دانلود ترجمه مقاله سیستم پشتیبان تصمیم گیری برای مدل سازی معماری سازمانی

1. مقدمه 2. کارهای مرتبط 3. سیستم پشتیبان تصمیم گیری ArchiRev-VS برای مدلسازی معماری سازمانی 4. اعتبارسنجی و بهینه سازی الگوریتم ژنتیک 5. نتیجه گیری

چکیده – شرکت ها بطور فزاینده ای از اهمیت معماری سازمانی برای نمایش دادن و مدیریت کردن کلی نگرانه فنّاوری اطلاعات و کسب و کار آگاهی دارند. مدل سازی معماری سازمانی برای دستیابی به مدل هایی که نشانگر دقیق رفتارها و دارایی های شرکت هاست و آنها را به سمت تصمیمات کسب و کار مناسب رهنمون می سازد، به یک عامل تعیین کننده تبدیل گردیده است. هرچند، کارشناسان می توانند بازنمودهای معماری سازمانی را بطور دستی مدل سازی کنند، اما روش های خودکار مدل سازی معماری سازمانی پیشنهاد شده است تا معایب مدل سازی دستی، مانند خطاپذیر بودن، زمان گیر بودن، بازانطباق کُند و ضعیف، و هزینه حل و فصل گردد. با این وجود، مدل سازی خودکار برای بیشتر مفاهیم انتزاعی در معماری سازمانی مانند راهبرد یا جنبه های انگیزشی فاقد کارآمدی است. بنابراین، شرکت ها در حال تقاضا کردن رویکردهای ترکیبی هستند که مدل سازی خودکار و دستی را با یکدیگر تلفیق نماید. در این زمینه، هیچ روابط آشکاری بین محصولات ورودی ( و تکنیک های استخراج) و دیدگاه های هدف معماری سازمانی که باید بطور خودکار مدل سازی شود، و همچنین روابط بین نقش ها و دیدگاه های کارشناسان که ممکن است در مدل سازی دستی مشارکت کنند، وجود ندارد. در نتیجه، شرکت ها نمی توانند درباره واگذاری وظایف به کارشناسان در پروژه های مدل سازی معماری سازمانی تصمیمات آگاهانه ای بگیرند، و نَه می توانند تکنیک های مناسب استخراج و محصولات ورودی مربوط به آنها را انتخاب کنند. این پژوهش، یک سیستم پشتیبان تصمیم که یک الگوریتم ژنتیک در کانون آن قرار دارد را پیشنهاد می دهد. این سیستم پیشنهادی، ابتدا روابط مفقود یاد شده و مشخّصات مدل معماری سازمانی را مشخّص می سازد. سپس، این اطلاعات با استفاده از یک الگوریتم ژنتیک بکار گرفته می شود تا با برگزیدن مناسب ترین ورودی ها، تکنیک های استخراج و کارشناسان، درباره مدل سازی خودکار، دستی یا ترکیبی تصمیم گیری شود. الگوریتم ژنتیک بهینه سازی شده است تا سیستم به معماران معماری سازمانی کمک کند تا دقیق بودن و کامل بودن مدل های معماری سازمانی را به حدّاکثر برسانند درحالیکه هزینه ها ( ناشی از واگذاری وظایف به کارشناسان و آفرینش های خودکار غیرضروری) تحت کنترل قرار گیرد.

Companies are increasingly conscious of the importance of Enterprise Architecture (EA) to represent and manage IT and business in a holistic way. EA modelling has become decisive to achieve models that accurately represents behaviour and assets of companies and lead them to make appropriate business decisions. Although EA representations can be manually modelled by experts, automatic EA modelling methods have been proposed to deal with drawbacks of manual modelling, such as error-proneness, time-consumption, slow and poor re-adaptation, and cost. However, automatic modelling is not effective for the most abstract concepts in EA like strategy or motivational aspects. Thus, companies are demanding hybrid approaches that combines automatic with manual modelling. In this context there are no clear relationships between the input artefacts (and mining techniques) and the target EA viewpoints to be automatically modelled, as well as relationships between the experts' roles and the viewpoints to which they might contribute in manual modelling. Consequently, companies cannot make informed decisions regarding expert assignments in EA modelling projects, nor can they choose appropriate mining techniques and their respective input artefacts. This research proposes a decision support system whose core is a genetic algorithm. The proposal first establishes (based on a previous literature review) the mentioned missing relationships and EA model specifications. Such information is then employed using a genetic algorithm to decide about automatic, manual or hybrid modelling by selecting the most appropriate input artefacts, mining techniques and experts. The genetic algorithm has been optimized so that the system aids EA architects to maximize the accurateness and completeness of EA models while cost (derived from expert assignments and unnecessary automatic generations) are kept under control.