з недетермінованим поведінкою. Цей нелінійний елемент в системі управління завжди буде приймати рішення, погодившись не тільки з логікою, але і з інтуїцією, асоціативним мисленням, а також інформацією отриманою з неформальних джерел.

3. Що робити з «нелінійним елементом» або Як управляють менеджери?

Три основні відмінності між людиною і машиною сформулював ще Станфорд Оптнер [13].

«Перша відмінність між людиною і машиною полягає у відмінності мови. Мова людини забезпечує гнучкі можливості, недоступні машинам. Поки машинний язик не буде містити коштів для постановки і рішення проблем, машини не зможуть ні ставити проблеми, ні вирішувати їх.

Друга відмінність між людиною і машиною полягає в тому, що люди повністю адаптивні, а машини немає. Машина може швидко і систематично розглянути велике число альтернативних рішень. Людина може вивчити кращі з цих рішень. Він робить висновок про їх вплив на обстановку і застосовує їх практично, щоб поліпшити свої зв'язки з середовищем.

Третє відмінність між людиною і машиною полягає в тому, що людина має в своєму розпорядженні владою над машиною. Він може не прийняти всі її рішення і встановити свій власний емпіричне або інтуїтивне рішення. Поступаючи так, він може виявитися вимушеним переробити відповідь машини, який є чітким і точним, в людське рішення, яке не обов'язково має ці ж якості ».

Розглянемо ці відмінності в світлі сучасних досягнень в області інтелектуальних систем (ІС) і з точки зору автоматизації бізнес-(і інших) процесів.

Перша відмінність вже було розглянуто нами в розділі 2. Сучасні ІС можуть мати найрізноманітніші форми для машинного представлення знань - фрейми, семантичні мережі, бази знань систем продукцій і т.д., але, при будь-якій формі подання знань, ІС оперує з ними як з формальними об'єктами (за правилами синтаксису мови), не розуміючи укладеного в них семантичного сенсу. Найбільш характерним прикладом є системи машинного (автоматичного) перекладу текстів з однієї мови на іншу. Перші системи машинного перекладу були створені ще в 50-х роках минулого століття, але проблема правильного контекстно-залежного перекладу багатозначних слів до сих пір не вирішена.

Друга відмінність, з точки зору автоматизації функцій ОПР в рамках адаптивної моделі Інтелектуального агента зводиться до здатності Власника процесу навчатися в ході управління процесом, причому здатність інтелектуальних агентів до навчання обмежена рамками вузьких предметних областей.

І, нарешті, третє відмінність знайшла своє втілення в широко поширених системах підтримки прийняття рішень (СППР), які будуть розглянуті нижче.

З'ясуємо, яким чином «нелінійний елемент» прийняття рішень може бути вбудований в контур системи управління процесами. Аналіз видів і способів автоматизації управління привів авторів до несподіваних результатів: формалізувати універсальні правила автоматизації управління процесами, підприємствами і корпораціями, вельми складно. Проте, для створення моделей і поділу функціоналу між людиною і комп'ютером, можна класифікувати системи управління на три основні класи.

3.1 Автоматизована система управління технологічними процесами (АСУТП)

1 Автоматизована система управління технологічними процесами (АСУТП)

Особливостями таких систем є те, що управління процесом ведеться повністю в автоматичному режимі. Всі управлінські рішення щодо зміни витрати ресурсів, режимів обробки, продуктивності, приймає комп'ютер на основі інформації одержуваної з процесу і від Оператора. В даному випадку головним є те, що Оператор не може втрутитися в алгоритм або змінити результат рішення, прийнятого АСУТП, до складу його повноважень входить лише введення необхідної для процесу початкової інформації.

Такі системи управління використовуються у випадках, коли простір станів відносно невелике, набір допустимих операцій обмежений, а стратегія пошуку рішення допускає алгоритмізацію.

Відповідальність за результат роботи такої системи лежить на її розробників, в частині правильної алгоритмізації управлінських рішень і Оператора, в частині своєчасності та правильності введення необхідної інформації. Фактично, АСУТП займається регулюванням - підтриманням виходу процесу в заданих межах і не займається поліпшенням процесу або його результату (виходу). Роль людини в такій системі - Оператор.

Приклади таких систем: терморегулятори в печах, камерах або холодильниках, технологічні процеси екструзії обробки термопластів (де Оператор змінює технологічні режими в залежності від параметрів партії сировини і виготовлених деталей) і т.д.

Примітка: У даній класифікації не розглядаються ще більш прості системи, де замість регулювання режимів процесу використовується жорстко задана програма, наприклад, виготовлення ключа по шаблону-копиру або музичні шкатулки з захистом мелодією.

3.2 Системи автоматизованого управління процесами (САУ)

Особливості таких систем полягають в тому, що управління процесом ведеться спільними зусиллями Менеджера і комп'ютера. САУ прораховує оптимальне, з точки зору закладених в неї алгоритмів, критеріїв і обмежень, рішення, але Менеджер завжди може втрутитися і змінити не тільки початкові умови розрахунку, але і доповнити результат рішення комп'ютера. В даному випадку головним є те, що управлінське рішення не може бути виконано до того, як його схвалить і, при необхідності, відкоригує, людина, чия роль - Менеджер або Власник процесу. Ще однією особливістю таких систем є те, що кількість параметрів системи обмежена, технологія процесу і його результати, алгоритм розрахунку рішення носять циклічний, процесний характер, який піддається алгоритмізації. Тобто, даний вид систем автоматизованого управління (САУ) може бути повністю реалізований у вигляді евристичної моделі «Простір станів» і використовуватися для автоматизації роботи менеджера.

Відповідальність за результат роботи такої системи лежить, в першу чергу, на Менеджері, що відповідає за підсумковий результат роботи процесу. Крім схвалення-коригування рішення, Менеджер, як правило, має цілі, зазначені вищим керівництвом і зобов'язаний займатися оптимізацією (поліпшенням) підлеглого йому процесу. Для цих цілей Менеджер повинен мати право розподілу і перерозподілу ресурсів в погоджених межах (бюджет, персонал, плани, графіки і т.д.).

Приклад такої системи: Система управління запасами товарів в мережі магазинів розраховує потреби доставки і складської запас товару виходячи з норми споживання, швидкості заповнення запасу, «глибини полиці» по кожному товару (їх може бути 10-20 тис. SKU (SKU - від англійського Stock Keeping Unit (ідентифікатор товарної позиції) - одиниця обліку запасів). Людина втручається в цю систему, оскільки система не знає, що через 3 дня в Казані починається свято Курбан-байрам, або відкриються 2 додаткових магазину і споживання зросте за окремим ре Гіон.

3.3 Системи підтримки прийняття рішення (СППР)

3 Системи підтримки прийняття рішення (СППР)

Особливістю систем підтримки прийняття рішення є те, що корпоративна інформаційна система (КІС) навіть в складі ERP, BI, OLAP і т.д. не дає готового рішення, а надає тільки інформацію для особи, яка приймає рішення (ОПР). При цьому крім ОПР інформацію від КІС і зовнішнього середовища може обробляти група аналітиків (наприклад, відділ стратегічного планування або департамент розвитку) і надавати для ЛПР прораховані альтернативні варіанти рішень. У будь-якому випадку, остаточне рішення приймає тільки ЛПР в ручному режимі, спираючись на всю доступну йому інформацію, формалізовану (звітність від КІС, дані аналітиків і маркетологів, результати SWOT і PEST аналізу і т.д.) і неформализованную (інформацію з зовнішніх джерел) . Навіть за такою, спрощеною схемою (рисунок 8) можна оцінити, як в геометричній прогресії зростає розмірність простору станів і складність вибору стратегії пошуку управлінського рішення в порівнянні з САУ (малюнок 7).

Ще однією відмінною рисою систем автоматизованого управління даного класу є неповторяющийся, проектний характер діяльності ЛПР при прийнятті рішення і його реалізації. Оскільки прийняття рішення ведеться в більшості випадків в «ручному режимі», дана система повинна бути доповнена підсистемою Контролю виконання рішень. Відповідно, всю повноту відповідальності за ефективність прийнятого рішення в такій системі управління несе ЛПР (або Вищий керівник для Власника процесу). Крім того, ЛПР, як суб'єкт, керуючий ресурсами в повному обсязі, несе всю повноту відповідальності за підвищення ефективності об'єкта управління (мережі процесів). Якщо ж ЛПР не вистачає повноважень або ресурсів для прийняття рішення, він, на відміну від САУ (рисунок 7) може ескаліровать прийняття рішення на наступний рівень управління, Вищестоящому керівнику, який володіє великими повноваженнями або ресурсами.

У даній статті ми не розглядаємо методи підготовки інформації, оцінки альтернативних варіантів, привласнення вагових коефіцієнтів критеріїв і експертам, проведення бенчмаркінгового оцінок, а також інші спроби автоматизувати діяльність ЛПР, повністю або частково. Ці питання розглядалися в літературі досить часто, наприклад в [14] - [16]. Проте, реальної альтернативи для заміни нелінійного, непередбачуваного елемента ЛПР, в доступному для огляду майбутньому не передбачається. Тут автори повністю згодні з Станфордом Оптнером [11]: «Розвиток методології вирішення проблем, яка зобов'язана електронно-обчислювальним машинам, буде, врешті-решт, оцінюватися більш стримано. Обчислювальні машини, справді, забезпечують фантастичну швидкість, надають величезні можливості і велику гнучкість при вирішенні проблем. Однак обчислювальні машини не можуть знаходити нові великі проблеми наших днів, а також виявляти області, де їх застосування дає величезні поліпшення. Це можуть робити тільки люди, і такий стан збережеться ще довго ».

висновки:

1. Модель раціонального навчається агента добре узгоджується з моделлю процесного підходу до управління стандартів ISO серії 9000.

2. Областю застосування моделі «Інтелектуальний агент» є системи автоматичного управління технологічними процесами (АСУТП) першого типу (рисунок 6) і системи автоматизованого управління (САУ) другого типу (малюнок 7).

3. Заміна функціоналу ЛПР на раціонального інтелектуального агента можлива тільки в аналітичній частині систем підтримки прийняття рішення (третій тип малюнок 8), наприклад, при проведенні порівняльного аналізу стандартизованих варіантів альтернатив.

Література.

1. ISO 9001: 2008 (E) Quality management systems - Requirements.

2. ISO 9000: 2005 (E) Quality management systems - Fundamentals and vocabulary.

3. Беллмана Р., Калаба Р. Динамічне програмування і сучасна теорія управління // М .: Наука, 1969.

4. Нільсон Н. Принципи штучного інтелекту // М .: Радио и связь, 1985.

5. Бір Стаффорд. Кібернетика та менеджмент: пров. з англ. Вид. 2-е -М. КомКніга, 2006 р

6. Каплан Д.С., Дев'ятов Д.Х., Файнштейн С.І., Тутарова В.Д., Калітаев А.Н. Евристичний поліноміальний алгоритм оперативного планування розміщення готової продукції на складах металургійних підприємств // Автоматизація та сучасні технології. - 2009. - №6. - С. 35 - 39.

7. Дев'ятов Д.Х., Файнштейн С.І., Тутарова В.Д., Калітаев А.Н. Оперативне планування відвантаження готової продукції зі складів металургійних підприємств // Мехатроніка, автоматизація, управління. - 2008. - №4. - С. 36 - 40.

8. Michalewicz Z., Fogel DB How to Solve It: Modern Heuristics // Springer, Berlin, 1999..

9. Еліферов В.Г., Рєпін В.В. «Бізнес-процеси: Регламентація і управління» // Підручник - М .: ИНФРА-М, 2004 р

10. Рассел С., Норвіг П. Штучний інтелект: сучасний підхід Изд. 2-е // Із.-во «Вільямс», 2006 р

11. Тьюринг А. М. Обчислювальні машини й розум. // В сб .: Хофштадер Д., Деннет Д. Око розуму. - Самара: Бахрах-му, 2003.

12. Гарднер М. Математичні дозвілля // М .: Мир, 1972.

13. Оптнер С.Л. Системний аналіз для вирішення проблем бізнесу і промисловості. Пер. з англ. М. Концепт, 2006 р

14. Ларичев О.І., Теорія і методи прийняття рішень, а також Хроніка подій у Чарівних країнах: Підручник. изд. друге, перероблене і доповнене, М, Логос, 2002 г.

15. Новіков Д. А. Теорія управління організаційними системами. -М .: Московський психолого-соціальний інститут, 2005 р

16. Сааті Т, Прийняття рішень. Метод аналізу ієрархій. Пер. з англ. М, Радіо, 1993 г.

Такоже Дивіться:

Віталій Еліферов, Світлана Файнштейн: Процесний підхід до управління: проблеми і моделі (Частина 1)

И на щастя?
3. Що робити з «нелінійним елементом» або Як управляють менеджери?