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
KOMUNIKACIJSKIKOMUNIKACIJSKIVMESNIKVMESNIK
BAZA BAZA ZNANJAZNANJA
MEHANIZEMMEHANIZEMSKLEPANJASKLEPANJA
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
KOMUNIKACIJSKIKOMUNIKACIJSKIVMESNIKVMESNIK
BAZA BAZA ZNANJAZNANJA
MEHANIZEMMEHANIZEMSKLEPANJASKLEPANJA
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
KOMUNIKACIJSKIKOMUNIKACIJSKIVMESNIKVMESNIK
BAZA BAZA ZNANJAZNANJA
MEHANIZEMMEHANIZEMSKLEPANJASKLEPANJA
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
neprimerenneprimeren
primerenprimeren
doberdober
odličenodličen
OCENA AVTAOCENA AVTA
VARNOST VARNOST – x– x11
CENACENA – x – x22
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
neprimerenneprimeren
primerenprimeren
doberdober
odličenodličenOCENA AVTAOCENA AVTA
VARNOST VARNOST – x– x11
CENACENA – x – x22
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
nesprej. sprejemljiv dober
nesprej. sprejemljiv dober
nesprej. sprejemljiv dober
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
za za večparametrsko odločanjevečparametrsko odločanje
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
CENA TEH. KAR. DODATKI
NOT. ENOTE ZUN. ENOTE
PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA
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
CENA TEH. KAR. DODATKI
NOT. ENOTE ZUN. ENOTE
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
CENA TEH. KAR. DODATKI
NOT. ENOTE ZUN. ENOTE
PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA
AVTONOMIJA
spr
nizka
odl
nespr
spr
dob spr spr
dob
dob sred
4h
V.Rajkovič 75
4. Analiza 4. Analiza kaj-čekaj-če
PRENOSNIK
CENA TEH. KAR. DODATKI
NOT. ENOTE ZUN. ENOTE
PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA
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
CENA TEH. KAR. DODATKI
NOT. ENOTE ZUN. ENOTE
PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA
AVTONOMIJA
spr
nizka
odl
nespr
spr
dob spr spr
dob
dob sred
4h
V.Rajkovič 77
DEXi:DEXi:RaRačunalniški programčunalniški program
za za večparametrsko odločanjevečparametrsko odločanje
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
Skupinsko odločanjeSkupinsko odločanje
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
Skupinsko odločanjeSkupinsko odločanje
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.