Poslovni informacijski sistemi Sistemi za podporo odločanja Utišajmo mobilne telefone ! Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Vsebina predmeta Osnove poslovnih informacijskih sistemov Strateško načrtovanje informatike Modeliranje poslovnih procesov Podatkovne baze in modeliranje podatkov Osnove jezika SQL Življenjski cikel razvoja informacijskih sistemov Vodenje projektov razvoja informacijskih sistemov Geografski informacijski sistemi Google Apps Sistemi za podporo pri odločanju Poslovni informacijski sistemi (UNG 2010/11)
Sistemi za podporo pri odločanju Vsebina predavanj Splošno o sistemih za podporo odločanja definicija in umestitev v kontekst PIS lastnosti, zgodovina, vrste, arhitektura primeri Podatkovna skladišča podatkovna kocka sprotna analiza podatkov (OLAP) vrtilna tabela in vrtilni grafikon primeri v Excelu in Accessu Izkopavanje podatkov Ekspertni sistemi Poslovni informacijski sistemi (UNG 2010/11)
Ponovimo: Vrste informacijskih sistemov Poslovni informacijski sistemi Sistemi za podporo odločanja Ponovimo: Vrste informacijskih sistemov Transakcijski sistemi Upravljalski informacijski sistemi Sistemi za podporo odločanju Ekspertni sistemi Sistemi za podporo pisarniškemu poslovanju Sistemi za osebno in skupinsko delo Od tega se bomo mi posvetili trem: DSS, ES, GDSS Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
PODPORA PODPORA ODLOČANJA POSLOVANJA IN UPRAVLJANJA Področja uporabe PIS J.L. Whitten, L.D.Bentley : System Analysis and Design Methods, Irwin/McGraw-Hill, 1998, stran 43 PODPORA POSLOVANJA PODPORA ODLOČANJA IN UPRAVLJANJA Poslovni informacijski sistemi (UNG 2010/11)
Sistemi za podporo odločanja in upravljanja Upravljalski informacijski sistemi MIS: Management Information Systems Direktorski informacijski sistemi EIS: Executive Information Systems ESS: Executive Support Systems Sistemi za podporo pri odločanju DSS: Decision Support Systems Ekspertni sistemi ES: Expert Systems Sistemi za skupinsko delo GDSS: Group DSS; Groupware DSS (širše) Poslovni informacijski sistemi (UNG 2010/11)
Kaj so sistemi za podporo pri odločanju? Poslovni informacijski sistemi Sistemi za podporo odločanja Kaj so sistemi za podporo pri odločanju? Sistemi za podporo pri odločanju so: informacijski sistemi, ki pomagajo uporabnikom pri sprejemanju odločitev. posebna oblika informacijskih sistemov uporabniki: predvsem managerji, tudi drugi delavci v organizacijah, posamezniki pomagajo pri odločanju, vendar ne odločajo sami Primeri sistemov, ki se odločajo sami. Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Kaj vse lahko pomaga pri odločanju? podatek, pomnjenje na primer: poišči mi določen podatek izračun, izpeljava, združevanje (“agregacija”) na primer: izračunaj vsoto podatkov poročilo kot urejena skupina podatkov pregledovanje in analiziranje podatkov vrtilne tabele vizualizacija grafični prikaz podatkov oz. rezultatov simulacija logično sklepanje ... SELECT ime, priimek, starost FROM pacient WHERE starost > 30 SELECT PAC_postna_stevilka, count(*) FROM pacient SELECT PAC_ime, PAC_priimek FROM pacient ORDER BY PAC_priimek ASC Poslovni informacijski sistemi (UNG 2010/11)
Poslovni informacijski sistemi Sistemi za podporo odločanja Odločanje Odločitev: Izbira ene izmed več variant (alternativ, možnosti, različic). Izbrati želimo tisto varianto, ki najbolj ustreza našim ciljem. Odločanje: Proces (aktivnost), ki obsega: spoznavanje odločitvenega problema zbiranje in preverjanje informacij identifikacija alternativ predvidevanje posledic odločitev odločitev obveščanje o odločitvi in razlogih zanjo realizacija odločitve vrednotenje odločitev Naštejte primere odločitev. Ali so katere izmed njih zahtevnejše od drugih? Zakaj? Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Lastnosti in zmožnosti DSS podpora odločevalcev pri reševanju strukturiranih in delno strukturiranih odločitvenih problemov podpora upravljalcem (managerjem) na vseh ravneh organizacije podpora posameznikov in skupin podpora med seboj neodvisnih (“vzporednih”) in zaporednih odločitev podpora različnih faz odločitvenega procesa prilagodljivost interaktivnost preprosta uporaba učinkovitost jasnost, transparentnost preprostost razvoja in prilagajanja spremembam možnost modeliranja in analiz Poslovni informacijski sistemi (UNG 2010/11)
Poslovni informacijski sistemi Sistemi za podporo odločanja Kratka zgodovina DSS 1950 1960 1970 1980 1990 2000 teorija: operacijske raziskave, odločitvena analiza praksa: razvoj interaktivnega računalništva osnove DSS prvi sistemi specializacija: MIS, EIS, ES, GDSS, ... podatkovna skladišča (“Data Warehouses”) sprotna analiza podatkov (OLAP) izkopavanje podatkov (“Data Mining”) Kam spadajo GIS? omrežni DSS (“Web-based DSS”) Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Poslovni informacijski sistemi Sistemi za podporo odločanja Vrste DSS (1) Glede na način iskanja rešitve odločitvenega problema Pasivni: nudijo podporo (npr. podatek, grafikon), vendar ne predlagajo rešitve Aktivni: predlagajo rešitve odločitvenega problema Kooperativni: kombinacija obeh: DSS predlaga rešitev uporabnik spremeni ali dopolni rešitev in jo vrne sistemu v oceno; možnih je več ciklov Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Poslovni informacijski sistemi Sistemi za podporo odločanja Vrste DSS (2) Glede na sestavine in prevladujoči način delovanja Osnovani na ... ... podatkih (“Data-driven DSS”) ... dokumentih (“Document-driven DSS”) ... modelih (“Model-driven DSS”) ... znanju (“Knowledge-driven DSS”) ... komunikaciji (“Communication-driven DSS”) in kombinirani. * Communications Driven DSS A C-D DSS is a type of DSS that enhances decision-making by enabling communication and sharing of information between groups of people. At its most basic level a C-D DSS could be a simple threaded e-mail. At its most complex it could be a web-conferencing application or interactive video. Communication-Driven DSS will exhibit at least one of the following characteristics: Supports coordination and collaboration between two or more people; Facilitates information sharing; Enables communication between groups of people; Supports group decisions. * Data-Driven DSS Data-driven DSS are a form of support system that focuses on the provision of internal (and sometimes external) data to aid decision making. Most often this will come in the form of a data warehouse – a database designed to store data in such a way as to allow for its querying and analysis by users. Another example of a data-driven DSS would be a Geographic Information System (GIS), which can be used to visually represent geographically dependant data using maps. * Document-Driven DSS Document-driven DSS are support systems designed to convert documents into valuable business data. While data-driven DSS rely on data that is already in a standardised format that lends itself to database storage and analysis, document-driven DSS makes use of data that cannot easily be standardised and stored. The three primary forms of data used in document driven DSS are: Oral (i.e. transcribed conversations); Written (i.e. reports, memos, e-mail and other correspondence); Video (i.e. TV commercials and news reports). None of these formats lend themselves easily to standardised database storage and analysis, so managers require DSS tools to convert them into data that can be valuable in the decision making process. Document-driven DSS is the newest field of study in Decision Support Systems. Examples of document-driven tools can be found in Internet search engines, designed to sift through vast volumes of unsorted data through the use of keyword searches. * Knowledge-Driven DSS Knowledge-driven DSS are systems designed to recommend actions to users. Typically, knowledge-driven systems are designed to sift through large volumes of data, identify hidden patterns in that data and present recommendations based on those patterns. * Model-Driven DSS Model-driven support systems incorporate the ability to manipulate data to generate statistical and financial reports, as well as simulation models, to aid decision-makers. Model-based decision support systems can be extremely useful in forecasting the effects of changes in business processes, as they can use past data to answer complex ‘what-if’ questions for decision makers. In addition to these basic types of DSS there are also two additional factors: whether the DSS is spreadsheet-based, web-based or something else entirely. Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Splošna arhitektura DSS Poslovni informacijski sistemi Sistemi za podporo odločanja Splošna arhitektura DSS baza podatkov dokumenti uporabniški vmesnik jedro DSS modeli Ključno: DSS ne vsebuje le podatkov, ampak tudi druge komponente; nadgradnja podatkov + komunikacijski del baza znanja Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Razvrstitev in opredelitev DSS: vprašalnik Poslovni informacijski sistemi Sistemi za podporo odločanja Razvrstitev in opredelitev DSS: vprašalnik Kakšne odločitve podpira DSS? Na kakšen način podpira odločitve? Kaj nudi uporabniku? Kdo je uporabnik sistema? Ali je uporabnik posameznik ali skupina? Ali je sistem: pasiven, kooperativen ali aktiven? Katere komponente vsebuje sistem: podatke? dokumente? modele? znanje? Ali sistem podpira komunikacijo? Ali sistem deluje na omrežju? Ali je sistem: MIS, EIS, GIS, ESS, ES, GDSS? Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primeri: Rezultati poslovanja: prodaja Poslovni informacijski sistemi Sistemi za podporo odločanja Primeri: Rezultati poslovanja: prodaja Kar gledamo, ni DSS, pač pa rezultat delovanja DSS. Naključno izbrani primeri z interneta. Prva ključna naloga gospodarskega inženirja: razpoznavanje zmožnosti sistema Vprašanja: Kakšne zmožnosti (podatke, elemente) mora imeti DSS, da lahko pripravi takšne prikaze? Ali in kako lahko take prikaze uporabimo za podporo pri odločanju? Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primeri: Struktura prihodkov in odhodkov Poslovni informacijski sistemi Sistemi za podporo odločanja Primeri: Struktura prihodkov in odhodkov ZPIZ 2010 Poslovni informacijski sistemi (UNG 2010/11) 17 Marko Bohanec 17
Primeri: Rezultati poslovanja Poslovni informacijski sistemi Sistemi za podporo odločanja Primeri: Rezultati poslovanja Poslovni informacijski sistemi (UNG 2010/11) 18 Marko Bohanec 18
Primeri: Analiza uporabe virov Poslovni informacijski sistemi Sistemi za podporo odločanja Primeri: Analiza uporabe virov Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primer: Analiza trendov Poslovni informacijski sistemi Sistemi za podporo odločanja Primer: Analiza trendov Ali znate narisati trend v Excelu? Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primer: Ocenjevanje požarne ogroženosti Poslovni informacijski sistemi Sistemi za podporo odločanja Primer: Ocenjevanje požarne ogroženosti http://www.arso.gov.si/vreme/napovedi%20in%20podatki/pozarna_ogrozenost.html Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primer: Medicinska diagnostika Poslovni informacijski sistemi Sistemi za podporo odločanja Primer: Medicinska diagnostika http://easydiagnosis.com/ Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primer: Avtocestni nadzorni sistem Poslovni informacijski sistemi Sistemi za podporo odločanja Primer: Avtocestni nadzorni sistem Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Na vrsti ste! Opredelite in razvrstite sistem za vrednotenje mobilnih telefonov Poslovni informacijski sistemi (UNG 2010/11)
Poslovni informacijski sistemi Sistemi za podporo odločanja Na vrsti ste! Večparametrski model za vrednotenje mobilnih telefonov Ključno: nadgradnja podatkov z modelom Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Poslovni informacijski sistemi Sistemi za podporo odločanja Na vrsti ste! Obiski pri zdravniku Druga ključna naloga gospodarskega inženirja: razpoznavanje priložnosti, ki jih nudijo podatki Tudi: vedeti, kaj hoče Ali bi lahko te podatke uporabili za podporo odločanja? Za podporo kakšnih odločitev? Katere informacije/funkcije bi lahko nudil takšen sistem? Predlagajte nekaj prikazov (grafikonov) Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Poslovni informacijski sistemi Sistemi za podporo odločanja Podatkovna skladišča Podatkovno skladišče (“Data Warehouse”) je zbirka podatkov, namenjena podpori odločanja (pri upravljanju podjetij). Lastnosti: vključuje podatke iz različnih virov namenjeno podrobni analizi velike količine podatkov urejeno po: predmetu obravnave (kupec, proizvod, prodaja, dobavitelj) času relativno statično (občasna ažuriranja, sicer poizvedovanje) Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Baza : Skladišče BAZA PODATKOV podpira delo s podatki vnos in branje podatkov dinamično spreminjanje vsebine struktura se redko spreminja veliko uporabnikov transakcijske obdelave vnaprej določeni izpisi ali poizvedovanja s SQL SKLADIŠČE PODATKOV podpira analizo podatkov branje podatkov podatki so statični, le občasno ažuriranje strukturo prilagajamo potrebam malo uporabnikov analitične in sintetične obdelave ad-hoc analize, korelacije, statistike, OLAP Poslovni informacijski sistemi (UNG 2010/11)
Podatkovna skladišča: osnovni pojmi podatkovna kocka (“Data Cube”) hierarhično urejene dimenzije (“Concept Hierarchy”) sprotna analiza podatkov (OLAP: “On Line Analytical Processing”) vrtilna tabela (“Pivot Table”) vrtilni grafikon (“Pivot Chart”) Poslovni informacijski sistemi (UNG 2010/11)
Podatkovna kocka (“Data Cube”) Poslovni informacijski sistemi Sistemi za podporo odločanja Podatkovna kocka (“Data Cube”) Prodaja [enot] CE Lokacija 605 825 14 400 680 952 31 512 812 960 30 501 927 995 38 580 1 MB 2 LJ Čas [četrtletje] 3 4 Kocka nima nujno treh dimenzij A B C D Izdelek Število dimenzij ni nujno 3 Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primer: od transakcij do podatkovne kocke Poslovni informacijski sistemi Sistemi za podporo odločanja Primer: od transakcij do podatkovne kocke transakcije podatkovna kocka Vsebina: vsota Kolicin Dimenziji: Datum Izdelek Kolicina Izdelek Datum Kaj je vsebina kocke? Ali je to edina možna vsebina? Koliko dimenzij ima kocka? Ali so to edine možne dimenzije? Naredimo tridimenzionalno kocko! Kaj nas še zanima? Na primer: delitev na hrano in pijačo; razne vsote Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Hierarhične dimenzije (“Concept Hierarchy”) LOKACIJA Prodajalna Kraj Regija Država LOKACIJA HIERARHIJA VSE Slovenija Centr. Gorenjska Italija Dolenjska LJ KR ... ČAS Dan Leto Mesec Četrtletje Teden Prod. B Prod. A Prod. C ... Poslovni informacijski sistemi (UNG 2010/11)
Dimenzije in elementi podatkovne kocke LOKACIJA Država Leto ČAS Regija Četrtletje Kraj Mesec Prodajalna Dan Prodano [enot] Elementi Prodaja [€] Ime Ime Kategorija Znamka KUPEC Skupina Vrsta IZDELEK Poslovni informacijski sistemi (UNG 2010/11)
Operacije OLAP A C B D Jan Mar Feb Apr Sep Nov Okt Dec CE MB LJ A C B D Jan Mar Feb Apr Sep Nov Okt Dec Drill-Down: razvij četrtletje v mesec A C B D 1 3 2 4 Štajerska Centr. Roll-Up: združi kraj v regijo CE MB LJ 1 3 2 4 A C B D Poslovni informacijski sistemi (UNG 2010/11)
Operacije OLAP 2 4 Slice: presek A C B D 1 3 2 4 A D B 1 2 Dice: izsek 5 7 3 2 4 Slice: presek A C B D MB CE MB LJ 1 3 2 4 A D B 1 2 MB LJ Dice: izsek 1 3 2 4 5 7 A C B D MB Pivot: obrni A C B D Poslovni informacijski sistemi (UNG 2010/11)
Vrtilna tabela (“Pivot Table”) Poslovni informacijski sistemi Sistemi za podporo odločanja Vrtilna tabela (“Pivot Table”) Dvodimenzionalni zbirni prikaz večdimenzionalnih podatkov (podatkovnih kock) Vsebuje področja: podatki: vsebina, prikazuje osnovne ali zbirne podatke vrstice: prva dimenzija stolpci: druga dimenzija strani: izbira (filtriranje) podatkov V vsakem področju je lahko več spremenljivk (polj osnovne tabele) Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Vaja: Naredimo vrtilno tabelo v Excelu Poslovni informacijski sistemi Sistemi za podporo odločanja Vaja: Naredimo vrtilno tabelo v Excelu Kaj pa, če želimo: več vsebine (npr. Cena)? hierarhične dimenzije (npr. hrana/pijača)? Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Podatkovne kocke in OLAP v Accessu Poslovni informacijski sistemi Sistemi za podporo odločanja Podatkovne kocke in OLAP v Accessu S programom Microsoft Access lahko: Simuliramo podatkovno kocko z relacijsko podatkovno shemo Model “zvezde” ali “snežinke”: centralna tabela vsebuje podatke, ki jih spremljamo in je relacijsko povezana s tabelami, ki opisujejo dimenzije Pregledujemo podatkovno kocko z: vrtilno tabelo vrtilnim grafikonom Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Vaja: Podatkovna kocka in OLAP v Accessu Poslovni informacijski sistemi Sistemi za podporo odločanja Vaja: Podatkovna kocka in OLAP v Accessu Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
MS Analysis Services: Podatkovne kocke Poslovni informacijski sistemi Sistemi za podporo odločanja MS Analysis Services: Podatkovne kocke Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
MS Analysis Services: OLAP in vrtilna tabela Poslovni informacijski sistemi Sistemi za podporo odločanja MS Analysis Services: OLAP in vrtilna tabela Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Izkopavanje podatkov (“Data Mining”) Poslovni informacijski sistemi Sistemi za podporo odločanja Izkopavanje podatkov (“Data Mining”) OLAP: nudi dober pregled nad podatki (“kaj se dogaja”) Izkopavanje podatkov: poglobljeno iskanje zakonitosti (vzorcev) v podatkih Nameni: napovedovanje (“forecasting”) klasifikacija (“classification”) razvrščanje v skupine (“clustering”) povezovanje (“associating”) izidov, ki se pogosto zgodijo hkrati iskanje vzročnih in časovnih odvisnosti (“sequencing”) Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Faze iskanja zakonitosti v podatkih Znanje ZNANJE: modeli, pravila, odvisnosti, vzorci, ... 3. Interpretacija, vrednotenje in predstavitev 2. Izkopavanje podatkov 1. Priprava podatkov Podatki VIRI PODATKOV Poslovni informacijski sistemi (UNG 2010/11)
1. faza: Priprava podatkov 1d. Transformacija 1c. Selekcija Pod. skladišče 1b. Integracija 1a. Čiščenje Baze podatkov Datoteke Zun. viri Poslovni informacijski sistemi (UNG 2010/11)
2. faza: Izkopavanje podatkov Uporaba številnih in raznovrstnih metod: statistične metode osnovne statistike korelacije diskriminantne in regresijske analize vizualizacija metode strojnega učenja: odločitvena drevesa odločitvena pravila asociacijska pravila nevronske mreže razvrščanje v skupine ... Poslovni informacijski sistemi (UNG 2010/11)
Asociacijska (povezovalna) pravila Tipični problem: analiza nakupovalnih košaric Košarica Artikel 1 mleko maslo 2 med 3 kruh 4 Naloga: Poiskati "zanimiva" pravila oblike če kupi mleko, potem kupi tudi maslo mleko maslo Tri pravila: mleko maslo [sup 75%, conf 75%] maslo mleko [sup 75%, conf 100%] med mleko [sup 50%, conf 100%] Poslovni informacijski sistemi (UNG 2010/11)
Odločitvena drevesa Dohodki Starost Stranka=da Stranka=ne 50.000 Oseba Starost Spol Dohodki Stranka Ana Kranjc 32 Ž 5.000 da Micka Kovač 53 500.000 Meta Novak 27 10.000 ne Jana Bevc 55 Peter Dolenc 26 M 50.000 Janez Gorenc 50 100.000 Dohodki Starost Stranka=da Stranka=ne 50.000 32 32 50.000 Odločitveno drevo: opisuje zakonitosti v obstoječih podatkih napoveduje (klasificira) nove primere Poslovni informacijski sistemi (UNG 2010/11)
Klasifikacijsko odločitveno drevo Oseba Starost Spol Dohodki Stranka Ana Kranjc 32 Ž 5.000 da Micka Kovač 53 500.000 Meta Novak 27 10.000 ne Jana Bevc 55 Peter Dolenc 26 M 50.000 Janez Gorenc 50 100.000 Dohodki Starost Stranka=da Stranka=ne 50.000 32 32 50.000 Poslovni informacijski sistemi (UNG 2010/11)
Regresijsko odločitveno drevo Oseba Starost Spol Dohodki Stranka Ana Kranjc 32 Ž 5.000 da Micka Kovač 53 500.000 Meta Novak 27 10.000 ne Jana Bevc 55 Peter Dolenc 26 M 50.000 Janez Gorenc 50 100.000 Spol Starost Dohodek=75.000 Dohodek=7.500 Dohodek=205.000 Ž 53 53 M Poslovni informacijski sistemi (UNG 2010/11) primer povzet po: Sašo Džeroski: Decision Trees
Primer Dobiček Starost Konkurenca Vrsta pada staro ne SW _______________________________________________________________________________________ pada staro ne SW pada srednje da SW narašča srednje ne HW pada staro ne HW narašča novo ne HW narašča novo ne SW narašča srednje ne SW narašča novo da SW pada srednje da HW pada staro da SW Poslovni informacijski sistemi (UNG 2010/11) povzeto po: Bojan Cestnik: Strojno učenje
Primer: Odločitveno drevo Starost Konkurenca pada narašča staro srednje, novo ne da srednje novo Uporaba: opisuje zakonitosti v obstoječih podatkih napoveduje (klasificira) nove primere Poslovni informacijski sistemi (UNG 2010/11) povzeto po: Bojan Cestnik: Strojno učenje
Primer: Igranje tenisa Rešitev? Vreme Temp Vlaga Veter Tenis sončno vroče visoka ne da oblačno dež zmerno hladno norm Vreme Vlaga da sončno Veter oblačno dež ne visoka norm Poslovni informacijski sistemi (UNG 2010/11)
Weka (1/2) http://www.cs.waikato.ac.nz/~ml/weka/ Poslovni informacijski sistemi (UNG 2010/11)
Weka (2/2) http://www.cs.waikato.ac.nz/~ml/weka/ Poslovni informacijski sistemi (UNG 2010/11)
Orange http://magix.fri.uni-lj.si/orange/ Poslovni informacijski sistemi (UNG 2010/11)
Rapid Miner http://rapid-i.com/index.php?lang=en Poslovni informacijski sistemi (UNG 2010/11)
MS Analysis Services: Odločitveno drevo Poslovni informacijski sistemi Sistemi za podporo odločanja MS Analysis Services: Odločitveno drevo Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
MS Analysis Services: Razvrščanje v skupine Poslovni informacijski sistemi Sistemi za podporo odločanja MS Analysis Services: Razvrščanje v skupine Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Ekspertni sistemi (ES, “Expert Systems”) Računalniški sistemi, ki: rešujejo probleme na (ozkem) strokovnem področju podobno kot strokovnjaki (eksperti) Zahteve: sposobnost sklepanja sposobnost presoje zmožnost delovanja pri nezanesljivih in nepopolnih podatkih zmožnost pojasnjevanja: delovanja in sklepanja: vprašanja “Kako?” in “Zakaj?” predlaganih rešitev Poslovni informacijski sistemi (UNG 2010/11)
Prvi ekspertni sistemi Razviti v okviru umetne inteligence MYCIN (1976) diagnosticiranje infekcij in izbor terapije AL/X (1980) odkrivanje okvar v kompleksnih proizvodnih procesih (naftne ploščadi) DENDRAL (od 1956) ugotavljanje kemijskih strukturnih formul iz spektrov PROSPECTOR (1980) geološke raziskave PUFF (1980) diagnoze pljučnih bolezni Poslovni informacijski sistemi (UNG 2010/11)
Uporaba ES Novejša področja uporabe: inteligentni sistemi in agenti poslovno odločanje (poslovna logika in pravila) vodenje procesov zahtevno inženirsko odločanje medicinska diagnostika računalniški vmesniki, “čarovniki” računalniške igre robotika ... Poslovni informacijski sistemi (UNG 2010/11)
Splošna arhitektura ES Poslovni informacijski sistemi Sistemi za podporo odločanja Splošna arhitektura ES Ekspertni sistem mehanizmi sklepanja uporabniški vmesnik baza znanja Primerjajte arhitekturo ES s splošno arhitekturo DSS Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Ključni koncepti ES Predstavitve znanja (“knowledge representation”): semantične mreže, taksonomije, ontologije okviri, predmeti pravila formalna logika Mehanizmi sklepanja (“inference”): sklepanje naprej sklepanje nazaj Upoštevanje negotovosti (“uncertainty propagation”) verjetnost (“probability”) mehka logika (“fuzzy logic”, “possibility”) Poslovni informacijski sistemi (UNG 2010/11)
Primeri predstavitve znanja v ES (1) Produkcijska (“če-potem”) pravila MYCIN (diagnostika infekcij) IF (1) infection = primary-bacteremia, and (2) site of culture is one of the sterilities, and (3) suspected portal of entry = gastrointestinal tract THEN there is suggestive evidence (0.7) that organism is bacteroides. OPTRANS (dodeljevanje posojil) ČE mesečni obrok > ½ maks. obroka POTEM je možno dodeliti kredit, vendar PREVERITI garancijo, družino in starost. Poslovni informacijski sistemi (UNG 2010/11)
Primeri predstavitve znanja v ES (2) Poslovni informacijski sistemi Sistemi za podporo odločanja Primeri predstavitve znanja v ES (2) Taksonomija: hierarhija pojmov in konceptov PROSPECTOR (geološke raziskave) Navedite primere taksonomij Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Primeri predstavitve znanja v ES (3) Ontologija: množica konceptov in relacij CYC Poslovni informacijski sistemi (UNG 2010/11)
Primeri predstavitve znanja v ES (4) Ontologija: množica konceptov in relacij Poslovni informacijski sistemi (UNG 2010/11)
Primeri predstavitve znanja v ES (5) Odločitveno drevo Poslovni informacijski sistemi (UNG 2010/11)
Primeri predstavitve znanja v ES (6) Odločitveno drevo Poslovni informacijski sistemi (UNG 2010/11)
Poslovni informacijski sistemi Sistemi za podporo odločanja Primeri ES Expertise 2GO http://www.expertise2go.com/webesie/ Wine Selection: http://www.expertise2go.com/webesie/e2gdoc/winepg.htm Choosing Data Analysis Technique: http://expertise2go.com/webesie/StatTech/ Loan Decision: http://expertise2go.com/webesie/loan/ Medical Diagnosis: http://easydiagnosis.com/ ECOGEN Soil Quality Index: http://ai.ijs.si/MarkoBohanec/ESQI/ESQI.php Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec
Prednosti in slabosti ES Poslovni informacijski sistemi Sistemi za podporo odločanja Prednosti in slabosti ES PREDNOSTI eksplicitno izražena baza znanja simbolično (kvalitativno) sklepanje razlaga odločitev delovanje z nenatančnimi in nezanesljivimi podatki dostopnost prilagodljivost POMANJKLJIVOSTI ozka problemska področja relativno zahteven razvoj znanje, kadri “Figenbaumovo ozko grlo” potreba po strojnem učenju Ali so ES DSS? Poslovni informacijski sistemi (UNG 2010/11) Marko Bohanec