Decision Support System (DSS) Curso basado en material de Kathryn Blackmond Laskey

1
Decision Support System(DSS) Curso basado en
material de Kathryn Blackmond Laskey

• Elementos de un DSS
• El subsistema modelo (2)
• Otras técnicas de modelamiento

2
Resumen

• Otras Tecnologías para modelar sistemas
• Métodos Heuristicos para resolver problemas de
  optimización
• Inteligencia Artificial y sistemas expertos
• Métodos estadísticos
• Otros métodos
• Asociando tipos de problemas a tipos de métodos

3
Modelos para apoyar decisiones

• Los modelos pueden apoyar las decisiones de
  varias maneras
• Asistir en la formulación del problema
• Encontrar la solución óptima (o cercana a la
  óptima, según el problema)
• Asistir en la composición de soluciones a
  subproblemas
• Representar información relevante para la
  decisión de una forma que a los tomadores de
  decisión les quede clara las implicaciones
• Sacar conclusiones de los datos (datos
  -gtinformación -gt conocimiento)
• Predecir los resultados de las soluciones
  propuestas
• Evaluar las soluciones propuestas
• Diferentes técnicas de modelamiento son útiles
  para diferentes tipos de apoyo

4
Ejemplo de Heurísticas

• Greedy hill climber
• Empezar con una solución candidata
• Cambiar en la dirección que mejora más la
  solución
• Nunca ir para atrás
• Descomposición Divide and conquer
• Partir el problema en subproblemas más simples
• Resolver los problemas por separado
• Recomponer las soluciones
• Búsqueda heurística
• El espacio de búsqueda se puede construir como un
  árbol
• Políticas para expandir el árbol depth-first
  breadth first, best-first
• Aproximar y ajustar
• Usar métodos de aproximación rápidos/baratos/dispo
  nibles
• Ajustar la solución
• Usar técnicas de LP en problemas enteros y
  ajustar la solución a valores enteros.

5
Heu. de analogía con la naturaleza

• La naturaleza es un optimizador eficiente
• Aplicación de métodos basados en analogía a los
  sistemas naturales
• Cocimiento simulado
• Modificar la solución actual al azar y evaluar la
  función objetivo
• Aceptar la nueva solución si es mejor que lo
  anterior. De lo contrario, aceptar con
  probabilidad dependiendo de la temperatura del
  sistema
• Disminuir poco a poco la temperatura (que sea más
  difícil de aceptar peores soluciones)
• Los algoritmos evolutivos
• Mantener una "población" de soluciones
• Reproducir las soluciones con crías dependiendo
  de la función objetivo (supervivencia del más
  apto)
• Aplicar los operadores de la evolución para
  cambiar las soluciones de generación en
  generación (por ejemplo, cruce, mutación)

6
Sistemas basados en el conocimiento

• La premisa básica la solución inteligente de
  problemas requiere una aplicación flexible de los
  conocimientos
• La función clave la representación por separado
  del conocimiento con la aplicación para resolver
  problemas
• Ventajas
• La aplicación oportunista de los conocimientos
• Flexibilidad para tratar las diferentes
  estrategias de solución
• Facilita la modularidad, facilidad de
  mantenimiento, la capacidad de explicar el
  razonamiento a los usuarios

7
Elementos de un sistema genérico basado en el
conocimiento

• Base de conocimiento
• Hace generalizaciones sobre el dominio
• R1 si GPA de ltxgt es inferior a 5,0 entonces ltxgt
  no es elegible para el programa de MS/BS
  combinado "
• La memoria a largo plazo
• Datos sobre el mundo
• F1 el GPA de G12345678 es de 4.75"
• Motor de Inferencia
• Usa R1 y la F1 y los pasos lógicos para concluir
  "G12345678 no es elegible para el programa
  combinado de BS/MS
• La memoria de trabajo
• Guarda los resultados de los cálculos
• Recibe entradas del mundo exterior
• Datos son leídos y escritos en LTM y KB
• Estrategia de control
• Establece prioridades
• Decide en qué orden hacer las tareas

8
Representación del conocimiento del dominio

• El conocimiento es diferente de la información
• Estructuras de conocimiento reflejan la
  estructura del dominio
• Razonadores acceden y manipulan estas estructuras
• La representación es un sustituto de las
  entidades
• Problemas difíciles en una representación pueden
  ser fáciles en otra
• Ejemplo aritmética en números romanos y árabes
• Una base de conocimientos contiene las
  estructuras que representan
• Tipos de entidades que pueden existir en el mundo
  
• Atributos de cada tipo de entidad
• Relaciones que las entidades tienen entre sí
• Procesos en que participan las entidades
• Instancias individuales de las entidades con
  tipos, relac., atrib., y comp.
• Una representación formal de un conocimiento
  acerca de un dominio es también llamada ontología
  
• Ontologías representan semánticas que facilitan
  el re-uso, compartir e interoperabilidad
  semántica
• Razonadores usan el conocimiento guardado e
  información entrante para generar nuevo
  conocimiento

9
Ejemplo de Estructuras de Conocimiento

• Reglas
• Conocimiento del tipo IF-THEN
• Permite al sistema derivar consecuencias del
  conocimiento
• Sistema basado en reglas
• Representa el conocimiento como reglas y razones
  aplicando reglas
• Una de las primeras y más populares tecnologías
  de la Inteligencia Artificial
• Clases de Objetos e Instancias
• Representan tipos de entidades y atributos
  específicos del tipo
• Sub-sistemas pueden heredar la estructura y
  propiedades de los tipos padres
• Instancias representan entidades específicas de
  un tipo
• Redes Semánticas
• Organizan el conocimiento como relaciones entre
  entidades
• Nodos representan entidades, arcos representan
  relaciones, los arcos están etiquetados con el
  tipo de relación

10
Estadística

• La estadística es el uso de datos para extraer
  inferencias acerca de fenómenos poco conocidos
• Muchos métodos de representación del
  conocimiento, el análisis de decisiones, y de IA
  usan distribuciones de probabilidad de
  representar resultados inciertos
• Las distribuciones son especificadas usando una
  combinación de teoría, conocimientos
  especializados y observaciones
• La Estadística proporciona métodos para derivar
  inferencias bien justificadas a partir de los
  datos
• La estadística incluye también la creación de
  resúmenes de observaciones que serán útiles para
  los DM
• Muestras gráfica
• Resúmenes numéricos

11
Métodos Estadísticos

• Análisis exploratorio de datos
• Herramientas gráficas para la visualización de
  datos
• Métodos de transformación de datos
• Métodos de detección de valores atípicos
• Métodos exploratorios robustos para la
  identificación de las tendencias y los patrones
• Agrupación (clustering)
• Construcción de modelos estadísticos y evaluación
• Estimación de parámetros
• Prueba de las hipótesis y el modelo de evaluación
  
• Selección del modelo
• Reconocimiento de patrones estadísticos
• Métodos de diseño de muestreo
• El diseño experimental
• Diseño de la encuesta
• El diseño de los estudios observacionales

12
Tipos de modelos estadísticos

• Regresión
• Estimación de una ecuación que relaciona una
  variable dependiente con una o más variables
  independientes - Ejemplo examinar la relación
  entre el ingreso (monetario) de las familias de
  los estudiantes y su ingreso a la universidad
• Análisis de la varianza
• Evaluar si el valor promedio de una respuesta es
  diferente para distintos grupos de individuos
• Ejemplo evaluar si los pacientes que toman un
  medicamento no se mejoran mas rápido que los
  pacientes que tomaron un placebo
• Modelos de series temporales
• Examinar las tendencias y/o ciclos de datos a
  largo plazo
• Ejemplo predecir el precio de una acción

13
Regresión lineal en Excel

• Los datos sobre el alquitrán, la nicotina, el
  peso y el CO en 25 marcas de cigarrillos
  descargados de http//www.mste.uiuc.edu/regression
  /cig.html
• Componentes independientes de valor (evitar
  consideraciones dobles)

14
Redes neuronales

• Filosofía conexionista
• Comportamiento complejo proviene de las
  interacciones entre las simples las unidades de
  cómputo
• Analogía natural simular el comportamiento
  inteligente, utilizando el proceso del modelo del
  cerebro humano
• Una red neuronal consiste en
• Un amplio conjunto de unidades de cómputo simples
  o nodos
• Vínculos o conexiones entre los nodos
• El aprendizaje se produce mediante el ajuste de
  los fuerzas de las conexiones
• Aprendizaje supervisado Regresión
• Aprendizaje no supervisado clustering

15
Una red feedforward simple
Podemos pensar en una red neuronal feedforward
como una modelo de regresión no lineal y f
(y x, w) en que y denota el nodo (s) de
salida, w denota el vector de peso x denota el
nodo de entrada . Aprender los pesos corresponde
a la estimación de los parámetros del modelo de
regresión
Una buena discusion de las relaciones entre redes
neuronales y métodos estadísticos se puede
encontrar en http//www.faqs.org/faqs/ai-faq/neur
al-nets/part1/section-15.html
16
Machine Learning

• Machine Learning (Aprendizaje automático) es la
  disciplina dedicada al desarrollo de métodos que
  permiten a los computadores "aprender" (mejorar
  el rendimiento sobre la base de los resultados de
  los resultados anteriores)
• Machine Learning se basa en la inteligencia
  artificial, métodos de la informática, y las
  estadísticas
• Extracto de las regularidades de las muestras de
  datos
• Construcción de estructuras de conocimiento (por
  lo general normas) que caracterizan las
  regularidades
• Evaluar el desempeño contra de las muestras no
  vistas antes

17
Data Mining

• La revolución informática ha creado los vastos
  archivos de datos
• La minería de datos es una colección de métodos
  de las estadísticas, ciencias de la computación,
  la ingeniería y la inteligencia artificial para
  identificar patrones interesantes
• Hay gran solapamiento con Machine Learning
• En la Machine Learning se hace hincapié en el uso
  de datos para mejorar el rendimiento en una tarea
  bien definida de acuerdo con alguna medida de
  desempeño (inducción)
• En la minería de datos se hace hincapié en la
  identificación de patrones interesantes en los
  grandes volúmenes de datos (descubrimiento)
• Tanto el aprendizaje automático y minería de
  datos requieren un gran uso de métodos
  estadísticos
• El término minería de datos a largo plazo se
  utiliza a veces peyorativamente, en el sentido de
  la pesca de patrones de espurios para preparar
  explicaciones post-hoc

18
Knowledge Discovery Data Mining
Fuente Data Mining to Knowledge Discovery in
Databases (PDF), Usama Fayyad, Gregory
Piatetsky-Shapiro, and Padhraic Smyth, AI
Magazine 17(3) Fall 1996, 37-54
http//www.kddnuggets.com
19
Métodos de la Economía

• Modelos microeconómicos
• Analizan los sistemas económicos en los que las
  empresas y agentes se modelan como maximizadores
  de utilidad
• Estático análisis de equilibrio
• Dinámico analizar el comportamiento en el tiempo
  
• Teoría de Juegos
• Varios jugadores cada uno las acciones posibles y
  funciones objetivos
• La economía es un juego de muchas personas
• Los modelos macroeconómicos (econometría)
• Una estimación estadística de las relaciones
  entre las variables económicas
• Costo / beneficio
• Beneficios de la opción política propuesta se
  cuantifican en términos monetarios y son
  evaluados en relación con los costos

20
Análisis costo-beneficio vs. Utilidad
multiatributo

• Conceptualmente ambos abordan el mismo problema
• Ambos traducen costos y beneficios a una misma
  unidad
• ACB traduce todo a unidades monetarias
• UMA traduce todo a unidades de utilidad
• Problemas de ACB
• Tendencia a ignorar atributos no medibles
• Mide costos sociales como disposición a pagar
• Objetivo
• ACB maximiza la razón costo/beneficio (bueno para
  asignar recursos limitados a múltiples proyectos)
• elige la opción con la utilidad esperada más alta
  (bueno para la selección de la mejor opción
  única)

21
Métodos de la ciencias de la administración

• Planificación de proyectos y la programación de
  los métodos - Cartas de Milestone - Los
  diagramas de Gantt - Método del Camino Crítico
  (CPM)
• Métodos de seguimiento de los proyectos -
  Análisis del valor acumulado

22
Métodos de contabilidad y finanzas

• En realidad, no son una categoría separada de
  modelado de métodos
• Usa métodos de la optimización, estadística,
  economía, y otras disciplinas
• Ejemplos de tipos de modelo común
• Análisis de rendimiento de la inversión
• Identificar el período de tiempo para pagar la
  inversión
• Análisis del punto de equilibrio
• Identificar los ingresos necesarios para cubrir
  los costos de un producto
• Predicción de suministro, la demanda, las tasas
  de interés, etc.
• Estimación de Costos
• Ejemplo COCOMO es un modelo para estimar el
  costo de software proyectos
• Ver http//www.softstarsystems.com/overview.htm
  para una descripción

23
Algo de Filosofía

• El resultado más valioso de un buen modelo es el
  insight que provee del problema
• aceptación ciega de la "respuesta de la
  computadora" es casi siempre un error
• A veces un examen más detallado del resultado
  poco intuitivo revela aspectos no modelados del
  problema
• A menudo se puede ganar mucho en insight con
  un análisis menos que completo

24
Análisis de sensibilidad

• Implica variar los parámetros del modelo para ver
  cómo cambia la respuesta
• Es una componente muy importante en modelos
  exploratorios
• Ayuda a que el modelo no sea considerado como
  correcto
• Ayuda a explorar implicancias de supuestos
  alternativos
• Es difícil modelar la interacción humano
  computador para un buen análisis de sensibilidad
• En muchos modelos tenemos que hacer supuestos que
  no podemos probar

25
Evaluación del Modelo

• Verificación evaluar si el modelo implementado
  es correcto y produce los resultados para los
  que fue diseñado
• Validación evaluar si el modelo reproduce el
  fenómeno que se está modelando
• Por qué la verificación y la evaluación en sí
  son insuficientes para la evaluación del modelo?
  

26
Algunos enfoques de evaluación de modelos

• Compara resultados del modelo con la realidad
• Calidad de los resultados
• Cuantos casos cubre
• Cubre todas las condiciones relevantes
• Podemos instrumentalizar todas las variables?
• Fidelidad de las condiciones de testeo con la
  realidad
• Comparar resultados del modelo con juicio de
  expertos

27
Evaluación de modelos para DSS

• En un entorno de apoyo a la decisión estamos
  preocupados de la calidad de la combinación
  Modelo Decision Maker
• Tenemos que evaluar si el apoyo ala toma de
  decisiones funciona mejor que
• El DM solamente
• Modelo único
• Parámetros incluyen
• Calidad de resultados
• Tiempo para la solución
• Conocimiento de la solución por las partes
  interesadas
• Compra por la organización

28
Selección del método

• Problema tipo 1 apoyo a la decisión general de
  problemas mal estructurados
• No hay incertidumbre, objetivos múltiples -gt MAU
• Hay incertidumbre , objetivo simple -gt diagrama
  de influencias
• Hay incertidumbre, objetivos múltiples -gt MAU
  combinado con diagrama de influencia
• Sistemas expertos para sugerir los valores por
  defecto para parámetros (reduce la carga de
  obtención)
• Resolver diagrama de influencia
• Modelo MAU
• Métodos de análisis de sensibilidad
• Brainstorming de ideas o mapas cognitivos para
  definir el problema
• Sistema Expertos basado en reglas para sugerir
  enfoques de solución y ayudar en la construcción
  de modelo

29
Selección del método

• Problema tipo 2 Problema de optimización con
  restricciones y función objetivo complejos
• Uso simplificado modelo de programación
  matemática que no toma en cuenta todos los
  aspectos del problema
• Utilizar búsqueda heurística para modificar los
  resultados del modelo
• Utilizar estimación estadística de parámetros y/o
  sistema expertos y/o de ingreso de valores de
  parámetros por el usuario (restricciones, función
  objetivo)

30
Selección del método

• Problema tipo 3 diseño de un plan o mejora de un
  sistema complejo
• Construir el modelo causal del sistema existente
• Utilizar los métodos estadísticos para estimar
  los parámetros del modelo
• Uso de simulación para predecir la evolución del
  sistema
• Utilice los experimentos diseñados para probar la
  causa y el efecto de los supuestos
• Utilizar el análisis de sensibilidad para
  investigar cómo afectan distintos valores a los
  resultados

31
Selección del método

• Problema tipo 4 Identificación de los patrones
  en grandes base de datos de datos de alta
  dimensión
• Redes neuronales (aprendizaje no supervisado)
• Análisis de clusters
• Análisis exploratorio de datos en gráficos
• Problema tipo 5 Clasificar nuevas observaciones
  en categorías, donde se definen las categorías
  de acuerdo con una amplia muestra de ejemplares
• Análisis discriminante
• Red neuronal
• Algoritmo genético
• Recocido simulado
• Red de aprendizaje bayesiano

32
Selección del método

• Problema tipo 6 Clasificar observaciones en
  categorías cuando no hay una base de datos
  pre-definida de ejemplares
• Sistemas expertos
• Redes bayesyanas
• Redes neuronales (entrenada por ejemplos
  generadas por humanos
• Problema tipo 5 seleccionar opciones de grandes
  bases de datos clasificadas en muchas dimensiones
• Utilidad de múltiples atributos
• proyecciones
• Políticas de captura

33
Selección del método

• Problema Tipo 8 Seleccionar la mejor opción de
  un espacio de opciones implícitamente dada por
  unamedida del rendimiento - Programación
  matemática - Búsqueda heurística - Algoritmo
  genético - Recocido simulado
• Problema Tipo 9 Predicción de valores futuros
  de alguna variable o variables - Métodos de
  series de tiempo - Métodos macroeconómicos -
  Métodos de simulación

34
Administración del Modelo

• DBMS permiten al usuario almacenar y recuperar
  los datos independiente de la representación
  física en el computador
• MBMS permite al usuario a invocar y ejecutar
  modelos independiente de la implementación
  particular de los modelos
• Paradigma de los modelos como datos está ganando
  terreno
• Parámetros y supuestos representados
  explícitamente en lugar de estar escondidos los
  códigos del computador
• Facilita la aplicación flexible y la
  reutilización
• A diferencia de DBMS, no han surgido MBMS
  estandarizados
• Hay muchos tipos diferentes de modelos, cada uno
  con estructuras, usos y métodos especializadas,
• Construcción y aplicación de modelos requiere
  conocimientos especializados

35
Actividades apoyadas por los MBMS

• Acceder y recuperar los modelos de
• Ejercitar los modelos
• Especificar los parámetros del modelo
• Relacionar los modelos
• Control de ejecución de los modelos
• Manipulación de modelos
• Cambiar los supuestos y/o valores de los
  parámetros
• Guardar modelos y sus resultados
• Mantener los modelos, Crear nuevos modelos