1. Введение. Постановка задачи

Прежде всего, определим понятие "информация". Не выясняя сути этого понятия (см.[6]), определим его как "совокупность содержательных сведений, которые могут быть выработаны, собраны, переданы, сохранены, переработаны, воспроизведены, использованы и т.п.".

Следующими важными понятиями являются термины: сигнал, данные и знания [7,8]. Их определения даны в [7] (см. также [8]). Сигнал - материальный носитель информации - физическое вещество, поле, процесс. Данные - рассматриваемый безотносительно к содержательному смыслу набор символов и представляемых ими записей. Знания - проверенные практикой результаты познания действительности, полезные сведения, которые могут многократно использоваться людьми. Акцентируем внимание на следующих аспектах приведенных определений.

Первое. Сходство сигналов и данных - они носители информации, а не сама информация. Их отличие сводится к тому, что информация, содержащаяся в сигнале, недоступна непосредственному восприятию субъектом. Данные же это, во-первых, совокупность содержащих информацию символов, во-вторых, совокупность, доступная для восприятия человеком. С точки зрения решения конкретной задачи всю информацию о некоем объекте можно условно считать состоящей из трех взаимосвязанных пересекающихся, нечетко разделимых частей: знания, протознания и информационный мусор. Знания в отличие от сигналов и данных это уже элемент информации, отличающийся логической полнотой, ограниченностью набора, и, в завершенном варианте, проверенностью практикой. Они (знания) включают в себя всю релевантную информацию [8], т.е. ту часть "полезной" для решения стоящей задачи информации, которая полностью устраняет (с точки зрения решаемой задачи!) неопределенность об объекте у получателя. Релевантная информация, в свою очередь, есть часть полезной (для получателя) информации - совокупности сведений, уменьшающих степень неопределенности о рассматриваемом объекте у ее получателя. В отличие от знаний полезная информация может быть логически не полной, противоречивой, не всегда достоверной и т.п. Знания же это полезная информация, представленная в виде, удобном для ее интеллектуального "переваривания". "Протознания" - это та часть информации, из которой могут быть получены новые знания. Остальная часть информации, - это информационный мусор - содержащиеся в "данных" сведения, которые не содержат полезной для пользователя информации и/или протознаний, но многократно увеличивают издержки пользователя. В этом смысле сигналы, данные и знания, как носители полезной информации и информационного мусора, будем в дальнейшем условно обозначать одним словом "данные". Следующие важные обобщающие собирательные понятия - это сбор, обработка, анализ, интерпретация и применение "данных". Они даны в [7].

Разновидностью анализа "данных" является "интеллектуальный анализ "данных". Под ним будем понимать анализ, связанный, во-первых, именно с неформальным извлечением знаний об исследуемом объекте, породившем "данные", непосредственно из этих "данных" (АИД-1), во-вторых, с получением новых знаний об объекте на базе извлечённых знаний, виртуальных^*) "данных" об объекте и естественного и/или искусственного интеллекта (ИАД-2), в-третьих, с поиском, выбором, синтезом методов и средств обработки и анализа "данных" с учётом поставленных целей исследования объекта (ИАД-3).

Интеллектуальный анализ "данных" связан с "добавлением информации" об объекте и/или методах и средствах анализа, с привнесением её "интеллектом". Под "интерпретацией результатов обработки и анализа "данных" будем понимать истолкование, разъяснение смысла, значения, их "перевод" на язык, в термины, образы, ..., доступные, понятные пользователю.

Следующие важные понятия это англоязычные термины "Data Mining", "Data-Based Knowledge", "Data Cleaning", "Data Warehouse", "Metadata".

Обычно под технологией "Data Mining" (DM) понимают поиск характеризующих объект скрытых зависимостей и взаимосвязей, проявляющихся через данные о нем (см., например, [4,5,10]). "Data-Based Knowledge" (DBK) - знания, основанные на "данных", т.е. знания, которые "извлекаются" (выводятся) с помощью интеллектуальных инструментальных средств анализа (Business Intelligence Tools - BIT) из хранилища "данных". "Data Cleaning" (DС) очистка "данных" - есть устранение из данных или корректировка той их части, которая содержит легко определяемый "информационный мусор": ошибки, противоречия, сбои, явные выбросы и т.п. Эта операция обычно используется перед загрузкой "данных" в "хранилище" (в DW). "Data Warehouse" (DW) - хранилище данных - это база, в которой собираются "данные" для последующего их анализа под конкретную решаемую задачу. "Metadata" - "данные", описывающие "данные" в DW.

Наконец, еще одним важным понятием является термин "управление знаниями". Под ним с подачи специалистов Anderson Consalting обычно понимают систематическое приобретение, синтез, обмен и использование (надо полагать, полезных?!) идей и опыта для достижения успеха в бизнесе или в управлении компанией. Иными словами, это процесс использования того, что известно людям, на новом уровне, с целью повышения потенциала компании через использование лучших решений, интеллектуального капитала или организационного обучения, а также через "капитализацию интеллекта, знаний".

Из наиболее часто решаемых методами ИАД задач в приложении к бизнесу являются: анализ значимых факторов, сокращение или увеличение их числа, выявление зависимостей, ассоциаций, исключений и закономерностей, в том числе для уменьшения размерности факторного пространства либо для виртуального (сбора, обработки) анализа "данных"; классификация; моделирование и прогноз; ранжирование; сегментация; профилирование наилучших достижений и т.п. (см. также [4-6]). К наиболее часто используемым методам, технологиям решения этих задач относятся методы деревьев решений, нейронных сетей, математической статистики, экспертного анализа и нечеткой логики, визуализации, генетических алгоритмов, эволюционного программирования, прецедентов, вариативного (вариантного) моделирования, а также интегрированные методы и технологии.

ПО хранилищ данных [10]: Oracle (фирма Arbor), Platinum Technology (Business Objests), Praxis (Carleton), Prism (Cognos), Pyramid (Hewlett-Packard), Red Brick (IBM), SAS Institute (Information Bulders), Sequent (Informix), Software AG (Intellidex), Sybase (Microsoft), Tandem (MSP).

ПО для реализации технологий "Data Mining" [4,5]: Poly Analyst, Scenario, 4 Thought, MineSet.

Инструментарий (платформы и приложения) управления знаниями предлагается компаниями Glyphica (система Portalware), Autonomy (Portal-in-a-Box, Content Server и др.), Plumtree Software (Plumtree Server), Hyperknowledge (Hyperknowledge Builder), Intraspect Software (Intraspect Knowledge Server 2.0), Documentum (Documentum Enterprise Document Management System - EDMS), Open Text (Livelink) и др.

Вариативное (от англ. variety - разнообразие, разновидность), или вариантное моделирование (VM) (объекта) есть метод исследования, основанный на замене исследуемого объекта-оригинала набором разнообразных моделей его и на работе с ними. Таким образом, отличительная особенность вариативного моделирования от обычного (классического) заключается в том, что здесь обязательным является построение и совместное применение в процессе моделирования не менее двух разных моделей исследуемого (моделируемого) объекта. Это могут быть модели разных классов (см., например, [6]), одного класса, но разных типов, сложностей; использующие разные уровни описания объекта, разные средства и технологии их построения, интерпретации и применения и т.п. Как следует из приведенных определений, если DM-технологии есть технологии, реализующие ИАД-1, т.е. первый вариант ИАД, DBK - ИАД-2 (второй вариант), то VM-технологии реализуют третий вариант ИАД – ИАД-3.

Разновидностью вариативного моделирования является вектор-моделирование (ВМ) - такое VM, при котором строится, интерпретируется и применяется вектор-модель объекта (ВМО). Обобщая понятие вектор-характеристики (см., например, [11]) определим вектор-модель объекта как систему из минимального набора родственных по назначению, простых и близких по сложности моделей, отражающих в совокупности все многообразие существа (сути), закономерностей свойств и особенностей состояния, строения и функционирования (включая поведение) объекта-оригинала на требуемом (согласно ее назначению) уровне и обеспечивающих появление системного свойства эмергентности.

Можно предложить несколько вариантов построения вектор-моделей для вариативного моделирования. Одним из перспективных может стать метод моделетеки [11].

1. Аджиев В. MiniSet-визуальный инструмент аналитика//Открытые системы, 1997.- № 3.- С. 73-77.
1. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. // Открытые системы, 1997. - №4. - С. 41-44.
1. Рузайкин Г.И. Орудие Data Mining: успех в анализе данных // Мир ПК, 1997. - № 1. - С. 102-103.
1. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы, 1998. - № 1. - С. 30-35.
1. Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами // Открытые системы, 1998. - № 4,5.
1. Губарев В.В. Информатика в рисунках и таблицах (фрагменты системного путеводителя по концептуальным основам) - Новосибирск: Изд-во НГТУ, 1998. - 152 с.
1. Gubarev V.V. Experimental Data Analysis in the Systems Context // Proceedings The Third Russian-Korean International Symposium on Science and Technology. - Novosibirsk: NSTU, 1999. - Vol.1. - P.241-244; // Abstracts. - Vol.1. - P.190.
1. Головко М. Жизнь в мусорной куче, или нужны ли нам знания? // Computerwold Россия. - 17.08.1999. - С.41-43.
1. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. - Новосибирск: Изд-во ИМ СО РАН, 1999. - 270 с.
1. Туманов В. Data Warehouse: с чего начать? // PC WEEK, 1999. - № 29. - С. 15-16.
1. Губарев В.В. Вероятностные модели: Справочник. В 2-х ч. - Новосибирск: НЭТИ, 1992. - 422 с.