Title: Decision Support System (DSS) Curso basado en material de Kathryn Blackmond Laskey
1Decision Support System(DSS) Curso basado en
material de Kathryn Blackmond Laskey
- Elementos de un DSS
- El subsistema modelo (2)
- Otras técnicas de modelamiento
2Resumen
- 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
3Modelos 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
4Ejemplo 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.
5Heu. 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)
6Sistemas 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
7Elementos 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
8Representación 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
9Ejemplo 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
10Estadística
- 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
11Métodos 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
12Tipos 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
13Regresión 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)
14Redes 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
15Una 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
16Machine 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
17Data 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
18Knowledge 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
19Métodos 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
20Análisis 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)
21Métodos 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
22Métodos 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
23Algo 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
24Análisis 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
25Evaluación 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?
26Algunos 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
27Evaluación 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
28Selección 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
29Selección 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)
30Selección 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
31Selección 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
32Selección 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
33Selección 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
34Administración 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
35Actividades 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