MỤC TIÊU TÍCH HỢP

Hai mục tiêu chính để tích hợp phần mềm MSS:

Tăng cường các công cụ cơ bản. Mục tiêu của tích hợp là tăng cường các công cụ khác. Ví dụ ES có thể nâng cao tính toán qua mạng thần kinh, hoặc ANN có thể tăng cường hoạt động thu thập kiến thức của hệ chuyên gia. ES thường được dùng như trình ẩn hay tác nhân thông minh (intelligent agents) để tăng cường những công cụ hoặc những ứng dụng khác.

Nâng cao khả năng của các ứng dụng. Trong trường hợp này các công cụ bổ sung cho nhau. Mỗi công cụ thực thi những công việc con tại đó chúng được thực hiện tốt nhất.

Một lý do chính để tích hợp DSS và các hệ chuyên gia là những lợi ích mà mỗi công nghệ mang lại cho nhau. Bảng 5 trình bày những lợi ích theo những thành phần chính.

Bằng chứng thực nghiệm tích hợp DSS, ES và EIS trong ngành công nghiệp chăm sóc sức khỏe đã được Forgionne và Kohl (1995) báo cáo. Sự cải thiện được thể hiện trong cả quá trình và trong kết quả. Taboada và các tác giả (1996) mô tả một sự tích hợp của các hệ chuyên gia y khoa, cơ sở dữ liệu bệnh nhân, và những giao diện người dùng sử dụng những công cụ truyền thống.

Tích hợp các công nghệ MSS khác nhau dẫn đến sự kết hợp mặt mạnh của mỗi kỹ thuật đơn lẻ. Li và Love (1999) trình bày một sự tích hợp ES và ANN để ước lượng tỷ lệ phần trăm định giá bán của một thầu khoán trong ngành xây dựng. Li (2000) mô tả một hệ thống trí tuệ lai để phát triển chiến lược thị trường bằng cách kết hợp những mặt mạnh của ES, logic mờ, và ANN.

Tích hợp các hệ chuyên gia và các hệ hỗ trợ ra quyết định

	Lợi ích của ES	Lợi ích của DSS
Cơ sở dữ liệu và các hệ quản lý cơ sở dữ liệu	Cải tiế n xây dựng, vận hành, và duy trì DBMS Cải thiện khả năng truy cập các cơ sở dữ liệu lớn Cải thiện năng lực của DBMS Cho phép biểu diễn dữ liệu bằng biểu tượng Chỉ dẫn dựa trên kho dữ liệu	Một cơ sở dữ liệu được trang bị cho ES Cho sự biểu diễn dữ liệu bằng số
Các mô hình và các hệ quản lý cơ sở mô hình	Cải tiến quản lý mô hình Trợ giúp chọn lựa các mô hình Đưa ra những yếu tố đánh giá mô hình Cải thiện phân tích độ nhạy Đề xuất những giải pháp thay thế Đưa ra những phương pháp thử nghiệm Đơn giản hóa việc xây dựng các mô hình mô phỏng Làm cho cấu trúc bài toán có thể sửa đổi gia tăng được Tăng tốc độ mô phỏng thử và sai	Cung cấp cấu trúc bài toán khởi động Cung cấp những tính toán mô hình chuẩn Cung cấp những sự kiện (dữ liệu) cho các mô hình Lưu trữ những mô hình chuyện biệt hóa xây dựng bởi các chuyên gia vào cơ sở mô hình
Giao diện	Làm cho giao diện thân thiện hơn Cung cấp những giải thích Cung cấp những thuật ngữ quen thuộc với người dùng Hành xử như một trợ giáo Cung cấp khả năng giải quyết bài toán trực quan,năng động và tương tác	Cung cấp những trình bày phù hợp với các kiểu quyết định và nhận thức riêng lẻ
Năng lực hệ thống (Hiệp lực)	Cung cấp những chỉ dẫn thông minh (nhanh hơn và rẻ hơn con người) cho DSS và người sử dụng nó Thêm vào năng lực giải thích Mở rộng điện toán hóa của quá trình ra quyết định	Tăng hiệu quả thu thập thông tin Tăng hiệu quả thực thi Cung cấp lời khuyên theo từng cá nhân cho những người dùng phù hợp với kiểu quyết định của họ

Ngoài cách phân loại kiểu tích hợp trên, có hai dạng tích hợp khác. Dạng thứ nhất là tích hợp các hệ thống khác nhau, như ES và DSS. Dạng thứ hai là tích hợp của các hệ thống cùng dạng (ví dụ nhiều hệ chuyên gia)

CÁC MÔ HÌNH ĐỂ TÍCH HỢP ES VÀ DSS

Phần này mô tả các mô hình và một cách tiếp cận thống nhất. Các mô hình là: ES gắn với các bộ phận của DSS, ES là một bộ phận rời của DSS nhưng chia sẻ quá trình ra quyết định, ES đề xuất các giải pháp thay thế cho DSS. Walkins và các tác giả (1992) có quan điểm cho rằng nên nghiên cứu xem nơi nào có thể dùng một AI cụ thể hoặc công nghệ chuyên giải quyết vấn đề với DSS. Mô hình của họ là dạng theo vấn đề (problem-driven) và đề nghị tích hợp AI (và những công nghệ tiên tiến khác) là một quá trình gắn kết các bài toán với những phương pháp thích hợp, sau đó chúng được tích hợp để đưa ra sự hỗ trợ quyết định nâng cao.

HỆ CHUYÊN GIA GẮN KẾT VỚI CÁC THÀNH PHẦN CỦA DSS

Các hệ chuyên gia có thể gắn với bất kỳ hay tất cả các bộ phận của DSS. Hình 1 trình bày sự sắp xếp này, bao gồm năm hệ chuyên gia:

• ES 1: Thành phần trí tuệ cơ sở dữ liệu

• ES 2: Trình ẩn trí tuệ cho cơ sở mô hình và quản lý cơ sở mô hình

• ES 3: Hệ cải tiến giao diện người dùng

• ES 4: Tư vấn cho nhà xây dựng DSS. Ngoài việc cung cấp chỉ dẫn xây dựng các thành phần khác nhau của DSS, hệ chuyên gia này còn hướng dẫn làm thế nào cấu trúc một DSS, làm thế nào nối kết nhiều bộ phận với nhau, làm thế nào tiến hành nghiên cứu khả thi, và làm thế nào điều hành nhiều hoạt động liên quan việc xây dựng một DSS

• ES 5: Tư vấn cho người dùng. Người dùng DSS có thể cần lời khuyên của một chuyên gia cho những vấn đề phức tạp như bản chất của vấn đề, điều kiện môi trường, hoặc những vấn đề thực thi có thể có. Một người dùng cũng có thể muốn một chuyên gia hướng dẫn họ trong chuyện làm thế nào sử dụng DSS và sử dụng kết quả đầu ra của DSS.

Trong nhiều trường hợp không phải tất cả năm hệ đều vận hành. Thường thì chỉ gắn kết một hay hai hệ chuyên gia thì sẽ có lợi.

ES LÀ MỘT THÀNH PHẦN RỜI CỦA DSS

Teng và các tác giả (1998) đã đưa ra một kiến trúc để tích hợp ES và DSS như hình 2. Trong kiến trúc này, ES nằm giữa dữ liệu và các mô hình. Chức năng cơ bản của nó là tích hợp hai thành phần theo lối trí tuệ. Một giải pháp hợp nhất khác được Despres và Rosenthal-Sabroux (1992) đưa ra là gắn liền các hệ tích hợp với tính toán của người dùng cuối.

Theo tác giả Turban và Watkins (1986), một ES được thêm vào thành một bộ phận rời. ES chia sẻ giao diện cũng như những tài nguyên khác, và do đó tích hợp chặt chẽ. Tuy nhiên, theo King (1990), một sự tích hợp như vậy cũng có sẵn thông qua một mối thông tin như Internet hoặc Intranet của công ty. Ba dạng có thể có cho một tích hợp kiểu này được trình bày như sau và minh họa trong hình 3.

Kết quả của ES là đầu vào của DSS

Kết quả đầu ra của ES được dùng làm đầu vào của DSS. Ví dụ, ES được dùng trong giai đoạn khởi đầu giải quyết vấn đề để xác định tầm quan trọng của vấn đề hoặc để phân loại vấn đề. Kế đến vấn đề được chuyển sang một DSS để tìm một giải pháp có thể.

Kết quả của DSS là đầu vào của ES

Thông thường các kết quả của phân tích định lượng bằng máy tính được cung cấp bởi một DSS được chuyển tiếp đến một cá nhân hay một nhóm chuyên gia nhằm diễn dịch kết quả. Do đó, sẽ có ý nghĩa khi chuyển kết quả của một DSS sang một ES có khả năng thực hiện cùng chức năng như một chuyên gia nếu rẻ hơn và nhanh hơn (đặc biệt nếu chất lượng của hướng dẫn cũng tốt hơn)

Phản hồi

Theo dạng này, kết quả từ ES đi đến một DSS, và kế đến kết quả từ DSS trở lại ES gốc.

CHIA SẺ QUÁ TRÌNH RA QUYẾT ĐỊNH

Theo cách tiếp cận này, ES có thể bổ sung DSS trong một hay nhiều bước trong quá trình ra quyết định. Ra quyết định được xem là một quá trình gồm tám bước:

1. Định rõ các mục tiêu, tham số, xác suất

2. Thu thập và quản lý dữ liệu

3. Đề xuất các khả năng quyết định

4. Suy luận những hậu quả của các khả năng quyết định

5. Hiểu các thông tin dưới dạng bằng lời, bằng con số và bằng hình ảnh

6. Đánh giá các tập hậu quả

7. Giải thích và thực hiện các quyết định

8. Hình thành chiến lược

Bảy bước đầu tiên là các chức năng DSS điển hình, riêng bước cuối cùng đòi hỏi sự suy xét và sáng tạo, có thể thực hiện bởi một chuyên gia. Mục đích của ES là bổ sung cho DSS bằng cách dùng bộ nhớ liên kết gắn liền với kiến thức kinh doanh và các quy luật suy luận.

Cách tích hợp nhu vậy có thể hình dung như sau: người dùng làm việc với DSS đi theo bảy bước DSS đầu tiên. Khi đến giai đoạn hình thành chiến lược, người này sẽ cần đến ES, đó là một hệ hoàn toàn tách biệt (tích hợp lỏng) mặc dù nó có thể chia sẻ cơ sở dữ liệu và có thể dùng vài năng lực của cơ sở mô hình. Để hiểu rõ hơn kiểu tích hợp này, chúng ta giả sử rằng ES đóng vai trò chuyên gia nhân sự mà người dùng có thể gặp khi có nhu cầu trong hình thành chiến lược. Chuyên gia có thể cho câu trả lời ngay lập tức hoặc thực hiện vài phân tích (như dự báo). Sự phân tích này có thể thực hiện bằng cách sử dụng cơ sở dữ liệu của DSS và mô hình dự báo của nó.

Tích hợp ES/DSS có thể mở rộng ra gồm cả các hệ trí tuệ khác như tính toán bằng mạng thần kinh, lý luận dựa trên tình huống, và mô phỏng. Những hệ này có thể thay thế hoặc bổ sung ES.

TÍCH HỢP EIS, DSS VÀ ES, VÀ TÍCH HỢP TOÀN CẦU

Tích hợp EIS và DSS có thể thực hiện theo nhiều cách. Phổ biến nhất là thông tin có được từ EIS được dùng làm đầu vào của DSS. Các hệ phức tạp hơn bao gồm phản hồi của DSS đến EIS và khả năng giải thích và diễn dịch thực hiện bởi một ES.

TÍCH HỢP TOÀN CẦU

Tích hợp toàn cầu có thể bao gồm nhiều công nghệ MSS, CBIS và vắt chéo qua những tổ chức khác để hình thành các hệ liên tổ chức. Một hệ toàn diện đề xuất bởi Forgionne và Kohl (1995). Kiến trúc khái niệm của hệ được trình bày trong hình 4.

Đầu vào

Hệ thống có một cơ sở dữ liệu thu thập và lưu trữ dữ liệu tổ chức. Một cơ sở mô hình thu thập và lưu trữ các mô hình kế toán và kinh tế để mô tả và mô phỏng tính năng động của tổ chức, các phương pháp thống kê để dự báo các tham số của mô hình, và các mô hình khoa học quản lý để tối ưu thành tích của tổ chức. Thêm vào đó, một cơ sở kiến thức thu thập và lưu trữ dữ liệu của tổ chức có liên kết, các vấn đề chính sách, và các hành động quản lý quá khứ được thể hiện dưới dạng các quy luật.

Xử lý

Thành phần EIS dùng để lọc dữ liệu, tập trung thông tin gạn lọc, và truyền thông các vấn đề và cơ hội giữa những nhân sự thuộc tổ chức có ảnh hưởng. Các trình ẩn trí tuệ có thể dùng để gạn lọc thông tin từ nhiều nguồn. ESS hướng dẫn người ra quyết định thông qua cơ sở mô hình và mô hình hóa trí tuệ (MBMS), cơ sở dữ liệu (DBMS), và quản lý cở sở kiến thức (KBMS) cần thiết cho việc phân tích và đánh giá của EIS và DSS.

Kết xuất

Qua việc kiểm soát các công việc xử lý theo hướng mong muốn, người dùng có thể tạo ra:

• Các báo cáo tình trạng bằng hình ảnh hay cột trực quan hấp dẫn mô tả môi trường quyết định, theo dõi các xu hướng có ý nghĩa, và trình bày những dạng mẫu quan trọng

• Các dự báo mô phỏng chính sách và sự kiện không thể kiểm soát

• Các chính sách và hành động quyết định kiến nghị

Hệ thống cũng mô tả bằng hình ảnh những giải thích lý luận và kiến thức hỗ trợ từ đó đề xuất những hành động.

Vòng lặp phản hồi

Phản hồi từ công đoạn xử lý sẽ cho thêm dữ liệu, kiến thức và các mô hình quyết định nâng cao có thể giúp ích cho ra quyết định trong tương lai. Phản hồi đầu ra (thường dưới dạng phân tích độ nhạy) được dùng để mở rộng hoặc sửa đổi những phân tích và đánh giá ban đầu. Một trường hợp đặc biệt của EIS/DSS trí tuệ là trường hợp đa hệ chuyên gia hoặc trình ẩn trí tuệ.

Một ví dụ của hệ tích hợp toàn cầu được Min và Eom đưa ra (1994). EDI và Internet được sử dụng để kết nối MSS với các tổ chức khác, xem hình 6. MSS của công ty bao gồm DSS và ES, một hệ thống hội nghị video dựa trên Internet để làm việc nhóm và EDI để xử lý giao dịch.

DSS TRÍ TUỆ

Nhiều mô hình DSS trí tuệ đã được phát triển trong nhiều năm qua. Các ví dụ đại diện được mô tả như sau

DSS CHỦ ĐỘNG (cộng sinh) (active or symbiotic DSS)

DSS thông thường đóng một vai trò thụ động trong tương tác người – máy. DSS thực hiện tính toán, trình bày dữ liệu, và trả lời các lệnh chuẩn. Nhưng nó không thể đóng vai trò của một phụ tá thông minh cho người ra quyết định. Cho nên vài DSS chỉ sử dụng cho những công việc rõ ràng và xác định.

Tuy nhiên, có những công việc trong giải quyết vấn đề là không rõ ràng và phức tạp, do đó cần có một DSS chủ động. Ví dụ DSS có thể sáng kiến hoặc đáp lại những yêu cầu và lệnh không chuẩn. Dạng DSS này gọi là DSS chủ động hay cộng sinh (active or symbiotic DSS)

Theo Mili (1990), một DSS chủ động là một ứng dụng tuân theo những công việc sau

Hiểu phạm vi (thuật ngữ, tham số, tương tác). Ở đây DSS chủ động có thể cung cấp những giải thích

Hình thành bài toán. DSS chủ động có thể giúp xác định các giả thiết, tóm tắt thực tế, quyết định xem điều gì liên quan v.v…

Liên kết bài toán với giải pháp. DSS chủ động có thể hỗ trợ thông qua tương tác bài toán – giải pháp phù hợp, chỉ dẫn thủ tục nào nên dùng và kỹ thuật giải nào nên theo v.v…

Diễn dịch kết quả

Giải thích kết quả và các quyết định

Để thực hiện các công việc này, DSS cần có các thành phần trí tuệ

DSS TỰ TIẾN HÓA (Self-evolving DSS)

DSS tự tiến hóa là một hướng tiếp cận thiết kế DSS của Liang và Jones (1987), với lập luận cơ bản là DSS nên nhận thức ra làm thế nào nó được sử dụng và kế đến tự động thích nghi với sự phát triển của những người dùng của nó. Để làm như cậy cần phải có những khả năng sau:

• Một thực đơn linh động cung cấp các cấp bậc khác nhau để đáp ứng các yêu cầu khác nhau của người dùng
• Một giao diện người dùng linh động cung cấp những kết quả trình bày cho những người dùng khác nhau
• Một hệ thống quản lý cơ sở mô hình thông minh để chọn ra những mô hình phù hợp thỏa mãn những nhu cầu khác nhau

QUẢN LÝ VẤN ĐỀ (Problem Management)

Hầu hết DSS xoay quanh các giai đoạn thiết kế và lựa chọn trong quá trình ra quyết định. Giai đoạn trí tuệ, bao gồm phát hiện vấn đề, biểu diễn vấn đề, và theo dõi thông tin gần như các DSS đều bỏ qua. Hơn nữa, nhiều hoạt động trong giai đoạn thiết kế và lựa chọn như quản lý mô hình, được thực hiện thủ 4a15 công. Để DSS hiệu quả hơn, cần phải tự động hóa càng nhiều công việc càng tốt. Weber và Konsynski (1987) đề xuất chia quá trình ra quyết định thành năm bước và đưa ra cấu trúc để hỗ trợ những yêu cầu chức năng cho các các bước này. Các tác giả gọi hướng tiếp cận này là quản lý vấn đề (problem management) được trình bày trong bảng 2.

Quản lý vấn đề

Giai đoạn quản lý vấn đề	Yêu cầu chức năng	Hỗ trợ cấu trúc
Phát hiện vấn đề	Bộ lọc bằng tri giác, quản lý kiến thức	Quản lý kiến thức linh động, bộ lọc thông minh
Biểu diễn vấn đề	Quản lý mô hình và dạng thể, đình chỉđánh giá	Quản lý kiến thức và đối thoại linh động, hệ duy trì lý luận, chiến lược tìmkiếm thể dạng
Theo dõi thông tin	Quản lý mô hình và kiến thức	Bộ phận thông minh, bộ phận quét kiểm tra, bộ phận đánh giá, diễn dịch
Đề xuất giải pháp	Quản lý kiến thức, phát sinh ý tưởng	Quản lý mô hình giải pháp và ý tưởng, trình điều khiển phân tích và khám phá
Đánh giá giải pháp	Quản lý kiến thức và đối thoại siêu cấp	Quản lý kiến thức động, trình xử lý biểu tượng và phân tích

CÁC VÍ DỤ CỦA HỆ THỐNG TÍCH HỢP SẢN XUẤT

HỆ THỐNG SẢN XUẤT TÍCH HỢP

IBM đã phát triển một hệ thống gọi là hệ quản lý cung ứng (logistics management system_LMS) phục vụ quản lý sản xuất. Hệ thống này kết hợp các hệ chuyên gia, mô phỏng, và hỗ trợ quyết định. Thêm vào đó, hệ này cũng có các hệ phụ về sản xuất có hỗ trợ máy tính (CAM) và xử lý dữ liệu phân phối. Hệ thống này giúp cấp quản lý sản xuất tại nhà máy một công cụ giải quyết những khủng hoảng sản xuất và lên kế hoạch. IBM cũng sử dụng một hệ thống tương tự cho các nhà phân tích tài chính để mô phỏng kế hoạch tài chính dài hạn. Hệ thống này có một hệ chuyên gia đề xuất những thông tin đánh giá và những yếu tố thích đáng khác, hệ cũng có một hệ DSS thực hiện việc dự báo và đề ra các kế hoạch.

DSS/MÔ PHỎNG QUYẾT ĐỊNH

Tại IBM, mô phỏng quyết định (DSIM) là kết quả của sự kết hợp các hệ hỗ trợ quyết định, thống kê, nghiên cứu tác vụ, quản lý cơ sở dữ liệu, ngôn ngữ truy vấn, và trí tuệ nhân tạo. AI, đặc biệt là ngôn ngữ tự nhiên giao diện với các hệ chuyên gia, trang bị ba khả năng cho DSIM:

- Dễ dàng truyền các thông tin thích đáng cho thuật toán máy tính hoặc đơn vị trình bày

- Hỗ trợ tìm ra mô hình, thuật toán máy tính, hoặc bộ dữ liệu thích hợp

- Giải pháp cho bài toán trong đó nếu chỉ có thuật toán máy tính thì không đủ để giải quyết, hoặc trong đó một thuật toán máy tính không thích hợp hoặc không áp dụng được.

TIẾP THỊ

PROMOTER

ES promoter phân tích hiệu quả của quảng cáo và chiêu thị tác động lên doanh thu trong một ngành hàng hóa đóng gói. Phần mềm này được công ty Management Decision phát triển và phải được dùng chung với các công cụ phát triển DSS của công ty để xử lý trước dữ liệu trước khi chuyển qua cho ES.

DỊCH VỤ TÀI CHÍNH

Một công ty dịch vụ tài chính lớn sử dụng hệ tích hợp để gắn kết các dịch vụ của công ty với các nhu cầu của các khách hàng riêng lẻ (ví dụ sắp xếp tài sản khách hàng theo những gói đầu tư tối ưu). Các ứng dụng tương tự cũng được phát triển tích cực tại các công ty kế toán quốc tế để kết hợp các phương pháp phân tích và đánh giá trong kiểm toán, hoặc tại công ty khác để đánh giá tín dụng, hoạch định chiến lược và những ứng dụng có liên quan. Ví dụ tập đoàn General Dynamics sử dụng các hệ chuyên gia để hỗ trợ phân tích tài chính quản lý dự án.

FINEXPERT là một hệ thông minh được thiết kế để tạo ra những báo cáo và phân tích tài chính của các tập đoàn. Một hệ DSS được kết nối với một hệ kế toán chuẩn của công ty sẽ tạo ra tất cả báo cáo tài chính chuẩn và 50 đồ thị khác nhau. Kế đến một ES thực hiện phân tích tài chính bao gồm hoạt động tài chính, phân tích chỉ số tài chính, phân tích rủi ro, lợi nhuận, và cân bằng tài chính. Báo cáo của hệ này thỏa mãn các yêu cầu của Ủy ban giao dịch và chứng khoán Mỹ để theo dõi công khai các tập đoàn. Hệ thống có thể chạy các mô hình mô phỏng và dụ báo, và có sẵn khả năng giải thích kết quả. Hệ thống này đã được tiếp thị rộng rãi (1989).

CÁC VẤN ĐỀ GẶP PHẢI KHI TÍCH HỢP

• Sự cần thiết tích hợp
• Chứng minh và phân tích lợi ích-chi phí
• Cấu trúc để tích hợp
• Các vấn đề về con người
• Tìm những nhà xây dựng thích hợp
• Thái độ của nhân viên trong bộ phận hệ thống thông tin
• Quá trình phát triển: sự đồng bộ giữa sự phát triển của các hệ thống
• Các tác động tổ chức
• Các vấn đề cấu trúc dữ liệu
• Ngôn ngữ lập trình nối kết