1. prof. dr. Vladislav Rajkovič
Ekspertni sistemi
prof. dr. Vladislav Rajkovič

2. 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

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

4. 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,
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,
V.Rajkovič

5. 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): , 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

6. 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

7. Razbremenitev pri delu. Računalniška pismenost.
Delamo stvari, ki jih do sedaj nismo.
Intenzivna uporaba znanja.
Ravni uporabe IKT
V.Rajkovič

8. 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

9. 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

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

11. 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
. . .
V.Rajkovič

12. 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

13. vogal V1
9 cm
21 cm
V.Rajkovič

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

15. 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

16. 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

17. 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

18. 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

19. 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

20. 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

21. 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

22. 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

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

24. 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

25. 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

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

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

28. 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

29. 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

30. 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

31. 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

32. 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

33. 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

34. 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

35. (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

36. 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

37. 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

38. 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

39. 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

40. 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

41. 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

42. 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

43. 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

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

45. V.Rajkovič

46. 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

47. 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

48. 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

49. 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

50. 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

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

52. 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

53. 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

54. 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

55. 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

56. 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

57. 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

58. DEXi: Izdelava in preurejanje drevesa kriterijev
V.Rajkovič

59. DEXi: Urejanje zalog vrednosti in odločitvenih pravil
V.Rajkovič

60. DEXi: Urejevalnik variant
V.Rajkovič

61. DEXi: Vrednotenje variant
V.Rajkovič

62. DEXi: Grafični prikaz vrednotenja variant
V.Rajkovič

63. 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

64. 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

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

66. 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

67. Tradicionalen pristop
VHODNI PODATKI
X p1 p2 p3
1. Življenjski cikel
2. Atraktivnost cene
3. Proizvodne zmogljivosti
4. St. rasti povpraševanja
5. Obseg tržišča . n
Od kod izvirajo številke?
Tržna
privlačnost n
i=1
Wi Ki
V.Rajkovič

68. 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

69. Tržna privlačnost
V.Rajkovič

70. Konkurenčna sposobnost
V.Rajkovič

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

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

73. Vredana
V.Rajkovič

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

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

76. 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

77. Reševanje problema: primer “aritmetike dni v tedna”
Po To Sr Če Pe So Ne
Sr + To = ?
Načini reševanja:
1. Postopkovni: = 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

78. 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

79. 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

80. 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
Bratko, I., Qualitative Modelling, Zbornik. med. konf. o razvoju organizacijskih znanosti, Portorož, 2005
VIŠINA
nizek
visok
zelo visok
Človek doseže predmet:
Če VIŠINA (zelo visok)
Če VIŠINA (visok) in pručka
Če VIŠINA (nizek) in stol
V.Rajkovič

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

82. 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

83. V.Rajkovič

84. 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

85. 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

86. 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

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

88. 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

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

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

91. 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

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

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

94. 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

95. 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

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

97. 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

98. 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

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

100. 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

101. 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

102. 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 good
BLN_STRCT good
LQD_DEBT bad
CA_RTO good
DBT_ASSETS good
LQD_ good
LQD_ good
LEND_PRM good
LR_DAYS medium
RF_DAYS good
LQD_CR_CB good
LQD_ good
MIN_LQD good
SPEC_LQD good
GR_PEOFIT good
PROF_RTO good
RENT_RTO medium
Primer podatkov o stranki, katere boniteto ocenjujemo
V.Rajkovič

103. 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

104. 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

105. 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

106. CA_RATIO SPEC_LQD RF_DAYS RENT_RTO
Odločitveno drevo v ASSISTANTu
bad
CA_RATIO
< <
SPEC_LQD
< <
DBT_ASSETS
< 6, ,5 <
RF_DAYS
< <
medium
GR_PROFIT
< <
< <
ST_CR_POT
< <
good
RENT_RTO
< <

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

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

109. 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?

110. 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

111. 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?

112. 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

113. 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

114. 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.