System ekspertowy jako narzędzie do usuwania błędów w dużych
informatycznych systemach bankowych
Głównym celem pracy było wykazanie tezy, iż przy użyciu nowoczesnych metod sztucznej inteligencji takich jak systemy ekspertowe i sieci neuronowe oraz wykorzystując wiedzę praktyczną specjalistów, można stworzyć mechanizmy i systemy wspomagające usuwanie błędów przez nie- specjalistów, w dużych, informatycznych, systemach bankowych. Jako materiał bazowy wybrano i przebadano 2 grupy błędów zaobserwowane w jednym z systemów: błędy i komunikaty pochodzące od rutyn systemowych oraz błędy integralności rachunków i kartotek klientów. Jednocześnie zasygnalizowano grupy innych potencjalnych błędów. Praca zawiera krótkie definicje wykazanych błędów wraz z metodami ich eliminacji, struktury ilościowe grup błędów w najbardziej charakterystycznych datach jak również struktury czasowo-ilościowe. Struktura czasowo-ilościowa każdej grupy błędów pokazuje zmniejszającą się liczbę błędów na przestrzeni czasu, jak również umożliwia m.in. wskazanie dni, w których wystąpiły większe awarie. Wykazując prawdziwość tezy przedstawiono na wybranych przykładach błędów mechanizmy systemów ekspertowych oraz sztucznych sieci neuronowych najlepiej nadające się do wspomagania usuwania tych błędów. W końcowej części pracy, na podstawie wiedzy praktycznej przeanalizowano i pogrupowano wcześniej omawiane błędy pod kątem możliwości zautomatyzowania procesu ich eliminacji. Wykazano, że 75% zidentyfikowanych rodzajów błędów, oraz 97% ilości błędów z badanego okresu może być skutecznie usuwana przy wsparciu proponowanego systemu ekspertowego.
The main aim of dissertation was proving the thesis, that using of modem methods of artificial intelligence such as expert systems and neural networks as well as experts' practical knowledge, we can create mechanisms and systems helping remove the errors by non-experts, in the large, computer, bank systems. Two groups of errors observed in one of such systems were selected and investigated: errors from system routines and errors of integrity of accounts and customers' card indices. Groups of other potential errors were also pointed out.. The definitions of errors with methods of their elimination, quantitative structures of groups of errors on the most characteristic dates, as well as the time-quantitative structures are presented in the dissertation. The time-quantitative structure of each group of error shows the decreasing number of errors in time. It also enables one to predict the days of massive break downs of the system. This has been proven in the dissertation on the example of selected mechanisms of expert systems and artificial neural networks fit for removing these kind of errors. It was revealed that 75% of identified types of error and 97% of errors within a given span of time can be efficiently removed with the aid of the proposed expert system.
