Ekspertni sistemi in Sistemi za pomo č pri odlo č anju prof. dr. Vladislav Rajkovič

1

Ekspertni sistemiEkspertni sistemi inin

Sistemi za Sistemi za pomopomočč pri odlo pri odloččanjuanju

prof. dr. Vladislav Rajkovičprof. dr. Vladislav Rajkovič

http://lopes1.fov.uni-mb.sihttp://lopes1.fov.uni-mb.si

V.Rajkovič 2

CiljiCilji

metode in tehnike umetne inteligence s posebnim metode in tehnike umetne inteligence s posebnim poudarkom na tehnologijah znanja in ekspertnih poudarkom na tehnologijah znanja in ekspertnih sistemihsistemih

kaj lahko in česa ne moremo pričakovati od kaj lahko in česa ne moremo pričakovati od sodobnih tehnologij za upravljanje znanja v sodobnih tehnologij za upravljanje znanja v poslovnem svetuposlovnem svetu

zgradbo in delovanje ekspertnih sistemovzgradbo in delovanje ekspertnih sistemov postopke in orodja za razvoj poslovnih ekspertnih postopke in orodja za razvoj poslovnih ekspertnih

sistemovsistemov

Študentje pri tem predmetu spoznajo:Študentje pri tem predmetu spoznajo:

V.Rajkovič 3

Metoda delaMetoda dela

PredavanjaPredavanja

Izdelava seminarske nalogeIzdelava seminarske naloge

Ustni izpit in zagovor seminarske nalogeUstni izpit in zagovor seminarske naloge

V.Rajkovič 4

Literatura Literatura ES 1/3ES 1/3 Krapež, A., Rajkovič, V., Krapež, A., Rajkovič, V., Tehnologije znanja pri predmetu Tehnologije znanja pri predmetu

informatika,informatika, Zavod RS za šolstvo, Zavod RS za šolstvo, 20032003 Jereb, E., Jereb, E., Bohanec, M., Rajkovič, V., Bohanec, M., Rajkovič, V., DEXi – računalniški DEXi – računalniški

program za večparametrsko odločanje,program za večparametrsko odločanje, Moderna Moderna organizacija, organizacija, 20032003

Rajkovič, V., Rajkovič, V., Tim in sodobna informacijska tehnologija,Tim in sodobna informacijska tehnologija, v: v: Mayer, J. (edt), Skrivnost ustvarjalnega tima, Mayer, J. (edt), Skrivnost ustvarjalnega tima, 2001,2001, 90-10290-102

Bratko, I., Bratko, I., Prolog: Programming for Artificial IntelligenceProlog: Programming for Artificial Intelligence, , Addison-WEsley, Addison-WEsley, 19991999

Bratko, I., MozetiBratko, I., Mozetič, I., Lavrač, N., č, I., Lavrač, N., KardioKardio, MTI,, MTI, 1989 1989 BBohanec, M., Zupan, B., Rajkovič, V., ohanec, M., Zupan, B., Rajkovič, V., Applications of Applications of

Qualitative Multi-attribute Decision Models in Health Qualitative Multi-attribute Decision Models in Health CareCare, Int. Journal of Medical Informatics 58-59,, Int. Journal of Medical Informatics 58-59, 2000, 2000, 191-191-205205

V.Rajkovič 5

LiteraturaLiteratura ES 2/3ES 2/3 Beerel, A., Beerel, A., Expert Systems in Business: Real world applicationsExpert Systems in Business: Real world applications, Ellis , Ellis

Horwood, Horwood, 19931993 Masuch, M., Warglien, M., (eds), Masuch, M., Warglien, M., (eds), Artificial intelligence in organizational Artificial intelligence in organizational

and management Theoryand management Theory, North-Holland, , North-Holland, 19921992 Jereb, E., Rajkovič, U., Rajkovič, V, Jereb, E., Rajkovič, U., Rajkovič, V, A hierarhical multi-attribute system A hierarhical multi-attribute system

approach to porsonnel selection, approach to porsonnel selection, International Journal of Selection and International Journal of Selection and Assessment 13 (3): 198-205,Assessment 13 (3): 198-205, 20052005

Rajkovič, V., Šušteršič, O., Rajkovič, V., Šušteršič, O., Informacijski sistem patronažne zdravstvene Informacijski sistem patronažne zdravstvene negenege, Moderna organizacija, , Moderna organizacija, 20002000

Quintas, P., Ray, T., Quintas, P., Ray, T., Managing Knowledge: An Essential ReaderManaging Knowledge: An Essential Reader, Sage , Sage Publications, Publications, 20022002

V.Rajkovič 6

LiteraturaLiteratura ES 3/3ES 3/3

Simon A. R., Shaffer S. L., Simon A. R., Shaffer S. L., Data Warehousing and Business Data Warehousing and Business Intelligence for e-CommerceIntelligence for e-Commerce, Morgan Kaufmann, , Morgan Kaufmann, 20012001

Baum E. B., Baum E. B., What is thought?What is thought?, MIT, , MIT, 20042004 različni avtorji,različni avtorji, Data Mining: Next generation and Future Data Mining: Next generation and Future

DirectionsDirections, Ed: Kargupta H., Joshi A., Sivakumar K., , Ed: Kargupta H., Joshi A., Sivakumar K., Yesha Y., AAAI Press / MIT Press,Yesha Y., AAAI Press / MIT Press, 2004 2004

Konar A., Konar A., Computational Intelligence: Principles, Computational Intelligence: Principles, Techniques and ApplicationsTechniques and Applications, Springer, , Springer, 20052005

Witten I. H., Frank E., Witten I. H., Frank E., Data Mining: Practical Machine Data Mining: Practical Machine Learning Tools and TechniquesLearning Tools and Techniques, Morgan Kaufmann, , Morgan Kaufmann, 20052005

V.Rajkovič 7

http://research.microsoft.com/towards2020science/downloads.htmhttp://research.microsoft.com/towards2020science/downloads.htm

Razbremenitev pri delu.

Računalniška pismenost.

Delamo stvari, ki jih do sedaj nismo.

Intenzivna uporaba znanja.

Ravni uporabe IKT

V.Rajkovič 8

Upravljanje z znanjem (knowledge management) Upravljanje z znanjem (knowledge management) je proces sinergetskega povezovanja med je proces sinergetskega povezovanja med metodami in tehnikami procesiranja podatkov in metodami in tehnikami procesiranja podatkov in informacij s sodobno informacijsko in informacij s sodobno informacijsko in telekomunikacijsko tehnologijo (ITKT) in telekomunikacijsko tehnologijo (ITKT) in ustvarjalnimi ter inovativnimi sposobnostmi ustvarjalnimi ter inovativnimi sposobnostmi človeka.človeka.Gre za sprejemanje izzivov ITKT za povečanje Gre za sprejemanje izzivov ITKT za povečanje človekovih umskih sposobnosti za obvladovanje človekovih umskih sposobnosti za obvladovanje problemov vse bolj kompleksnega sodobnega sveta.problemov vse bolj kompleksnega sodobnega sveta.

Znanje razumemo kot ustrezno organizirane Znanje razumemo kot ustrezno organizirane podatke oz. informacije za reševanje kakega podatke oz. informacije za reševanje kakega problema.problema.

V.Rajkovič 9

Upravljalskiproces

Informacijski sistem

Surovine, materiali, ipd.

Izdelki, storitve

Poslovni sistem

Okolje

Sistemi za podporo odločanju

Poslovni sistem in sistemi za podporo odločanjuPoslovni sistem in sistemi za podporo odločanju

V.Rajkovič 10

Umetna inteligenca (UI)Umetna inteligenca (UI)

Je znanstvena disciplina, ki se ukvarja zJe znanstvena disciplina, ki se ukvarja z metodamimetodami tehnikamitehnikami orodjiorodji arhitekturamiarhitekturami … …

za reševanje logično zapletenih problemov, za reševanje logično zapletenih problemov, ki bi jih bilo težko ali celo nemogoče rešiti s ki bi jih bilo težko ali celo nemogoče rešiti s klasičnimi metodamiklasičnimi metodami

V.Rajkovič 11

Cilji umetne inteligenceCilji umetne inteligence

““inteligentno” obnašanje računalnikov inteligentno” obnašanje računalnikov

večja uporabnost računalnikovvečja uporabnost računalnikov

proučevanje principov inteligenceproučevanje principov inteligence

boljše razumevanje človekovega boljše razumevanje človekovega inteligentnega obnašanjainteligentnega obnašanja

V.Rajkovič 12

Teme umetne inteligence:Teme umetne inteligence:

Hevristično reševanje problemovHevristično reševanje problemov Predstavitev znanja in mehanizmi Predstavitev znanja in mehanizmi sklepanjasklepanja Ekspertni sistemi (ES)Ekspertni sistemi (ES) Procesiranje naravnega jezikaProcesiranje naravnega jezika Strojno učenje in sinteza znanjaStrojno učenje in sinteza znanja Inteligentni robotiInteligentni roboti Računalniški vidRačunalniški vid Avtomatsko programiranjeAvtomatsko programiranje Nevronske mrežeNevronske mreže . . .. . .http://www.kurzweilai.net/meme/frame.html?main=/articles/art0683.htmlhttp://www.kurzweilai.net/meme/frame.html?main=/articles/art0683.html

V.Rajkovič 13

RARAČUNALNIKČUNALNIK

RROKA ROBOTAOKA ROBOTA

KAMERAKAMERA

Signali za Signali za krmiljenje motorjev krmiljenje motorjev

v zglobih rokev zglobih rokeSlika iz kamereSlika iz kamere

motorji vzglobih

položaj roke

položajkocke

V.Rajkovič 14

vogal Vvogal V119 cm9 cm

21 cm21 cm

6 6 6 6 6 6 2 2 2 2 2 2 2 26 6 6 6 6 6 2 2 2 2 2 2 2 26 6 6 6 6 6 2 2 2 2 2 2 2 14 5 6 6 6 6 2 2 2 2 1 1 1 13 3 3 4 5 6 2 1 1 1 1 1 1 13 3 3 3 3 3 3 3 3 3 3 3 3 33 3 3 3 3 3 3 3 3 3 3 3 3 33 3 3 3 3 3 3 3 3 3 3 3 3 33 3 3 3 3 3 3 3 3 3 3 3 3 3

666666222222226666662222222266666622222221456666222211113334562111111133..

V.Rajkovič 15

Kaj je ekspertni sistem?Kaj je ekspertni sistem?

UPORABNIKUPORABNIK

ESES

KOMUNIKACIJSKIKOMUNIKACIJSKIVMESNIKVMESNIK

BAZA BAZA ZNANJAZNANJA

MEHANIZEMMEHANIZEMSKLEPANJASKLEPANJA

V.Rajkovič 16

Baza znanja Baza znanja (knowledge base)(knowledge base)del ES, ki vsebuje znanje izbrane del ES, ki vsebuje znanje izbrane domene, npr.:domene, npr.:

pravilo 1:pravilo 1:ČEČE avto noče vžgati,avto noče vžgati,POTEMPOTEM je problem verjetno v električnem sistemuje problem verjetno v električnem sistemu

pravilo 2:pravilo 2:ČEČE je problem verjetno v električnem sistemuje problem verjetno v električnem sistemuININ je napetost akumulatorja pod 10V,je napetost akumulatorja pod 10V,POTEMPOTEM je razlog prazen akumulatorje razlog prazen akumulator

UPORABNIKUPORABNIK

ESES




V.Rajkovič 17

Mehanizmi sklepanja Mehanizmi sklepanja (inference engine)(inference engine)na osnovi baze znanja izvaja na osnovi baze znanja izvaja sklepe o problemu, ki ga rešujemosklepe o problemu, ki ga rešujemo

primer dialoga med ES in uporabnikomprimer dialoga med ES in uporabnikomUPORABNIK:UPORABNIK: Avto noče vžgati.Avto noče vžgati.ES:ES: Je napetost akumulatorja pod 10V?Je napetost akumulatorja pod 10V?UPORABNIK:UPORABNIK: Da, tako je.Da, tako je.ES:ES: Napaka je prazen akumulator. Napaka je prazen akumulator.

UPORABNIKUPORABNIK

ESES




V.Rajkovič 18

Razlaga KAKO?Razlaga KAKO?UPORABNIK:UPORABNIK: Kako?Kako?ES:ES: Ker avto noče vžgati, Ker avto noče vžgati, domnevam, da je napaka domnevam, da je napaka v električnem sistemu. Ko sem odkril, da je v električnem sistemu. Ko sem odkril, da je napetost akumulatorja pod 10V, vem, da je napetost akumulatorja pod 10V, vem, da je akumulator prazen.akumulator prazen.

Razlaga ZAKAJ?Razlaga ZAKAJ?ES:ES: Ali avto noče vžgati?Ali avto noče vžgati?UPORABNIK:UPORABNIK: Zakaj?Zakaj?ES:ES: Če vem, da avto noče vžgati, potem ponavadi Če vem, da avto noče vžgati, potem ponavadi domnevam, da je problem v električni napeljavi.domnevam, da je problem v električni napeljavi.

UPORABNIKUPORABNIK

ESES




V.Rajkovič 19

MYCINMYCIN1.1. Pacientovo ime:Pacientovo ime:****Janez PorentaJanez Porenta2.2. Spol:Spol:****moškimoški3.3. Starost:Starost:****60604.4. Od kod je vzet vzorec KULTURE 1?Od kod je vzet vzorec KULTURE 1?****krikri5.5. Pred koliko dnevi?Pred koliko dnevi?****226.6. Navedite organizem 1 najden v krvi:Navedite organizem 1 najden v krvi:****UNKUNK7. 7. Navedite značilnosti tega organizma Navedite značilnosti tega organizma (acidfast, grampoz, gramneg):(acidfast, grampoz, gramneg):****gramneggramneg8. 8. Je organizem paličast, kokusbakt., itd.:Je organizem paličast, kokusbakt., itd.:****paličastpaličast9. 9. Obstaja KULTURA 2?Obstaja KULTURA 2?****dada10.10. Od kod je vzet vzorec KULTURA 2?Od kod je vzet vzorec KULTURA 2?****slinaslina

ES za predpisovanje ES za predpisovanje antibiotikovantibiotikov

V.Rajkovič 20

Primer pravila v MYCIN-uPrimer pravila v MYCIN-u

atributatribut objekt objekt vrednostvrednost verjetnostverjetnost

predmet opaz. predmet opaz. kulturakultura krikri (1.0) (1.0)morfolorijamorfolorija organizem organizem paličastpaličast (1.0) (1.0)lastnostlastnost organizem organizem gramneggramneg (0.7) (0.7)

identitetaidentiteta organizem organizem pseudomonaspseudomonas (0.6) (0.6)

ČEČE

POTEMPOTEM

21

Terapevtski nasvet je osnovan na naslednjih postavkah:Terapevtski nasvet je osnovan na naslednjih postavkah: org 1 je morda PSEUDOMANS org 1 je morda PSEUDOMANS (0.357)(0.357) org 2 je morda KLEBSIELLAorg 2 je morda KLEBSIELLA (0.177)(0.177) org 3 je morda ENTEROBACTERorg 3 je morda ENTEROBACTER (0.166)(0.166) . . .. . .

Sledijo vprašanja o alergijah pacienta na antibiotike, Sledijo vprašanja o alergijah pacienta na antibiotike, zatem pa različne mešanice antibiotikovzatem pa različne mešanice antibiotikov

Razlage:Razlage:Na osnovi katerih pravil, vprašanj in odgovorov je prišel Na osnovi katerih pravil, vprašanj in odgovorov je prišel MYCIN do zaključkov (organizmov in verjetnosti).MYCIN do zaključkov (organizmov in verjetnosti).

Predlog 2:Predlog 2:Predlog 1:1. GENTAMICIN 1.7mg/kg Q 8 H - IV ali IM2. CARBENICILIN 25 mg/kg Q 2 H -IV

V.Rajkovič 22

Dejstva:Dejstva:

1) A je na B1) A je na B2) B je na C2) B je na C3) C je na MIZI3) C je na MIZI

Zakonitosti:Zakonitosti:

1) če ne obstaja Y, tako da je Y nad X, potem je X prazen1) če ne obstaja Y, tako da je Y nad X, potem je X prazen2) za vsak X in Y: če je X na Y, potem je X nad Y2) za vsak X in Y: če je X na Y, potem je X nad Y3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y, 3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y, potem je X nad Ypotem je X nad Y

MIZAMIZA

AABB

CC

V.Rajkovič 23

Prolog:Prolog:

jena (a,b).jena (a,b).jena (b,c).jena (b,c).jena (c,miza).jena (c,miza).prazen (x) :- not ( jena ( _,x) ). prazen (x) :- not ( jena ( _,x) ). nad (x,y) :- jena (x,y).nad (x,y) :- jena (x,y).nad (x,y) :- jena (x,z), nad (z,y).nad (x,y) :- jena (x,z), nad (z,y).

?-nad (a,c).?-nad (a,c).

MIZAMIZA

AABB

CC

V.Rajkovič 24

ShemShemii za re za reševanje problemov:ševanje problemov:

Konjunktivno-disjunktivni (AND/OR) grafKonjunktivno-disjunktivni (AND/OR) graf

Prostor stanjProstor stanj

25

ZZ2) za vsak X in Y: 2) za vsak X in Y: če je X na Y, potem je X nad Yče je X na Y, potem je X nad YZZ3) za vsak X in Y: 3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y, če obstaja Z, da je X na Z in Z nad Y, potem je X nad Ypotem je X nad Y

Konjunktivno-disjunktivni graf:Konjunktivno-disjunktivni graf:

MIZAMIZA

AA

BB

CCA nad C

Z 2 Z 3

A na C A na Z Z nad C

A na B Z 2 Z 3

Z na C

B na C

. . .. . .

or

and

orZ=B

Z=B

NE

DA

DA

V.Rajkovič 26

Prostor stanj:Prostor stanj:

MIZAMIZA

AA

BB

CC

A B C

B A C

BA C

ABC

CBA

CA B

AB C

A B C

C A B

BCA

CAB

ACB

BAC

V.Rajkovič 27

ShemShemee za za predstavitev znanja:predstavitev znanja:

ZahteveZahteve:: Učinkovita uporabaUčinkovita uporaba

Dopolnjevanje in spreminjanjeDopolnjevanje in spreminjanje

RazumljivosRazumljivostt

VerifikacijaVerifikacija

V.Rajkovič 28

ShemShemee za za predstavitev znanja:predstavitev znanja:

PravilaPravila

Semantične mrežeSemantične mreže

OkviriOkviri

Predikatni računPredikatni račun

V.Rajkovič 29

ppogojogoj,, premisapremisa ČEČE je desna roka opazovane osebe večja kot levaje desna roka opazovane osebe večja kot leva

sklep, akcija, sklep, akcija, conclusion, conclusion, actionaction POTEMPOTEM oseba opravlja ročno delooseba opravlja ročno delo

Pravila (rules):Pravila (rules):

npr. tabela iz MYCIN-anpr. tabela iz MYCIN-a

V.Rajkovič 30

Pravila za vnovčitev čeka:Pravila za vnovčitev čeka:

(1)(1) ČEČE ček ustrezno izpolnjen ček ustrezno izpolnjen ININ plačnik znan plačnik znan ININ stanje pozitivno stanje pozitivno POTEMPOTEM ga izplačajga izplačaj

(2)(2) ČEČE ček prav datiran ček prav datiran ININ podpis ustrezen podpis ustrezen ININ vsota jasna vsota jasna ININ prinašalec identificiran prinašalec identificiran POTEMPOTEM je ček ustrezno izpolnjenje ček ustrezno izpolnjen

(3)(3) ČEČE je datum čeka današnji je datum čeka današnji ALIALI ni starejši od 90 dni ni starejši od 90 dni POTEMPOTEM je ček prav datiranje ček prav datiran

V.Rajkovič 31

Prednosti pravil:Prednosti pravil:

Vsako pravilo predstavlja majhen relativno Vsako pravilo predstavlja majhen relativno neodvisen del znanjaneodvisen del znanja

Dodajanje in spreminjanje pravil je Dodajanje in spreminjanje pravil je relativno enostavnorelativno enostavno

Podpira transparentnost sistema. Podpira transparentnost sistema. Kako si prišel do rešitve? Kako si prišel do rešitve? Zakaj potrebuješ nek podatek?Zakaj potrebuješ nek podatek?

V.Rajkovič 32

Primer semantične mreže:Primer semantične mreže:

ŽIVAL

LETETI

KRILA

PERJE

znaznaimaimaimaima

LETETI

NOJ

VELIK

jejene znane zna

jeje

KANARČEK

PETI RUMEN

jeje

jejeznazna

PTICA

jejeRIBA

jeje

DIHANJE

KOŽA

SE PREMIKA

kaj delakaj dela

kaj delakaj dela

kaj imakaj ima

V.Rajkovič 33

Semantične mreže (semantic networks):Semantične mreže (semantic networks):

PLAŠČNN

OGULJENI

MANJKAJO

lastniklastnikstanje rokavovstanje rokavovstanje gumbovstanje gumbov

opisujemo hierarhične struktureopisujemo hierarhične strukture pri obravnavanju naravnega jezikapri obravnavanju naravnega jezika sklepanje na področju teorije množicsklepanje na področju teorije množic

V.Rajkovič 34

Okviri (frames):Okviri (frames):

PLAŠČPLAŠČOdprtina (slot)Odprtina (slot) Vrednost (entry)Vrednost (entry)

LASTNIKLASTNIK NNNNSTANJE ROKAVOVSTANJE ROKAVOV OGULJENIOGULJENI STANJE GUMBOVSTANJE GUMBOV MANJKAJO MANJKAJO

. . .. . . . . .. . .VELIKOSTVELIKOST na osnovi mer na osnovi mer

uporabi tabelo 14uporabi tabelo 14

Objektni načinObjektni način Vrednost je lahko tudi postopekVrednost je lahko tudi postopek Obravnavanje kompleksnih sistemovObravnavanje kompleksnih sistemov

V.Rajkovič 35

Predikatni račun (predicate calculus):Predikatni račun (predicate calculus):

Uporablja formalno logikoUporablja formalno logiko

IZREK je odgovor na vprašanje, ki ga izpeljem IZREK je odgovor na vprašanje, ki ga izpeljem iz dejstev in zakonitosti.iz dejstev in zakonitosti.

Prednost Prednost so so hitri algoritmihitri algoritmi..

PomanjkanjePomanjkanje mehanizmov za mehanizmov za modeliranje modeliranje mehkmehkegaega znanj znanja.a.

V.Rajkovič 36

človek (Sokrat)človek (Sokrat)

zmotljiv (x) zmotljiv (x) VV človek (x) človek (x)

zmotljiv (Sokrat)zmotljiv (Sokrat)

x = Sokratx = Sokrat

človek (Sokrat)človek (Sokrat)

protislovjeprotislovje

1.1. Sokrat je človekSokrat je človek2.2. Vsak človek je zmotljivVsak človek je zmotljiv

Vprašanje: Vprašanje: Ali je Sokrat zmotljiv?Ali je Sokrat zmotljiv?

1.1. človek (Sokrat)človek (Sokrat)2.2. (vsak x) clovek (x) :- zmotljiv (x)(vsak x) clovek (x) :- zmotljiv (x) aliali2. ( x) zmotljiv (x) 2. ( x) zmotljiv (x) VV človek (x) človek (x)

Zmotljiv (Sokrat)?Zmotljiv (Sokrat)?

V.Rajkovič 37

Semantične mreže so najbolj splošne. Semantične mreže so najbolj splošne. Vozli in povezave rabijo za predstavitev Vozli in povezave rabijo za predstavitev dejstev in povezav med njimi.dejstev in povezav med njimi.

Logična pravila in okvirji so poseben primer mreže.Logična pravila in okvirji so poseben primer mreže.

Okvirji so prikladnejši za kompleksnejše sisteme.Okvirji so prikladnejši za kompleksnejše sisteme.

Predikatni račun nima verjetnosti.Predikatni račun nima verjetnosti.

Predstavitve znanja:Predstavitve znanja:

V.Rajkovič 38

Tri učne zanke:Tri učne zanke:

ZAJEMANJEZAJEMANJEZNANJAZNANJA

PREDSTAVITEVPREDSTAVITEVBZBZ

SKLEPANJESKLEPANJE

BAZA ZNANJABAZA ZNANJA(BZ)(BZ)

EKSPERT(I)EKSPERT(I)TEHNOLOGTEHNOLOG

ZNANJAZNANJA

V.Rajkovič 39

Izgradnja baze znanja:Izgradnja baze znanja:

artikulacijaartikulacija

SAY HOWSAY HOW BZBZ Feigenbaumovo Feigenbaumovo ozko grloozko grlo

KNOW HOWKNOW HOW

ekspertekspert tehnologtehnologznanjaznanja

primeriprimeriSHOW HOWSHOW HOW

strojnostrojnoučenjeučenje

modelmodelKNOW HOWKNOW HOW

V.Rajkovič 40

Jeziki za programiranje ES:Jeziki za programiranje ES:

Osnovne lastnosti:Osnovne lastnosti: nenumerični podatkinenumerični podatki vračanje (po drevesu)vračanje (po drevesu) ni razlike med postopki in podatkini razlike med postopki in podatki drevesne strukture – rekurzijadrevesne strukture – rekurzija

Jeziki kot so npr. Pascal in C praviloma niso dovolj fleksibilni.Jeziki kot so npr. Pascal in C praviloma niso dovolj fleksibilni.

programski jezik programski jezik LISPLISP PREMISE (SAND (SAME CNTXT INFECT PRIMARY-BACTERIA)PREMISE (SAND (SAME CNTXT INFECT PRIMARY-BACTERIA) (MEMBF CNTXT SITE STERILESITES) (MEMBF CNTXT SITE STERILESITES) (SAME CNTXT PORTAL GI))(SAME CNTXT PORTAL GI)) ACTION (CONCLUDE CNTXT IDENT BACTEROIDES TALLY .7)ACTION (CONCLUDE CNTXT IDENT BACTEROIDES TALLY .7)

LISP MACHINELISP MACHINE (MIT)(MIT)

V.Rajkovič 41

programski jezikprogramski jezik PROLOGPROLOG

PROLOG : vsi ostali (z LISPom vred)PROLOG : vsi ostali (z LISPom vred)

razvit 1975 na univerzi v Marseille-u (Kowalsky)razvit 1975 na univerzi v Marseille-u (Kowalsky)

matematična osnova je formalna logika – predikatni računmatematična osnova je formalna logika – predikatni račun

nedeterminizem in avtomatsko vračanjenedeterminizem in avtomatsko vračanje

neproceduralna (deklarativna) naravaneproceduralna (deklarativna) narava drugi jeziki:drugi jeziki: KAKO povezati podatke z rezultati, korak po koraku KAKO povezati podatke z rezultati, korak po koraku PROLOG:PROLOG: relacija med podatki in rezultati relacija med podatki in rezultati

Wirth:Wirth: program = algoritem + podatkovne struktureprogram = algoritem + podatkovne strukture Kowalsky: algoritem = logika + upravljanje (Control)Kowalsky: algoritem = logika + upravljanje (Control)

V.Rajkovič 42

fx yPASCAL: PASCAL: y := f(x)y := f(x)

PROLOG:PROLOG: f(x,y)f(x,y) x in y sta v relaciji fx in y sta v relaciji f

ffxx yy ffxx yy

ff{x}=?{x}=? {y}=?{y}=?f(x,y)f(x,y)

DADA NENE

V.Rajkovič 43

Primer: vzorčno vodeni sistemPrimer: vzorčno vodeni sistem a: -b.a: -b. b implicira ab implicira a b: -c.b: -c. b: -d.b: -d. d: -e.d: -e. d: -f.d: -f. e:e: e gotovo držie gotovo drži f:f: c:c:

Vprašanje:Vprašanje:? –a.? –a. ali je a res (drži), odgovor je “da”ali je a res (drži), odgovor je “da”

Sistem logično izpelje a iz dejstev e,f in c ter ostalih pravil.Sistem logično izpelje a iz dejstev e,f in c ter ostalih pravil.

ee

ff

dd

ccbb aa

V.Rajkovič 44

Primer: sorodstveno drevoPrimer: sorodstveno drevo

TomTom

BorisBoris LizaLiza

AnaAna PeterPeter

Relacije:Relacije: starš (Tom, Boris)starš (Tom, Boris) starš (Tom, Liza)starš (Tom, Liza) starš (Boris, Ana)starš (Boris, Ana) starš (Boris, Peter)starš (Boris, Peter)

1)1) succ (x,y) :- starš (y,x) succ (x,y) :- starš (y,x)2)2) succ (x,y) :- starš (y,z), succ (x,z) succ (x,y) :- starš (y,z), succ (x,z)

1)1) Za vse pare Za vse pare xx in in yy je je xx naslednik (succ) naslednik (succ) yy, če je , če je yy starš starš xx-a-a2) 2) Za vse pare Za vse pare xx in in yy je je xx naslednik naslednik yy, če eksistira tak , če eksistira tak zz, da je , da je yy starš starš zz in in xx naslednik naslednik zz

Vprašanje:Vprašanje: ? – starš (Boris, x) ? – starš (Boris, x)

Odg. Prologa:Odg. Prologa: x = Ana; x = Ana; x = Peterx = Peter

? – succ (Peter, y)? – succ (Peter, y)

y = Boris;y = Boris;y = Tomy = Tom

V.Rajkovič 45

V.Rajkovič 46

AB

CD

E

0

20

40

60

80

OC

EN

A

VARIANTA

Odločitveni procesOdločitveni proces

Izbira določene variante izmed več možnih tako, Izbira določene variante izmed več možnih tako, da izbrana varianta najbolj ustreza ciljem.da izbrana varianta najbolj ustreza ciljem.

V.Rajkovič 47

Problemi odločanjaProblemi odločanja

CILJICILJI zapleteni, nepopolni, negotovi, ...zapleteni, nepopolni, negotovi, ... protislovni, neusklajeni (skupinsko odločanje)protislovni, neusklajeni (skupinsko odločanje)

VARIANTEVARIANTE slabo ali nepopolno definirane (nepoznane)slabo ali nepopolno definirane (nepoznane) veliko število variantveliko število variant

PARAMETRI, ki vplivajo na odločitevPARAMETRI, ki vplivajo na odločitev slabo definirani, neznani, spregledanislabo definirani, neznani, spregledani težko merljivitežko merljivi veliko število parametrovveliko število parametrov

V.Rajkovič 48

Problemi odločanjaProblemi odločanja

OMEJITVE VIROVOMEJITVE VIROV časovne, kadrovske in druge omejitvečasovne, kadrovske in druge omejitve pomankljivo poznavanje problemskega področjapomankljivo poznavanje problemskega področja

METODOLOŠKE OMEJITVEMETODOLOŠKE OMEJITVE ““omejena racionalnost” odločevalcevomejena racionalnost” odločevalcev teoretični problemiteoretični problemi problem merjenja kakovosti odločitveproblem merjenja kakovosti odločitve

V.Rajkovič 49

AB

0

50

100

OCENA

VARIANTA

PARAMETRI

Večparametrsko odločanjeVečparametrsko odločanje

V.Rajkovič 50

OPERATIVNA OPERATIVNA PODATKOVNA BAZA PODATKOVNA BAZA

POSLOVNEGA SISTEMAPOSLOVNEGA SISTEMA

Podatkovni kazalci poslovnega sistemaPodatkovni kazalci poslovnega sistema

PODATKI JAVNIHPODATKI JAVNIHPODATKOVNIH BAZPODATKOVNIH BAZ

NEPOSREDNI PODATKINEPOSREDNI PODATKIMANAGEMENTAMANAGEMENTA

SPOSPO

AGREGIRANIAGREGIRANIPODATKOVNIPODATKOVNI

KAZALCIKAZALCI

V.Rajkovič 51

Elementi odločitvenega procesaElementi odločitvenega procesa

Množica variant:Množica variant: A: aA: a11, a, a22, a, a33, ... , a, ... , ann, ..., ...

Preferenčna relacija:Preferenčna relacija: P P (uredi množico variant A po zaželenosti, ustreznosti oz. koristnosti)(uredi množico variant A po zaželenosti, ustreznosti oz. koristnosti)

Racionalna odločitev:Racionalna odločitev: je izbira tiste variante je izbira tiste variante aa iz iz AA, , ki je najbolj zaželjenaki je najbolj zaželjena

Funkcija koristnosti:Funkcija koristnosti: v(v(aa))izmeri stopnjo zaželenosti variante izmeri stopnjo zaželenosti variante aa tako, da za vsak tako, da za vsakpar par aa,,bb iz iz AA velja: velja:

aa PP bb v( v(aa) > v() > v(bb))a imam rajši kot ba imam rajši kot b

V.Rajkovič 52

MerjenjeMerjenje

Merjenje omogoča količinsko ocenoMerjenje omogoča količinsko oceno

Merjenje mase:Merjenje mase:prirejanje števil, ki ohranjajo relacijo T: “je težji”prirejanje števil, ki ohranjajo relacijo T: “je težji”

a T b a T b m(a) > m(b) m(a) > m(b)

Mera za maso je tudi aditivna:Mera za maso je tudi aditivna:m(a & b) = m(a) + m(b)m(a & b) = m(a) + m(b)

V.Rajkovič 53

MerjenjeMerjenje

Merjenje omogoča količinsko ocenoMerjenje omogoča količinsko oceno

Merska lestvica je trojica (Merska lestvica je trojica (EE,, M M,, f f ):):EE - empirični relacijski sistem - empirični relacijski sistem E = ( A, R E = ( A, R11, R, R22, ..., R, ..., Rpp, o, o11, o, o22, ..., o, ..., oqq))

kjer je:kjer je:A A – opazovana množica objektov– opazovana množica objektovRRii – relacija med lementi iz množice A– relacija med lementi iz množice A

oojj – dvomestne operacije med elementi A– dvomestne operacije med elementi A

M - merski relacijski sistemM - merski relacijski sistemf f - osnovno merjenje, homomorfizem med E in M - osnovno merjenje, homomorfizem med E in M

ff:: EE M M

V.Rajkovič 54

Merjenje koristnostiMerjenje koristnosti

Relacijo P skušamo nadomestiti s funkcijo vRelacijo P skušamo nadomestiti s funkcijo vv:v: AA DD

v izmeri (priredi) vsaki varianti iz v izmeri (priredi) vsaki varianti iz AAvrednosti iz zaloge vrednosti vrednosti iz zaloge vrednosti DD tako, da velja: tako, da velja:

aa P P bb v(v(aa)) >> v(v(bb))

D je lahko podmnožica realnih števil npr. 0 - 100 aliD je lahko podmnožica realnih števil npr. 0 - 100 alikaj drugega npr. D={nesprej., sprejemljiv, dober}kaj drugega npr. D={nesprej., sprejemljiv, dober}

Aditivnost?Aditivnost?

V.Rajkovič 55

Večparametrsko odločanjeVečparametrsko odločanje

Množica parametrov X: xMnožica parametrov X: x11, x, x22, ..., x, ..., xmm

xx11:: AA DDii

DDii – zaloge vrednosti i-tega parametra – zaloge vrednosti i-tega parametra

a = a = xx11((aa), x), x22((aa), ..., x), ..., xmm((aa))

Varianto a opišemo z naborom (vektorjem) vrednostiVarianto a opišemo z naborom (vektorjem) vrednostiparametrovparametrov

Funkcijo koristnosti v: Funkcijo koristnosti v: AA DD nadomestimo s funkcijo nadomestimo s funkcijovv** in predpostavimo in predpostavimo

v(v(aa) = v) = v**( ( xx11((aa)), , xx22((aa)), , ......, , xxmm((aa)) ) )

V.Rajkovič 56

v(ai)v(ai)

x1x1 x2

x2 xmxm. . .

x1(a1)variante (inačice)variante (inačice)

parametriparametri(atributi, kriteriji)(atributi, kriteriji)

KoristnostKoristnost(utility, zaželjenost, (utility, zaželjenost, primernost, ocena)primernost, ocena)

funkcija koristnostifunkcija koristnostiv*(x1,x2,…,xm)v*(x1,x2,…,xm)

. . .x2(a1) xm(a1)

aa11

aa22

aann......

..

..

..

V.Rajkovič 57

Opisljivost variantOpisljivost variant

Množica parametrov X mora ustrezati več lastnostim:Množica parametrov X mora ustrezati več lastnostim:

• polnostpolnost• operativnostoperativnost• razstavljivostrazstavljivost• nerundantnost nerundantnost • minimalnostminimalnost• ortogonalnostortogonalnost• ......

V.Rajkovič 58

Določanje funkcije koristnostiDoločanje funkcije koristnosti

• predstavitveni problempredstavitveni problem• problem enoličnostiproblem enoličnosti• aksiomatski pristopaksiomatski pristop• neposredni pristop:neposredni pristop:

funkcija koristnosti enega parametrafunkcija koristnosti enega parametra

00

100100

v(xv(xii))

xxii = starost = starost00 10 20 30 40 50 60 70 80 10 20 30 40 50 60 70 80

V.Rajkovič 59

slab

asl

aba

zadovo

lj

zadovo

ljivaivadobra

dobra nizka

nizkasrednja

srednjavisoka

visoka

neprimerenneprimeren

primerenprimeren

doberdober

odličenodličen

OCENA AVTAOCENA AVTA

VARNOST VARNOST – x– x11

CENACENA – x – x22

odlična

odlična

W-utež kriterijW-utež kriterij 70% varnost70% varnost 30% cena30% cena

W-utež kriterijW-utež kriterij 50% varnost50% varnost 50% cena50% cena

Funkcija koristnosti več Funkcija koristnosti več parametrov parametrov

Ocena = Ocena = v vii(x(xii)*w)*wi i - utežena vsota- utežena vsota

nn

i=1i=1

V.Rajkovič 60

slab

asl

aba

zadovo

lj

zadovo

ljivaivadobra

dobra nizka

nizkasrednja

srednjavisoka

visoka


primerenprimeren

doberdober

odličenodličen

OCENA AVTAOCENA AVTA



odlična

odlična

Funkcija koristnosti več parametrovFunkcija koristnosti več parametrovpodana po točkahpodana po točkah

V.Rajkovič 61

VARNOSTVARNOST CENACENA OCENA AVTAOCENA AVTA

SlabaSlaba VisokaVisoka NeprimerenNeprimeren

SlabaSlaba SrednjaSrednja NeprimerenNeprimeren

SlabaSlaba NizkaNizka NeprimerenNeprimeren

ZadovoljivaZadovoljiva VisokaVisoka NeprimerenNeprimeren

ZadovoljivaZadovoljiva SrednjaSrednja PrimerenPrimeren

ZadovoljivaZadovoljiva NizkaNizka PrimerenPrimeren

DobraDobra VisokaVisoka NeprimerenNeprimeren

DobraDobra SrednjaSrednja PrimerenPrimeren

DobraDobra NizkaNizka DoberDober

OdličnaOdlična VisokaVisoka NeprimerenNeprimeren

OdličnaOdlična SrednjaSrednja DoberDober

OdličnaOdlična NizkaNizka OdličenOdličen

slab

asl

aba

zadovo

lj

zadovo

ljivaiva

dobra

dobra nizka

nizkasrednja

srednjavisoka

visoka


primerenprimeren

doberdober

odličenodličenOCENA AVTAOCENA AVTA



odlična

odlična

Funkcija koristnosti več parametrov podana poFunkcija koristnosti več parametrov podana potočkah – lahko jih smatramo za enostavna pravilatočkah – lahko jih smatramo za enostavna pravila

V.Rajkovič 62

0 10 20 30 40 50 60 70 80 90 100 [%]0 10 20 30 40 50 60 70 80 90 100 [%]

PARAMETRIPARAMETRIVREDNOSTIVREDNOSTI

PARAMETROVPARAMETROV

CENACENA

PROCESORPROCESOR

ZASLONZASLON

TRDI DISKTRDI DISK

MODEMMODEM

MIŠKA / KROGLICAMIŠKA / KROGLICA

AVTONOMIJAAVTONOMIJA

visoka srednja nizka

nesprej. sprejemljiv dober





2 uri 3 ure 4 ure 5 ur

Variante: Rač1, Rač2, Rač3

Pomembnostparametrov

Kakovost

V.Rajkovič 63

Rač1Rač1 Rač2Rač2 Rač3Rač3 utežutež kriterijkriterij v v v*wv*w v v v*wv*w v v v*wv*w 20%20% cenacena 4040 88 3030 66 1010 2 2 10%10% procesorprocesor 5050 55 5050 55 5050 1515 15%15% zaslonzaslon 6060 99 6060 99 8080 1212 20%20% trdi disktrdi disk 2020 44 2020 44 2020 4 4 12%12% modemmodem 5050 66 5050 66 7070 8.4 8.4 8%8% miškamiška 5050 44 5050 44 5050 44 15%15% avtonomijaavtonomija 0 0 00 5050 7.57.5 100100 1515100%100% 3636 41.541.5 50.450.4

v*wv*w

V.Rajkovič 64

V.Rajkovič 65

DEX:DEX:Lupina ekspertnega sistemaLupina ekspertnega sistema

za za večparametrsko odločanjevečparametrsko odločanje

DEXi:DEXi:RaRačunalniški programčunalniški program


198719871995, DOS1995, DOS

19991999, Windows, Windows

V.Rajkovič 66

Osnove sistemov DEX in DEXiOsnove sistemov DEX in DEXi

1.1. VEČPARAMETRSKO ODLOČANJE VEČPARAMETRSKO ODLOČANJE • modeliranje s kriteriji in funkcijami koristnostimodeliranje s kriteriji in funkcijami koristnosti• strukturiranje odločitvenega problema (drevo kriterijev)strukturiranje odločitvenega problema (drevo kriterijev)• vrednotenje variantvrednotenje variant

2.2. EKSPERTNI SISTEMIEKSPERTNI SISTEMI• kvalitativne (simbolične) merske lestvicekvalitativne (simbolične) merske lestvice• funkcije koristnosti predstavljene s pravili tipa če-potemfunkcije koristnosti predstavljene s pravili tipa če-potem• odločitveni model odločitveni model = baza znanja= baza znanja• poudarek na razlagi in analizi rezultatov vrednotenjapoudarek na razlagi in analizi rezultatov vrednotenja (DEX) (DEX)

V.Rajkovič 67

Faze odločitvenega procesaFaze odločitvenega procesa

0.0. IDENTIFIKACIJA PROBLEMA IDENTIFIKACIJA PROBLEMA

1.1. IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV)IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV)a.a. spisek kriterijevspisek kriterijevb.b. struktura kriterijev (drevo kriterijev)struktura kriterijev (drevo kriterijev)c.c. merske lestvicemerske lestvice

2.2. DEFINICIJA ODLOČITVENIH PRAVILDEFINICIJA ODLOČITVENIH PRAVIL

3.3. OPIS VARIANTOPIS VARIANT

4.4. ANALIZA VARIANTANALIZA VARIANT

V.Rajkovič 68

1.a Spisek kriterijev1.a Spisek kriterijev

Spisek kriterijev, ki vplivajo na odločitev (neurejen)Spisek kriterijev, ki vplivajo na odločitev (neurejen)

hitrosthitrostvelikost diskavelikost diskacenacenazanesljivostzanesljivostzaslonzaslonbarvebarveservisservis

razširljivostrazširljivostbaterijabaterijaprocesorprocesorproizvajalecproizvajalecmiškamiškatipkovnicatipkovnicavelikost pomnilnikavelikost pomnilnika

Pazimo, da ne spregledamo pomembnih, bistvenih kriterijevPazimo, da ne spregledamo pomembnih, bistvenih kriterijev

Nakup prenosnega računalnikaNakup prenosnega računalnika

V.Rajkovič 69

1.b Drevo kriterijev1.b Drevo kriterijev

Združimo kriterije, ki “spadajo skupaj”Združimo kriterije, ki “spadajo skupaj”Pazimo na strukturo: praviloma dva do trije nasledniki notranjega vozliščaPazimo na strukturo: praviloma dva do trije nasledniki notranjega vozlišča

PRENOSNIK

CENA TEH. KAR. DODATKI

NOT. ENOTE ZUN. ENOTE

PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA

AVTONOMIJA

V.Rajkovič 70

1.c Merske lestvice1.c Merske lestvice

Zaloge vrednosti so diskretne, praviloma urejene od slabih proti Zaloge vrednosti so diskretne, praviloma urejene od slabih proti dobrimdobrimŠtevilo vrednosti naj raste počasi od listov proti korenuŠtevilo vrednosti naj raste počasi od listov proti korenu

PRENOSNIK




AVTONOMIJA

5000

visoka

, 4000, ali

, srednja,

3000

nizka

nespr, spr, dob

nespr, spr, dob, odl

2h , 3h, 4h

V.Rajkovič 71

2. Odločitvena pravila2. Odločitvena pravilaZUN. ENOTE

ZASLON TIPKOVNICA

ZASLONZASLON TIPKOV.TIPKOV. ZUN.ENOTEZUN.ENOTE

nesprnespr slabšaslabša nesprnespr

sprspr slabšaslabša nesprnespr

dobdob slabšaslabša nesprnespr

nesprnespr srednjasrednja nesprnespr

sprspr srednjasrednja sprspr

dobdob srednjasrednja dobdob

nesprnespr boljšaboljša nesprnespr

sprspr boljšaboljša sprspr

dobdob boljšaboljša dobdob

V.Rajkovič 72

3. Opis variant3. Opis variant

DISK

AVTONOMIJA

PRENOSNIK



PROCESOR POMNILNIK ZASLON TIPKOVNICA

PrenosnikPrenosnik CENACENA PROC.PROC. POMN.POMN. DISKDISK ZASLONZASLON

1.1. visokavisoka dobdob sprspr sprspr dobdob

2.2. srednjasrednja sprspr dobdob sprspr nesprnespr

3.3. nizkanizka nesprnespr sprspr sprspr nesprnespr

V.Rajkovič 73

4. Vrednotenje in analiza variant4. Vrednotenje in analiza variant

1.1. VREDNOTENJE VARIANTVREDNOTENJE VARIANT• poteka od listov proti korenu drevesapoteka od listov proti korenu drevesa• rezultat je rezultat je kvalitativnakvalitativna ocena vsake variante ocena vsake variante• vrednotenje lahko poteka tudi ob vrednotenje lahko poteka tudi ob nenatančnihnenatančnih in in

nepopolnihnepopolnih podatkih o variantah podatkih o variantah

2.2. ANALIZA VARIANTANALIZA VARIANT• interaktivno pregledovanje rezultatovinteraktivno pregledovanje rezultatov• analiza tipa analiza tipa kaj-čekaj-če• selektivna razlagaselektivna razlaga vrednotenja (DEX) vrednotenja (DEX)

V.Rajkovič 74

4. Osnovno vrednotenje variant4. Osnovno vrednotenje variant

PRENOSNIK




AVTONOMIJA

spr

nizka

odl

nespr

spr

dob spr spr

dob

dob sred

4h

V.Rajkovič 75

4. Analiza 4. Analiza kaj-čekaj-če

PRENOSNIK




AVTONOMIJA

spr

nizka

odl

nespr

spr

dob spr spr

dob

dob sred

4h

spr

dob

V.Rajkovič 76

4. Selektivna razlaga vrednotenja4. Selektivna razlaga vrednotenja

PRENOSNIK




AVTONOMIJA

spr

nizka

odl

nespr

spr

dob spr spr

dob

dob sred

4h

V.Rajkovič 77

DEXi:DEXi:RaRačunalniški programčunalniški program


Preprost program za delo z odločitvenimi modeli, ki omogoča:Preprost program za delo z odločitvenimi modeli, ki omogoča: • izdelavo in preurejanje drevesa kriterijevizdelavo in preurejanje drevesa kriterijev• urejanje zalog vrednosti kriterijev in odločitvenih pravilurejanje zalog vrednosti kriterijev in odločitvenih pravil• zajemanje podatkov o variantahzajemanje podatkov o variantah• vrednotenje variantvrednotenje variant• tabelarični pregled rezultatov vrednotenja z analizo tipa tabelarični pregled rezultatov vrednotenja z analizo tipa kaj-čekaj-če• grafični prikaz rezultatov vrednotenjagrafični prikaz rezultatov vrednotenja

V.Rajkovič 78

DEXi:DEXi:Izdelava in preurejanje drevesa kriterijevIzdelava in preurejanje drevesa kriterijev

V.Rajkovič 79

DEXi:DEXi:Urejanje zalog vrednosti in odločitvenih pravilUrejanje zalog vrednosti in odločitvenih pravil

V.Rajkovič 80

DEXi:DEXi:Urejevalnik variantUrejevalnik variant

V.Rajkovič 81

DEXi:DEXi:Vrednotenje variantVrednotenje variant

V.Rajkovič 82

DEXi:DEXi:Grafični prikaz vrednotenja variantGrafični prikaz vrednotenja variant

V.Rajkovič 83

DEX in DEXi: Nekaj izkušenjDEX in DEXi: Nekaj izkušenj

1.1. POTREBNI ČAS ZA IZVEDBO POSTOPKA POTREBNI ČAS ZA IZVEDBO POSTOPKA • močno odvisen od problema (nekaj ur do nekaj močno odvisen od problema (nekaj ur do nekaj

mesecev)mesecev)• tipično 2 do 15 delovnih dnitipično 2 do 15 delovnih dni

2.2. NAJZAHTEVNEJŠA FAZA:NAJZAHTEVNEJŠA FAZA:• izdelava drevesa kriterijevizdelava drevesa kriterijev

3.3. PRIMERNI ODLOČITVENI PROBLEMIPRIMERNI ODLOČITVENI PROBLEMI • veliko kriterijev (> 15)veliko kriterijev (> 15)• veliko variant (> 10)veliko variant (> 10)• kvalitativno odločanje, presojakvalitativno odločanje, presoja• nenatančni in nepopolni podatkinenatančni in nepopolni podatki• skupinsko odločanje (razlaga)skupinsko odločanje (razlaga)• dovolj časa za izvedbo postopka dovolj časa za izvedbo postopka

V.Rajkovič 84

DEX in DEXi: Področja uporabeDEX in DEXi: Področja uporabe

1.1. RAČUNALNIŠTVORAČUNALNIŠTVO• izbor računalnikaizbor računalnika• izbor strojne in programske izbor strojne in programske

opremeopreme2.2. VREDNOTENJE PROJEKTOVVREDNOTENJE PROJEKTOV

• ocena kvalitete oz. izvedljivosti ocena kvalitete oz. izvedljivosti projektaprojekta

• ocena investicijeocena investicije• vrednotenje ponudbvrednotenje ponudb• vrednotenje proizvodnih vrednotenje proizvodnih

programov (portfolio)programov (portfolio)3.3. VREDNOTENJE PODJETIJVREDNOTENJE PODJETIJ

• izbor poslovnega partnerjaizbor poslovnega partnerja• boniteta bankboniteta bank• ocenjevanje uspešnosti podjetijocenjevanje uspešnosti podjetij

4.4. KADROVSKO ODLOČANJEKADROVSKO ODLOČANJE• ocenjevanje primernosti, ocenjevanje primernosti,

uspešnosti delavcevuspešnosti delavcev• izbor ekspertne skupineizbor ekspertne skupine• vrednotenje prošenj in vlogvrednotenje prošenj in vlog

5.5. MEDICINAMEDICINA, , ZDRAVSTVOZDRAVSTVO• ocenjevanje rizičnostiocenjevanje rizičnosti• spremljanje osnovnih spremljanje osnovnih

življenjskih aktivnostiživljenjskih aktivnosti6.6. OSTALA PODROČJAOSTALA PODROČJA

• vrednotenje tehnologijvrednotenje tehnologij• izbor lokacijeizbor lokacije• ocena prioritet pri ocena prioritet pri

dodeljevanju posojiladodeljevanju posojila

V.Rajkovič 85

Upravljanje s portfeljemUpravljanje s portfeljem• Življenje ustvarja red, toda red ne ustvarja življenja.

(Antoine de Saint-Exupéry)

86

Matrika portfeljaMatrika portfelja

podvajanje ali opuščanje

intenziviranje vodilnost

nadaljevanje

postopnoopuščanje

rast

nadaljevanjeracionalizacija

vodilnost

rast

opuščanje postopnoopuščanje

finančni vir

Trž

na

pri

vlač

nos

tn

izk

a

zm

ern

a

vis

oka

nizka zmerna visoka

Konkurenčna sposobnost

C

B

B A

A strategija rasti A strategija rasti (vlaganja)(vlaganja)

B strategija B strategija selektivnostiselektivnosti

C strategija C strategija opuščanjaopuščanja

V.Rajkovič 87

Tradicionalen pristopTradicionalen pristop

VHODNI PODATKI

XX p1p1 p2p2 p3p3

1.1. Življenjski cikelŽivljenjski cikel 4040 2020 5050

2.2. Atraktivnost ceneAtraktivnost cene 2020 5555 6060

3.3. Proizvodne zmogljivostiProizvodne zmogljivosti 9090 6060 6060

4.4. St. rasti povpraševanjaSt. rasti povpraševanja 8080 5050 3030

5.5. Obseg tržiščaObseg tržišča 2020 7575 5050 .

.

n

TržnaTržnaprivlačnostprivlačnost

nn

i=1i=1WWii K Kii

88V.Rajkovič

Matrika portfeljaMatrika portfeljapodvajanje ali

opuščanjeintenziviranje vodilnost

nadaljevanje

postopnoopuščanje

rast

nadaljevanjeracionalizacija

vodilnost

rast

opuščanje postopnoopuščanje

finančni vir

Trž

na p

rivl

ačno

stni

zka

zmer

na

vi

sok

a

nizka zmerna visokaKonkurenčna sposobnost

C

B

B A

V.Rajkovič 89

Tržna privlačnostTržna privlačnost

ŽIVLJEN JSK IC IK EL

ATR AK TIVN O STC EN E

PR O IZVO D N EZM O G LJIVO STI

PR O IZVO D

STO PN JA R ASTIPO VPR AŠEVAN JA

O B SEGTR ŽIŠČ A

TR G

STAN JEK O N K U R EN C E

K O N K U R EN Č N O STSU B STITU TO V

K O N K U R EN C A

TR ŽN A PR IVLAČ N O ST

V.Rajkovič 90

Konkurenčna sposobnostKonkurenčna sposobnost

T R ŽN ID ELEŽ

D ELEŽIZVO ZA

ST O PN JAPO K R IT JA

T R ŽN IR EZU LT AT I

C EN AK O N K U R EN C E

K AK O VO STPR O IZVO D A

T R ŽN E ZN AČ ILN O ST IPR O IZVO D A

IMAG E

D IST R IB U C IJA

PR O MO C IJA

MAR K ET IN G

ST R U K T U R AK AD R O V

ZN AN JA

K AD R I inZN AN JA

T EH N O LO ŠK AR AVEN

T EH N O LO ŠK AFLEK SIB ILN O ST

IN T EN ZIT ET AR & R

T EH N O LO G IJAin R AZVO J

K AK O VO STPO SLO VN IH FU N K C IJ

K O N K U R EN Č N ASPO SO B N O ST

91

Model evalvacije strateške Model evalvacije strateške pozicije podjetjapozicije podjetja

54321012345

5 4 3 2 1 0 1 2 3 4 5Makroekonomsko okolje

Ekonomska moč podjetja

Atraktivnostpanoge

Tržnamoč podjetja

92

Model evalvacije strateške Model evalvacije strateške pozicije podjetjapozicije podjetja

54321012345

5 4 3 2 1 0 1 2 3 4 5Makroekonomsko okolje

Ekonomska moč podjetja

Atraktivnostpanoge

Tržnamoč podjetja

1988198919901991

V.Rajkovič 93

Vredana

V.Rajkovič 94

PridobitvePridobitve

• Parametri (dejavniki) ohranijo svoje “naravne” vrednosti

• Strukturiranje parametrov

• Transparentna razlaga agregiranih vrednosti

• Selektivni večnivojski prikazi

• Razlaga strateškega položaja

V.Rajkovič 95

ZaključekZaključek

• Pomoč miselnim procesom managerja pri razumevanju odločitev

• Ni garancije za dobro odločitev; z ustreznim razumevanjem lahko le zmanjšamo možnost napake

V.Rajkovič 96

dol

gotr

ajn

i sp

omin

(D

S)

dol

gotr

ajn

i sp

omin

(D

S)

aktivacijskiaktivacijskivmesnikvmesnik

senzorskisenzorskivmesnikvmesnik

aktivacijskiaktivacijski

signalisignali

senzorskisenzorski

signalisignali

pod

atk

i o o

kol

ju

p

odat

ki z

a p

odat

ki o

ok

olju

pod

atk

i za

okol

jeok

olje

podatki o okoljupodatki o okolju

7 + 2

kra

tkot

rajn

i sp

omin

(K

S)

kra

tkot

rajn

i sp

omin

(K

S)

procesprocespotrjevanjapotrjevanja

iningeneriranjageneriranjakonceptovkonceptov

dej

stva

in k

once

pti

dej

stva

in k

once

pti

dej

stva

in k

once

pti

dej

stva

in k

once

pti

zavestnozavestnoupravljanjeupravljanje

Model nekaterih človekovih Model nekaterih človekovih miselnih procesov:miselnih procesov:

V.Rajkovič 97

Reševanje problema: Reševanje problema: primer “aritmetike dni v tedna”primer “aritmetike dni v tedna”

PoPo ToTo SrSr ČeČe PePe SoSo NeNe 11 2 2 3 3 4 4 5 5 6 6 7 7

Sr + To = ?Sr + To = ?

Načini reševanja:Načini reševanja:1.1. Postopkovni: Postopkovni: 3 + 2 = 53 + 2 = 5

2.2. Podatkovni – tabela kombinacij: Podatkovni – tabela kombinacij:

3.3. S pravili (5 pravil in 3 izjeme): S pravili (5 pravil in 3 izjeme):

PePe

Po To Po To Sr . . .Sr . . .Po To Sr Če . . .Po To Sr Če . . .To Če Pe . . .To Če Pe . . .Sr So . . .Sr So . . .. . .. . .

čeče je eden izmed seštevancev je eden izmed seštevancev PoPopotempotem je rezultat naslednji danje rezultat naslednji dan

V.Rajkovič 98

UčUčenjeenje::

a)a) Direktno ali rutinsko učenje (Direktno ali rutinsko učenje (rote learningrote learning))Sklepanje ni potrebno. Običajno programiranje in Sklepanje ni potrebno. Običajno programiranje in shranjevanje podatkov.shranjevanje podatkov.

b)b) Učenje na podlagi povedanega (Učenje na podlagi povedanega (learning by being toldlearning by being told))Povedano znanje je treba na osnovi predznanja z induktivnim Povedano znanje je treba na osnovi predznanja z induktivnim sklepanjem organizirati tako, da ga je možno uporabiti sklepanjem organizirati tako, da ga je možno uporabiti brez eksplicitnih algoritmov. Sprejemanje pravil in dejstev brez eksplicitnih algoritmov. Sprejemanje pravil in dejstev od učitelja.od učitelja.

c)c) Učenje na osnovi razlage (Učenje na osnovi razlage (explanation-based learningexplanation-based learning))Primer rešitve problema Primer rešitve problema razlaga z znanjem te domene razlaga z znanjem te domene posplošitev razlage, kar omogoča reševanje celotnega razreda posplošitev razlage, kar omogoča reševanje celotnega razreda problemov.problemov.

V.Rajkovič 99

UčUčenjeenje::d)d) Učenje po analogiji (Učenje po analogiji (learning by analogylearning by analogy))

Že obstoječe znanje pretvorimo v obliko, da ga je možno Že obstoječe znanje pretvorimo v obliko, da ga je možno uporabiti za nov podoben problem.uporabiti za nov podoben problem.

e)e) Učenje iz primerov (Učenje iz primerov (learning from exampleslearning from examples))Primeri opisujejo koncept. Nato ga izluščimo Primeri opisujejo koncept. Nato ga izluščimo npr. z induktivnim sklepanjem.npr. z induktivnim sklepanjem.

f)f) Učenje s samostojnim odkrivanjem (Učenje s samostojnim odkrivanjem (learning from learning from observation & discoveryobservation & discovery))Učitelja ni. Sami odkrivamo nove koncepte. Raziskovalno delo:Učitelja ni. Sami odkrivamo nove koncepte. Raziskovalno delo:postavljanje hipotez, testiranje hipotez, sestavljanje novih teorij.postavljanje hipotez, testiranje hipotez, sestavljanje novih teorij.Npr. Npr. Avtomatic mathematicianAvtomatic mathematician, na podlagi temeljnih konceptov, na podlagi temeljnih konceptovteorije množic in s pomočjo hevristik sam odkrije koncepte kot teorije množic in s pomočjo hevristik sam odkrije koncepte kot so število, seštevanje, odštevanje, množenje, potenca, praštevila ...so število, seštevanje, odštevanje, množenje, potenca, praštevila ...

V.Rajkovič 100

Kvalitativno Kvalitativno modeliranje:modeliranje:Kvantitativno: Kvantitativno: enačbe, domena spremenljivk je množica npr. enačbe, domena spremenljivk je množica npr. realnih števil realnih števil

Kvalitativno:Kvalitativno: relacije med spremenljivkami, domena je relacije med spremenljivkami, domena je prostorprostor

količinkoličin

Mozetič, I., Mozetič, I., Principi kvalitativnega modeliranjaPrincipi kvalitativnega modeliranja, Informatica, 4/84, , Informatica, 4/84, pp. 79-85pp. 79-85Bratko, I., Bratko, I., Qualitative ModellingQualitative Modelling, Zbornik. med. konf. o razvoju organizacijskih , Zbornik. med. konf. o razvoju organizacijskih znanosti, Portorož, znanosti, Portorož, 20052005

Človek doseže predmet:Človek doseže predmet:Če VIŠINA (zelo visok)Če VIŠINA (zelo visok)Če VIŠINA (visok) in pručkaČe VIŠINA (visok) in pručkaČe VIŠINA (nizek) in stolČe VIŠINA (nizek) in stol

150 160 170 180 190 200 VIŠINA

nizeknizek visokvisok zelo visokzelo visok

V.Rajkovič 101

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

102V.Rajkovič

SA nodeSA node

AV nodeAV nodeAtriaAtria

VentriclesVentricles

T waveT wave

PR intervalPR interval

QRS complexQRS complexP waveP wave

SA nodeSA node Atr. focusAtr. focus

AV-junctionAV-junction

Vent. focusVent. focusBundle branchesBundle branches

AV conductionAV conduction

SA nodeSA node

Bundle bran.Bundle bran.

summator summator impulse generatorimpulse generatorconduction pathwayconduction pathway

heartheartsubsystemssubsystems

P waveP wave

PR intervalPR interval P-QRS relat.P-QRS relat.

regularregular ectopicectopic

RhythmRhythmQRS complexQRS complex

Sistem KARDIO:Sistem KARDIO:

V.Rajkovič 103

V.Rajkovič 104

Odkrivanje zakonitosti iz Odkrivanje zakonitosti iz podatkovpodatkovOrodja: glavne značilnosti in razlikeOrodja: 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

povzeto po: Janez Demšar: Odkrivanje zakonitosti iz podatkov

V.Rajkovič 105

Francoski paradoksFrancoski 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 106

PastiPasti• “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 107

CRISP-DMCRISP-DMCRoss Industry Standard Process for Data MiningCRoss Industry Standard Process for Data Mining

V.Rajkovič 108

PrimerPrimer

povzeto po: Bojan Cestnik: Strojno učenje

DobičekDobiček StarostStarost KonkurencaKonkurenca VrstaVrsta______________________________________________________________________________________________________________________________________________________________________________

padapada starostaro nene SWSWpada pada srednje srednje dada SWSWnaraščanarašča srednjesrednje nene HWHWpadapada starostaro nene HWHWnaraščanarašča novonovo nene HWHWnaraščanarašča novonovo nene SWSWnaraščanarašča srednjesrednje nene SWSWnaraščanarašča novonovo dada SWSWpadapada srednjesrednje dada HWHWpadapada starostaro dada SWSW_______________________________________________________________________________________

V.Rajkovič 109

PrimerPrimer: Odločitveno drevo: Odločitveno drevo

povzeto po: Bojan Cestnik: Strojno učenje

Starost

Konkurenca

Starost

pada

narašča

pada narašča

staro srednje, novo

ne da

srednje novo

V.Rajkovič 110

Učenje odločitvenih drevesUčenje odločitvenih dreves

primer povzet po: Sašo Džeroski: Decision Trees

Oseba Starost Spol Dohodki Stranka

Ana Kranjc 32 Ž 10.000 da

Micka Kovač 53 Ž 1.000.000 da

Meta Novak 27 Ž 20.000 ne

Jana Bevc 55 Ž 20.000 da

Peter Dolenc 26 M 100.000 da

Janez Gorenc 50 M 200.000 da

V.Rajkovič 111

Klasifikacija in regresijaKlasifikacija in regresija• Klasifikacija:

– 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 112

Klasifikacijsko odločitveno Klasifikacijsko odločitveno drevodrevo

Oseba Starost Spol Dohodki Stranka

Ana KranjcAna Kranjc 3232 ŽŽ 10.00010.000 dada

Micka KovačMicka Kovač 5353 ŽŽ 1.000.0001.000.000 dada

Meta NovakMeta Novak 2727 ŽŽ 20.00020.000 nene

Jana BevcJana Bevc 5555 ŽŽ 20.00020.000 dada

Peter DolencPeter Dolenc 2626 MM 100.000100.000 dada

Janez GorencJanez Gorenc 5050 MM 200.000200.000 dada

DohodkiDohodki

StarostStarost Stranka=daStranka=da

Stranka=neStranka=ne Stranka=daStranka=da

100.000

32 32

100.000

V.Rajkovič 113

RegresRegresijsko odločitveno drevoijsko odločitveno drevoOseba Starost Spol Dohodki Stranka

Ana KranjcAna Kranjc 3232 ŽŽ 10.00010.000 dada

Micka KovačMicka Kovač 5353 ŽŽ 1.000.0001.000.000 dada

Meta NovakMeta Novak 2727 ŽŽ 20.00020.000 nene

Jana BevcJana Bevc 5555 ŽŽ 20.00020.000 dada

Peter DolencPeter Dolenc 2626 MM 100.000100.000 dada

Janez GorencJanez Gorenc 5050 MM 200.000200.000 dada

SpolSpol

StarostStarost Dohodek=150.000Dohodek=150.000

Dohodek=15.000Dohodek=15.000 Dohodek=510.000Dohodek=510.000

Ž

53 53

M

primer povzet po: Sašo Džeroski: Decision Trees

V.Rajkovič 114

Učenje odločitvenih drevesUčenje odločitvenih dreves

KLJUČNI KONCEPTI

1. Gradnja drevesa– algoritem– izbiranje atributov

2. Preverjanje kakovosti drevesa– učna in testna množica– klasifikacijska točnost

3. Rezanje drevesa– rezanje naprej– rezanje nazaj

V.Rajkovič 115

Mere kvalitete odločitvenih Mere kvalitete odločitvenih drevesdreves

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 116

Od dreves k pravilomOd dreves k pravilom

DohodkiDohodki

StarostStarost Stranka=daStranka=da

Stranka=neStranka=ne Stranka=daStranka=da

100.000

32 32

100.000

PRAVILAif Dohodki 100.000

then Stranka=daif Dohodki 100.000

andStarost 32then Stranka=da

if Dohodki 100.000 andStarost 32then Stranka=ne

ODLOČITVENI SEZNAM

if Dohodki 100.000then Stranka=da

else if Starost 32then Stranka=daelse Stranka=nepovzeto po: Marko Bohanec: Strojno učenje

V.Rajkovič 117

Področja uporabePodročja 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 118

Sistemi zaSistemi zaodkrivanje zakonitosti iz podatkovodkrivanje 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 119

odločitvenadrevesa

pravilapravila

Primerjalna analiza treh orodijPrimerjalna analiza treh orodijzaza izgradnjo in uporabo ES izgradnjo in uporabo ES

Baza znanja

drevo kriterijevdrevo kriterijev

DEXDEX

OPTRANSOPTRANS

ASSISTANTASSISTANT

V.Rajkovič 120

IF GR_PROFIT < 0 AOR PROF_RTO < 0 AOR RENT_RTO < 0THEN FACTS_DEDUCTED PROFITABILITY IS badCRITERIA_TO_EXAMINE stopMESSAGE PROFITABILITY is bad.FINISH_RULE IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO > 2THEN FACTS_DEDUCTED PROFITABILITY IS goodCRITERIA_TO_EXAMINE stopMESSAGE PROFITABILITY is good.FINISH_RULE IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO < 2 AND RENT_RTO > 0THEN FACTS_DEDUCTED PROFITABILITY IS mediumCRITERIA_TO_EXAMINE stopMESSAGE PROFITABILITY is medium.FINISH_RULE

Pravila v OPTRANSuPravila v OPTRANSu

V.Rajkovič 121

** * 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.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 of40%. The balanced term structure (110.00%) complies with the foreseen value of 85%. Doubtful assets ratio is less than 5%. TheTherisk is medium.risk is medium. ** * Profitability evaluation * **The bank gross profit is far. The profitability ratio (10.84%) isexcellent. The rentability ratio (0.27%) is medium. The The profitability is medium.profitability is medium.

Ocena boniteta stranke v OPTRANSuOcena boniteta stranke v OPTRANSu

V.Rajkovič 122

descriptive value numeric subinterval1. bad < 0%2. medium > 0% in < 2%3. good > 2% Parameter Numeric value Descriptive value ST_CR_POT 11.81 goodBLN_STRCT 0 goodLQD_DEBT 2.1 badCA_RTO 33.08 goodDBT_ASSETS 110 goodLQD_1 726.26 goodLQD_2 289.37 goodLEND_PRM 166851 goodLR_DAYS 3 mediumRF_DAYS 5 goodLQD_CR_CB 0 goodLQD_3 3072.62 goodMIN_LQD 382.47 goodSPEC_LQD 5.9 goodGR_PEOFIT 8507 goodPROF_RTO 10.84 goodRENT_RTO 0.27 medium

Primer podatkov o stranki, Primer podatkov o stranki, katere boniteto ocenjujemokatere boniteto ocenjujemo

V.Rajkovič 123

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

Drevo kriterijev v DEXuDrevo kriterijev v DEXu

V.Rajkovič 124

GR_PROFIT PROF_RTO RENT_RTO PROFITABILITY 1. bad * * bad2. * bad * bad3. * * bad bad 4. good medium >=medium medium5. good >=medium medium medium6. good good good good

Agregacijska pravila v DEXuAgregacijska pravila v DEXu

V.Rajkovič 125

CREDIT SCORECREDIT SCORE goodgood ├RISK mediummedium│├ST_CR_POT good│├BLN_STRCT good│├LQD_DEBT bad│├CA_RTO good│└DBT_ASSETS good├LIQUIDITY goodgood│├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 mediummedium ├GR_PROFIT good ├PROF_RTO good └RENT_RTO medium

Ocena boniteta stranke v DEXuOcena boniteta stranke v DEXu

126

Odločitveno drevo v ASSISTANTuOdločitveno drevo v ASSISTANTu

bad

CA_RATIO

< 3 3 <

bad

SPEC_LQD

< 100 100 <

bad

DBT_ASSETS

< 6,5 6,5 <

bad

RF_DAYS

< 10 10 <

medium

bad

CA_RATIO

< 100 100 <

medium

GR_PROFIT

< 0 0 <

CA_RATIO

< 3 3 <

ST_CR_POT

< 85 85 <

good

medium

medium

RENT_RTO

< 0 0 <

V.Rajkovič 127

┌────────────────────────── 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 ║ ║ │ │ ║ ║ ׃ ׃ │

Izračun bonitete s samo štirimi podatki v ASSISTANTuIzračun bonitete s samo štirimi podatki v ASSISTANTu

128V.Rajkovič

Predlog temePredlog teme (ena stran)(ena stran)

• Podatki o Podatki o šštudentu:tudentu:– ime in priimekime in priimek– organizacijaorganizacija– telefon in e-mailtelefon in e-mail

• Podatki o Podatki o predmetu in študijskem programupredmetu in študijskem programu• Naslov seminarske nalogeNaslov seminarske naloge• Opis problemaOpis problema• Namen in cilji nalogeNamen in cilji naloge• Metoda delaMetoda dela• Pričakovani rezultatiPričakovani rezultati

129

Organiziranje razvoja ESOrganiziranje razvoja ES Izbira ustreznega problema za rešitev z ESIzbira ustreznega problema za rešitev z ES 11 P Proučite potencialne možnosti uporabe ES pri vasroučite potencialne možnosti uporabe ES pri vas.. 1.11.1 Kje v vašem poslovnem sistemu nastaja NOVA Kje v vašem poslovnem sistemu nastaja NOVA VREDNOSTVREDNOST? ? Kje nastajajo največji Kje nastajajo največji STROŠKISTROŠKI?? 1.1.22 Kje v vašem poslovnem sistemu obstajajo Kje v vašem poslovnem sistemu obstajajo KRITIČNAKRITIČNA

EKSPERTNA PODROČJA?EKSPERTNA PODROČJA? Kje se bojite izgube Kje se bojite izgube EKSPERTIZEEKSPERTIZE?? Kje želite ''pomnožiti'' Kje želite ''pomnožiti'' EKSPERTIZOEKSPERTIZO?? 1.31.3 Kje v vašem poslovnem sistemu obstajajo ''ozka grla''? Kje v vašem poslovnem sistemu obstajajo ''ozka grla''? Katere poslovne funkcije so s tem VZROČNO-POSLEDIČNOKatere poslovne funkcije so s tem VZROČNO-POSLEDIČNO povezane?povezane? 22 Izbira aplikacije ES, ki ustreza ali več kriterijev Izbira aplikacije ES, ki ustreza ali več kriterijev 2.2.1 1 Kako se aplikacija vključuje v poslovni sistem? Kako se aplikacija vključuje v poslovni sistem? Kaj aplikacija Kaj aplikacija DAJEDAJE in kaj in kaj ZAHTEVAZAHTEVA?? 2.22.2 Kaj vse je treba storiti? Kaj vse je treba storiti? 2.2.33 Kakšni so stvarni cilji? Kakšni so stvarni cilji?

V.Rajkovič 130

Organiziranje razvoja ESOrganiziranje razvoja ES Upravičenost rešitve z ESUpravičenost rešitve z ES

33 Kakšni so kvantitativni učinki?Kakšni so kvantitativni učinki? AA Zmanjšanje stroškovZmanjšanje stroškov BB Dvig produktivnostiDvig produktivnosti CC Dvig kakovostDvig kakovostii

44 Kakšni so kvalitativni učinki?Kakšni so kvalitativni učinki? AA Dolgoročne strateške prednostiDolgoročne strateške prednosti BB Povečanje ''zadovoljstva'' Povečanje ''zadovoljstva''

-- delavcev delavcev -- končnega uporabnikakončnega uporabnika CC Povečanje fleksibilnostiPovečanje fleksibilnosti

131

Organiziranje razvoja ESOrganiziranje razvoja ES Izgradnja sistemaIzgradnja sistema 55 Izbor skupine: kdo vse mora sodelovati in zakaj? Izbor skupine: kdo vse mora sodelovati in zakaj? 6 6 Tehnološka rešitev Tehnološka rešitev AA Katero orodje (npr. lupino ES) izberemo? Katero orodje (npr. lupino ES) izberemo? BB Kakšen računalnik potrebujemo? Kakšen računalnik potrebujemo? CC Kakšne so kadrovske in časovne zahteve ter možnosti? Kakšne so kadrovske in časovne zahteve ter možnosti? 77 Izgradnja baze znanja (BZ) Izgradnja baze znanja (BZ) AA Kakšne metode zbiranja in predstavitve BZ bomo uporabili? Kakšne metode zbiranja in predstavitve BZ bomo uporabili? BB Kako bomo testirali BZ Kako bomo testirali BZ?? 88 Uvajanje sistema v praktično deloUvajanje sistema v praktično delo AA Kdo bo sistem uvajal? Kdo bo sistem uvajal? BB Kakšne težave nas pri tem čakajo? Kakšne težave nas pri tem čakajo? 99 Operativno delovanje in spremljanje učinkovitosti sistemaOperativno delovanje in spremljanje učinkovitosti sistema AA Kaj obsega vzdrževanje sistema? Kaj obsega vzdrževanje sistema? BB Kdo je odgovoren za operativno delovanje in evaluacijo Kdo je odgovoren za operativno delovanje in evaluacijo sistema?sistema?

V.Rajkovič 132

Poročilo o seminarski nalogiPoročilo o seminarski nalogiNaslovNaslov

avtor, organizacijaavtor, organizacijakraj in datumkraj in datum

PovzelekPovzelek (slo in ang)(slo in ang)

Ključne besedeKljučne besede (slo in ang)(slo in ang)

1. Uvod1. UvodOpredelitev problema:Opredelitev problema:•Kaj je predmet odločanja?Kaj je predmet odločanja?•Kakšne cilje želite doseči z odločitvijo?Kakšne cilje želite doseči z odločitvijo?•Katerim zahtevam mora ustrezati izbrana varianta?Katerim zahtevam mora ustrezati izbrana varianta?•Ali je problem težak in zakaj?Ali je problem težak in zakaj?Odločitvena skupina:Odločitvena skupina:•Kdo je “lastnik” odločitvenega problema? Kdo je odgovoren za odločitev? Koga odločitev Kdo je “lastnik” odločitvenega problema? Kdo je odgovoren za odločitev? Koga odločitev neposredno zadeva?neposredno zadeva?•Kdo še sodeluje v odločitveni skupini? Ali ste (bi) v odločitveno skupino vključili eksperte, Kdo še sodeluje v odločitveni skupini? Ali ste (bi) v odločitveno skupino vključili eksperte, odločitvenega analitika ali predstavnike tistih (katerih) segmentov, na katere vpliva?odločitvenega analitika ali predstavnike tistih (katerih) segmentov, na katere vpliva?Metoda dela:Metoda dela:•Kako ste se lotili problema, po katerih korakih in kakšne oziroma katere pripomočke ste pri Kako ste se lotili problema, po katerih korakih in kakšne oziroma katere pripomočke ste pri tem uporabljali?tem uporabljali?

V.Rajkovič 133

2. Odločitveni model2. Odločitveni modelKriteriji:Kriteriji:•Katere kriterije ste uporabili?Katere kriterije ste uporabili?•Kaj pomenijo (kratek opis)?Kaj pomenijo (kratek opis)?•Kako ste jih strukturirali?Kako ste jih strukturirali?Funkcije koristnosti:Funkcije koristnosti:•Kateri kriteriji so pomembnejši od drugih in zakaj?Kateri kriteriji so pomembnejši od drugih in zakaj?•Ali morda v modelu nastopajo izločilni kriteriji in kateri so to?Ali morda v modelu nastopajo izločilni kriteriji in kateri so to?

3. Opis variant3. Opis variant•Kratek opis variant, med katerimi izbirate.Kratek opis variant, med katerimi izbirate.•Kako ste izmerili variante (morebitni viri)?Kako ste izmerili variante (morebitni viri)?

134

4. Rezultati vrednotenja variant4. Rezultati vrednotenja variantOpišite Opišite rezultate vrednotenjarezultate vrednotenja::•Kako so bile ocenjene variante?Kako so bile ocenjene variante?•Katera je najboljša?Katera je najboljša?•Primerjajte najboljšo varianto z nekaj najbolje ocenjenimi preostalimi variantami?Primerjajte najboljšo varianto z nekaj najbolje ocenjenimi preostalimi variantami?AnalizirajteAnalizirajte in in razložiterazložite odločitev; poskusite odgovoriti na vprašanja kot so: odločitev; poskusite odgovoriti na vprašanja kot so:•Ali so vrednosti kriterijev in uporabljene funkcije koristnosti Ali so vrednosti kriterijev in uporabljene funkcije koristnosti ustrezniustrezni??•ZakajZakaj je končna ocena takšna, kot je? Je v skladu s pričakovanji ali odstopa in zakaj? Kateri je končna ocena takšna, kot je? Je v skladu s pričakovanji ali odstopa in zakaj? Kateri kriteriji so najbolj prispevali k takšni oceni?kriteriji so najbolj prispevali k takšni oceni?•Katere so bistvene Katere so bistvene prednostiprednosti in in pomanjkljivostipomanjkljivosti posameznih variant? posameznih variant?•Kakšna je Kakšna je občutljivostobčutljivost odločitve: kako spremembe vrednosti kriterijev vplivajo na končno odločitve: kako spremembe vrednosti kriterijev vplivajo na končno oceno? Ali je mogoče in kako variante oceno? Ali je mogoče in kako variante izboljšatiizboljšati? Katere spremembe povzročijo bistveno ? Katere spremembe povzročijo bistveno poslabšanjeposlabšanje ocen variant? ocen variant?•V čem se variante V čem se variante bistveno razlikujejobistveno razlikujejo med seboj? med seboj?

5. Zaključek5. Zaključek•Kaj je končni rezultat odločitve? Katera varianta je najboljša in zakaj?Kaj je končni rezultat odločitve? Katera varianta je najboljša in zakaj?•Ali so cilji odločitvenega procesa doseženi?Ali so cilji odločitvenega procesa doseženi?•Kaj bi bilo še potrebno ukreniti? Morebitni napotki za realizacijo končne odločitve (na primer 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 opis kritičnih lastnosti izbrane variante, ki jim je potrebno pri realizaciji posvetiti posebno pozornost).pozornost).

Literatura Literatura inin Priloge PrilogePo potrebi priložite računalniške izpise odločitvenega modela (modelov) in rezultatov Po potrebi priložite računalniške izpise odločitvenega modela (modelov) in rezultatov vrednotenja.vrednotenja.

V.Rajkovič 135

Skupinsko odločanjeSkupinsko odločanje

1. Zakaj odločanje v skupini?1. Zakaj odločanje v skupini?

• demokracijademokracija• participacijaparticipacija• informacijska družbainformacijska družba• kompleksnostkompleksnost• prilagajanje spremembamprilagajanje spremembam• učno-vzgojni procesučno-vzgojni proces• odločitveni postopekodločitveni postopek

V.Rajkovič 136


2. Problemi skupinskega odločanja:2. Problemi skupinskega odločanja:

• pogojipogoji• motivacijamotivacija• znanjeznanje• brez sovraštvabrez sovraštva

• cena postopkacena postopka• različni interesirazlični interesi• odgovornostodgovornost• manipulacijamanipulacija• strah pred tehnološkim razvojemstrah pred tehnološkim razvojem

V.Rajkovič 137


3. Usklajevanje interesov:3. Usklajevanje interesov:

• nezadostno znanje kot vir različnosti nezadostno znanje kot vir različnosti interesov interesov

• metode usklajevanjametode usklajevanja• pravilo večinepravilo večine• utežiuteži• več parametrovveč parametrov• ekspertni sistemiekspertni sistemi

V.Rajkovič 138

2 4 6 8 102 4 6 8 10vv1 1 -vrednost za prvega odločevalca-vrednost za prvega odločevalca

1010

88

66

44

22

00

vv22

nemanjvrednostne nemanjvrednostne oceneocene

aa11

aa22

aa33

aa44

področje ocenpodročje ocenkoristnosti variantkoristnosti variant

vv11=v=v22

vv11+v+v22=konst.=konst.

HarsanyiHarsanyi

NashNash

vv11*v*v22=konst.=konst.

Documents

Ekspertni sistemi in Sistemi za pomo č pri odlo č anju prof. dr. Vladislav Rajkovič