авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 11 |

«ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ (МЭСИ) IV Российская ...»

-- [ Страница 5 ] --

n kameneva@yandex.ru Под инновационной деятельностью понимается вид деятельности, связанный с трансфор мацией идей (обычно результатов научных исследований и разработок или других научных дос тижений) в технологически новые или усовершенствованные продукты или услуги, внедренные на рынке, в новые или усовершенствованные технологические процессы или способы производства (передачи) услуг, использованные в практической деятельности [2:341]. На основе официальных данных можно провести сравнение состояния инновационной деятельности России и ведущих стран Европы и США по отдельным показателям. Внутренние затраты России на исследования и разработки в 2006 году составили 1,07% по отношению к валовому внутреннему продукту. Для Германии этот показатель составил 2,46%, для Швеции – 3,84, для Финляндии - 3,48. Из выделен ных средств доля внутренних затрат на исследования и разработки в секторе высшего образования для России составила всего лишь 5,8%, Этот же показатель для Италии составил 32,8%, для Вели кобритании - 25,6%. Эти цифры показывают, что потенциал Российских вузов в исследователь ской деятельности, в том числе в интересах инновации, используется в 3 -4 раз хуже, чем в разви тых Европейских странах. Удельный вес организаций, осуществляющих технологические иннова ции, в общем числе обследованных организаций в России составляет 10%, для Германии – 60%.

Италии – свыше 36%. В Европе практически все страны превышают этот показатель России в 4- раз. В промышленности России доля продукции, новая для организации, но не новая для рынка, составляет 1,9%. Доля промышленной продукции России, новая для мирового рынка, составляет 0,5% [1]. Для Германии эти показатели соответственно равны 40,3% и 7,15. Для Италии они равны 30,1% и 18,7%, для Финляндии они равны 31,1% и 27,2%. Следует отметить, что удельный вес ма лых предприятий, осуществляющих технологические инновации в России в 2005 году, составлял 1,6%. К основным факторам, препятствующим технологическим инновациям в России, в пер вую очередь относятся недостаток собственных финансовых средств и финансовой поддержки со стороны государства, высокая стоимость нововведений, высокий экономический риск.

Научное исследование как первоначальный этап инновационного процесса представляет собой проведение работ в целях получения новых знаний. В нем можно выделить стадии сбора информации по соответствующей проблеме с помощью мировых информационных ресурсов, сис тематизации отобранной информации и творческий процесс по созданию нового знания. Для сбо ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ ра информации необходимо формирование специального информационного фонда, содержащего наиболее интересные, перспективные и существенно различающиеся технические и научные ре шения в рассматриваемой области: современные широко применяемые и прошедшие эксперимен тальную и опытную поверку технические решения, отечественные и зарубежные патентные реше ния последних и прошлых лет, технические решения на уровне лучших мировых образцов [7:341].

Под знанием обычно понимается проверенный на практике результат познания действи тельности, нашедший объективное отражение в сознании человека. Процесс получения новых знаний в настоящее время невозможен без использования мировых информационных ресурсов, представленных в традиционном печатном и электронном виде. Основными источникам форми рования знаний являются профессиональные базы данных, периодические издания, мировая и отечественная патентная информация. Для успешного осуществления инноваций и обеспечения их новизны необходимым, но не достаточным условием является знание того, что достигнуто миро вым сообществом в конкретной специализированной области. Неоценимую услугу в этом должны сыграть также и Интернет-ресурсы. В настоящее время число публикованных в Интернет доку ментов превышает 5 миллиардов. Подавляющая часть информации в электронных источниках не менее 84 % - представлена в текстовом виде [10]. Практически невозможно найти необходи мую информацию в таких огромных массивах без использования специальных справочно поисковых средств. Число поисковых систем в Интернете превысило 2000 [10:218]. В результате обращения к поисковой системе посредством формирования запроса создается Web-документ, представляющий список гиперссылок, сгенерированных поисковой системой и соответствующих данному запросу. Для осуществления поиска в Интернет из текстовых документов убирают стоп слова, а остальные объявляют ключевыми. По ключевым словам строится индексный файл, ука зывающий наличие искомых слов в соответствующем текстовом документе. Пользователь форми рует запрос из ключевых слов к поисковой системе. Поиск информации по ключевым словам в ре зультате автоматической обработки текста в значительной степени неэффективен, т. к. приводит к большему количеству ссылок на далеко не всегда соответствующие содержаниям запросов доку менты. Т.о., данные запросы не выявляют смысл произвольных текстов. Полнота поиска - т.е.

степень нахождения соответствующих запросу данных к общему количеству существующих в по исковом массиве документов – также выражается в единицах процентов. В основе данного явле ния лежит ряд причин, в том числе технического (создание специальных алгоритмов поиска) и лингвистического (область компьютерной лингвистики) характера.

Проблемами использования естественного языка в системах автоматической обработки ин формации занимается наука компьютерная лингвистика. Достижения в области компьютерной лингвистики непосредственно влияют на способы манипуляции с данными, полноту и достовер ность полученных сведений, эффективность информационного обеспечения инновационных про цессов.

Знания человека хранятся на естественном языке, являющимся инструментом мышления и средством общения. Язык служит для восприятия, накопления, хранения, обработки и передачи информации. Мыслительные процессы, происходящие в сознании и подсознании человека, зна чительно богаче их внешнего языкового выражения. Смысловыми единицами языка и речи могут выступать элементы различного уровня: морфемы, слова, словосочетания, фразы, сверхфразовые единства. Средства компьютерной лингвистики подразделяют на декларативные - словари единиц языка и речи, тексты, грамматические таблицы, и процедурные – средства манипулирования дек ларативными средствами. Концептуальный анализ текстов проводится после их морфологическо го и семантико-синтаксического анализа и заключается в выявлении их понятийной структуры границ наименований понятий и отношений между ними, а также и осуществляет перевод форма лизованных структур текстов в вербальную (словесную) форму [4]. Проведение концептуального анализа и синтеза тексов на основе выбора смысловых единиц разного уровня вследствие того предположения, что слова являются центральными единицами языка и обозначают основные по нятия, а смысл словосочетаний и фраз понимается через смысл отдельных слов, не приводит к вы явлению смысла текстов. Словосочетания подразделяются на «лексически свободные» и «несво бодные» или состоящие из «лексически закрытых» компонентов, к которым относят устойчивые 94 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ единицы речи – идиомы, пословицы, поговорки, фразеологические обороты и пр. Под устойчивы ми и фразеологическими сочетаниями понимаются любые повторяющиеся отрезки связных слов длиной от двух до десяти-пятнадцати слов [4]. Данные структурно-семантические модели необхо димо учитывать при анализе текстов, так как они являются ключом к пониманию смысла. Осно воположник теоретического языкознания Ф.де Соссюр в «Курсе общей лингвистики» отмечал, что: «конкретную единицу следует искать не в слове... И наоборот, есть единицы высшего уровня, большие, чем слово, как например, композиты, устойчивые словосочетания, аналитические формы спряжения т.д. При выделении и этих единиц наталкиваешься на такие же трудности, как и при выделении собственной слов... Язык есть система, все части которой могут и должны рассматри ваться в их взаимной связи» [8]. Выдающиеся лингвисты прошлого и настоящего – Ф. де Соссюр, В. фон Гумбольдт, В.А. Звегинцев, Г.Г. Белоногов пришли к выводу, что речь человека является только внешним проявлением процессов, происходящих в его сознании и подсознании, и смысл словосочетаний и предложений не сводим к смыслу слов в них. Любая информация, выра женная в письменной или устной форме, может хранить «подтекст» - подразумеваемую информа цию, хранящуюся в памяти человека. Семантические проблемы компьютерной обработки текстов - это проблемы, связанные со смысловыми аспектами сознания, синтезом и анализом текстов и ре чи, и проблемы использования автоматизированных систем накопления, поиска, обработки и пе редачи текстовой информации, представленной на естественных языках. Для текстов на естест венных языках характерно многообразие способов представления одного и того же смысла: мно гообразие форм слов, лексическая полисемия, синонимия, гипонимия, омонимия и эллипсность.

Игнорирование факта существования устойчивых несвободных сочетаний в текстах как о с новных единиц языка и речи нанесло большой вред исследованиям и разработкам по машин ному переводу и другим работам, связанным с автоматической обработкой текстовой информа ции. В 1966 г в докладе Консультативного комитета по автоматической обработке текстовой информации ALPAC при Национальной академии наук США было рассмотрено состояние ма шинного перевода текстов и сделан вывод, что эти работы не имеют перспективы. В 1982 г. ру ководитель японской государственной программы по машинному переводу профессора Макото Нагао из университета Киото также заявил: «Всякая разработка систем машинного пере вода рано или поздно зайдет в тупик»[4:106]. Т.о., произвольные естественные тексты не поддаются процессу формализации. При разработке современных поисковых систем не были учтены основные положения лингвистики, следствием чего является крайне низкая полнота выда чи информации, недопустимая при решении экономических и, особенно, аналитических задач в интересах инноваций.

Литература:

1. Индикаторы инновационной деятельности: 2007. Статистический сборник.- М.: ГУ – ВШЭ, 2007. – 400 с.

2. Россия в цифрах 2008: Краткий статистический сборник / Федеральная служба государ ственной статистики (Росстат);

официальное изд. - М.: Росстат, 2008. - 510 с.

3. Алексеев П.В., Панин А.В. Теория познания и диалектика: Учеб пособие для вузов. – М.:

Высшая. школа, 1991. – 383 с.

4. Белоногов Г. Г. Теретические проблемы информатики. Том 2. Семантические проблемы информатики \ Под общей редакцией К.И. Курбакова. – М.: КОС.ИНФ, 2008. – 215 с.

5. Веснин В.Р. Менеджмент: учеб. - 3-е изд., перераб. и доп. – М.: ТК Велби, Изд-во Про спект, 2007. - 504 с.

6. Инновационный менеджмент: Учебник для вузов / С.Д. Ильенкова, Л.М. Гохберг. С.Ю.

Ягудин и др.;

под ред. С.Д. Ильенковой. – М.: Юнити, 2001. - 327 с.

7. Половинкин А.И. Основы инженерного творчества: Учебное пособие. 3-е изд., - СПб.:

Издательство «Лань», 2007. – 368 с.

8. Соссюр Фердинанд. Курс общей лингвистики/ Труды по языкознанию. – М.: Прогресс.

1977г, 257 с.

9. Спиркин А.Г. Философия: Учебник для технических вузов. – М.: Гардарики, 2006. – с.

ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ 10. Хорошилов А.В., Селетков С.Н., Днепровская Н.В. Управление информационными ре сурсами.– М.: Финансы и статистика, 2006. – 272 с.

ПОДГОТОВКА ИТ-СПЕЦИАЛИСТОВ В ОБЛАСТИ СОЗДАНИЯ ИНФОРМАЦИОННО АНАЛИТИЧЕСКИХ СИСТЕМ – ТРЕБОВАНИЕ ВРЕМЕНИ В.А. Келейникова, кандидат технических наук, доцент кафедры Информационных технологий Тверского филиала МЭСИ,vkeleinikova@tver.mesi.ru Е.В. Романова,доцент кафедры Прикладной информатики в экономике МЭСИ, eromano va@teach.mesi.ru Весь мир ощущает глобальный спад в экономике и новости об этом публикуются каждый день во всех СМИ. Большинство руководителей осознает, что требуются определенные усилия для выживания в текущих экономических условиях.

Одним из выходов в сложившейся ситуации может быть использование BI (business intelli gence). Однако, дело не только в применении информационных технологий. Одним из факторов, которым иногда пренебрегают даже успешные компании,является важнейшая роль процессов и решений, обеспечивающих успешную работу в организации даже в условиях спада экономики.

Интегрированные средства BI и управления эффективностью могут иметь положительное влияние на операционную эффективность, сокращение расходов и повышение производительности труда сотрудников компаний.

BI -решения тесно связаны с данными, и их использование часто приводит к извлечению ценной, ранее незамеченной информации, которая позволит повысить продажи, оптимизировать операции или наладить взаимоотношения с клиентами. BI -продукты применяются как для страте гических, так и для тактических проектов, поддерживающих бизнес Кроме инструментов и приложений, организациям потребуются BI-специалисты. IT специалисты и бизнес-аналитики всегда шли к одним организационным целям, и в нынешней си туации им особенно важно сотрудничать. BI-технологии в руках опытных практиков, ИТ специалистов, принесут хорошие плоды и помогут решить серьезные проблемы в бизнесе Спад в экономике сказывается на общем объеме инвестиций в IT-средства, однако специа листы компании IDC не прогнозируют значительного снижения в области BI. Наступает новый рыночный цикл, который IDC называет «проникающей BI-технологией» (pervasive business intelli gence).

Критически важные инфраструктуры, поддерживающие BI-решения, займут в ближайшее время более прочные позиции. Ряд корпоративных клиентов начнет внедрение BI на кластеризо ванных серверах (clustered servers), многие проведут параллелизацию ETL-процессов и загрузку Хранилища Данных (ХД) в режиме, близком к реальному времени BI становится "брилллиантом, венчающим SOA-корону". Недавняя консолидация отрасли, говорит о том, что поставщики осознают, что SOA-пакеты нельзя считать полнофункциональны ми, если среди их компонентов нет достаточного набора BI-функций.

На фоне происходящего развития можно наблюдать растущую ориентацию бизнеса на BI продукты, которые требуют в качестве одного из ключевых компонентов DW-платформы (Dynam ic Warehousing- платформы), создание «активного» ХД, обеспечивающего как анализ историче ских данных, так и работу в реальном времени.

В отличие от обычных Хранилищ и BI-приложений, динамические ХД (DW) предоставля ют интегрированную информацию немедленно и за счет гибкой архитектуры могут обслуживать одновременно несколько приложений и бизнес-направлений как для стратегического планирова ния, так и для операционных целей. Динамическое Хранилище — это не продукт, инструмент или простое решение. Это подход, позволяющий добиться более динамичного ведения бизнеса за счет интеграции, трансформации, сбора и анализа сведений из структурированной и неструктуриро ванной информации. Сегодня некоторые компании пытаются воплотить на практике идею дина мического Хранилища, в частности компании IBM (IBM Data Warehouse 9) и Kalido (Dynamic In 96 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ formation Warehouse (DIW)). Последний продукт позволяет хранить несколько версий модели данных и дифференцировать их по датам. Таким образом у пользователей появляется возмож ность сравнивать «что есть» и «что было», даже если компания за рассматриваемый период про ходит реорганизацию.

Традиционные ХД поддерживаются за счет периодического выполнения пакетных работ, когда из операционных данных извлекаются некоторые большие выборки долговременных дан ных, проводится их очистка, преобразование и загрузка в ХД. Эффективное «активное» Храни лище, требует постоянного обнаружения и доставки в него данных в реальном времени из ключе вых транзакционных систем.

Для интеграции в реальном времени существующий пакетный метод необходимо заменить на процессы, которые непрерывно отслеживают состояние исходных систем, фиксируют и преоб разуют изменения в данных по мере их возникновения, а затем загружают эти изменения в ХД.

Именно в области обработки данных в реальном времени заложен большой потенциал для развития технологии ХД. Компании-клиенты обретут средства, позволяющие не только анализи ровать произошедшие в прошлом события, но и текущую ситуацию, а также строить прогнозы на будущее.

Важным вопросом при построении информационно-аналитической системы (ИАС) и ее основы ХД является построение архитектуры системы и выбор методологии ее построения BI-архитектура определяется бизнес-требованиями, и для ее успешного использования не обходимо руководствоваться долгосрочными целями, а также учитывать, какие изменения могут понадобиться в перспективе.

На сегодняшний день предложено множество архитектур ХД, укажем пять наиболее рас пространенных:

Независимые витрины (independent data marts) Подразделение компании разрабатывает свою собственную витрину данных,не обеспечи вающую единого представления о ситуации в компании. В витринах данных используются разные измерения и показатели, следовательно анализ данных между витринами затруднен.

Шина взаимосвязанных витрин данных(data-mart bus architecture with linked dimensional data marts) Предложена Ральфом Кимбэлом (Ralph Kimball).

Создание такой архитектуры начинается с анализа требований для конкретных бизнес процессов. Первая витрина (data mart –DM) строится для одного бизнес-процесса с использовани ем измерений и показателей, которые в дальнейшем будут применяться в других компонен тах.Последующие DM разрабатываются с использованием этих измерений, что в результате при водит к созданию логически интегрированных витрин.

Архитектура «Звезда» » (hub-and-spoke) Продвигается известным экспертом в области ХД Билом Инмоном (Bill Inmon). Представ ляет собой централизованное Хранилище с зависимыми витринами данных.

Эта архитектура разрабатывается на основе корпоративного анализа требований к данным.

Используя корпоративное представление данных, выполняется итеративная разработка архитекту ры, при этом вовлекается одна предметная область за другой. Детальные данные хранятся в нор мализованной форме в Хранилище. Зависимые витрины получают данные из ХД.

Централизованное Хранилище(centralized data warehouse) (Без зависимых витрин) Эта архитектура похожа на архитектуру «звезда», исключая отсутствие зависимых витрин.

Запросы и приложения выполняются как на реляционных данных, так и на многомерных пред ставлениях.

Федеративная архитектура(federated architecture).

Эта архитектура использует уже существующие структуры поддержки принятия решений (операционные системы, витрины данных и ХД). Данные извлекаются из перечисленных систем на основе бизнес-требований. Данные логически или физически интегрируются с помощью мета данных, распределенных запросов и других методов. Эта архитектура является практическим ре ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ шением для компаний, которые уже пользуются аналитическими средствами и не хотят от них от казываться.

Проектирование Хранилищ Данных - один из сложных разделов программной инженерии.

На него распространяются все современные методологии проектирования ПО.

Среди стандартных задач создания ИАС имеется и ряд специфических:

Определение целей использования ХД;

Определение схем отображения запросов на структуру БД;

Определение библиотеки запросов;

Определение объединяющих метаданных;

Разработка стратегии обновления данных;

Разработка принципа масштабируемости Разработка принципов управления ХД Определение критериев отбора подходящего продукта (ХД);

Подготовка спецификаций переноса данных;

Разработка системы мониторинга выполнения запросов Рынок BI -продуктов состоит из трех сегментов, которые включают в себя инструменты, используемые для автоматизации каждого шага разработки ХД:

Инструменты генерирования Хранилища - применяются при разработке, очистке, преобразовании, загрузке и администрировании.

Инструменты управления Хранилища - СУБД, применяющиеся для управления дан ными внутри ХД.

Инструменты доступа к Хранилищу — применяются с целью стимулирования дос тупа конечных пользователей к анализу содержащейся в Хранилище информации.

Среди традиционных лидеров DBMS-поставщиков на данном рынке (IBM, Oracle, Teradata) теперь присутствует и MS SQL Server 2005. Продукт MS SQL Server 2008, обеспечит ряд новых возможностей, отвечающих требованиям к современной СУБД для ХД.

Все вышесказанное говорит о необходимости и перспективности подготовки ИТ специалистов в области BI-технологий, проектировании ИАС,ХД.

Действующие программы работы с ВУЗами soft-верных компаний дают возможность под готовки квалифицированных ИТ-специалистов, владеющих отдельными аналитическими техно логиями. Примером могут служить договора о сотрудничестве, с целью применения в учебном процессе современных аналитических систем, между компанией Intersoft Lab и Московским госу дарственным университетом экономики, статистики и информатики (МЭСИ), между компанией BaseGroup и Тверским филиалом МЭСИ.

Подобные договора дают возможность использования практического опыта названных компаний в создании Хранилищ данных, эксплуатации, с целью обучения, программных про дуктов компаний OLAP-системы "Контур Стандарт", разработанной Intersoft Lab и Deductor Aca demic, разработанным BaseGroup.

Очень полезны в обучении студентов в проектировании ИАС, ХД статьи, публикующиеся на сайтах olap.ru, interface.ru, iso.ru, infology.ru, basegroup.ru и других.

Однако, с учетом стремительного развития BI-технологий, научный уровень ИТ специалиста должен быть конкурентноспособным на рынке труда, а для этого студентам, обу чающимся по направлению «Прикладная информатика в экономике» необходимо участвовать в создании BI-проектов на реальных предприятиях, в рамках реальных договоров на разработку ИАС.

Источники информации :

1. http://www.olap.ru/home.asp?artId= 2. http://www.olap.ru/home.asp?artId= 3. http://www.iso.ru/journal/articles/471.html 4. http://www.interface.ru/home.asp?artId= 5. http://www.iso.ru/journal/articles/487.html 98 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ BI Архитектура: Каков лучший выбор для организации? (BI Architecture: What is the 6.

Best Choice for My Organization?), Брайан Шварбрик (Brian Swarbrick), январь 2008, http://www.dmreview.com/specialreports/2007_54/10000521-1.html;

Какая архитектура Хранилища наиболее успешна? (Which Data Warehouse Architec 7.

ture Is Most Successful?) Тилини Ариячандра (Thilini Ariyachandra), Хуг Уотсон (Hugh J. Watson), 2006, http://www.tdwi.org/Publications/BIJournal/display.aspx?ID=7890.

8. http://www.iso.ru/journal/articles/539.html 9. http://www.iso.ru/journal/articles/497.html 10. http://www.iso.ru/journal/articles/488.html 11. http://www.infology.ru/2008/04/15/17/ 12. http://www.infology.ru/2008/04/14/16/ 13. http://mediaproducts.gartner.com/reprints/microsoft/article19/article19.html 14. http://www.iso.ru/journal/articles/521.html Келейникова В.А.,Романова Е.В. «Вопросы подготовки ИТ-специалистов в области 15.

проектирования информационно-аналитических систем», сб.научных трудов III Российской науч но-методической конференции «Совершенствование подготовки ИТ-специалистов по направле нию «Прикладная информатика» на основе инновационных технологий и E-learning» де кабрь,2007г.

Келейникова В.А.,Романова Е.В. «Проектирование Хранилища данных с примене 16.

нием Case-технологий» сб.научных трудов VII Всероссийской научно-практической конференции «Инновационное развитие и социально-экономические процессы региона» октябрь,2008 г.

УПРАВЛЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫМИ И ИНФОРМАЦИОННЫМИ РЕСУРСАМИ КОРПОРАЦИИ Киселев Андрей Дмитриевич - преподаватель Факультета информатики РЭА им. Г.В. Плехано ва,Руководитель направления ITIL/ITSM компании Академия АйТи. (495) 237-94-38, AKiselev@it.ru Абдикеев Нияз Мустякимович д.т.н., профессор декан Факультета информатикиРЭА им. Г.В.

Плеханова,(495) 958- 23-95, nabd@rea.ru По оценкам компании Arthur Andersen объем знаний, которыми в настоящее время облада ет человечество, удваивается каждые пять лет. В 2020 г. знания человечества будут удваиваться каждые 72 дня. Таким образом, нас ожидает экспоненциальный рост объемов информации, и наши дети и внуки будут жить в достаточно сложном, с информационной точки зрения, обществе, и технологии работы со знаниями в обозримом будущем будут развиваться очень быстрыми темпа ми. Еще одна интересная формула, предложенная той же компанией, состоит в следующем:

Знания = (Люди + Информация) Распространение т. е., знания - это есть люди плюс информация, возведенные в степень средств распростра нения этой информации.

Именно поэтому сегодня для управления знаниями и информационными ресурсами корпо рации необходимы технологии, в которых есть средства совместной работы людей, плюс средства хранения самой разнообразной информации и средства распространения информации за счет коммуникационных и репликационных возможностей этих технологий.

Существуют три фактора, повышающие роль технологий Управления Знаниями:

• Растущая Ценность Высокоэффективных Людей - разница в опыте, образовании, анали тических способностях и способностях к изменениям между экспертами и новичками в последнее время резко увеличилась. Результатом этого является повсеместный недостаток в экспертах. Все это увеличивает потребность в средствах, сокращающих этот разрыв, а это и есть технологии Управления Знаниями.

• Сложность работ, выполняемых людьми - в работе большого количества людей наблюда ется глобальная тенденция от простого исполнения директив руководства, документированных процедур - к гибким, сложным проектам, требующим генерации идей, синтеза решений и планов ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ действий на основе анализа информации. Это требует, как правило, совместной работы в группах, обсуждения возможных путей решения проблем, передачи опыта в процессе работы.

• Универсальная доступность знаний, возможность и желание их получить связаны с раз витием технологий, особенно Internet, что стимулировало работу человеческого интеллекта и уни версальную доступность информации в цифровой форме. При этом остро стоят две проблемы:

o большие объемы доступной информации и отделение ценной информации от слабо по лезной;

o очень ценная информация, находящаяся в головах сотрудников, по-прежнему слабо формализована и плохо фиксируется в информационных системах.

Поэтому так остро нужна культура и технологии, конвертирующие знания в цифровую форму.

В результате, Gartner Group был сделан следующий прогноз: «организации, которые не соз дадут своих проектов и инфраструктуры Управления Знаниями, будут на 30-40% отставать от конкурентов в скорости выпуска новых продуктов, услуг и конкурентных инициатив (вероятность 0,8)»

Технология Управления Знаниями включает в себя приобретение, оформление, предостав ление распределенного доступа, использование и обслуживание знаний. Используя более простую терминологию это процессы «преобразования информации и событий в знания и действия». Люди постоянно выполняют две фундаментальные функции. Они думают и действуют, иногда действу ют быстрее, чем думают, но обычно они переходят от одной формы активности к другой. Органи зации создаются людьми и, следовательно, также обладают этими двумя формами активности:

создают новые знания и действуют с их применением.

Существуют три предметные области, интеграция работ в которых и составляет суть Управления Знаниями:

• Схема генерации ценных знаний (KM Value Framework) • Схема культурологических аспектов (KM Cultural Framework) • Схема Процессов Управления Знаниями (KM Process Framework) Схема генерации ценных знаний.

Область генерации ценных знаний определяется как непрерывный, постоянно повторяю щийся процесс, состоящий из четырех этапов:

• Внешние движущие силы. Организации действуют в условиях растущей конкуренции, носящей хаотический, сложный и глобальный характер, требующей сокращения времени реакции в условиях ограниченных ресурсов. Потребности в новых навыках и экспертизе постоянно растут.

• Выбор стратегии Управления Знаниями. Стратегия должна соответствовать специфике конкретной организации и области ее деятельности и бизнеса. Типы стратегий находятся в диапа зоне от стратегий, сфокусированных на активном использовании и генерации знаний, до страте гий, которые только используют знания в бизнесе.

• Приложения для Управления Знаниями. Создание общекорпоративных по масштабам использования приложений должно быть высокоприоритетной задачей для организаций, сфокуси рованных на генерации знаний. Конкретные приложения должны быть в контексте общего виде ния целей, но фокусироваться на решениях, которые повышают компетентность выполнения опе раций или управление другими материальными и людскими ресурсами.

• Получение реальных бизнес-результатов. Необходимо использовать измеримые крите рии результатов проектов Управления Знаниями по отношению к поставленным целям. Здесь мо гут использоваться как традиционные метрики бизнеса, так и оценки изменений в культуре совме стной работы, инноваций и пр.

Схема культурологических аспектов Управление Знаниями как дисциплина связана с вопросами корпоративной культуры. Вы страивается как бы пирамида культурных процессов, динамика Корпоративного Управления Зна ниями внутри организации, выстроенная в следующем порядке по мере их усложнения: это рас пределение (распространение) информации, совместная (коллективная) работа и инновации.

100 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ Именно эти процессы являются источниками ценности Управления Знаниями с точки зрения ре зультатов для бизнеса.

При этом распространение знаний - это самая простая форма активности. Она подразуме вает не только распространение, но и возможность доступа, использования и применения коллек тивных знаний в своей работе.

Совместная работа - это второй уровень активности. В дополнение к распространению знаний это означает возможность совместного участия в работе, процессах, разработке продуктов и пр.

Инновации - это высшая форма деятельности по своей сложности и ценности. Инновации происходят тогда, когда отдельные сотрудники и группы сотрудников используют знания и рабо тают совместно для генерации идей, улучшающих процессы, продукты и услуги.

По оценке Gartner Group от 50% до 70% всех усилий по Управлению Знаниями сосредото чены именно в этой области.

Схема процессов Управления Знаниями Схема процессов Управления Знаниями помогает оценить функциональность разных тех нологий. При этом рассматривается три измерения: типы процессов, степень функциональности и широта возможностей по работе с типами информации [Абдикеев Н.М., Киселев А.Д. Управле ние знаниями в корпорации и реинжиниринг бизнеса. - М.: Компания АйТи, 2009. - 320 с. (В печа ти)].

Пятью фундаментальными типами процессов Управления Знаниями являются следующие:

• Создание: результатом является новое знание • Поиск: поиск и представление неявных знаний в явной форме, что делает возможным сбор индивидуальных знаний для коллективного использования в организации • Систематизация (организация): классификация и категоризация знаний с целью их по следующего целенаправленного извлечения;

поддержание целостности данных за счет реализации соответствующих процессов • Доступ: действия, с помощью которых знания посылаются или запрашиваются конкрет ным пользователем • Использование: применение знаний в работе, принятии решений и реализации возможно стей. Использование является рекурсивным процессом в том плане, что в результате генерируется обратная связь, влияющая на процессы остальных типов, и эта обратная связь используется в про цессе Управления Знаниями во всех остальных формах деятельности.

Конечной целью проектов Управления Знаниями является организация, эффективно управ ляющая знаниями. Это достигается на основе эволюционного реинжиниринга путем интеграции всех трех составляющих, трех схем - Схемы генерации ценных знаний, Схемы культурологиче ских аспектов и Схемы Процессов Управления Знаниями. Решения в этих трех областях не могут реализовываться последовательно и независимо. Они должны реализовываться одновременно, ин тегрировано и в увязке друг с другом.

К УТОЧНЕНИЮ ПРЕДМЕТНОЙ ОБЛАСТИ СЕТЕВОЙ ЭКОНОМИКИ Ковалев А.М., к.э.н., доцент, Московский авиационный институт, тел. +7 (499) 158-43-09, факс +7 (499) 158-67-83, e-mail k504@mai.ru В работах [1] и [2] сетевая экономика рассматривается как среда, в которой любая компа ния или индивид, находящиеся в любой точке экономической системы, могут контактировать лег ко и с минимальными затратами с любой другой компанией или индивидом по поводу совместной работы, для торговли, для обмена данными или идеями или просто для удовольствия. Указанные действия осуществляются на основе интернет-технологий, а также технологий информационных сетей иного вида Справедливо отмечается, что к сетевой экономике тесно примыкают (можно да же сказать, что практически вошли в ее предметную область) такие сферы экономики, как элек тронный бизнес, виртуальные предприятия, дистанционное образование (точнее – e-learning) и т.п.

ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ С этим положением можно было бы согласиться, если бы не возникла неопределенность в отношении бизнес-сетей, которые по определению должны входить в предметную область сетевой экономики. В работе [1] бизнес-сети рассматриваются в связи с изучением виртуальных предпри ятий;

при этом не ясно, включаются ли они в предметную область сетевой экономики. Ответ, ско рее, положительный, так как бизнес-сеть в данной работе определяется как виртуальное сетевое сообщество взаимосвязанных субъектов, организованных в едином виртуальном информационном пространстве.

С приведенным тезисом нельзя согласиться, поскольку основные мотивы, заставляющие организации объединяться в бизнес-сети, имеют экономический характер. Бизнес-сети следует рассматривать безотносительно к проблемам информатизации, а сетевые информационные техно логии в этом контексте являются средством обеспечения эффективного функционирования биз нес-сетей. По этой причине бизнес-сеть следует определять как сетевое сообщество взаимосвязан ных субъектов (компаний, групп, частных лиц), организованных в едином экономическом про странстве, вступающих в регулярное взаимодействие, разделяющих общие базовые принципы со общества и готовых к сотрудничеству для достижения взаимовыгодных целей.

Если рассматривать совокупность основных работ, посвященных организационно экономическим аспектам разработки и применения информационных сетевых технологий, а также формированию и функционированию бизнес-сетей (принципиальное значение для отечественной экономики имеет, например, работа [3]), то можно сделать вывод о существовании двух предмет ных областей, к которым применим термин «сетевая экономика». Это экономика информацион ных сетей и экономика бизнес-сетей.

Представители каждой из указанных предметных областей далеко не всегда понимают друг друга, что наносит определенный ущерб развитию экономической науки и практики, а также пре пятствует получению студентами системных знаний в данной области.

Из рассматриваемой ситуации возможны два выхода. Во-первых, можно оформить две са мостоятельные экономические дисциплины (два раздела экономической науки) с указанными вы ше названиями. Во-вторых, в составе экономики информатики можно предусмотреть два блока, названия которых соответствуют рассматриваемым предметным областям.

Второй подход является более предпочтительным, поскольку он предполагает системное изучение и исследование сетевой экономики, включающее организационно-экономический и ин формационно-технологические аспекты. В этом случае требуется уточнить определение сетевой экономики как части экономической системы. Так, необходимо подчеркнуть, что сетевая эконо мика является институциональной, экономической и информационно-технологической средой, ко торая обеспечивает взаимодействие, а при необходимости – и координацию деятельности компа ний и индивидов.

Определенная трудность обусловлена тем, что сетевая экономика, понимаемая как эконо мика информационных сетей, является своеобразным «правопреемником» другой дисциплины – экономики информатики. Это следует из содержания работы [1], а также из того факта, что при переходе к ГОС по специальности «Прикладная информатика» экономика информатики была за менена сетевой экономикой. По этой причине в рамках сетевой экономики в настоящее время рас сматриваются вопросы, которые напрямую не связаны с организационно-экономическими про блемами применения сетевых информационных технологий, например вопросы оценки экономи ческой эффективности автоматизированных информационных систем. В связи с этим соответст вующую предметную область (самостоятельную дисциплину или блок в составе сетевой экономи ки, понимаемой в широком смысле) целесообразно рассматривать не просто как экономику ин формационных сетей, а как экономику информатики и информационных сетей.

В процессе изучения и исследования предметной области «экономика информатики и ин формационных сетей» целесообразно выделять концепции, или научно-прикладные школы, ин формационной интеграции, которые пересекаются и взаимно дополняют друг друга. В настоящее время в качестве подобных концептуальных направлений можно рассматривать концепцию интег рированных корпоративных информационных систем, концепцию управления внешней средой и межсистемной интеграции, концепцию электронного бизнеса, концепцию CALS-технологий (она, 102 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ по сути дела, является специальной концепцией виртуальных организаций), а также общую кон цепцию виртуальных организаций.

В рамках каждой из названных концепций можно проследить проблематику внутрифир менной и внешней информационной интеграции. Разумеется, приведенный перечень концепту альных направлений является открытым.

Рассматривая предметную область «экономика бизнес-сетей», целесообразно придержи ваться фокусировок по различным проблемным направлениям (цепочки поставок, вертикальные производственные цепочки, розничные торговые сети и т.п.). Для обеспечения конкурентоспособ ности национальной экономики принципиальное значение имеет формирование, прежде всего в научно-промышленном комплексе отельных территорий, бизнес-сетей, известных под названием кластеров [3]. Научно-производственный кластер – это территориально локализованная группа взаимосвязанных технологическими, производственными и сбытовыми циклами промышленных предприятий, компаний, научно-исследовательских институтов, вузов и других организаций, ис пользующих общую инфраструктуру, взаимодополняющих друг друга и усиливающих конкурент ные преимущества как отдельных компаний, так и кластера в целом.

Целесообразно различать макрокластеры и микрокластеры. Макрокластеры представляют собой отрасли промышленности, определенные на высоком уровне агрегации (например, «хими ческий кластер») или совокупности секторов на еще более высоком уровне агрегации (например, «агропромышленный кластер»). В ряде случаев макрокластер может функционировать как верти кальная производственная цепочка.

Микрокластер представляет собой территориально ограниченные формы экономической активности внутри родственных секторов, обычно привязанные к тем или иным научным учреж дениям (НИИ, университетам, научно-производственным фирмам и т.д.) или головным фирмам с производственной направленностью деятельности.

Кластерная политика Правительства нашего государства, зафиксированная в Программе социально-экономического развития Российской Федерации на среднесрочную перспективу ( – 2008 годы), а, следовательно, политика региональных органов власти и взаимодействующих с ними в рамках частно-государственного партнерства бизнес-сообществ в настоящее время наце лена, в первую очередь, на формирование микрокластеров.

В частности, по результатам проведенных при участии автора исследований [4] могут быть названы следующие типы микрокластеров, формирование которых наиболее предпочтительно для научно-промышленного комплекса г. Москвы: зональный кластер, функционирующий в пределах промышленной зоны, сформированной на основе кластерных технологий;

кластер организаций, входящих в состав технопарка, бизнес-инкубатора и подобной им инновационной структуры;

кла стер организаций, пользующихся ресурсами центра коллективного пользования (ЦКП);

кластер организаций, образующих производственный (научно-производственный) комплекс, основанный на отношениях аренды помещений, оборудования, а также на договорных отношениях иного типа.

Объединив в одной дисциплине «сетевая экономика» две рассматриваемые предметные об ласти, можно ожидать наиболее интересные результаты в зоне их пересечения, то есть в сфере разработки институциональных, организационно-экономических, информационно технологических (в том числе на основе применения технологии информационных сетей) методов и средств для обеспечения эффективного функционирования бизнес-сетей, включая макро- и мик рокластеры.

Литература 1. Бугорский В.Н. Сетевая экономика: учеб. пособие / В.Н. Бугорский. – М.: Финансы и ста тистика, 2007. – 256 с.: ил.

2. Макаренкова Е.В. Основы электронного бизнеса: Учебное пособие / Московский госу дарственный университет экономики, статистики и информатики. – М.: МЭСИ, 2004. – 100 с.

3. Производственная кооперация крупного и малого бизнеса. Рекомендации по созданию промышленных кластеров. Материалы созданы при поддержке Центра международного частного предпринимательства (CIPE) при торговой палате США и ТПП РФ. М.: 2006.

ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ 4. Матвеева Л.К., Ковалев А.М., Косенкова С.Т. Основные процессы формирования и типы кластеров в научно-промышленном комплексе региона (на примере г. Москвы). Экономика и тех нология: научные труды. Вып. 23. М.: ГОУ ВПО «РЭА им. Г.В. Плеханова», 2008, стр. 54 – 63.

ОСОБЕННОСТИ ВЗАИМОДЕЙСТВИЯ ИНСТИТУТОВ НАУКИ И ВЫСШЕГО ПРОФЕС СИОНАЛЬНОГО ОБРАЗОВАНИЯ Козлова О.А. Московский государственный университет экономики, статистики и информатики Blesoks@yandex.ru Современная наука находится на постнеклассическом этапе развития и имеет характерные особенности. Во-первых, изменился характер научной деятельности в результате революции средств получения и хранения информации (компьютеризация, сращивание науки с промышлен ным производством и т.п.). Во-вторых, наряду с сохраняющейся дисциплинарной организацией знания, происходит активное формирование междисциплинарного знания, в котором науки объе диняются в процессе решения конкретной проблемы. В-третьих, повысилось значение экономиче ских и социально-политических факторов и целей, коммерциализации. В-четвертых, объектом по стнеклассической науки являются саморазвивающиеся сложные системы, природные комплексы, включающие человека (биосфера, ноосфера). Основная особенность таких объектов обозначается термином "человекоразмерность". Ключевые идеи постнеклассической науки - это нелинейность, самоорганизация, идея глобального эволюционизма, синхронистичности, системности.

Научная система – совокупность организаций, занимающихся наукой (институтов науки).

Научные организации в качестве основной деятельности проводят исследования и разработки (либо имеют в своем составе подразделения, основной деятельностью которых является выполне ние исследовательских работ).

В каждой стране есть ведущие научные организации. Например, в США Национальный Научный Совет (NSC), Национальный Научный Фонд (NSF), Национальное Управление Аэронав тики и Космонавтики (NASA), в Германии - институты фундаментальных исследований общества Макса Планка, в России – Российская Академия наук.

Россия вносит весомый вклад в развитие мирового сообщества. В нашей стране сформи рована сеть научных организаций как фундаментального, так и прикладного характера. Боль шинство научных организаций осуществляет междисциплинарные исследования и стремится примерять на практике полученные результаты. При этом число организаций занимающихся толь ко фундаментальной наукой очень мало, большинство занимается фундаментальной наукой, соче тая ее с другими стадиями научно-инновационного процесса (прикладные исследования, опытно конструкторские разработки, передача разработок, технологий в производство).

Во многих странах Европы наука делается в научных организациях государственного сек тора и в секторе высшего образования (Германия, Британия, США,Нидерланды, Швейцария, Франция). При этом в Британии и США научные исследования проводятся в основном в универ ситетах.

Российская наука, в настоящее время находится на этапе выхода из кризисного состояния.

В результате нехватки финансирования, возникли проблемы нехватки кадров, бездействия лабо раторий, устаревшего оборудования. Научным сообществом уже предложены ряд программ по выходу из кризиса, основные направления: организационные преобразования (на уровне "отдель ный ученый - научная группа - научный институт"), реформирование прикладных исследований, механизмов интеграции науки и образования.

В настоящее время в России большинство научных исследований ведется научными орга низациями государственного сектора (так сложилось исторически), и небольшим количеством высших учебных заведений. Однако все больше и больше вузов стремится вести научную дея тельность путем получения грандов на проведение научных исследований.

104 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ Вопрос, где делать российскую науку, поднимался многократно на различных конференци ях. В настоящее время большой упор делается на объединение науки и образования, так как это направление считается наиболее перспективным.

Существует три опробованных варианта интеграции науки и образования:

Классический университет - научные исследования проводятся в исследовательских институтах и лабораториях.

Университет, который ориентирован на работу в академии, и подготовку кадров для нее.

Исследования проводятся внутри института. Вуз сам по себе является крупным на учным центром.

Эти три системы доказали свою эффективность. Также существует идея о выделении группы ведущих университетов, которые были бы центрами развития и науки, и образования, и инновационных процессов в образовании.

Научную деятельность в вузе ведут преподаватели, аспиранты, студенты. В идеале все пре подаватели должны заниматься наукой, только таким образом можно поддерживать высокий уро вень профессионализма. Однако не все ученые, хотят преподавать, и не все преподаватели хотят заниматься наукой. Вузовская наука состоит из небольших коллективов вокруг отдельных уче ных, которые решают локальные задачи в короткий промежуток времени обучения (аспиранты и студенты старших курсов). Сегодня основное финансирование научных исследований осуществ ляется через получение и выполнение грантов.

Ведение исследовательской деятельности в вузе подразумевает решение сопутствующих вопросов: обработка, накопление результатов исследований, обеспечение доступа общественности к ним, тоесть необходима система хранения и управления знаниями.

В настоящее время для решения этих задач больше всего подходят системы коллективной работы (вики, блоги). В этом плане большой интерес представляет интегрированный набор сер верных приложений Share Point от компании Microsoft. Созданная среда позволяет нескольким исследовательским группам удаленно вести исследовательскую деятельность, постоянно обмени ваться результатами исследований. Проводить совместные обсуждения, анализ. Управление ин формацией через назначение прав доступа позволяет решить вопросы авторства и права на резуль тат исследования. В системе реализован быстрый и простой поиск людей, сведений, опубликован ных другими людьми.

Как видно, вузы могут и должны вести научную деятельность. Там, где нет науки, кафедры со временем перестают удовлетворять современным потребностям подготовки кадров. Вузовская наука нужна, потому что она повышает профессиональный уровень выпускников и поддерживает необходимый профессиональный уровень преподавателей. В том числе приближенность науки к молодежи позволяет привлекать больше молодых кадров.

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ТОРГОВЛИ НА СРОЧНОМ РЫНКЕ Косевич Константин Юрьевич, Московский государственный университет экономики, стати стики и информатики (МЭСИ), Аспирант кафедры ПЭИС, 8-926-594-53-77, kkosevich@gmail.com Рынок производных инструментов является важной составляющей финансового рынка. Его популярность обусловлена широкими возможностями управления капиталом при минимальных затратах. В развитых странах объем рынка производных инструментов превышает объем класси ческого рынка.


В данной статье рассматриваются фьючерсы – стандартизованные биржевые контракты, фиксирующие цену и срок поставки актива. «Купить» фьючерсный контракт - это значит взять на себя обязательство принять от биржи первичный актив, и когда наступит срок исполнения фью черсного контракта, заплатить по цене, установленной в момент покупки контракта. Т.е. в момент покупки фьючера на определенный актив, покупатель устанавливает цену в будущем, по которой он обязуется купить базовый актив. В качестве базового актива могут выступить акции, облига ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ ции, сырьевые товары и индексы. Каждый покупатель или продавец фьючерсного контракта мо жет в любой момент, до истечения срока данного фьючерсного контракта, ликвидировать свои обязательства по нему путем заключения сделки, противоположной ранее сделанной.

Сделки с фьючерсами имеют ряд преимуществ по сравнению со сделками с акциями. Пре жде всего это эффект плеча - т.н. маржинальная торговля. Заключая сделку с фьючерсным кон трактом, участники торгов обычно платят лишь часть цены – маржу (обычно порядка десяти про центов). Таким образом, даже при небольшом изменении цены удается получать большую отдачу на вложенный капитал. Стоит также отметить, что данный вид торговли является более рискован ным по сравнению с рынком акций - при резких скачках цен есть вероятность потерять все вло женные средства.

Целью данного исследования является создание нейросетевой модели, позволяющей пред сказывать с высокой вероятностью знак изменения цены фьючерса – тренда движения. Т.е. преду гадывать, будет ли расти или падать цена фьючерса на следующий торговый день. Предсказывать изменение цены представляется более целесообразным, так как именно это позволяет получать прибыль из колебаний рынка. Имея такую модель можно создать автоматическую торговую стра тегию, позволяющую торговать без участия человека.

В качестве модельного фьючерса был выбран фьючерс на индекс РТС. Этот фьючерс явля ется наиболее ликвидным на российском рынке. Объем торгов этим фьючером составляет более 90% от общего объема торгов инструментам срочного рынка. Изменение цены фьючерса на ин декс РТС соответствует падению или росту всего рынка целиком, а не отдельных акций.

Методы анализа финансового рынка.

На сегодняшний момент существует несколько основных методов анализа рынка: фунда ментальный, технический, и активно развивающиеся метод нейросетевого прогнозирования.

Фундаментальный анализ изучает макроэкономические факторы, которые могут повлиять на динамику торгуемого финансового инструмента, и используется для определения глобальных тенденций. Для прогнозирования краткосрочных и среднесрочных изменений используются тех нический анализ. Технический анализ — это исследование динамики рынков чаще всего посред ством графиков, с целью прогнозирования будущего направления движения цен. Технический анализ заключается в исследовании ценовой динамики рынка с помощью анализа закономерно стей изменения нескольких рыночных параметров: цены, объема сделок, объема открытых пози ций. Первичными для анализа считаются цены, а изменения остальных факторов изучаются для подтверждения правильности направления движения цен.

Новые реалии заставляют участников рынка обращать все большее внимание на новые ме тоды анализа, наиболее перспективным из которых представляется нейросетевой анализ. Нейрон ные сети имеют способность к моделированию нелинейных процессов, работе с зашумленными данными, адаптивность к изменяющимся внешним условиям.

Применение нейронных сетей.

Нейросетевой анализ представляет собой использование нейронных сетей для задач пред сказания временных рядов. Искусственная нейронная сеть – набор математических моделей ней ронов, соединенных между собой связями – синапсами. Синапсы осуществляют связь между ней ронами, умножая входной сигнал на число, характеризующую силу связи - вес синапса. Затем сигналы суммируются по всем связям. На выход нейрона поступает результат действия активаци онной функции на сумму сигналов синапсов. Как правило, активационные функции всех нейронов фиксированы, а веса являются параметрами сети и могут изменяться. Таким образом, нейросеть преобразует входной вектор XK в выходной YK при помощи нелинейного преобразования, задан ного весами сети.

Залог успеха использование нейронных сетей – правильный выбор входов, архитектуры нейронный сети и методов обучения.

Для предсказания изменения цены фьючерса на РТС было предложены три вида входных данных, которые необходимо учесть для успешного предсказания тренда цены фьючерса.

1. Внешний фон: Российский фондовый рынок является частью глобального рынка капита ла поэтому, изменения, происходящие в мире, обязательно отражаются и в России. Для отражения 106 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ этого факта был использован индекс Dow Jones Composite, характеризующий усредненный пока затель цен крупнейших американских корпораций. Также к внешнему фону отнесена цена на нефть, так как российская экономика во многом определяется экспортом углеводородов.

2. Технические параметры торговли фьючерсом на индекс РТС: были использованы объем торгов фьючерсом и объем открытых позиций.

3. История изменения цен базового актива - индекса РТС.

Результаты исследования.

Для исследования были использованы ежедневные данные о ценах с января 2006 года по ноябрь 2008 года. Брались в расчет сделки с фьючерсами с датой истечения меньше 90 дней, так как это наиболее ликвидные инструменты. Всего было использовано 566 записей. На этом интер вале времени индекс претерпевал как падение, так и рост, поэтому можно считать, что этот набор данных является достаточно хорошим для целей обучения нейронной сети. Для обучения было использовано 512 строк (92% от общей выборки), а для тестирования 45 (8%).

Во время исследования были опробованы несколько архитектур нейронных сетей и пара метров обучения. Архитектура нейросети регулировалась числом входов, характером входных данных, числом скрытых слоев и числом нейронов в скрытых слоях. Параметры обучения – метод обучение, скорость обучения.

Наиболее успешный результат был продемонстрирован нейронной сетью 6-4-1. (Рис 1.) В качестве входных данных были использованы следующие величины:

относительное изменение объема торгов фьючерсом на РТС;

относительное изменение объема открытых позиций фьючерса на РТС;

относительное изменение цены фьючерса РТС;

скользящее среднее изменения цены фьючерса за последние пять торговых дней;

относительное изменение значения индекса Dow Jones Composite в день, предшест вующий дню торгов;

относительное изменение цены на нефть, в день предшествующий дню торгов.

Входные данные Входной слой нейросети Скрытый слой нейросети Выход нейросети Рис. 1 Структура нейронной сети 6-4- На тестовой выборке нейронная сеть правильно предсказала результат в 62,4% случаях. Ес ли рассматривать результаты на всей выборке, то количество распознанных примеров соответст вует 68,4%. Тестовая выборка соответствовала последним 45 торговым дням, на которые пришел ся финансовый кризис и сложно предсказуемое поведение рынка, поэтому 62,4% является хоро шим результатом, что является сильным аргументом в пользу применения метода нейронных се тей.

ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ Выводы Подводя итог выше сказанному, хотелось бы отметить, что нейронные сети позволяют с достаточно высокой степенью точности определить знак изменения (тренд) цены фьючерсного контракта. После проведения обучения нейронной сети, пользователи получают легкий в исполь зовании инструмент, который можно применять как дополнительный способ поддержки решений при биржевой торговле.

РЕШЕНИЕ ЗАДАЧИ ПЛАНИРОВАНИЯ БЮДЖЕТА НА КОНСУЛЬТАЦИОННЫЕ УСЛУ ГИ НА ПРОЕКТАХ ВНЕДРЕНИЯ КОРПОРАТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ Красильников Юрий Юрьевич, Аспирант кафедры ПИЭ, МЭСИ, Yuriy.Krasilnikov@rusal.com, (926) Постановка задачи Любой проект по внедрению корпоративной информационной системы (КИС), независимо от объемов реализации и размеров компании, должен быть забюджетирован, особенно ввиду усу губляющегося финансового кризиса деньги под любые инновационные проекты, коим, в том чис ле, является любой проект по внедрению ИС, будут выделяться с все большим трудом.

В существующей практике по внедрению КИС широко используется аутсорсинг 14, позво ляющий оптимизировать затраты на персонал и отдать на обслуживание техническую сторону проекта. Существует 2 способа найма консалтинговых фирм – под реализацию проекта и по найму консультантов на выполнение любых работ. В данной работе мы рассматриваем вариант найма консультантов под выполнение любых работ, которые будут определяться внутри проектной ко манды, а не под выполнение определенного пула работ, входящих в объем проекта. Поэтому вста ет достаточно остро вопрос корректного планирования использования рабочей силы, когда необ ходимо определить бюджет на таких консультантов, так как каждый день на проекте стоит денег.

Среди условий решения задачи по бюджету на консультантов следует отметить:

- Каждый руководитель проекта заинтересован в привлечении наиболее грамотных кон сультантов, а это возможно узнать, только после того, как консультант «вышел на проект»


- Каждый новый пришедший человек на проект – это определенные трудозатраты на его «вовлечение»

- В каждом плане проекта есть определенные этапы, это может быть неделя или месяц. Для реализации каждого из этапов требуется определенное количество консультантов - В случае если на текущем этапе на проекте существует больше консультантов, чем требу ется – это дополнительные издержки - при уходе консультанта на определенном этапе с проекта есть вероятность не вернуть его к необходимому этапу реализации Решение задачи Для решения данной задачи предлагается использовать метод динамического программи рования.

Предположим, что проект выполняется в течение n недель. Потребность в консультантах на i-ой неделе - si. В идеальном случае хотелось бы, чтобы на каждой неделе реализации проекта имелось бы ровно требуемое количество консультантов. Но в реальности может оказаться выгод ным не снимать консультантов с проекта, так как возвращение (или поиск) людей – тоже затраты.

Введем следующие обозначения:

xi – количество фактически работающих на i-ой неделе консультантов W1i = C1(xi-xi-1) – затраты, связанные с наймом новых консультантов, по сравнению с про шлой неделей.

W2i = C2(xi-si) – затраты, связанные с содержанием консультантов на проекте, в количестве, превышающим необходимый уровень.

от англ. outsourcing: внешний источник 108 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ fi (xi-1) = min {W1 + W2} = min {C1(xi-xi-1) + C2(xi-si)} – функция, которую требуется ми X i Si X i Si нимизировать для всех i є n.

Для решения поставленной задачи записываем рекуррентное соотношение:

fn (xn-1) = min {C1(xn-xn-1) + C2(xn-sn)} X n Sn fj (xj-1) = min {C1(xj-xj-1) + C2(xj-sj)} для j = n-1,… X i Si С точки зрения проектной деятельности это отношение корректно, так как после реализа ции проекта всегда остаются люди на поддержке, а, следовательно, конечное значение всегда оп ределено.

Теперь поговорим подробнее о коэффициентах C1 и С2, так как их использование как раз и определяет приоритеты, преследуемые при бюджетировании:

С1 – это затраты, которые будут возникать в следствие:

1) Прямые затраты а) поиск и собеседование с консультантами б) заключение договоров в) обеспечение рабочего места 2) Косвенные затраты а) вхождение в коллектив б) изучение текущей функциональности Предполагается, что данный коэффициент будет измеряться в денежном выражении, то есть по опросу эксперта, которым должен быть опытным руководителем проектов и понимать все риски, связанные с наймом нового консультанта.

С2 - как вариант, мерой данного коэффициента может быть уполовиненная ставка консуль танта, так как консультант все равно будет задействован, но не так интенсивно, как ожидалось.

Фактор важности консультантов на проекте Описанный метод применим не только к достаточно однородной выборке консультантов, но его можно так же использовать для формирования критических требований по проекту.

Если руководитель полагает для некоторых важных ролей (дефицитных специалистов) про екта снизить риски, связанные со сменой консультантов, можно определить вторую модель z(xi) и снизить коэффициент Сz2 до такой величины, при которой по модели пришедшие консультанты будут уходить с проекта только в том случае, если они точно не понадобятся. Общие затраты бу дут складываться из результатов нахождения оптимумов по двум моделям: f(xi) и z(xi).

Кроме этого, отдельной моделью можно выделить консультантов, роль которых на проекте меньше, чем в среднем. Это могут быть стажеры, консультанты с небольшим опытом работы. Ча ще всего эти консультанты будут выполнять роли поддержки и технического сопровождения. В таком случае надо определить 3ью модель y(xi), которая будет иметь коэффициент Сy2 сниженный до минимальных фактических издержек.

Заключение Использованный для решения поставленной задачи метод имеет допущения, которые будут в некоторой степени влиять на точность результата. В то же время алгоритм работы данного мето да достаточно прост для понимания и позволяет, используя коэффициенты и расширения вариан тов моделей, бюджетировать затраты на консультационные услуги достаточно точно, а так же оп ределять риски и закладывать средства для их снижения.

ИННОВАЦИОННЫЙ ЦЕНТР КАК ФОРМА ПРАКТИКООРИЕНТИРОВАННОЙ ПОДГО ТОВКИ СТУДЕНТОВ Корнева Ж.В.. Кривых Н.Н., Стежкина Е.Г.

Инновация является продуктом интеллектуальной деятельности человека, следовательно, спрос на знания в условиях инновационной экономики будет стабильно увеличиваться. В послед ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ нее десятилетие количество студентов высших учебных заведений стабильно возрастает (в пери од с 1993 по 2007 год количество студентов на 10000 чел. возросло со 176 до 525 в целом по Рос сийской Федерации). Можно дать этому процессу различные объяснения. Но все же одним из них являются прогрессивно возрастающие требования к квалификации работника, что находит отра жение в оплате труда. Даже неквалифицированные рабочие с высшим образованием в среднем по статистике получают в два раза больше, чем те, кто его не имеет. Но рост численности лиц с выс шим образованием не всегда означает удовлетворение требований экономики к уровню человече ского капитала. Эффективность вложений в образование сегодня зависит от его типа и качества.

Развитие современной экономики накладывает особые требования на систему образования и пере подготовки кадров с точки зрения гибкой реакции на требования быстроменяющегося рынка тру да, обеспечения возможности получения образования на протяжении всей жизни, получения на выков использования информационно-коммуникационных технологий, на формирование способ ности к творчеству и самообразованию. Современная экономика востребует не только носителя знания, но и креативную личность, которую отличает:

высокий интеллектуальный уровень (оригинальность, самостоятельность мышления, 1) интуиция, наблюдательность, внимание, самоорганизация);

высокий уровень работоспособности, мотивации к творческому труду;

2) энтузиазм, выносливость, неудовлетворенность достигнутым;

3) инициативность, склонность к риску;

4) терпимость к критике, сдержанность в общении;

5) организационные и управленческие навыки и др.

6) Формируемый продукт образовательной системы должен осознавать некоторые особенно сти и тенденции процессов в инновационной экономике:

Исследования и разработки не являются единственным источником знания для ин 1.

новаций. Изучение рынка, опыт конкурентов и партнеров и т.п. составляют не менее часто ис пользуемые источники инновационной информации.

Инновационная активность важна и осуществляется сегодня во всех отраслях про 2.

мышленности, сферы услуг и государственного сектора экономики.

Скорость инноваций возрастает, и их стимулирование является важным для обеспе 3.

чения конкурентоспособности.

Необходимо стремится к созданию и вхождению в альянсы и кластеры инновацион 4.

но активных предприятий для ускорения получения и распространения информации.

Как известно, пика свой профессиональной компетенции средний россиянин достигает примерно через 10-15 лет после начала деятельности. В условиях инновационной экономики такой срок является слишком большим, поэтому уже в рамках высшего учебного заведения необходимо параллельно с фундаментальными знаниями обеспечить студенту приобретение специфических знаний и навыков профессиональной деятельности в совокупности с развитием креативной со ставляющей.

Проблема подготовки специалистов, способных генерировать первичные и внедрять улуч шающие инновации особо актуальна для Липецкой области. По данным рейтинга инвестиционно го климата регионов Российской Федерации Липецкая область в 2006-2007 гг. занимала 2-е место среди всех субъектов Федерации. Однако по инвестиционному потенциалу область находилась лишь на 45-м месте, а по инновационному лишь на 61-м.

В настоящее время органами управления региона ведется активная деятельность по созда нию инновационной инфраструктуры. Главной задачей в этом процессе является кадровое напол нение всех элементов. Из рисунка 1 видно, что показатель численности персонала, занятого иссле дованиями и разработками на 10 тысяч занятых в экономике в сравнении с соседними регионами и в целом по Российской Федерации в Липецкой области существенно ниже15.

По данным Федеральной службы Государственной статистики 110 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ Рисунок 1 Численность персонала, занятого исследованиями и разработками на 10 тысяч занятых в экономике В регионах существует зависимость между численностью персонала, занятого исследова ниями и разработками и долей инновационной продукции в валовом региональном продукте, что видно на рис. 2.

Удовлетворение потребностей рынка в специалистах-инноваторах, а следовательно, обес печение конкурентоспособности выпускников вуза возможно в настоящее время при изменении форм и инструментов подготовки к практической деятельности. Одним из примеров практикоори ентированной подготовки студентов к инновационной деятельности является созданный и функ ционирующий студенческий инновационный центр при Липецком эколого-гуманитарном инсти туте. Целью деятельности студенческого инновационного центра является формирование спе циалиста, способного оценивать инновационный потенциал организации, определять возможные пути инновационного развития, формировать базовые или применять улучшающие инновации, оценивать их эффективность и организовывать инновационный процесс. Эти качества должны формироваться в студенте любого направления: технического или гуманитарного.

Рисунок 2 - Внутренние текущие затраты на исследования и разработки в % к валовому ре гиональному продукту, значение показателя за год ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ Рисунок 2 - Внутренние текущие затраты на исследования и разработки в % к валовому ре гиональному продукту, значение показателя за год Основными видами деятельности центра являются:

формирование в Липецком эколого-гуманитарном институте научно-исследовательской структуры, ориентированной на эффективное использование научно-технического потенциала ученых, студентов вуза и сотрудничающих с ним организаций. привлечение к активной предпри нимательской деятельности в сфере высоких технологий и научного обслуживания профессорско преподавательского состава, специалистов вузов, изобретателей, студентов, всемерное содействие реализации идей и проектов, авторами которых они являются.

координация инновационной деятельности студентов в интересах социально экономического развития города и области, укрепления наукоемкого сектора региональной эко номики, развитие инновационного потенциала региона Направления деятельности студентов определяются их интересами, но, как правило, не вы ходят за рамки научных направлений, сложившихся в институте.

В течение первых месяцев работы центра начали складываться внутренние структурные компоненты: социологическая лаборатория «Резонанс» (проводит маркетинговые и социологиче ские исследования, в том числе по заказам предприятий и организаций Липецкой области), лабо ратория разработки и сопровождения прикладного программного обеспечения (в рамках сотруд ничества с ООО «IT Эксперт» и Центра СПО ЕГУ им. И. А. Бунина). Работа студентов в данном центре затрагивает широкий спектр проблем, которые не предусмотрены образовательными стан дартами реализуемые вузами, что еще раз подчеркивает практическую значимость деятельности центра. Например, уже сейчас к работе центра подключились студенты Липецкого государствен ного технического университета, которые совместно со студентами ЛЭГИ участвуют в конкурсах, конференциях, олимпиадах. Такое сотрудничество, несомненно, повышает уровень проводимых исследований.

За непродолжительный период деятельности центром уже получен ряд значимых результа тов: работы студентов нашли положительные отзывы, были отмечены призами, студенты прини мали участие в международных, всероссийских и региональных конференциях. Следует отметить, что практически все работы имели инновационную направленность. Учитывая то, что многие сту денты, участники инновационного центра работают на предприятиях и в организациях, в струк турных подразделениях института, их инновационная активность, навыки управления инноваци онной деятельностью применяются и в практической деятельности.

Опыт деятельности студенческого инновационного центра, отзывы работодателей свиде тельствуют о том, что представленная форма организации инновационной и научной деятельности студентов способствует повышению качества практикоориентированной подготовки студентов и соответствует требованиям ранка.

ФУНДАМЕНТАЛЬНЫЕ ПРОБЛЕМЫ В ОБЛАСТИ БАЗ ДАННЫХ С.Д. Кузнецов, Институт системного программирования РАН, kuzloc@ispras.ru В мае 2008 г. состоялась встреча. Она проходила в отеле Claremont Resort в г. Беркли, Калифорния, и поэтому отчет получил название «Клермонтского». Джо Хеллерстейн подготовил и поддерживает специальный сайт (http://db.cs.berkeley.edu/claremont/), на котором и был опубликован первый вариант отчета (http://db.cs.berkeley.edu/claremont/claremontreport08.pdf).

Должен сказать, что по первому впечатлению Клермонтский отчет нравится мне меньше двух предыдущих – Асиломарского (http://www.citforum.ru/database/digest/asil_01.shtml) и Лоуэллского (http://www.citforum.ru/database/articles/problems/) отчетов. В нем как-то меньше фантазии, предлагаемые темы исследований кажутся не такими интересными, формулировки проблем недостаточно точны. По-моему, сказывается отсутствие Джима Грея. Нам всем его очень не хватает. Однако нужно учиться жить без него. И при планировании следующих нескольких лет Клермонтский отчет будет, безусловно, полезен исследователям баз данных. А более широкой 112 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СОВЕРШЕНСТВОВАНИЕ ПОДГОТОВКИ IT-СПЕЦИАЛИСТОВ ПО НАПРАВЛЕНИЮ «ПРКЛАДНАЯ ИНФОРМАТИКА» ДЛЯ ИННОВАЦИОННОЙ ЭКОНОМИКИ ИНСТИТУТ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ публике этот отчет может помочь составить общее впечатление о том, что ждет нас в области баз данных в не слишком отдаленном будущем.

Далее я кратко пересказываю основные положения той части отчета, в которой описывают ся темы фундаментальных исследований в области баз данных, которые предстоит выполнить в ближайшие годы. Мои комментарии и дополнения выделены курсивом. Все ссылки на литературу представлены в тексте.

После двух дней интенсивных обсуждений участникам удалось придти к общему мнению о наборе тем исследований, которые следует выполнить в грядущие годы.

До того как представить эти темы, следует сделать несколько замечаний о том, что отсутст вует в этом списке. Во-первых, хотя участники встречи старались концентрироваться на новых возможностях, они не считают, что при этом нужно отказаться от существующей хорошей работы.

Ряд критических областей не вошел в этот список, поскольку сообщество баз данных уже прово дит соответствующие исследования. Многие из этих областей упоминались в предыдущих отче тах, и в последние годы в них был выполнен значительный объем исследований. Здесь требуется продолжать работу и финансирование. Во-вторых, участники стремились к краткости списка тем, не пытаясь их полностью охватить. У большей части участников имеются и другие темы исследо ваний, которые им хотелось бы подробнее обсудить, но участники договорились сосредоточиться на темах, представляющих наибольший интерес для группы в целом.

Кроме тем, обсуждаемых ниже, во время встречи многократно упоминались следующие проблемы и области исследований:

управление неопределенной информацией, конфиденциальность и безопасность данных, электронная наука и другие приложения, ориентированные на ученых, антропоцентрические взаимодействия с данными, социальные сети и Web 2.0, персонализация и констекстуализация задач, относящихся к выполнению запросов и поиска, потоковые и сетевые данные, самонастраиваемые и адаптивные системы, а также проблемы, порождаемые новыми технологиями аппаратуры и ограничениями энергопотребления.

Нужно заметить, что практически все перечисленные проблемы активно исследуются уже в настоящее время, а некоторые из них (например, управление неопределенной информацией, пото ковые данные, адаптивные системы и т.д.) изучаются в течение многих лет. Тем не менее, все эти проблемы остаются открытыми, и до их удовлетворительного решения, похоже, еще далеко.

В действительности, большая часть этих проблем затрагивается в приводимом ниже обсу ждении, и многие из них относятся к нескольким темам.

Пересмотр архитектуры серверов баз данных В System R и Ingres была заложена основа архитектуры и алгоритмов реляционных баз дан ных, и современные коммерческие СУБД все еще базируются на их архитектурах. Но многочис ленные изменения приложений и технологии, упомянутые в разд. 1, приводят к потребности пере смотра всего стека систем управления данными. У современных развитых коммерческих систем реляционных баз данных имеются хорошо известные ограничения. Обеспечивая широкий набор возможностей, они показывают пиковую производительность только для очень ограниченного на бора режимов: системы OLTP настраиваются на рабочие нагрузки с многочисленными мелкими, одновременно выполняемыми транзакциями типа «приход/расход», а системы поддержки приня тия решений – на рабочие нагрузки с небольшим числом операций (главным образом, выборки) с большим числом операций соединения и агрегации. Между тем, в последнее десятилетие появи лось много популярных задач, связанных с обработкой больших объемов данных, для которых ре ляционные СУБД обеспечивают плохое соотношение «цена/производительность», и при решении которых от использования РСУБД пришлось отказаться: к числу критических сценариев относятся индексирование текста, обслуживание Web-страниц и доставка мультимедийного контента. Новые ЭКОНОМИКИ, СТАТИСТИКИ И ИНФОРМАТИКИ IV РОССИЙСКАЯ НАУЧНО-МЕТОДИЧЕСКАЯ КОНФЕРЕНЦИЯ рабочие нагрузки появляются в научных приложениях и приложениях в стиле Web 2.0, а также и в других средах, в которых технология баз данных могла бы оказаться полезной, но не в том виде, в котором она реализована в современных системах баз данных.

Анализ рынка показывает, что даже в традиционных прикладных областях имеется воз можность значительных инноваций. На рынках аналитики для бизнеса и науки заказчики могут купить петабайты памяти и тысячи процессоров, но доминирующие коммерческие системы баз данных для многих рабочих нагрузок не способны к такому масштабированию. Даже в тех случа ях, когда это удается, стоимость программного обеспечения и управления им по отношению к стоимости аппаратуры является непомерной. На рынке OLTP обязательные требования бизнеса, такие как соблюдение нормативов и быстрая реакция на изменение бизнес-условий, приводят к потребности решать проблемы жизненного цикла, включающие отслеживание происхождения данных, поддержку эволюции схем и версий и т.д.

Наличие этих требований делает рынок коммерческих СУБД открытым для новых идей и систем, и это создает благоприятный климат для вложения средств предпринимателями. Трудно припомнить время, когда существовало бы так много начинающих компаний, специализирующих ся на серверах баз данных. Безусловно, со временем рынок консолидируется, но все быстро меня ется именно сейчас, и это хорошее время для испытания радикальных идей.



Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 11 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.