Такая схема агрегирования характерна для социально-экономических объектов. Руководитель организации должен видеть обобщенную картину состояния объекта, в то время как менеджеры более низкого уровня имеют расширенную информацию о части задачи, находящейся в их ведении.
Гибридная модель при решении задач оценки дает определенные преимущества. Во-первых, для разных подзадач можно использовать разные методы решения. Во-вторых, при изменении в механизме решения одной подзадачи не возникает необходимости в корректировке остальных. В-третьих, можно применить различные методы решения к одной подзадаче и сравнить результаты решения. В-четвертых, агрегирование информации в рамках гибридной модели не приводит к ее потере, все данные вплоть до первичных показателей могут быть восстановлены.
Таким образом, гибридные экспертные системы, сочетая различные методы, позволяют добиться существенно лучших результатов при решении неформализованных задач, чем описанные ранее методы решения.
Процесс решения задач оценки в рамках гибридной экспертной системы представляет собой последовательное решение следующих задач:
Настройка гибридной экспертной системы на предметную область:
- построение иерархии задач,
- выбор метода решения для каждой задачи,
- формирование баз знаний для всех используемых методов по каждой сопоставленной им задаче,
- расчет оценки,
- интерпретация и объяснение полученной оценки [39].
1.4.2 Нейронные сети
Современный менеджмент сталкивается с постоянно растущими объемами информации (экономической, политической, социальной). Поэтому в наши дни возрастает необходимость создания и применения систем, которые способны не только выполнять однажды запрограммированный алгоритм действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование.
В 1950-х годах появилась система нейронных сетей. В этой области приложений самым лучшим образом зарекомендовали себя так называемые нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга. Применение нейронных сетей дало науке новый метод работы с информацией – «добычу данных» ("data mining") – то есть искусство работы с информацией, построенное на поиске и отборе полезной информации и выявление существующих закономерностей [31].
Нейросети представляют собой математическую структуру, имитирующую некоторые аспекты работы человеческого мозга и демонстрирующие такие его возможности, как способность к неформальному обучению, способность к обобщению и кластеризации неклассифицированной информации, способность самостоятельно строить прогнозы на основе уже предъявленных временных рядов. Главным их отличием от других методов, например таких, как экспертные системы, является то, что нейросети в принципе не нуждаются в заранее известной модели, а строят ее сами только на основе предъявляемой информации. Именно поэтому нейронные сети и генетические алгоритмы вошли в практику всюду, где нужно решать задачи прогнозирования, классификации, управления — иными словами, в области человеческой деятельности, где есть плохо алгоритмизуемые задачи, для решения которых необходимы либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми и являются нейронные сети [39].
Нейронная сеть обучается решению задачи на основании некоторой обучающей выборки – «задачника», состоящего из набора пар «вход–требуемый выход», и далее способна решать примеры, не входящие в обучающую выборку, другими словами нейронная сеть сама становится экспертом [39].
Таблица 1.4 – Преимущества и недостатки применения нейронных сетей для решения задач оценки и прогнозирования
| Достоинства метода | Недостатки метода |
| 1 Возможность использования опыта. 2 Возможность обработки и запоминания эмпирических данных о деятельности объекта. 3 Возможность оперативного дообучения. 4 Возможность определения значимости входных показателей. 5 Возможность работы с зашумленными и неполными данными. | 1 Логическая непрозрачность получаемых результатов. 2 Получаемые результаты заведомо содержат ошибку. |
В экономике и бизнесе методы искусственного интеллекта применяется для предсказания рынков, автоматического дилинга, оценки рисков невозврата кредитов, предсказания банкротств, оценки стоимости недвижимости, оптимизации портфелей, товарных и денежных потоков [3]. В дипломном проекте мной рассмотрено применение нейронных сетей в рейтинговой оценке качества деятельности преподавателей кафедры «Информационные системы в экономике» Алтайского государственного технического университета им. И.И. Ползунова.
Выводы:
- подробно рассмотрены роль и деятельность кафедры;
- смоделированы внутренние и внешние процессы;
- определены квалификационные требования преподавателей и проанализированы критерии их деятельности;
- изучен отечественный и зарубежный опыт оценки квалификации ППС;
- рассмотрен обзор существующих методик по рейтингу преподавателей вузов.
2 РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ КАЧЕСТВА ДЕЯТЕЛЬНОСТИ ПРЕПОДАВАТЕЛЕЙ КАФЕДРЫ
2.1 Описание предметной области
В качестве объекта исследования выступает кафедра «Информационные системы в экономике» (ИСЭ). На протяжении многих лет она устойчиво занимает одно из ведущих мест среди аналогичных подразделений Алтайского государственного технического университета им. И.И.Ползунова.
Кафедра ИСЭ ведет подготовку информатиков-экономистов по специальности 351400 – «Прикладная информатика (по областям), область – экономика» (ПИЭ) с 2000 года. Изначально данная специальность называлась 071900 - «Информационные системы в экономике» и была открыта в 1992 году. Данная специальность является достаточно престижной, поэтому спрос на услуги кафедры со стороны абитуриентов всегда очень высок.
Кафедра ИСЭ обладает всеми ресурсами для обеспечения качественного образовательного процесса, поэтому ее выпускники хорошо востребованы на рынке труда.
Кафедра ИСЭ была создана в январе 1985 года И.М. Владовским и первоначально называлась кафедрой «Автоматизированные системы управления» (АСУ), которая обучала дисциплине с одноимённым названием студентов всех специальностей на старших курсах. В 1992 году кафедра АСУ была переименована в ИСЭ и была открыта одноимённая специальность. В 2000 году специальность ИСЭ была переименована на ПИЭ. С 1989 года заведующим кафедрой становится Д. Г. Конев. Затем с 1996 года А. Г. Блем. С 2002 года возглавляет Пятковский Олег Иванович, доктор технических наук, профессор, директор Центра информационных систем и технологий (ЦИСиТ), заведующий отделом маркетинговых исследований АлтГТУ, член-корреспондент САН ВШ.
Кафедра ИСЭ ведет педагогическую, методическую и научную деятельность по специальным дисциплинам, а также координирует работу кафедр, участвующих в реализации образовательных программ по дисциплинам учебного плана, составленного на основании государственного образовательного стандарта профессионального высшего образования.
Разработку рабочих учебных планов, программ, учебно-методического обеспечения и их реализацию выполняет профессорско-преподавательский и учебно-вспомогательный персонал кафедра ИСЭ.
Преподавание специальных дисциплин на кафедре ведут профессора и доценты, а также высококвалифицированные специалисты предприятий автоматизированных производств г. Барнаула.
Работа профессорско-преподавательского персонала кафедры регламентируется собственной и организационно-распорядительной документацией АлтГТУ.
Обладая отличным кадровым потенциалом, кафедра ИСЭ уделяет большое внимание научной и инновационной деятельности, развивая перспективные направления науки в области информатизации. Специалисты кафедры профессионально занимаются вопросами разработки информационных систем. Многие практические работы сотрудников кафедры реализовываются совместно с различными организациями города и края.
При кафедре ИСЭ работает центр информационных систем и технологий (ЦИСиТ), который ведет научно – исследовательскую деятельность и оказывает услуги сторонним организациям на хоздоговорной основе.
Кадровый состав выпускающей кафедры ИСЭ представлен в нижеследующей таблице 2.1.
Применение современных информационных технологий в управлении деятельностью кафедры является актуальной задачей в настоящее время. Это связано с внедрением системы менеджмента качества в АлтГТУ и возросшим объемом обрабатываемой информации, а также увеличившимися требованиями к составлению отчетности. Такой шаг позволит улучшить качество предоставляемых кафедрой образовательных услуг и соответственно сделать ее более конкурентоспособной на рынке.
Таблица 2.1 – Список профессорско-преподавательского состава кафедры «Информационные системы в экономике»
| № п/п | ФИО | Вид работы | Ученая степень | Ученое звание | Должность | Нагрузка |
| 1 | Авдеев А.С. | штатный | * | * | ассистент | 0,32 |
| 2 | Балицкий С.В. | штатный | * | * | ст. преподаватель | 1,48 |
| 3 | Блем А.Г. | штатный | к.э.н. | доцент | профессор | 1,97 |
| 4 | Васильев С.С. | штатный | к.э.н. | доцент | профессор | 0,85 |
| 5 | Верещагина Л.В. | штатный | к.т.н. | * | доцент | 0,27 |
| 6 | Владовский И.М. | штатный | д.т.н. | профессор | профессор | 0,05 |
| 7 | Дейнес А.В. | штатный | к.т.н. | доцент | доцент | 0,98 |
| 8 | Демчик Д.С. | штатный | * | * | ассистент | 0,44 |
| 9 | Дорохова В.Р. | штатный | к.т.н. | доцент | доцент | 1,71 |
| 10 | Дробязко О.Н. | совместитель | к.т.н. | * | доцент | 0,51 |
| 11 | Забродина Д.А. | штатный | * | * | преподаватель | 1,47 |
| 12 | Зрюмов Е.А. | штатный | к.т.н. | * | преподаватель | 0,23 |
| 13 | Иванов Н.А. | совместитель | к.э.н. | * | доцент | 0,12 |
| 14 | Ивкин Ю.Н. | штатный | * | * | преподаватель | 1,13 |
| 15 | Локтев С.А. | совместитель | д.т.н. | * | профессор | 0,3 |
| 16 | Макрушина Е.А. | штатный | * | * | ассистент | 0,62 |
| 17 | Никитин В.М. | штатный | к.т.н. | доцент | доцент | 0,37 |
| 18 | Новиков В.В. | штатный | к.т.н. | доцент | доцент | 0,32 |
| 19 | Оскорбин Н.М. | совместитель | д.т.н. | профессор | профессор | 0,14 |
| 20 | Патудин В.М. | штатный | к.ф.-м.н. | доцент | доцент | 1,34 |
| 21 | Пятковский И.О. | штатный | * | * | ст. преподаватель | 0,63 |
| 22 | Пятковский О.И. | штатный | д.т.н. | профессор | профессор | 1,79 |
| 23 | Ряшина Г.Д. | штатный | к.т.н. | доцент | доцент | 1,24 |
| 24 | Сапожников Г.В. | штатный | * | * | доцент | 1,29 |
| 25 | Смолин Д.В. | совместитель | к.т.н. | доцент | доцент | 0,52 |
| 26 | Стерлягов С.П. | совместитель | к.т.н. | доцент | доцент | 0,31 |
| 27 | Тишков О.И. | штатный | * | * | ассистент | 0,29 |
| 28 | Томашев М.В. | штатный | * | * | ст. преподаватель | 0,92 |
| 29 | Краснова М.В. | штатный | к.т.н. | * | доцент | 1,53 |
| 30 | Фетисова С.Ю. | штатный | * | * | ст. преподаватель | 1,52 |
| 31 | Хомякова О.В. | совместитель | к.э.н. | доцент | доцент | 0,37 |
| 32 | Цхай А.А. | совместитель | д.т.н. | профессор | профессор | 0,17 |
| 33 | Яроцкий А.П. | штатный | к.п.н. | доцент | доцент | 1,27 |
| ИТОГО: | 26,73 | |||||
2.2 Описание ИАС «Кафедра»