prof. dr. Vladislav Rajkovič Ekspertni sistemi prof. dr. Vladislav Rajkovič http://lopes1.fov.uni-mb.si

Cilji Študentje pri tem predmetu spoznajo: metode in tehnike umetne inteligence s posebnim poudarkom na tehnologijah znanja in ekspertnih sistemih kaj lahko in česa ne moremo pričakovati od sodobnih tehnologij za upravljanje znanja v poslovnem svetu zgradbo in delovanje ekspertnih sistemov postopke in orodja za razvoj poslovnih ekspertnih sistemov V.Rajkovič

Metoda dela Predavanja Izdelava seminarske naloge Ustni izpit in zagovor seminarske naloge V.Rajkovič

Literatura ES 1/3 Krapež, A., Rajkovič, V., Tehnologije znanja pri predmetu informatika, Zavod RS za šolstvo, 2003 Jereb, E., Bohanec, M., Rajkovič, V., DEXi – računalniški program za večparametrsko odločanje, Moderna organizacija, 2003 Rajkovič, V., Tim in sodobna informacijska tehnologija, v: Mayer, J. (edt), Skrivnost ustvarjalnega tima, 2001, 90-102 Bratko, I., Prolog: Programming for Artificial Intelligence, Addison-WEsley, 1999 Bratko, I., Mozetič, I., Lavrač, N., Kardio, MTI, 1989 Bohanec, M., Zupan, B., Rajkovič, V., Applications of Qualitative Multi-attribute Decision Models in Health Care, Int. Journal of Medical Informatics 58-59, 2000, 191-205 V.Rajkovič

Literatura ES 2/3 Beerel, A., Expert Systems in Business: Real world applications, Ellis Horwood, 1993 Masuch, M., Warglien, M., (eds), Artificial intelligence in organizational and management Theory, North-Holland, 1992 Jereb, E., Rajkovič, U., Rajkovič, V, A hierarhical multi-attribute system approach to porsonnel selection, International Journal of Selection and Assessment 13 (3): 198-205, 2005 Rajkovič, V., Šušteršič, O., Informacijski sistem patronažne zdravstvene nege, Moderna organizacija, 2000 Quintas, P., Ray, T., Managing Knowledge: An Essential Reader, Sage Publications, 2002 V.Rajkovič

Literatura ES 3/3 Simon A. R., Shaffer S. L., Data Warehousing and Business Intelligence for e-Commerce, Morgan Kaufmann, 2001 Baum E. B., What is thought?, MIT, 2004 različni avtorji, Data Mining: Next generation and Future Directions, Ed: Kargupta H., Joshi A., Sivakumar K., Yesha Y., AAAI Press / MIT Press, 2004 Konar A., Computational Intelligence: Principles, Techniques and Applications, Springer, 2005 Witten I. H., Frank E., Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2005 V.Rajkovič

Razbremenitev pri delu. Računalniška pismenost. Delamo stvari, ki jih do sedaj nismo. Intenzivna uporaba znanja. Ravni uporabe IKT http://research.microsoft.com/towards2020science/downloads.htm V.Rajkovič

Znanje razumemo kot ustrezno organizirane podatke oz Znanje razumemo kot ustrezno organizirane podatke oz. informacije za reševanje kakega problema. Upravljanje z znanjem (knowledge management) je proces sinergetskega povezovanja med metodami in tehnikami procesiranja podatkov in informacij s sodobno informacijsko in telekomunikacijsko tehnologijo (ITKT) in ustvarjalnimi ter inovativnimi sposobnostmi človeka. Gre za sprejemanje izzivov ITKT za povečanje človekovih umskih sposobnosti za obvladovanje problemov vse bolj kompleksnega sodobnega sveta. V.Rajkovič

Umetna inteligenca (UI) Je znanstvena disciplina, ki se ukvarja z metodami tehnikami orodji arhitekturami … za reševanje logično zapletenih problemov, ki bi jih bilo težko ali celo nemogoče rešiti s klasičnimi metodami V.Rajkovič

Cilji umetne inteligence “inteligentno” obnašanje računalnikov večja uporabnost računalnikov proučevanje principov inteligence boljše razumevanje človekovega inteligentnega obnašanja V.Rajkovič

Teme umetne inteligence: Hevristično reševanje problemov Predstavitev znanja in mehanizmi sklepanja Ekspertni sistemi (ES) Procesiranje naravnega jezika Strojno učenje in sinteza znanja Inteligentni roboti Računalniški vid Avtomatsko programiranje Nevronske mreže . . . http://www.kurzweilai.net/meme/frame.html?main=/articles/art0683.html V.Rajkovič

Signali za krmiljenje motorjev v zglobih roke motorji v zglobih položaj roke položaj kocke ROKA ROBOTA KAMERA Signali za krmiljenje motorjev v zglobih roke RAČUNALNIK Slika iz kamere V.Rajkovič

vogal V1 9 cm 21 cm 6 6 6 6 6 6 2 2 2 2 2 2 2 2 6 6 6 6 6 6 2 2 2 2 2 2 2 1 4 5 6 6 6 6 2 2 2 2 1 1 1 1 3 3 3 4 5 6 2 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 V.Rajkovič 666666222222226666662222222266666622222221456666222211113334562111111133..

ES Kaj je ekspertni sistem? UPORABNIK KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA ES V.Rajkovič

del ES, ki vsebuje znanje izbrane domene, npr.: pravilo 1: Baza znanja (knowledge base) del ES, ki vsebuje znanje izbrane domene, npr.: pravilo 1: ČE avto noče vžgati, POTEM je problem verjetno v električnem sistemu pravilo 2: ČE je problem verjetno v električnem sistemu IN je napetost akumulatorja pod 10V, POTEM je razlog prazen akumulator UPORABNIK ES KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA V.Rajkovič

na osnovi baze znanja izvaja sklepe o problemu, ki ga rešujemo UPORABNIK ES KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA Mehanizmi sklepanja (inference engine) na osnovi baze znanja izvaja sklepe o problemu, ki ga rešujemo primer dialoga med ES in uporabnikom UPORABNIK: Avto noče vžgati. ES: Je napetost akumulatorja pod 10V? UPORABNIK: Da, tako je. ES: Napaka je prazen akumulator. V.Rajkovič

ES: Ker avto noče vžgati, domnevam, da je napaka UPORABNIK ES KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA Razlaga KAKO? UPORABNIK: Kako? ES: Ker avto noče vžgati, domnevam, da je napaka v električnem sistemu. Ko sem odkril, da je napetost akumulatorja pod 10V, vem, da je akumulator prazen. Razlaga ZAKAJ? ES: Ali avto noče vžgati? UPORABNIK: Zakaj? ES: Če vem, da avto noče vžgati, potem ponavadi domnevam, da je problem v električni napeljavi. V.Rajkovič

MYCIN ES za predpisovanje antibiotikov 1. Pacientovo ime: **Janez Porenta 2. Spol: **moški 3. Starost: **60 MYCIN ES za predpisovanje antibiotikov 4. Od kod je vzet vzorec KULTURE 1? **kri 5. Pred koliko dnevi? **2 6. Navedite organizem 1 najden v krvi: **UNK 7. Navedite značilnosti tega organizma (acidfast, grampoz, gramneg): **gramneg 8. Je organizem paličast, kokusbakt., itd.: **paličast 9. Obstaja KULTURA 2? **da 10. Od kod je vzet vzorec KULTURA 2? **slina V.Rajkovič

Primer pravila v MYCIN-u atribut objekt vrednost verjetnost predmet opaz. kultura kri (1.0) morfolorija organizem paličast (1.0) lastnost organizem gramneg (0.7) identiteta organizem pseudomonas (0.6) ČE POTEM V.Rajkovič

Terapevtski nasvet je osnovan na naslednjih postavkah: org 1 je morda PSEUDOMANS (0.357) org 2 je morda KLEBSIELLA (0.177) org 3 je morda ENTEROBACTER (0.166) . . . Sledijo vprašanja o alergijah pacienta na antibiotike, zatem pa različne mešanice antibiotikov Razlage: Na osnovi katerih pravil, vprašanj in odgovorov je prišel MYCIN do zaključkov (organizmov in verjetnosti). Predlog 2: Predlog 2: Predlog 1: 1. GENTAMICIN 1.7mg/kg Q 8 H - IV ali IM 2. CARBENICILIN 25 mg/kg Q 2 H -IV

Dejstva: A B C Zakonitosti: 1) A je na B 2) B je na C 3) C je na MIZI 1) če ne obstaja Y, tako da je Y nad X, potem je X prazen 2) za vsak X in Y: če je X na Y, potem je X nad Y 3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y, potem je X nad Y B C MIZA V.Rajkovič

Prolog: A B C jena (a,b). jena (b,c). jena (c,miza). prazen (x) :- not ( jena ( _,x) ). nad (x,y) :- jena (x,y). nad (x,y) :- jena (x,z), nad (z,y). ?-nad (a,c). B C MIZA V.Rajkovič

Shemi za reševanje problemov: Konjunktivno-disjunktivni (AND/OR) graf Prostor stanj V.Rajkovič

Konjunktivno-disjunktivni graf: MIZA A B C A nad C Z 2 Z 3 A na C A na Z Z nad C A na B Z na C B na C . . . or and Z=B NE DA Z2) za vsak X in Y: če je X na Y, potem je X nad Y Z3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y, potem je X nad Y

Prostor stanj: C B A A B C B A C B A C B C A C A B A B C A B C C A B C MIZA A B C C B A A B C B A C B A C B C A C A B A B C A B C C A B C A B A B C A C B B A C V.Rajkovič

Sheme za predstavitev znanja: Zahteve: Učinkovita uporaba   Učinkovita uporaba Dopolnjevanje in spreminjanje Razumljivost Verifikacija V.Rajkovič

Sheme za predstavitev znanja: Pravila Semantične mreže Okviri Predikatni račun V.Rajkovič

Pravila (rules): pogoj, premisa ČE je desna roka opazovane osebe večja kot leva sklep, akcija, conclusion, action POTEM oseba opravlja ročno delo npr. tabela iz MYCIN-a V.Rajkovič

Pravila za vnovčitev čeka: (1) ČE ček ustrezno izpolnjen IN plačnik znan IN stanje pozitivno POTEM ga izplačaj (2) ČE ček prav datiran IN podpis ustrezen IN vsota jasna IN prinašalec identificiran POTEM je ček ustrezno izpolnjen (3) ČE je datum čeka današnji ALI ni starejši od 90 dni POTEM je ček prav datiran V.Rajkovič

Vsako pravilo predstavlja majhen relativno neodvisen del znanja Prednosti pravil: Vsako pravilo predstavlja majhen relativno neodvisen del znanja Dodajanje in spreminjanje pravil je relativno enostavno Podpira transparentnost sistema. Kako si prišel do rešitve? Zakaj potrebuješ nek podatek? V.Rajkovič

Primer semantične mreže: ŽIVAL LETETI KRILA PERJE zna ima NOJ VELIK je ne zna KANARČEK PETI RUMEN PTICA RIBA DIHANJE KOŽA SE PREMIKA kaj dela kaj ima V.Rajkovič

Semantične mreže (semantic networks): lastnik NN PLAŠČ stanje rokavov OGULJENI stanje gumbov MANJKAJO opisujemo hierarhične strukture pri obravnavanju naravnega jezika sklepanje na področju teorije množic V.Rajkovič

Okviri (frames): PLAŠČ Odprtina (slot) Vrednost (entry) LASTNIK NN STANJE ROKAVOV OGULJENI STANJE GUMBOV MANJKAJO . . . . . . VELIKOST na osnovi mer uporabi tabelo 14 Objektni način Vrednost je lahko tudi postopek Obravnavanje kompleksnih sistemov V.Rajkovič

Predikatni račun (predicate calculus): Uporablja formalno logiko IZREK je odgovor na vprašanje, ki ga izpeljem iz dejstev in zakonitosti. Prednost so hitri algoritmi. Pomanjkanje mehanizmov za modeliranje mehkega znanja. V.Rajkovič

(vsak x) clovek (x) :- zmotljiv (x) ali človek (Sokrat) (vsak x) clovek (x) :- zmotljiv (x) ali 2. ( x) zmotljiv (x) V človek (x) Zmotljiv (Sokrat)? Sokrat je človek Vsak človek je zmotljiv Vprašanje: Ali je Sokrat zmotljiv? protislovje človek (Sokrat) zmotljiv (x) V človek (x) zmotljiv (Sokrat) x = Sokrat človek (Sokrat) V.Rajkovič

Predstavitve znanja: Semantične mreže so najbolj splošne. Vozli in povezave rabijo za predstavitev dejstev in povezav med njimi. Logična pravila in okvirji so poseben primer mreže. Okvirji so prikladnejši za kompleksnejše sisteme. Predikatni račun nima verjetnosti. V.Rajkovič

Tri učne zanke: ZAJEMANJE ZNANJA BAZA ZNANJA (BZ) PREDSTAVITEV BZ TEHNOLOG ZNANJA EKSPERT(I) Tri učne zanke: ZAJEMANJE ZNANJA BAZA ZNANJA (BZ) PREDSTAVITEV BZ SKLEPANJE V.Rajkovič

Izgradnja baze znanja: KNOW HOW tehnolog znanja artikulacija SAY HOW BZ Feigenbaumovo ozko grlo strojno učenje ekspert primeri SHOW HOW model KNOW HOW V.Rajkovič

Jeziki za programiranje ES: Osnovne lastnosti: nenumerični podatki vračanje (po drevesu) ni razlike med postopki in podatki drevesne strukture – rekurzija Jeziki kot so npr. Pascal in C praviloma niso dovolj fleksibilni. programski jezik LISP PREMISE (SAND (SAME CNTXT INFECT PRIMARY-BACTERIA) (MEMBF CNTXT SITE STERILESITES) (SAME CNTXT PORTAL GI)) ACTION (CONCLUDE CNTXT IDENT BACTEROIDES TALLY .7) LISP MACHINE (MIT) V.Rajkovič

programski jezik PROLOG PROLOG : vsi ostali (z LISPom vred) razvit 1975 na univerzi v Marseille-u (Kowalsky) matematična osnova je formalna logika – predikatni račun nedeterminizem in avtomatsko vračanje neproceduralna (deklarativna) narava drugi jeziki: KAKO povezati podatke z rezultati, korak po koraku PROLOG: relacija med podatki in rezultati Wirth: program = algoritem + podatkovne strukture Kowalsky: algoritem = logika + upravljanje (Control) V.Rajkovič

f x y f x y f {x}=? {y}=? f(x,y) DA NE PASCAL: y := f(x) f PROLOG: f(x,y) x in y sta v relaciji f f x y f x y f {x}=? {y}=? f(x,y) DA NE V.Rajkovič

Primer: vzorčno vodeni sistem a: -b. b implicira a b: -c. b: -d. d: -e. d: -f. e: e gotovo drži f: c: Vprašanje: ? –a. ali je a res (drži), odgovor je “da” e f d c b a Sistem logično izpelje a iz dejstev e,f in c ter ostalih pravil. V.Rajkovič

Primer: sorodstveno drevo Relacije: starš (Tom, Boris) starš (Tom, Liza) starš (Boris, Ana) starš (Boris, Peter) 1) succ (x,y) :- starš (y,x) 2) succ (x,y) :- starš (y,z), succ (x,z) Tom Boris Liza Ana Peter 1) Za vse pare x in y je x naslednik (succ) y, če je y starš x-a 2) Za vse pare x in y je x naslednik y, če eksistira tak z, da je y starš z in x naslednik z Vprašanje: ? – starš (Boris, x) Odg. Prologa: x = Ana; x = Peter ? – succ (Peter, y) y = Boris; y = Tom V.Rajkovič

DEX: Lupina ekspertnega sistema za večparametrsko odločanje 19871995, DOS DEXi: Računalniški program za večparametrsko odločanje 1999, Windows V.Rajkovič

V.Rajkovič

Osnove sistemov DEX in DEXi VEČPARAMETRSKO ODLOČANJE modeliranje s kriteriji in funkcijami koristnosti strukturiranje odločitvenega problema (drevo kriterijev) vrednotenje variant EKSPERTNI SISTEMI kvalitativne (simbolične) merske lestvice funkcije koristnosti predstavljene s pravili tipa če-potem odločitveni model = baza znanja poudarek na razlagi in analizi rezultatov vrednotenja (DEX) V.Rajkovič

Faze odločitvenega procesa 0. IDENTIFIKACIJA PROBLEMA IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV) spisek kriterijev struktura kriterijev (drevo kriterijev) merske lestvice DEFINICIJA ODLOČITVENIH PRAVIL OPIS VARIANT ANALIZA VARIANT V.Rajkovič

1.a Spisek kriterijev Spisek kriterijev, ki vplivajo na odločitev (neurejen) Nakup prenosnega računalnika hitrost velikost diska cena zanesljivost zaslon barve servis razširljivost baterija procesor proizvajalec miška tipkovnica velikost pomnilnika  Pazimo, da ne spregledamo pomembnih, bistvenih kriterijev V.Rajkovič

1.b Drevo kriterijev Združimo kriterije, ki “spadajo skupaj” PRENOSNIK CENA TEH. KAR. DODATKI NOT. ENOTE ZUN. ENOTE PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA AVTONOMIJA Združimo kriterije, ki “spadajo skupaj” Pazimo na strukturo: praviloma dva do trije nasledniki notranjega vozlišča V.Rajkovič

1.c Merske lestvice PRENOSNIK CENA TEH. KAR. DODATKI NOT. ENOTE ZUN. ENOTE PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA AVTONOMIJA 5000 visoka , 4000, ali , srednja, 3000 nizka nespr , spr, dob , spr, dob, odl 2h , 3h, 4h Zaloge vrednosti so diskretne, praviloma urejene od slabih proti dobrim Število vrednosti naj raste počasi od listov proti korenu V.Rajkovič

2. Odločitvena pravila ZASLON TIPKOV. ZUN.ENOTE nespr slabša spr dob srednja boljša V.Rajkovič

3. Opis variant  Prenosnik CENA PROC. POMN. DISK ZASLON 1. visoka dob AVTONOMIJA PRENOSNIK CENA TEH. KAR. DODATKI NOT. ENOTE ZUN. ENOTE PROCESOR POMNILNIK ZASLON TIPKOVNICA  Prenosnik CENA PROC. POMN. DISK ZASLON 1. visoka dob spr 2. srednja nespr 3. nizka V.Rajkovič

4. Vrednotenje in analiza variant VREDNOTENJE VARIANT poteka od listov proti korenu drevesa rezultat je kvalitativna ocena vsake variante vrednotenje lahko poteka tudi ob nenatančnih in nepopolnih podatkih o variantah ANALIZA VARIANT interaktivno pregledovanje rezultatov analiza tipa kaj-če selektivna razlaga vrednotenja (DEX) V.Rajkovič

4. Osnovno vrednotenje variant PRENOSNIK CENA TEH. KAR. DODATKI NOT. ENOTE ZUN. ENOTE PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA AVTONOMIJA spr nizka odl nespr dob sred 4h V.Rajkovič

4. Analiza kaj-če nespr dob sred spr odl nizka 4h V.Rajkovič PRENOSNIK CENA TEH. KAR. DODATKI NOT. ENOTE ZUN. ENOTE PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA AVTONOMIJA spr nizka odl nespr dob sred 4h V.Rajkovič

4. Selektivna razlaga vrednotenja PRENOSNIK CENA TEH. KAR. DODATKI NOT. ENOTE ZUN. ENOTE PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA AVTONOMIJA spr nizka odl nespr dob sred 4h V.Rajkovič

DEXi: Računalniški program za večparametrsko odločanje Preprost program za delo z odločitvenimi modeli, ki omogoča: izdelavo in preurejanje drevesa kriterijev urejanje zalog vrednosti kriterijev in odločitvenih pravil zajemanje podatkov o variantah vrednotenje variant tabelarični pregled rezultatov vrednotenja z analizo tipa kaj-če grafični prikaz rezultatov vrednotenja V.Rajkovič

DEXi: Izdelava in preurejanje drevesa kriterijev V.Rajkovič

DEXi: Urejanje zalog vrednosti in odločitvenih pravil V.Rajkovič

DEXi: Urejevalnik variant V.Rajkovič

DEXi: Vrednotenje variant V.Rajkovič

DEXi: Grafični prikaz vrednotenja variant V.Rajkovič

DEX in DEXi: Nekaj izkušenj POTREBNI ČAS ZA IZVEDBO POSTOPKA močno odvisen od problema (nekaj ur do nekaj mesecev) tipično 2 do 15 delovnih dni NAJZAHTEVNEJŠA FAZA: izdelava drevesa kriterijev PRIMERNI ODLOČITVENI PROBLEMI veliko kriterijev (> 15) veliko variant (> 10) kvalitativno odločanje, presoja nenatančni in nepopolni podatki skupinsko odločanje (razlaga) dovolj časa za izvedbo postopka V.Rajkovič

DEX in DEXi: Področja uporabe RAČUNALNIŠTVO izbor računalnika izbor strojne in programske opreme VREDNOTENJE PROJEKTOV ocena kvalitete oz. izvedljivosti projekta ocena investicije vrednotenje ponudb vrednotenje proizvodnih programov (portfolio) VREDNOTENJE PODJETIJ izbor poslovnega partnerja boniteta bank ocenjevanje uspešnosti podjetij KADROVSKO ODLOČANJE ocenjevanje primernosti, uspešnosti delavcev izbor ekspertne skupine vrednotenje prošenj in vlog MEDICINA, ZDRAVSTVO ocenjevanje rizičnosti spremljanje osnovnih življenjskih aktivnosti OSTALA PODROČJA vrednotenje tehnologij izbor lokacije ocena prioritet pri dodeljevanju posojila V.Rajkovič

Upravljanje s portfeljem Življenje ustvarja red, toda red ne ustvarja življenja. (Antoine de Saint-Exupéry) V.Rajkovič

podvajanje ali opuščanje Konkurenčna sposobnost Matrika portfelja podvajanje ali opuščanje intenziviranje vodilnost nadaljevanje postopno opuščanje rast racionalizacija finančni vir nizka zmerna visoka Tržna privlačnost nizka zmerna visoka Konkurenčna sposobnost C B A A strategija rasti (vlaganja) B strategija selektivnosti C strategija opuščanja

Tradicionalen pristop VHODNI PODATKI X p1 p2 p3 1. Življenjski cikel 40 20 50 2. Atraktivnost cene 20 55 60 3. Proizvodne zmogljivosti 90 60 60 4. St. rasti povpraševanja 80 50 30 5. Obseg tržišča 20 75 50 . n Od kod izvirajo številke? Tržna privlačnost n i=1 Wi Ki V.Rajkovič

podvajanje ali opuščanje Konkurenčna sposobnost Matrika portfelja podvajanje ali opuščanje intenziviranje vodilnost nadaljevanje postopno opuščanje rast racionalizacija finančni vir nizka zmerna visoka Tržna privlačnost nizka zmerna visoka Konkurenčna sposobnost C B A V.Rajkovič

Tržna privlačnost V.Rajkovič

Konkurenčna sposobnost V.Rajkovič

Model evalvacije strateške pozicije podjetja Ekonomska moč podjetja 5 4 3 2 1 Atraktivnost panoge Tržna moč podjetja 5 4 3 2 1 0 1 2 3 4 5 Makroekonomsko okolje

Model evalvacije strateške pozicije podjetja Ekonomska moč podjetja 5 4 3 2 1 Atraktivnost panoge Tržna moč podjetja 1988 1989 1990 1991 5 4 3 2 1 0 1 2 3 4 5 Makroekonomsko okolje

Vredana V.Rajkovič

Pridobitve Parametri (dejavniki) ohranijo svoje “naravne” vrednosti Strukturiranje parametrov Transparentna razlaga agregiranih vrednosti Selektivni večnivojski prikazi Razlaga strateškega položaja V.Rajkovič

Zaključek Pomoč miselnim procesom managerja pri razumevanju odločitev Ni garancije za dobro odločitev; z ustreznim razumevanjem lahko le zmanjšamo možnost napake V.Rajkovič

dolgotrajni spomin (DS) Model nekaterih človekovih miselnih procesov: zavestno upravljanje aktivacijski vmesnik senzorski signali podatki o okolju podatki za okolje 7 + 2 proces potrjevanja in generiranja konceptov dejstva in koncepti dolgotrajni spomin (DS) kratkotrajni spomin (KS) podatki o okolju V.Rajkovič

Reševanje problema: primer “aritmetike dni v tedna” Po To Sr Če Pe So Ne 1 2 3 4 5 6 7 Sr + To = ? Načini reševanja: 1. Postopkovni: 3 + 2 = 5 2. Podatkovni – tabela kombinacij: 3. S pravili (5 pravil in 3 izjeme): Pe Po To Sr . . . Po To Sr Če . . . To Če Pe . . . Sr So . . . . . . če je eden izmed seštevancev Po potem je rezultat naslednji dan V.Rajkovič

Učenje: Direktno ali rutinsko učenje (rote learning) Sklepanje ni potrebno. Običajno programiranje in shranjevanje podatkov. Učenje na podlagi povedanega (learning by being told) Povedano znanje je treba na osnovi predznanja z induktivnim sklepanjem organizirati tako, da ga je možno uporabiti brez eksplicitnih algoritmov. Sprejemanje pravil in dejstev od učitelja. Učenje na osnovi razlage (explanation-based learning) Primer rešitve problema  razlaga z znanjem te domene  posplošitev razlage, kar omogoča reševanje celotnega razreda problemov. V.Rajkovič

Učenje: Učenje po analogiji (learning by analogy) Že obstoječe znanje pretvorimo v obliko, da ga je možno uporabiti za nov podoben problem. Učenje iz primerov (learning from examples) Primeri opisujejo koncept. Nato ga izluščimo npr. z induktivnim sklepanjem. Učenje s samostojnim odkrivanjem (learning from observation & discovery) Učitelja ni. Sami odkrivamo nove koncepte. Raziskovalno delo: postavljanje hipotez, testiranje hipotez, sestavljanje novih teorij. Npr. Avtomatic mathematician, na podlagi temeljnih konceptov teorije množic in s pomočjo hevristik sam odkrije koncepte kot so število, seštevanje, odštevanje, množenje, potenca, praštevila ... V.Rajkovič

Kvalitativno modeliranje: Kvantitativno: enačbe, domena spremenljivk je množica npr. realnih števil Kvalitativno: relacije med spremenljivkami, domena je prostor količin Mozetič, I., Principi kvalitativnega modeliranja, Informatica, 4/84, pp. 79-85 Bratko, I., Qualitative Modelling, Zbornik. med. konf. o razvoju organizacijskih znanosti, Portorož, 2005 150 160 170 180 190 200 VIŠINA nizek visok zelo visok Človek doseže predmet: Če VIŠINA (zelo visok) Če VIŠINA (visok) in pručka Če VIŠINA (nizek) in stol V.Rajkovič

V.Rajkovič The Economist,Vol .: 380, No.8496, Sept. 2006

Sistem KARDIO: Atria Ventricles SA node P wave AV node PR interval Atr. focus AV-junction Vent. focus Bundle branches AV conduction Atria P wave PR interval P-QRS relat. regular ectopic Rhythm QRS complex AV node Ventricles T wave PR interval QRS complex P wave SA node Bundle bran. summator impulse generator conduction pathway heart subsystems V.Rajkovič

V.Rajkovič

Odkrivanje zakonitosti iz podatkov Orodja: glavne značilnosti in razlike Statistika matematična disciplina omejen izbor modelov (po značilnostih, ne po številu!) zna preveriti vnaprej sestavljene hipoteze, ne zna pa jih sestavljati šestdeseta: “data fishing” Strojno učenje ad hoc (v primerjavi s statistiko) bolj zapleteni modeli (po izraznosti, ne po razložljivosti ali izpeljavi!) sestavlja (“išče”) hipoteze, ne zna pa jih preveriti Vizualizacija prikazuje podatke v človeku razumljivi obliki ne sestavlja modelov in jih ne preverja najpreprostejša, najučinkovitejša in najlažje zavajajoča tehnika V.Rajkovič povzeto po: Janez Demšar: Odkrivanje zakonitosti iz podatkov

Francoski paradoks Francozi (domnevno) jedo bolj mastno hrano, vendar imajo manj težav s srcem in ožiljem. Naivni iskalec zakonitosti: jejmo več mastnega! Razlaga (1992): Francoskih src ne poživlja maščoba, temveč rdeče vino, ki vsebuje resveratrol. Tudi v to še vedno dvomimo, zato se izvajajo nadaljnji poskusi o biokemičnem delovanju resveratrola. Odkrite zakonitosti morajo biti podprte s teorijo! V.Rajkovič

Pasti “If you torture your data long enough, it will eventually confess.” (James L. Mills) Rešitev pravilna uporaba statistike (resen problem!) utemeljevanje modelov s teorijo “Lahko ti povem biološko razlago za vsak graf, ki mi ga prineseš.” (G. Shaulsky) jemanje izpeljanega s ščepcem soli V.Rajkovič

CRISP-DM CRoss Industry Standard Process for Data Mining V.Rajkovič

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 V.Rajkovič povzeto po: Bojan Cestnik: Strojno učenje

Primer: Odločitveno drevo Starost Konkurenca pada narašča staro srednje, novo ne da srednje novo V.Rajkovič povzeto po: Bojan Cestnik: Strojno učenje

Učenje odločitvenih dreves Oseba Starost Spol Dohodki Stranka Ana Kranjc 32 Ž 10.000 da Micka Kovač 53 1.000.000 Meta Novak 27 20.000 ne Jana Bevc 55 Peter Dolenc 26 M 100.000 Janez Gorenc 50 200.000 V.Rajkovič primer povzet po: Sašo Džeroski: Decision Trees

Klasifikacija in regresija razred C je diskretna spremenljivka pravilo (Oseba, Starost, Spol, Dohodki)  Stranka Regresija: "razred" C je zvezna spremenljivka pravilo (Oseba, Starost, Spol, Stranka)  Dohodki V.Rajkovič

Klasifikacijsko odločitveno drevo Oseba Starost Spol Dohodki Stranka Ana Kranjc 32 Ž 10.000 da Micka Kovač 53 1.000.000 Meta Novak 27 20.000 ne Jana Bevc 55 Peter Dolenc 26 M 100.000 Janez Gorenc 50 200.000 Dohodki Starost Stranka=da Stranka=ne  100.000  32  32  100.000 V.Rajkovič

Regresijsko odločitveno drevo Oseba Starost Spol Dohodki Stranka Ana Kranjc 32 Ž 10.000 da Micka Kovač 53 1.000.000 Meta Novak 27 20.000 ne Jana Bevc 55 Peter Dolenc 26 M 100.000 Janez Gorenc 50 200.000 Spol Starost Dohodek=150.000 Dohodek=15.000 Dohodek=510.000 Ž  53  53 M V.Rajkovič primer povzet po: Sašo Džeroski: Decision Trees

Učenje odločitvenih dreves KLJUČNI KONCEPTI Gradnja drevesa algoritem izbiranje atributov Preverjanje kakovosti drevesa učna in testna množica klasifikacijska točnost Rezanje drevesa rezanje naprej rezanje nazaj V.Rajkovič

Mere kvalitete odločitvenih dreves Klasifikacijska točnost: Kako točno drevo klasificira nove primere? Razumljivost: Ali ekspert razume drevo in njegovo vsebino? Ali ga lahko interpretira, utemelji? Velikost: Povezano z razumljivostjo: zaželena čim manjša drevesa! V.Rajkovič

Od dreves k pravilom PRAVILA ODLOČITVENI SEZNAM if Dohodki  100.000 then Stranka=da if Dohodki  100.000 and Starost  32 then Stranka=da if Dohodki  100.000 and Starost  32 then Stranka=ne ODLOČITVENI SEZNAM else if Starost  32 then Stranka=da else Stranka=ne Dohodki Starost Stranka=da Stranka=ne  100.000  32  32  100.000 V.Rajkovič povzeto po: Marko Bohanec: Strojno učenje

Področja uporabe Analiza poslovanja, proizvodnje, trga Analiza poslovnih partnerjev, strank Predvidevanje izjemnih dogodkov, zlorab Trženje, odnosi z javnostjo Znanstvene raziskave medicina (diagnostika, prognoza, odločanje) farmacija (učinkovine, načrtovanje zdravil) genetika (določanje funkcij genov, genskih mrež,  farmacija) ekologija Številna druga področja internet (npr. Google...) V.Rajkovič

Sistemi za odkrivanje zakonitosti iz podatkov Komercialni sistemi Zelo dragi, dobra uporabniška podpora Najbolj znani SPSS: Clementine SAS Institute: SAS Enterprise Miner Prosto dostopni Zastonj, a z manj podpore (razen uporabnikov med sabo) Ker izvirajo iz raziskovalnih okolij, so pogosto inovativnejši Največja Weka, University of Waikato osredotočen na strojno učenje velika skupnost uporabnikov Orange, Fakulteta za računalništvo in informatiko, Ljubljana več metod za odkrivanje zakonitosti iz podatkov, predvsem vizualizacije hiter inovativen in zmogljiv uporabniški vmesnik, dobra dokumentacija za skriptni nivo uporabniški vmesnik in podpora v slovenščini  V.Rajkovič

Primerjalna analiza treh orodij za izgradnjo in uporabo ES Baza znanja drevo kriterijev pravila DEX odločitvena drevesa OPTRANS ASSISTANT V.Rajkovič

Pravila v OPTRANSu IF GR_PROFIT < 0 AOR PROF_RTO < 0 AOR RENT_RTO < 0 THEN FACTS_DEDUCTED PROFITABILITY IS bad CRITERIA_TO_EXAMINE stop MESSAGE PROFITABILITY is bad. FINISH_RULE   IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO > 2 THEN FACTS_DEDUCTED PROFITABILITY IS good MESSAGE PROFITABILITY is good. IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO < 2 AND RENT_RTO > 0 THEN FACTS_DEDUCTED PROFITABILITY IS medium MESSAGE PROFITABILITY is medium. V.Rajkovič

Ocena boniteta stranke v OPTRANSu ** * Liquidity evaluation * ** The percentage of reaching special liquidity requirements exceeds the foreseen 100% limit. The percentage of reaching the minimal liquidity is above 20%. The bank liquidity is good.   ** * Risk evaluation * ** A liquidity debtness does not reach 3% of riskful assets (2.10%). The capital ratio is 33.08% and lies within the foreseen value of 40%. The balanced term structure (110.00%) complies with the foreseen value of 85%. Doubtful assets ratio is less than 5%. The risk is medium. ** * Profitability evaluation * ** The bank gross profit is far. The profitability ratio (10.84%) is excellent. The rentability ratio (0.27%) is medium. The profitability is medium. V.Rajkovič

Primer podatkov o stranki, katere boniteto ocenjujemo descriptive value numeric subinterval 1. bad < 0% 2. medium > 0% in < 2% 3. good > 2%   Parameter Numeric value Descriptive value ST_CR_POT 11.81 good BLN_STRCT 0 good LQD_DEBT 2.1 bad CA_RTO 33.08 good DBT_ASSETS 110 good LQD_1 726.26 good LQD_2 289.37 good LEND_PRM 166851 good LR_DAYS 3 medium RF_DAYS 5 good LQD_CR_CB 0 good LQD_3 3072.62 good MIN_LQD 382.47 good SPEC_LQD 5.9 good GR_PEOFIT 8507 good PROF_RTO 10.84 good RENT_RTO 0.27 medium Primer podatkov o stranki, katere boniteto ocenjujemo V.Rajkovič

Drevo kriterijev v DEXu Parameter Description Values of the parameter   CREDIT SCORE Eval. of the credit worthiness of client bad, medium, good ├RISK Evaluation of the assets risk high, medium, low │├ST_CR_POT Short-term credit potential bad, good │├BLN_STRCT Balance term structure bad, good │├LQD_DEBT Liquidity debtness bad, good │├CA_RTO Capital ratio bad, good │└DBT_ASSETS Doubtful assets ratio bad, good ├LIQUIDITY Evaluation of the utility bad, medium, good │├LIQ_A bad, medium, good ││├LQD_1 Liquidity ratio 1 bad, good ││├LQD_2 Liquidity ratio 2 bad, good ││└LEND_PRM Lending parameter bad, good │├LIQ_B bad, medium, good ││├LR_DAYS Legal reserves – days used bad, medium, good ││├RF_DAYS Reserve Fund – days used bad, good ││└LQD_CR_CB Liquidity credit at the central bank bad, good │└LIQ_C bad, medium, good │ ├LQD_3 Liquidity ratio 3 bad, medium, good │ ├MIN_LQD Minimal liquidity ratio bad, good │ └SPEC_LQD Special liquidity reserve ratio bad, good └PROFITABILITY Evaluation of the profitability bad, medium, good ├GR_PROFIT Gross profit bad, good ├PROF_RTO Profitability ratio bad, medium, good └RENT_RTO Rentability ratio bad, medium, good V.Rajkovič

Agregacijska pravila v DEXu GR_PROFIT PROF_RTO RENT_RTO PROFITABILITY   1. bad * * bad 2. * bad * bad 3. * * bad bad 4. good medium >=medium medium 5. good >=medium medium medium 6. good good good good V.Rajkovič

Ocena boniteta stranke v DEXu CREDIT SCORE good ├RISK medium │├ST_CR_POT good │├BLN_STRCT good │├LQD_DEBT bad │├CA_RTO good │└DBT_ASSETS good ├LIQUIDITY good │├LIQ_A good ││├LQD_1 good ││├LQD_2 good ││└LEND_PRM good │├LIQ_B good ││├LR_DAYS medium ││├RF_DAYS good ││└LQD_CR_CB good │└LIQ_C good │ ├LQD_3 good │ ├MIN_LQD good │ └SPEC_LQD good └PROFITABILITY medium ├GR_PROFIT good ├PROF_RTO good └RENT_RTO medium Ocena boniteta stranke v DEXu V.Rajkovič

CA_RATIO SPEC_LQD RF_DAYS RENT_RTO Odločitveno drevo v ASSISTANTu bad CA_RATIO < 3 3 < SPEC_LQD < 100 100 < DBT_ASSETS < 6,5 6,5 < RF_DAYS < 10 10 < medium GR_PROFIT < 0 0 < < 3 3 < ST_CR_POT < 85 85 < good RENT_RTO < 0 0 <

Izračun bonitete s samo štirimi podatki v ASSISTANTu ┌────────────────────────── Tree only ───────────────────────────┐ │ ATTRIBUTE VALUE ║ Select value for ║ CLASS PROB. │ │════════════════════════════╣ capital ratio ╠═══════════════│ │ Liquid.ratio 3 3072.620 ╠═══════════════════╣ good 93.878 │ │ Capital ratio 33.080 ║ 33.080 ║ medium 6.122 │ │ Rentability ratio 0.270 ║ 4 ║ bad 0.000 │ │ Gross profit 8507.000 ║ ║ │ │ Liq.credit at CB unknown ║ ║ │ │ Spec.liq.r.ratio unknown ║ ║ │ │ Minimal liq.ratio unknown ║ ║ │ │ ׃ ׃ ║ ║ │ V.Rajkovič

Predlog teme (ena stran) Podatki o študentu: ime in priimek organizacija telefon in e-mail Podatki o predmetu in študijskem programu Naslov seminarske naloge Opis problema Namen in cilji naloge Metoda dela Pričakovani rezultati V.Rajkovič

Organiziranje razvoja ES Izbira ustreznega problema za rešitev z ES   1 Proučite potencialne možnosti uporabe ES pri vas. 1.1 Kje v vašem poslovnem sistemu nastaja NOVA VREDNOST? Kje nastajajo največji STROŠKI? 1.2  Kje v vašem poslovnem sistemu obstajajo KRITIČNA EKSPERTNA PODROČJA? Kje se bojite izgube EKSPERTIZE? Kje želite ''pomnožiti'' EKSPERTIZO? 1.3  Kje v vašem poslovnem sistemu obstajajo ''ozka grla''? Katere poslovne funkcije so s tem VZROČNO-POSLEDIČNO povezane? 2     Izbira aplikacije ES, ki ustreza ali več kriterijev 2.1  Kako se aplikacija vključuje v poslovni sistem? Kaj aplikacija DAJE in kaj ZAHTEVA? 2.2  Kaj vse je treba storiti? 2.3  Kakšni so stvarni cilji?

Organiziranje razvoja ES Upravičenost rešitve z ES      3 Kakšni so kvantitativni učinki? A Zmanjšanje stroškov B Dvig produktivnosti C Dvig kakovosti 4 Kakšni so kvalitativni učinki? A Dolgoročne strateške prednosti B Povečanje ''zadovoljstva'' - delavcev - končnega uporabnika C Povečanje fleksibilnosti V.Rajkovič

Organiziranje razvoja ES Izgradnja sistema   5     Izbor skupine: kdo vse mora sodelovati in zakaj? 6   Tehnološka rešitev A Katero orodje (npr. lupino ES) izberemo? B Kakšen računalnik potrebujemo? C Kakšne so kadrovske in časovne zahteve ter možnosti? 7     Izgradnja baze znanja (BZ) A Kakšne metode zbiranja in predstavitve BZ bomo uporabili? B Kako bomo testirali BZ? 8 Uvajanje sistema v praktično delo A Kdo bo sistem uvajal? B Kakšne težave nas pri tem čakajo? 9 Operativno delovanje in spremljanje učinkovitosti sistema A Kaj obsega vzdrževanje sistema? B Kdo je odgovoren za operativno delovanje in evaluacijo sistema?

Poročilo o seminarski nalogi Naslov avtor, organizacija kraj in datum Povzelek (slo in ang) Ključne besede (slo in ang) 1. Uvod Opredelitev problema: Kaj je predmet odločanja? Kakšne cilje želite doseči z odločitvijo? Katerim zahtevam mora ustrezati izbrana varianta? Ali je problem težak in zakaj? Odločitvena skupina: Kdo je “lastnik” odločitvenega problema? Kdo je odgovoren za odločitev? Koga odločitev neposredno zadeva? Kdo še sodeluje v odločitveni skupini? Ali ste (bi) v odločitveno skupino vključili eksperte, odločitvenega analitika ali predstavnike tistih (katerih) segmentov, na katere vpliva? Metoda dela: Kako ste se lotili problema, po katerih korakih in kakšne oziroma katere pripomočke ste pri tem uporabljali? V.Rajkovič

2. Odločitveni model 3. Opis variant Kriteriji: Katere kriterije ste uporabili? Kaj pomenijo (kratek opis)? Kako ste jih strukturirali? Funkcije koristnosti: Kateri kriteriji so pomembnejši od drugih in zakaj? Ali morda v modelu nastopajo izločilni kriteriji in kateri so to? 3. Opis variant Kratek opis variant, med katerimi izbirate. Kako ste izmerili variante (morebitni viri)? V.Rajkovič

4. Rezultati vrednotenja variant Opišite rezultate vrednotenja: Kako so bile ocenjene variante? Katera je najboljša? Primerjajte najboljšo varianto z nekaj najbolje ocenjenimi preostalimi variantami? Analizirajte in razložite odločitev; poskusite odgovoriti na vprašanja kot so: Ali so vrednosti kriterijev in uporabljene funkcije koristnosti ustrezni? Zakaj je končna ocena takšna, kot je? Je v skladu s pričakovanji ali odstopa in zakaj? Kateri kriteriji so najbolj prispevali k takšni oceni? Katere so bistvene prednosti in pomanjkljivosti posameznih variant? Kakšna je občutljivost odločitve: kako spremembe vrednosti kriterijev vplivajo na končno oceno? Ali je mogoče in kako variante izboljšati? Katere spremembe povzročijo bistveno poslabšanje ocen variant? V čem se variante bistveno razlikujejo med seboj? 5. Zaključek Kaj je končni rezultat odločitve? Katera varianta je najboljša in zakaj? Ali so cilji odločitvenega procesa doseženi? Kaj bi bilo še potrebno ukreniti? Morebitni napotki za realizacijo končne odločitve (na primer opis kritičnih lastnosti izbrane variante, ki jim je potrebno pri realizaciji posvetiti posebno pozornost). Literatura in Priloge Po potrebi priložite računalniške izpise odločitvenega modela (modelov) in rezultatov vrednotenja.