Основы менеджмента, вариант 15 (ТУСУР)

вариант 15 ...

1. В чем суть технологического процесса автоматизированной обработки данных, его этапов?
2. Какие существуют технологические операции, каковы их функциональное назначение и варианты реализации?
3. Назовите варианты организации технологических процессов
4. Что представляют собой коммуникации. Основные этапы коммуникационного процесса
5. Информационная система конкурентоспособности продукции. Пример описания подобной структуры
6. Имитационная модель принятия решения. Пример описания подобной модели
7. Структура программного обеспечения. Пример описания подобной структуры
8. Прогнозирование конкурентоспособности на основе показателя «значимость технического решения»
Литература

1. В чем суть технологического процесса автоматизированной обработки данных, его этапов?
2. Какие существуют технологические операции, каковы их функциональное назначение и варианты реализации?
3. Назовите варианты организации технологических процессов
4. Что представляют собой коммуникации. Основные этапы коммуникационного процесса
5. Информационная система конкурентоспособности продукции. Пример описания подобной структуры
6. Имитационная модель принятия решения. Пример описания подобной модели
7. Структура программного обеспечения. Пример описания подобной структуры
8. Прогнозирование конкурентоспособности на основе показателя «значимость технического решения»
Литература

4.Что представляют собой коммуникации. Основные этапы коммуникационного процессаТермин «коммуникация» появился в научной литературе относительно недавно и за несколько десятилетий ХХ в. стал, по существу, ключевым в социально-гуманитарном знании. Это, по-видимому, объясняется его особой емкостью, позволяющей наполнять слово разнообразными смыслами, использовать его в разных познавательных целях. Самое общее значение касается связи любых объектов, но в социологии таким объектом является общество и составляющие его структуры (и поэтому чаще всего социологическим объектом оказывается массовая коммуникация), в психологии речь идет о межличностной коммуникации, в этнографии исследуются межэтнические коммуникации, в сфере искусства это коммуникация между создателем произведения – режиссером, актером, поэтом, художником, композитором и т.д. – и зрителем, читателем, слушателем и т.д., в образовании имеется в виду коммуникация между учителем и обучаемым. В разных случаях используются разные формы и виды коммуникации и соответствующие им технологии. Так, можно выделить вербальные и невербальные коммуникации, устные и письменные, печатные и электронные. Их можно рассматривать в пространственном и временном аспектах, в локальном культурном срезе (этническая культура) и глобальном (международная, кросскультурная коммуникация).Конецкая В.П. определяет коммуникацию как «социально обусловленный процесс передачи и восприятия информации в условиях межличностного и массового общения по разным каналам при помощи различных коммуникативных средств».В результате анализа коммуникативного процесса Кремлева С.О. полагает, что «коммуникация – это деятельность, имеющая цель, необязательно осознаваемую, предполагающая одного или более участников и заключающаяся в посылке и получении разного рода сообщений, которые используют различные каналы, могут искажаться под воздействием шума, существуют в некотором контексте, оказывают определенный эффект на адресата и оставляют возможности для обратной связи».Приведенные определения (а это лишь малая их часть) свидетельствует о многоаспектности понятия «коммуникация».Коммуникационный процесс - это процесс преобразования и обработки информации.Основной целью коммуникационного процесса является обеспечение понимания информации, служащей предметом обмена.Элементами коммуникационного процесса являются:1. Отправитель (коммуникатор) - лицо, создающее идеи или собирающее и передающее информацию. Коммуникаторами в организации могут быть менеджеры, не менеджеры, подразделения или организация в целом. Менеджеры осуществляют коммуникации с другими менеджерами, подчиненными, вышестоящими руководителями, клиентами, покупателями и группами лиц вне организации. 2. Сообщение - информация, передаваемая в коммуникационном процессе.Каждый раз, осуществляя коммуникационный процесс, коммуникатор имеет дело со следующими разными сообщениями:• сообщение, которое собирается отправить;• сообщение, которое на самом деле отправляет;• сообщение, которое получает другой человек;• интерпретация другим человеком того, что он получил;• ответ другого человека;• разница между ожидаемым и полученным ответом.3. Канал связи - средство передачи информации. К каналам связи относятся речь, письмо и электронные средства связи.Богатство канала связи - это количество информации, которое может быть передано во время коммуникационного процесса. Выбор канала связи зависит от следующих факторов: типа послания, соответствия идеи и возможности физического выполнения символов. 4. Получатель - лицо, которому предназначена информация и которое интерпретирует ее. Эффективный коммуникационный процесс требует, чтобы коммуникатор оценивал возможность получателя декодировать информацию. Эффективная коммуникация ориентирована на получателя, а не на отправителя.Задачей этапов коммуникационного процесса является составление сообщения и использование канала для его передачи таким образом, чтобы обе стороны поняли и разделили исходную идею. Зарождение идеи является началом обмена информации. Для того, чтобы идея была понятна, она должна быть конкретной и должна соответствовать ситуации. Кодирование информации предполагает перевод идеи сообщения в символическую форму. Символ – это знак, означающий понятие. К ним относятся слова, интонации и жесты. Выбор канала предполагает, что канал соответствует физическому воплощению символов и идее, зародившейся на первом этапе. Передача информации - это использование канала для доставки сообщения получателю, т.е. физическая передача информации. Декодирование - перевод символов отправителя в мысли получателя достигает цели в том случае, когда символы отправителя знакомы получателю. Если руководитель получает из бухгалтерии отчет, перенасыщенный специальными терминами, цель не достигается. Обратная связь – реакция на сообщение, помогающая определить, насколько правильно получатель понял сообщение отправителя.Односторонние коммуникации осуществляются без обратной связи. Двухсторонние коммуникации включают обратную связь. Обратная связь может быть прямой в том случае, когда осуществляется личный разговор, и непрямой, когда в организациях проявляется в виде снижения продуктивности, низкого качества продукции, возросшей текучести кадров, увеличения числа конфликтов и т.п.5.Информационная система конкурентоспособности продукции. Пример описания подобной структурыИнформационные системы в экономике, как средство агрегирования и передачи информации, являются одним из структурных элементов рынка, а информация в современных условиях превращается в важнейший специфический фактор производства.Рассмотрим пример информационной системы поддержки принятия решений о конкурентоспособности наукоемкой машиностроительной продукции.Система поддержки принятия решения (СППР) о конкурентоспособности наукоемкой продукции предназначена для выбора конкурентоспособных альтернатив в условиях неопределенности или риска при наличии нескольких критериев. Основой математического обеспечения системы являются методы многокритериальной системы альтернатив и теории нечетких множеств.Структура взаимосвязи компонентов (блоков) СППР о конкурентоспособности НМП представлена на рис.1. Рис. 1. Структура взаимосвязи компонентов (блоков) СППР о конкурентоспособности НМП Взаимодействие программ и подпрограмм осуществляется в процессе непосредственного функционирования системы в зависимости от типов решаемых задач. Так, например, подпрограмма «Связь с экспертом» в структуре программного комплекса «Универсал» обеспечивает взаимный обмен данными с программой «Эксперт-менеджер» путем передачи критериев отбора экспертов и информационных фрагментов знаний о них (1) и получения сведений об отобранных экспертах, ведения их картотеки (2). Подпрограмма «Определение функций принадлежности» в структуре того же программного комплекса предусматривают расчет оценок степеней принадлежности альтернатив к конкретным категориям конкурентоспособности. Причем подпрограмма «Определение функций принадлежности» позволяет рассчитать веса критериев (3), а программа «Рейтинг», используя полученные веса, осуществляет расчет степеней предпочтительности альтернатив и формирует пороги предпочтительности (4), которые хранятся в текущей базе данных вышеописанной подпрограммы. Передача критериев показателя конкурентоспособности (5) и уточнение количественных оценок данных критериев (6) для адекватного ранжирования альтернатив осуществляется между программами «Рейтинг» и «Коэффициент конкурентоспособности». Посредством программы «Эксперт-менеджер» данные о количестве и профессиональной компетенции поступают на вход программы «Рейтинг» (7). В свою очередь, программный продукт «Рейтинг» позволяет уточнить количество участвующих в оценке альтернатив экспертов и передать данную информацию на вход «Эксперт-менеджер» (8). Точность суждений выбранных экспертов влияет на точность принимаемых решений относительно проведенных расчетов независимо от вида используемого программного продукта в базе данных результатов расчета (9). Все остальные функциональные взаимосвязи носят межблочный характер и служат для поддержания перехода системы с одного уровня на другой. 6. Имитационная модель принятия решения. Пример описания подобной моделиКлассические модели принятия решений всегда являются оптимизационными, так как нацелены на максимизацию выгоды или прибыли. Математические модели обеспечивают систематическое осмысление проблем и позволяют одновременно учитывать все влияющие на них факторы. Вместе с тем, раскрывая все предпосылки, они становятся более уязвимыми для критики по сравнению с умозрительными моделями, где исходные пункты рассуждений формулируются их создателями. Все же близкие к практике рекомендации могут быть получены, если при построении модели принятия решений изначально отказаться от применения оптимизационных алгоритмов и придать большее значение учету существенных структурных элементов наблюдаемого фрагмента реальности. В результате формируется имитационная модель принятия решений. Она решается не аналитически, а экспериментально или эвристически, что вследствие резкого увеличения расчетов требует использования электронно-вычислительной техники. Благодаря компьютерным технологиям неожиданно для многих возрождается и математическое модельное мышление. С помощью имитации могут быть найдены удовлетворительные решения сложных проблем, тогда как оптимизационные модели позволяют получить оптимальные решения только для проблем с простой структурой.Широкие возможности компьютерного имитационного моделирования приводят к разработке все более сложных конструкций моделей. Это порождает дополнительные проблемы не только для программиста, но и для пользователя. Количественное определение параметров модели сталкивается со все большими трудностями. Поэтому часто приходится обращаться за недостающей информацией к экспертам, что при масштабных моделях со многими параметрами существенно усиливает спекулятивную природу практических рекомендаций.Опишем новый метод использования интеллектуальных агентов для построения имитационных моделей принятия решений. В основе метода лежит использование двух типов агентов: агент обучения классификатора и агент комбинирования классификатора. Каждый агент обучения классификатора отвечает за чтение вертикального среза выборок и обучение локального классификатора, в то время как агент комбинирования классификатора разработан для комбинации результатов классификации агентов обучения классификатора. Ключевым моментом метода является то, что каждое из подмножеств для агентов обучения классификатора образуется путем разделения признаков, а не серии выборок среды распределения.1. Обзор методов классификаций, основанных на гиперплоскости. HSC – это универсальный метод классификации, основанный на топологической теореме Жордана о кривой. Основным отличием метода от хорошо известного алгоритма «Метод опорных векторов» является то, что HSC позволяет непосредственно решать нелинейную задачу классификации в исходном пространстве без необходимости отображения данных в пространство с большей размерностью, и, соответственно, без использования функции ядра. Теорема Жордана о кривой. Пусть X – ограниченное множество в n-мерном пространстве . Если X гомеоморфно сфере в (n–1)-мерном пространстве, тогда его дополнение \X имеет две связанных компоненты, одна из которых называется внутренней, а другая – внешней. Теорема о классификации. Для любой точки x \X , если x лежит внутри множества X, тогда число кручения, т.е. количество пересечений между любым радиусом от x до X является четным, и, если x не находится в X, тогда количество пересечений между любым радиусом от x до X является четным.Теорема о классификации. Для любой точки x , если x лежит внутри множества X, тогда число кручения, т.е. количество пересечений между любым радиусом от x до X является четным, и, если x не находится в X, тогда количество пересечений между любым радиусом от x до X является четным.Важной задачей является построение разделяющей гиперплоскости. Основываясь на теореме Жордана о кривой, можно выдвинуть следующий метод классификации HSC: l. Распределить данные выборки внутри прямоугольной области. 2. Преобразовать область к единичной. 3. Разбить область на более мелкие равные части. Если в каких-либо участках будут содержаться выборки, принадлежащие двум или более классам, то разбить их на несколько меньших частей до тех пор, пока в каждой части будет максимальное количество выборок одного и того же класса. 4. Пометить каждую область в соответствии с классом находящихся внутри выборок. Тогда граничные векторы и вектор класса сформируют строку для каждой области. 5. Объединить смежные области одного класса и получить секущую гиперплоскость, сохранить ее в виде строки. 6. Ввести новую выборку и вычислить количество пересечений выборки с секущей гиперплоскостью. Этого можно добиться, нарисовав окружность от выборки. Тогда класс выборки рассчитывается в зависимости от четности или нечетности количества пересечений радиальной окружности и секущей гиперплоскости. 2. Комбинация гиперплоскостных классификаторов. В качестве реализации комбинации гиперплоскостных классификаторов будем использовать многоагентную технологию. Агенты могут имитировать принятие решений референтной группой в процессе учебного проектирования, мозгового штурма или иной ситуации. Каждый классификатор разрабатывается в качестве агента с заданными условными атрибутами. Используются два типа агентов: агент обучения классификатора (АОК) и агент комбинирования (объединения) классификатора (АКК). После определения соответствия агентом-координатором (АК) между моделями обучаемых, референтных групп и процессов обучения, формируются модели обучения и классификации. Агент обучения классификатора изучает модель классификации с помощью заданного алгоритма на массиве данных и предсказывает возникновение экземпляров с использованием модели обучения. Агент комбинирования классификатора реализует объединение результатов предсказаний множественных агентов обучения классификатора и находит непомеченные экземпляры выборки, позволяющие внести коррективы в исследуемые модели обучения и классификации (рис. 2). Рис. 2. Имитационная модель принятия решений на основе комбинации агентов обучения и объединения классификаторов Когда агенты совместно выполняют задачу по классификации, каждый агент обучения классификатора, прежде всего, должен закончить свое обучение самостоятельно и создать независимую модель классификации с заданными различными условными признаками. Затем, когда задача предсказания классификации выполнена, агент объединения классификатора отправляет экземпляры, которые будут предсказаны, каждому агенту обучения классификатора. Агенты обучения классификатора используют модель классификации, чтобы предсказать метку экземпляра, одновременно оценивая его свойства и посылая полные результаты оценки с меткой класса агенту комбинирования классификатора. Агент комбинирования классификатора разрешает окончательную метку класса, основанную на результатах всех агентов обучения классификатора с точки зрения логики управления, таких как голосование или взвешенное голосование. Таким образом, агент объединения классификатора, возможно, превосходит пределы способности одиночных классификаторов. Следовательно, основанная на агентах система гетерогенных классификаторов HSC может достигнуть высокой точности классификации без дополнительного обучения группы классификаторов. Существуют два метода комбинирования: горизонтальная и вертикальная комбинация. Наиболее существенным отличием является получение подмножеств делением признаков, и не делением исходного множества выборок, поэтому, в случае отсутствия несовместности, размер каждого подмножества равен размеру исходного множества выборок, занимая лишь немногим больше места в памяти, чем исходное множество. Поэтому предпочтение отдается вертикальной комбинации. Стремясь к решению проблемы нехватки памяти HSC на массивах данных с высокими размерностями, предлагается идея комбинирования. Придавая то же самое значение каждому признаку, во-первых, группируются множественные признаки данных, согласно определенным правилам формируются некоторые подмножества данных, затем начинается процесс обучения и создается классификатор для каждого подмножества данных, и в заключении, окончательное решение определяется объединением последовательности результатов классификации соответствующим образом. Представим описанные действия более детально.Алгоритм работы агента обучения. l. Получить размерность условных атрибутов d из массива данных обучающих выборок. 2. Разделить признаки на подмножества [d/3], где [d/3] – наименьшее целое число, большее, чем [d/3]. Причем, i-ое подмножество охватывает признаки 3i-2 , 3i-1 , 3i, i = 1, 2, 3, ..., [d/3] и атрибут решения. Если d не делится нацело на 3, тогда один или два признака в (d-1)-ом подмножестве добавляются к последнему подмножеству. После этого обучающая выборка разделяется на [d/3] подмножества, каждое из которых имеет одинаковый размер, с тремя условными атрибутами и одним атрибутом решения. 3. Для каждого подмножества, избавиться от несовместности, которая могла возникнуть на Шаге 2. Для каждой выборки в данном подмножестве, если существуют какие-либо другие выборки, в которых значения условных атрибутов совпадают с таковыми в данной выборке, а различие состоит только в атрибуте принятия решения, тогда можно говорить о несовместности. В этом случае необходимо просто удалить данные выборки из этого подмножества. 4. Для каждого подмножества после шага 3 запустить независимый процесс обучения HSC и сохранить результат обучения в виде модели. В итоге получим [d/3] классификаторов HSC, которые и являются комбинацией классификаторов.Алгоритм работы агента классификации. l. Получить размерность условных атрибутов d из массива данных обучающих выборок. 2. Разделить признаки на подмножества [d/3], i-ое подмножество охватывает признаки 3i-2 , 3i-1 , 3i, i = 1, 2, 3, ..., [d/3]. Если d не делится нацело на 3, тогда один или два признака в (d-1) -ом подмножестве добавляются к последнему подмножеству. После этого обучающая выборка разделяется на [d/3] подмножества, каждое из которых имеет три атрибута решения. 3. Для каждого подмножества запустить соответствующий классификатор HSC и сохранить результаты классификации. В итоге получим [d/3] результатов классификации для каждой проверочной выборки в исходном множестве данных. 4. Окончательное решение для каждой тестовой выборки в исходном множестве принимается путем голосования. За основу принимается схема голосования множества, в которой коллективное решение – результат классификации, достигнутый большим количеством классификаторов, чем любой другой. При этом придается одинаковое значение всем классификаторам. Таким образом, в случае одинакового количества голосов за два или больше результата классификации, можно случайным образом выбрать один из них. Комбинация HSC классифицирует множества данных с высокими размерностями путем попытки анализа множественных сечений обучающих и проверочных выборок. Кроме того, комбинация классификаторов намного менее подвержена ошибкам, чем единичный классификатор HSC.