{MosModule module=Artykuly_BI}

Aktywna działalność człowieka opiera się na improwizacji - ludzie ciągle podejmują działania poprzez zmiany swoich pierwotnych decyzji. Z drugiej strony, skuteczne prowadzenie działalności gospodarczej wymaga doświadczenia i rutyny. Można powiedzieć więc, że w pewnym sensie źródłem sukcesu w biznesie jest improwizacja oparta na rutynie i doświadczeniu. Decydenci, w zdecydowanej większości przypadków nie spotykają się bowiem z określoną, kompletną w swoim obrazie sytuacją decyzyjną. Raczej w niej uczestniczą poprzez wielokrotne próby rozwiązywania na różne sposoby tego samego problemu. W ten sposób odkrywają jego naturę, niejako uczą się go. Tymczasem klasyczny model procesu podejmowania decyzji (pochodzący od noblisty H. Simona), na którego bazie budowane są do dziś praktycznie wszystkie komercyjne, komputerowe systemy wspomagające decydentów, jest modelem liniowym. Jest podejściem zakładającym, że model sytuacji decyzyjnej powstaje w całości i od razu w umyśle decydenta. W założeniach takiego modelu decydent po pierwsze, zauważa problem i konstruuje w swoim umyśle sposób jego rozwiązania, a po drugie, uruchamiając procesy myślowe, operuje na tak skonstruowanym modelu, tworząc alternatywy rozwiązania. W końcu decyduje się na wybór (ze zbioru alternatyw) ostatecznego rozwiązania problemu. Innymi słowy, sposób myślenia decydenta o problemie inicjuje w kolejnych fazach procesu tworzenie zbioru potencjalnych rozwiązań i wybór jednego z wariantów. Wybrany wariant rozwiązania ostatecznie wpływa na sytuację decyzyjną.

W klasycznym podejściu nie ma więc miejsca na swobodną improwizację i stopniowe uświadamianie sobie, na czym właściwie polega istota problemu, który decydent stara się rozwiązać (a może rozwiązywany problem, po ponownym przemyśleniu, nie jest problemem i z trudem wygenerowane wszystkie możliwe warianty rozwiązania przestają być użyteczne?). Jest więc wielce prawdopodobne, że trzymanie się klasycznego podejścia do modelu procesu decyzyjnego stanowi istotną barierę w rozwoju i wdrażaniu efektywnych systemów wspomagających podejmowanie decyzji biznesowych. Sam problem decyzyjny nie jest w rozpatrywanym podejściu całkowicie w głowie decydenta - nie jest postrzegany od razu, ale konstruowany w miarę rozpoznawania jego natury, która najczęściej charakteryzuje się dużą przypadkowością, małą precyzyjnością oraz częściowym brakiem lub błędnymi informacjami. Taki punkt widzenia wymusza zmianę orientacji w podejściu do projektowania i wykorzystania systemów BI - z orientacji na produkt na orientację na proces. Dla podkreślenia, produktem w paradygmacie H. Simona jest wsparcie w generowaniu alternatyw i wyborze możliwie najlepszego wariantu decyzyjnego, orientacja na proces oznacza tu wsparcie decydenta w sposobie dochodzenia do zrozumienia i rozwiązania problemu. Innymi słowy, BI powinien wspierać bardziej proces rozwiązywania problemu, w mniejszym zaś stopniu koncentrować się na znajdowaniu gotowych rozwiązań. Powinien przede wszystkim ułatwiać swobodne działanie decydentowi w procesie rozwiązywania problemów. Realizacja tak postawionego postulatu względem systemów BI nie jest jednak możliwa bez inkorporacji w architekturę systemów BI szerokiego spektrum technik kreatywnego rozwiązywania problemów oraz elementów sztucznej inteligencji.

Systemy BI muszą rozszerzyć paradygmat konwencjonalnych systemów wspomagania decyzji poprzez inkorporacje technologii, umożliwiającej inteligentne zachowanie się systemu, oraz wykorzystanie możliwości tkwiących w nowoczesnych, techniczno-organizacyjnych rozwiązaniach przetwarzania danych. Podejście takie wymaga, by nowoczesne systemy BI były budowane na tych samych zasadach, jakimi kieruje się ludzkie poznanie. Chodzi o to, by odwzorować za pomocą systemu informatycznego zachowania możliwie najbardziej zbliżone do zachowania człowieka podczas rozwiązywania problemu. Zauważmy, że jednym z podstawowych kryteriów oceny inteligencji kierującej ludzkimi poczynaniami jest zdolność do wnioskowania. Sztuczna inteligencja dąży więc do stworzenia zautomatyzowanych systemów, które zdolne byłyby do rozwiązywania postawionych przed nimi problemów właśnie w drodze wnioskowania. Przykładami takich technik są: przetwarzanie języka naturalnego, uczenie maszyn, składanie i rozpoznawanie wzorców, drążenie danych, wnioskowanie na podstawie przypadków czy wnioskowanie regułowe. W praktyce oznacza to, że system musi być w stanie: wspomagać użytkownika na etapie formułowania problemu decyzyjnego, skutecznie asystować przy rozwiązywaniu problemu (doradzać w wyborze metod rozwiązania problemu), interpretować rezultaty pracy w kolejnych fazach rozwiązywania problemu oraz wyjaśniać zarówno otrzymywane rozwiązania cząstkowe, jak i końcowe decyzje.

System taki musi niejako "obserwować" użytkownika podczas pracy - rejestrować jego zmianę potrzeb, starając się ewoluować wraz z jego potrzebami. Bowiem skuteczne wspomaganie procesu rozwiązywania problemu wymaga od systemu znajomości kwestii, którą obecnie użytkownik rozwiązuje. Dobrym rozwiązaniem jest bezpośrednia komunikacja z użytkownikiem poprzez dialog, jednak taka forma pracy z systemami komputerowymi jest obecnie niezbyt mile widziana w praktycznych zastosowaniach. Zatem aby zdobyć wiedzę o bieżących potrzebach użytkownika, system musi w sposób ciągły śledzić jego poczynania, a następnie starać się rozpoznawać intencje, tak by w kolejnym kroku w sposób subtelny proponować kolejne etapy analizy. Efektem końcowym takiej równoległej pracy użytkownika i systemu jest np. wypracowanie i zaproponowanie przez system jednej z propozycji rozwiązań problemu. Cały proces musi jednak odbywać się w tle, trzeba bowiem pamiętać, że to użytkownik steruje analizą, i to od jego decyzji będzie zależało, którą ścieżkę obierze. System powinien wspomagać, a nie blokować działania osób na nim pracujących, chyba że wykonanie określonej czynności wymaga podjęcia wcześniejszych kroków. Zanim system będzie w stanie w sposób prawidłowy i wygodny dla użytkownika wspierać jego działania, musi wcześniej nauczyć się z nim pracować. Jest to proces analogiczny do pracy nowo zatrudnionego asystenta, który musi zapoznać się ze stylem pracy swojego szefa. Dobry i doświadczony asystent wydaje się czytać w myślach swojego przełożonego oraz rozumować jego tokiem myślenia.

Gdzie jesteśmy?

Jedną z prób analizy inteligencji systemów BI, a co za tym idzie, możliwości potencjalnego wsparcia użytkownika w procesie podejmowania decyzji, jest ocena eksploatowanego rozwiązania w trzech wymiarach: (1) funkcjonalności interfejsu użytkownika, (2) zakresu i formy prezentacji wiedzy oraz (3) możliwości przetwarzania i/lub drążenia danych. W ramach pierwszego kryterium na najniższym poziomie znajduje się podejście oparte wyłącznie na komunikacji z użytkownikiem za pomocą ustrukturalizowanych poleceń i/lub menu.

Coraz częściej w interfejsach systemów BI spotkać można funkcje umożliwiające komunikację z systemem za pomocą grafiki multimedialnej oraz języka komunikacji opartego na hipertekście. Rozwiązaniem przyszłości jest komunikacja oparta na przetwarzaniu wirtualnej rzeczywistości, aczkolwiek w ofertach kilku głównych dostawców rozwiązań BI takie podejście jest promowane jako alternatywa do konwencjonalnych rozwiązań. Czas pokaże, na ile taka forma komunikacji upowszechni się w zastosowaniach biznesowych.

W zakresie możliwości prezentacji wiedzy standardem staje się wykorzystanie wielowymiarowych baz danych OLAP. Prognozowanie i optymalizacja, dostępna w wielu pakietach narzędziowych złożonych systemów BI zaczyna być (kolejny raz) odkrywana przez praktykę. Barierą w dalszym ciągu jest tu poziom bazy wiedzy użytkownika konieczny do pracy z modelami optymalizacyjnymi.

Właśnie to miejsce wydaje się idealne do inkorporacji metod sztucznej inteligencji (poziom IV). Niech przykładowo wybór najlepszej metody prognozowania czy optymalizacji podpowie system. Oczywiście po uprzednim dogadaniu się z użytkownikiem, na czym polega istota problemu.

Ostatnie z kryteriów oceny, oparte na rodzaju zadań decyzyjnych, mierzy poziom inteligencji systemów BI pod kątem możliwości przetwarzania i/lub drążenia danych.

Obsługa wszystkich typów zapytań wyrażanych językiem SQL (lub podobnym): wyszukiwanie, dodawanie, aktualizacja, usuwanie i sortowanie danych przy użyciu mechanizmów deterministycznych jest standardem w systemach BI. Także Obsługa zapytań typu OLAP: drążenie danych (driliing down, drilling up), przeciąganie i wycinanie danych, odwracanie tabel danych itp., jest praktycznie warunkiem istnienia systemu BI na rynku. Kolejnym krokiem jest wprowadzanie innych niż deterministyczne mechanizmów obsługi zapytań wyrażanych językiem SQL (lub podobnym) - np. mechanizmów rozmytych. Obsługa zadań klasyfikacyjnych, skojarzeniowych, analizy trendów i prognoz oparta na danych ilościowych (sieci neuronowe, algorytmy genetyczne, odkrywanie wiedzy, algorytmy statystyczne) staje się już standardem w pewnych klasach zastosowań (banki, ubezpieczenia). Otwartą kwestią pozostaje natomiast obsługa danych jakościowych oraz zadań o charakterze zarówno algorytmicznym, jak i heurystycznym w procesie rozwiązywania złożonych problemów decyzyjnych. Wydaje się, że dopiero taka funkcjonalność systemów BI będzie w stanie stworzyć z systemu komputerowego inteligentnego asystenta.

Źródło: www.consorg.pl

Autorzy:Zbigniew Twardowski, Sebastian Kostrubała, Stanisław Stanek