|
40 ЛПР (лицо, принимающее решение) должен обязательно контролировать и анализировать результаты, получаемые системами data mining. Это необходимо, чтобы гарантировать учет всех влияющих на решение факторов.' Как следствие, построенные модели должны быть прозрачны и допускать интерпретацию. Критерий 3. Сложность настройки. Еще одно обстоятельство влияет на выбор и применение систем «базы знаний» в российских условиях. Это связано с тем, что люди, ответственные за принятие решений, обычно не являются специалистами по статистике и искусственному интеллекту и поэтому не могут непосредственно использовать системы интеллектуального анализа данных, требующие сложной настройки или специальной подготовки данных. Если такая система поставляется как составная часть общей технологии электронных хранилищ данных, реализованной на предприятии (что становится самой распространенной практикой в развитых странах), то это не составляет проблемы все настройки и предпроцессорная обработка осуществляются автоматически. Однако российские предприятия, использующие хранилища данных с элементами data mining, сегодня крайне немногочисленны. Поэтому важными факторами, определяющими коммерческий успех систем интеллектуального анализа данных в России, являются простота в использовании и высокая степень автоматизма. Рассмотрим теперь представленные выше 8 базовых классов инновационных информационных систем анализа данных, применяемых в бизнесе, и дадим оценку методов и систем по трем рассмотренным критериям, что позволит сформировать «общие рамки» оценки и выбора инновационных продуктов. 1. Предметно-ориентированные аналитические системы. Один из наиболее типичных и важных классов этих систем это системы анализа финансовых рынков, построенные на основе методов технического анализа. Технический анализ представляет собой совокупность нескольких десятков мето |
30 требований к этим системам наличие жесткого контроля статистической значимости получаемых результатов. Критерий 2. Интерпретируемость. Другой отличительной чертой российской экономики, как на макроуровне, гак и на уровне отдельных предприятий, является ее нестабильность. В то время, как на Западе предприятия в основном работают в рамках уже устоявшейся законодательной базы, в сложившихся структурах товарных, финансовых и информационных потоков, российские предприятия вынуждены подстраиваться под постоянно меняющиеся «правила игры». Эго же касается российских финансовых рынков. J11IP (лицо, принимающее решение) должен обязательно контролировать и анализировать результаты, получаемые системами data mining. Это необходимо, чтобы гарантировать учет всех влияющих на решение факторов. Как следствие, построенные модели должны быть прозрачны и допускать интерпретацию. Критерий 3. Сложность настройки. Еще одно обстоятельство влияет на выбор и применение систем «базы знаний» в российских условиях. Это связано с тем, что люди, ответственные за принятие решений в бизнесе и финансах, обычно не являются специалистами по статистике и искусственному интеллекту и поэтому ке могут непосредственно использовать системы интеллектуального анализа данных, требующие сложной настройки или специальной подготовки данных. Если такая система поставляется как составная часть общей технологии электронных хранилищ данных, реализованной на предприятии (что становится самой распространенной практикой в развитых странах), то это нс составляет проблемы все настройки и предпроцессорная обработка осуществляются автоматически. Однако российские предприятия, использующие хранилища данных с элементами data mining, сегодня крайне немногочисленны. Поэтому важными факторами, 31 определяющими коммерческий успех систем интеллектуального анализа данных в России, являются простота в использовании и высокая степень автоматизма. Рассмотрим теперь представленные выше 8 базовых классов инновационных информационных систем анализа данных, применяемых в бизнесе и финансах, и дадим оценку методов и систем по трем рассмотренным критериям, что позволит сформировать «общие рамки» оценки и выбора инновационных продуктов. 1. Предметно-ориентированные аналитические системы. Один из наиболее типичных и важных классов этих систем это системы анализа финансовых рынков, построенные на основе методов технического анализа. Технический анализ представляет собой совокупность нескольких десятков методов прогноза динамики цен и выбора оптимальной структуры инвестиционного портфеля, основанных на различных эмпирических моделях динамики рынка. Эти методы могут быть весьма просты (как, например, методы, использующие вычитание трендового значения), а могут иметь достаточно сложную математическую основу скажем спектральный анализ. Поскольку, как правило, вся теория уже "зашита'* в эти системы, а не выводится на основании истории рынка, то требования статистической значимости выводимых моделей и возможности их интерпретации не имеют смысла. Заметим лишь, что многие из рассматриваемых систем ориентированы на работу на западных рынках, не учитывают наших реалий и поэтому не вполне пригодны для применения в России. Третьему требованию («сложность настройки») они удовлетворяют в большей степени, чем другие обсуждаемые классы систем, так как оперируют в терминах предметной области, понятных трейдерам и финансовым аналитикам, обычно имеют специализированные интерфейсы для загрузки финансовых данных и обладают другими |