Ekspertni sistemi

1
Ekspertni sistemi in Sistemi za pomoc pri
odlocanju prof. dr. Vladislav Rajkovic http//l
opes1.fov.uni-mb.si
2
Cilji
Študentje pri tem predmetu spoznajo

• metode in tehnike umetne inteligence s posebnim
  poudarkom na tehnologijah znanja in ekspertnih
  sistemih
• kaj lahko in cesa ne moremo pricakovati od
  sodobnih tehnologij za upravljanje znanja v
  poslovnem svetu
• zgradbo in delovanje ekspertnih sistemov
• postopke in orodja za razvoj poslovnih ekspertnih
  sistemov

3
Metoda dela

• Predavanja
• Izdelava seminarske naloge
• Ustni izpit in zagovor seminarske naloge

4
Literatura ES 1/3

• Krapež, A., Rajkovic, V., Tehnologije znanja pri
  predmetu informatika, Zavod RS za šolstvo, 2003
• Jereb, E., Bohanec, M., Rajkovic, V., DEXi
  racunalniški program za vecparametrsko odlocanje,
  Moderna organizacija, 2003
• Rajkovic, V., Tim in sodobna informacijska
  tehnologija, v Mayer, J. (edt), Skrivnost
  ustvarjalnega tima, 2001, 90-102
• Bratko, I., Prolog Programming for Artificial
  Intelligence, Addison-WEsley, 1999
• Bratko, I., Mozetic, I., Lavrac, N., Kardio, MTI,
  1989
• Bohanec, M., Zupan, B., Rajkovic, V.,
  Applications of Qualitative Multi-attribute
  Decision Models in Health Care, Int. Journal of
  Medical Informatics 58-59, 2000, 191-205

5
Literatura ES 2/3

• Beerel, A., Expert Systems in Business Real
  world applications, Ellis Horwood, 1993
• Masuch, M., Warglien, M., (eds), Artificial
  intelligence in organizational and management
  Theory, North-Holland, 1992
• Jereb, E., Rajkovic, U., Rajkovic, V, A
  hierarhical multi-attribute system approach to
  porsonnel selection, International Journal of
  Selection and Assessment 13 (3) 198-205, 2005
• Rajkovic, V., Šušteršic, O., Informacijski sistem
  patronažne zdravstvene nege, Moderna
  organizacija, 2000
• Quintas, P., Ray, T., Managing Knowledge An
  Essential Reader, Sage Publications, 2002

6
Literatura ES 3/3

• Simon A. R., Shaffer S. L., Data Warehousing and
  Business Intelligence for e-Commerce, Morgan
  Kaufmann, 2001
• Baum E. B., What is thought?, MIT, 2004
• razlicni avtorji, Data Mining Next generation
  and Future Directions, Ed Kargupta H., Joshi A.,
  Sivakumar K., Yesha Y., AAAI Press / MIT Press,
  2004
• Konar A., Computational Intelligence Principles,
  Techniques and Applications, Springer, 2005
• Witten I. H., Frank E., Data Mining Practical
  Machine Learning Tools and Techniques, Morgan
  Kaufmann, 2005

7
Ravni uporabe IKT
http//research.microsoft.com/towards2020science/d
ownloads.htm
8
Znanje razumemo kot ustrezno organizirane podatke
oz. informacije za reševanje kakega problema.
Upravljanje z znanjem (knowledge management) je
proces sinergetskega povezovanja med metodami in
tehnikami procesiranja podatkov in informacij s
sodobno informacijsko in telekomunikacijsko
tehnologijo (ITKT) in ustvarjalnimi ter
inovativnimi sposobnostmi cloveka.
Gre za sprejemanje izzivov ITKT za povecanje
clovekovih umskih sposobnosti za obvladovanje
problemov vse bolj kompleksnega sodobnega sveta.
9
Poslovni sistem in sistemi za podporo odlocanju
10

• Umetna inteligenca (UI)
• Je znanstvena disciplina, ki se ukvarja z
• metodami
• tehnikami
• orodji
• arhitekturami
• za reševanje logicno zapletenih problemov,
• ki bi jih bilo težko ali celo nemogoce rešiti s
• klasicnimi metodami

11
Cilji umetne inteligence inteligentno
obnašanje racunalnikov vecja uporabnost
racunalnikov proucevanje principov
inteligence boljše razumevanje clovekovega
inteligentnega obnašanja
12

• Teme umetne inteligence
• Hevristicno reševanje problemov
• Predstavitev znanja in mehanizmi sklepanja
• Ekspertni sistemi (ES)
• Procesiranje naravnega jezika
• Strojno ucenje in sinteza znanja
• Inteligentni roboti
• Racunalniški vid
• Avtomatsko programiranje
• Nevronske mreže
• . . .
• http//www.kurzweilai.net/meme/frame.html?main/ar
  ticles/art0683.html

13
ROKA ROBOTA
KAMERA
Signali za krmiljenje motorjev v zglobih roke
RACUNALNIK
Slika iz kamere
14
vogal V1
9 cm
21 cm
6 6 6 6 6 6 2 2 2 2 2 2 2 2 6 6 6 6 6 6 2 2 2 2 2
2 2 2 6 6 6 6 6 6 2 2 2 2 2 2 2 1 4 5 6 6 6 6 2 2
2 2 1 1 1 1 3 3 3 4 5 6 2 1 1 1 1 1 1 1 3 3 3 3 3
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3
66666622222222666666222222226666662222222145666622
2211113334562111111133..
15
Kaj je ekspertni sistem?
UPORABNIK
KOMUNIKACIJSKI VMESNIK
BAZA ZNANJA
MEHANIZEM SKLEPANJA
ES
16
Baza znanja (knowledge base) del ES, ki vsebuje
znanje izbrane domene, npr. pravilo 1 CE avto
noce vžgati, POTEM je problem verjetno v
elektricnem sistemu pravilo 2 CE je problem
verjetno v elektricnem sistemu IN je napetost
akumulatorja pod 10V, POTEM je razlog prazen
akumulator
17
Mehanizmi sklepanja (inference engine) na osnovi
baze znanja izvaja sklepe o problemu, ki ga
rešujemo primer dialoga med ES in
uporabnikom UPORABNIK Avto noce vžgati. ES Je
napetost akumulatorja pod 10V? UPORABNIK Da,
tako je. ES Napaka je prazen akumulator.
18
Razlaga KAKO? UPORABNIK Kako? ES Ker avto noce
vžgati, domnevam, da je napaka v elektricnem
sistemu. Ko sem odkril, da je napetost
akumulatorja pod 10V, vem, da je akumulator
prazen. Razlaga ZAKAJ? ES Ali avto noce
vžgati? UPORABNIK Zakaj? ES Ce vem, da avto
noce vžgati, potem ponavadi domnevam, da je
problem v elektricni napeljavi.
19
1. Pacientovo ime Janez Porenta 2.
Spol moški 3. Starost 60
MYCIN
ES za predpisovanje antibiotikov
4. Od kod je vzet vzorec KULTURE 1? kri 5. Pred
koliko dnevi? 2 6. Navedite organizem 1 najden
v krvi UNK 7. Navedite znacilnosti tega
organizma (acidfast, grampoz,
gramneg) gramneg 8. Je organizem palicast,
kokusbakt., itd. palicast
9. Obstaja KULTURA 2? da 10. Od kod je vzet
vzorec KULTURA 2? slina
20
Primer pravila v MYCIN-u
atribut objekt vrednost verjetnost predmet
opaz. kultura kri (1.0) morfolorija
organizem palicast (1.0) lastnost
organizem gramneg (0.7) identiteta
organizem pseudomonas (0.6)
CE
POTEM
21
Terapevtski nasvet je osnovan na naslednjih
postavkah org 1 je morda PSEUDOMANS
(0.357) org 2 je morda KLEBSIELLA (0.177)
org 3 je morda ENTEROBACTER (0.166) . .
. Sledijo vprašanja o alergijah pacienta na
antibiotike, zatem pa razlicne mešanice
antibiotikov Razlage Na osnovi katerih
pravil, vprašanj in odgovorov je prišel MYCIN do
zakljuckov (organizmov in verjetnosti).
Predlog 2
Predlog 2
Predlog 1 1. GENTAMICIN 1.7mg/kg Q 8 H
- IV ali IM 2. CARBENICILIN 25 mg/kg Q 2
H -IV
22
Dejstva
A
1) A je na B 2) B je na C 3) C je na
MIZI Zakonitosti 1) ce ne obstaja Y, tako da
je Y nad X, potem je X prazen 2) za vsak X in Y
ce je X na Y, potem je X nad Y 3) za vsak X in
Y ce obstaja Z, da je X na Z in Z nad Y,
potem je X nad Y
B
C
MIZA
23
Prolog
A
jena (a,b). jena (b,c). jena (c,miza). prazen (x)
- not ( jena ( _,x) ). nad (x,y) - jena
(x,y). nad (x,y) - jena (x,z), nad
(z,y). ?-nad (a,c).
B
C
MIZA
24

• Shemi za reševanje problemov
• Konjunktivno-disjunktivni (AND/OR) graf
• Prostor stanj

25
Konjunktivno-disjunktivni graf
Z2) za vsak X in Y ce je X na Y, potem
je X nad Y Z3) za vsak X in Y ce
obstaja Z, da je X na Z in Z nad Y,
potem je X nad Y
26
Prostor stanj
A B C
C B A
B A C
B A C
A B C
A B C
C A B
B C A
C A B
C A B
A B C
A C B
B A C
27

• Sheme za predstavitev znanja
• Zahteve
•  
• Ucinkovita uporaba
• Dopolnjevanje in spreminjanje
• Razumljivost
• Verifikacija

28

• Sheme za predstavitev znanja
• Pravila
• Semanticne mreže
• Okviri
• Predikatni racun

29
Pravila (rules)
pogoj, premisa CE je desna roka opazovane osebe
vecja kot leva sklep, akcija, conclusion,
action POTEM oseba opravlja rocno delo
npr. tabela iz MYCIN-a
30
Pravila za vnovcitev ceka (1) CE cek ustrezno
izpolnjen IN placnik znan IN
stanje pozitivno POTEM ga izplacaj
(2) CE cek prav datiran IN podpis
ustrezen IN vsota jasna IN
prinašalec identificiran POTEM je cek
ustrezno izpolnjen
(3) CE je datum ceka današnji ALI ni
starejši od 90 dni POTEM je cek prav
datiran
31

• Prednosti pravil
• Vsako pravilo predstavlja majhen relativno
  neodvisen del znanja
• Dodajanje in spreminjanje pravil je
  relativno enostavno
• Podpira transparentnost sistema. Kako si
  prišel do rešitve?
• Zakaj potrebuješ nek podatek?

32
Primer semanticne mreže
33
Semanticne mreže (semantic networks)
lastnik
NN
PLAŠC
stanje rokavov
OGULJENI
stanje gumbov
MANJKAJO

• opisujemo hierarhicne strukture
• pri obravnavanju naravnega jezika
• sklepanje na podrocju teorije množic

34
Okviri (frames)

• Objektni nacin
• Vrednost je lahko tudi postopek
• Obravnavanje kompleksnih sistemov

35
Predikatni racun (predicate calculus)

• Uporablja formalno logiko
• IZREK je odgovor na vprašanje, ki ga izpeljem
  iz dejstev in zakonitosti.
• Prednost so hitri algoritmi.
• Pomanjkanje mehanizmov za modeliranje mehkega
  znanja.

36

• Sokrat je clovek
• Vsak clovek je zmotljiv
• Vprašanje
• Ali je Sokrat zmotljiv?

37
Predstavitve znanja

• Semanticne mreže so najbolj splošne.
• Vozli in povezave rabijo za predstavitev
• dejstev in povezav med njimi.
• Logicna pravila in okvirji so poseben primer
  mreže.
• Okvirji so prikladnejši za kompleksnejše
  sisteme.
• Predikatni racun nima verjetnosti.

38
TEHNOLOG ZNANJA
EKSPERT(I)
Tri ucne zanke
ZAJEMANJE ZNANJA
PREDSTAVITEV BZ
BAZA ZNANJA (BZ)
SKLEPANJE
39
Izgradnja baze znanja
KNOW HOW
ekspert
primeri SHOW HOW
40

• Jeziki za programiranje ES
• Osnovne lastnosti
• nenumericni podatki
• vracanje (po drevesu)
• ni razlike med postopki in podatki
• drevesne strukture rekurzija
• Jeziki kot so npr. Pascal in C praviloma niso
  dovolj fleksibilni.

41

• programski jezik PROLOG
• PROLOG vsi ostali (z LISPom vred)
• razvit 1975 na univerzi v Marseille-u
  (Kowalsky)
• matematicna osnova je formalna logika
  predikatni racun
• nedeterminizem in avtomatsko vracanje
• neproceduralna (deklarativna) narava
• drugi jeziki KAKO povezati podatke z
  rezultati, korak po koraku
• PROLOG relacija med podatki in rezultati
• Wirth program algoritem podatkovne
  strukture
• Kowalsky algoritem logika
  upravljanje (Control)

42
(No Transcript)
43
Primer vzorcno vodeni sistem
a -b. b implicira a b -c. b -d. d -e.
d -f. e e gotovo drži f c
Vprašanje ? a. ali je a res (drži), odgovor je
da
Sistem logicno izpelje a iz dejstev e,f in c ter
ostalih pravil.
44
Primer sorodstveno drevo
Relacije starš (Tom, Boris) starš (Tom,
Liza) starš (Boris, Ana) starš (Boris,
Peter) 1) succ (x,y) - starš (y,x) 2) succ
(x,y) - starš (y,z), succ (x,z)
Tom
Boris
Liza
Ana
Peter
1) Za vse pare x in y je x naslednik (succ) y, ce
je y starš x-a
2) Za vse pare x in y je x naslednik y, ce
eksistira tak z, da je y starš z in x naslednik z
Vprašanje ? starš (Boris, x) Odg. Prologa
x Ana x Peter
? succ (Peter, y) y Boris y Tom
45
(No Transcript)
46
Odlocitveni proces Izbira dolocene variante
izmed vec možnih tako, da izbrana varianta
najbolj ustreza ciljem.
47
Problemi odlocanja

• CILJI
• zapleteni, nepopolni, negotovi, ...
• protislovni, neusklajeni (skupinsko odlocanje)
• VARIANTE
• slabo ali nepopolno definirane (nepoznane)
• veliko število variant
• PARAMETRI, ki vplivajo na odlocitev
• slabo definirani, neznani, spregledani
• težko merljivi
• veliko število parametrov

48
Problemi odlocanja

• OMEJITVE VIROV
• casovne, kadrovske in druge omejitve
• pomankljivo poznavanje problemskega podrocja
• METODOLOŠKE OMEJITVE
• omejena racionalnost odlocevalcev
• teoreticni problemi
• problem merjenja kakovosti odlocitve

49
Vecparametrsko odlocanje
50
Podatkovni kazalci poslovnega sistema
AGREGIRANI PODATKOVNI KAZALCI
51
Elementi odlocitvenega procesa
Množica variant A a1, a2, a3, ... , an,
... Preferencna relacija P (uredi množico
variant A po zaželenosti, ustreznosti oz.
koristnosti) Racionalna odlocitev je izbira
tiste variante a iz A, ki je najbolj
zaželjena Funkcija koristnosti v(a) izmeri
stopnjo zaželenosti variante a tako, da za
vsak par a,b iz A velja a P b ? v(a) gt
v(b)
a imam rajši kot b
52
Merjenje
Merjenje omogoca kolicinsko oceno Merjenje
mase prirejanje števil, ki ohranjajo relacijo T
je težji a T b ? m(a) gt m(b) Mera za maso
je tudi aditivna m(a b) m(a) m(b)
53
Merjenje
Merjenje omogoca kolicinsko oceno Merska
lestvica je trojica (E, M, f ) E - empiricni
relacijski sistem E ( A, R1, R2, ...,
Rp, o1, o2, ..., oq) kjer je A opazovana
množica objektov Ri relacija med lementi iz
množice A oj dvomestne operacije med
elementi A M - merski relacijski sistem f -
osnovno merjenje, homomorfizem med E in M f E
? M
54
Merjenje koristnosti
Relacijo P skušamo nadomestiti s funkcijo v v
A D v izmeri (priredi) vsaki varianti iz
A vrednosti iz zaloge vrednosti D tako, da
velja a P b ? v(a) gt v(b) D je lahko
podmnožica realnih števil npr. 0 - 100 ali kaj
drugega npr. Dnesprej., sprejemljiv, dober
Aditivnost?
55
Vecparametrsko odlocanje
Množica parametrov X x1, x2, ..., xm x1 A
Di Di zaloge vrednosti i-tega parametra a
x1(a), x2(a), ..., xm(a) Varianto a opišemo z
naborom (vektorjem) vrednostiparametrov Funkcijo
koristnosti v A D nadomestimo s funkcijov
in predpostavimo v(a) v( x1(a), x2(a), ...,
xm(a) )
56
(No Transcript)
57
Opisljivost variant

• Množica parametrov X mora ustrezati vec
  lastnostim
• polnost
• operativnost
• razstavljivost
• nerundantnost
• minimalnost
• ortogonalnost
• ...

58
Dolocanje funkcije koristnosti

• predstavitveni problem
• problem enolicnosti
• aksiomatski pristop
• neposredni pristop
• funkcija koristnosti enega parametra

0 10 20 30 40 50 60
70 80
59
W-utež kriterij 70 varnost 30
cena
W-utež kriterij 50 varnost 50
cena
60
Funkcija koristnosti vec parametrov podana po
tockah
61
Funkcija koristnosti vec parametrov podana
potockah lahko jih smatramo za enostavna
pravila
VARNOST CENA OCENA AVTA
Slaba Visoka Neprimeren
Slaba Srednja Neprimeren
Slaba Nizka Neprimeren
Zadovoljiva Visoka Neprimeren
Zadovoljiva Srednja Primeren
Zadovoljiva Nizka Primeren
Dobra Visoka Neprimeren
Dobra Srednja Primeren
Dobra Nizka Dober
Odlicna Visoka Neprimeren
Odlicna Srednja Dober
Odlicna Nizka Odlicen
62
VREDNOSTI PARAMETROV
PARAMETRI
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 Rac1, Rac2, Rac3
63
Rac1 Rac2 Rac3 utež kriterij
v vw v vw v vw 20 cena 40 8 30 6 10
2 10 procesor 50 5 50 5 50 15
15 zaslon 60 9 60 9 80 12 20 trdi
disk 20 4 20 4 20 4 12 modem 50 6 50
6 70 8.4 8 miška 50 4 50 4 50 4
15 avtonomija 0 0 50 7.5
100 15 100 36 41.5 50.4 S vw
64
(No Transcript)
65
DEXLupina ekspertnega sistemaza vecparametrsko
odlocanje
1987?1995, DOS
DEXiRacunalniški program za vecparametrsko
odlocanje
1999?, Windows
66
Osnove sistemov DEX in DEXi

• VECPARAMETRSKO ODLOCANJE
• modeliranje s kriteriji in funkcijami koristnosti
• strukturiranje odlocitvenega problema (drevo
  kriterijev)
• vrednotenje variant
• EKSPERTNI SISTEMI
• kvalitativne (simbolicne) merske lestvice
• funkcije koristnosti predstavljene s pravili tipa
  ce-potem
• odlocitveni model baza znanja
• poudarek na razlagi in analizi rezultatov
  vrednotenja (DEX)

67
Faze odlocitvenega procesa

• 0. IDENTIFIKACIJA PROBLEMA
• IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV)
• spisek kriterijev
• struktura kriterijev (drevo kriterijev)
• merske lestvice
• DEFINICIJA ODLOCITVENIH PRAVIL
• OPIS VARIANT
• ANALIZA VARIANT

68
1.a Spisek kriterijev
Spisek kriterijev, ki vplivajo na odlocitev
(neurejen)
Nakup prenosnega racunalnika
hitrost velikost diska cena zanesljivost zaslon ba
rve servis
razširljivost baterija procesor proizvajalec miška
tipkovnica velikost pomnilnika ?
Pazimo, da ne spregledamo pomembnih, bistvenih
kriterijev
69
1.b Drevo kriterijev
Združimo kriterije, ki spadajo skupaj Pazimo na
strukturo praviloma dva do trije nasledniki
notranjega vozlišca
70
1.c Merske lestvice
Zaloge vrednosti so diskretne, praviloma urejene
od slabih proti dobrim Število vrednosti naj
raste pocasi od listov proti korenu
71
2. Odlocitvena pravila
ZASLON TIPKOV. ZUN.ENOTE
nespr slabša nespr
spr slabša nespr
dob slabša nespr
nespr srednja nespr
spr srednja spr
dob srednja dob
nespr boljša nespr
spr boljša spr
dob boljša dob
72
3. Opis variant
?
Prenosnik CENA PROC. POMN. DISK ZASLON
1. visoka dob spr spr dob
2. srednja spr dob spr nespr
3. nizka nespr spr spr nespr
73
4. Vrednotenje in analiza variant

• VREDNOTENJE VARIANT
• poteka od listov proti korenu drevesa
• rezultat je kvalitativna ocena vsake variante
• vrednotenje lahko poteka tudi ob nenatancnih in
  nepopolnih podatkih o variantah
• ANALIZA VARIANT
• interaktivno pregledovanje rezultatov
• analiza tipa kaj-ce
• selektivna razlaga vrednotenja (DEX)

74
4. Osnovno vrednotenje variant
75
4. Analiza kaj-ce
76
4. Selektivna razlaga vrednotenja
77
DEXiRacunalniški program za vecparametrsko
odlocanje

• Preprost program za delo z odlocitvenimi modeli,
  ki omogoca
• izdelavo in preurejanje drevesa kriterijev
• urejanje zalog vrednosti kriterijev in
  odlocitvenih pravil
• zajemanje podatkov o variantah
• vrednotenje variant
• tabelaricni pregled rezultatov vrednotenja z
  analizo tipa kaj-ce
• graficni prikaz rezultatov vrednotenja

78
DEXiIzdelava in preurejanje drevesa kriterijev
79
DEXiUrejanje zalog vrednosti in odlocitvenih
pravil
80
DEXiUrejevalnik variant
81
DEXiVrednotenje variant
82
DEXiGraficni prikaz vrednotenja variant
83
DEX in DEXi Nekaj izkušenj

• POTREBNI CAS ZA IZVEDBO POSTOPKA
• mocno odvisen od problema (nekaj ur do nekaj
  mesecev)
• tipicno 2 do 15 delovnih dni
• NAJZAHTEVNEJŠA FAZA
• izdelava drevesa kriterijev
• PRIMERNI ODLOCITVENI PROBLEMI
• veliko kriterijev (gt 15)
• veliko variant (gt 10)
• kvalitativno odlocanje, presoja
• nenatancni in nepopolni podatki
• skupinsko odlocanje (razlaga)
• dovolj casa za izvedbo postopka

84
DEX in DEXi Podrocja uporabe

• RACUNALNIŠTVO
• izbor racunalnika
• izbor strojne in programske opreme
• VREDNOTENJE PROJEKTOV
• ocena kvalitete oz. izvedljivosti projekta
• ocena investicije
• vrednotenje ponudb
• vrednotenje proizvodnih programov (portfolio)
• VREDNOTENJE PODJETIJ
• izbor poslovnega partnerja
• boniteta bank
• ocenjevanje uspešnosti podjetij

• KADROVSKO ODLOCANJE
• ocenjevanje primernosti, uspešnosti delavcev
• izbor ekspertne skupine
• vrednotenje prošenj in vlog
• MEDICINA, ZDRAVSTVO
• ocenjevanje rizicnosti
• spremljanje osnovnih življenjskih aktivnosti
• OSTALA PODROCJA
• vrednotenje tehnologij
• izbor lokacije
• ocena prioritet pri dodeljevanju posojila

85
Upravljanje s portfeljem

• Življenje ustvarja red, toda red ne ustvarja
  življenja.
• (Antoine de Saint-Exupéry)

86
Matrika portfelja
A strategija rasti (vlaganja) B
strategija selektivnosti C strategija
opušcanja
87
Tradicionalen pristop

• VHODNI PODATKI
• X p1 p2 p3
• 1. Življenjski cikel 40 20 50
• 2. Atraktivnost cene 20 55 60
• 3. Proizvodne zmogljivosti 90 60 60
• 4. St. rasti povpraševanja 80 50 30
• 5. Obseg tržišca 20 75 50
• .
• .
• n

Od kod izvirajo številke?
88
Matrika portfelja
89
Tržna privlacnost
90
Konkurencna sposobnost
91
Model evalvacije strateške pozicije podjetja
Ekonomska moc podjetja
5 4 3 2 1 0 1 2 3 4 5
Atraktivnost panoge
Tržna moc podjetja
5 4 3 2 1 0 1 2 3 4 5
Makroekonomsko okolje
92
Model evalvacije strateške pozicije podjetja
Ekonomska moc podjetja
5 4 3 2 1 0 1 2 3 4 5
Atraktivnost panoge
Tržna moc podjetja
1988 1989 1990 1991
5 4 3 2 1 0 1 2 3 4 5
Makroekonomsko okolje
93
Vredana
94
Pridobitve

• Parametri (dejavniki) ohranijo svoje naravne
  vrednosti
• Strukturiranje parametrov
• Transparentna razlaga agregiranih vrednosti
• Selektivni vecnivojski prikazi
• Razlaga strateškega položaja

95
Zakljucek

• Pomoc miselnim procesom managerja pri razumevanju
  odlocitev
• Ni garancije za dobro odlocitev
  z ustreznim razumevanjem lahko le zmanjšamo
  možnost napake

96
Model nekaterih clovekovih miselnih procesov
7 2
dolgotrajni spomin (DS)
kratkotrajni spomin (KS)
97
Reševanje problema primer aritmetike dni v
tedna
98
Ucenje

1. Direktno ali rutinsko ucenje (rote
   learning)Sklepanje ni potrebno. Obicajno
   programiranje in shranjevanje podatkov.
2. Ucenje na podlagi povedanega (learning by being
   told)Povedano znanje je treba na osnovi
   predznanja z induktivnim sklepanjem organizirati
   tako, da ga je možno uporabiti brez eksplicitnih
   algoritmov. Sprejemanje pravil in dejstev od
   ucitelja.
3. Ucenje na osnovi razlage (explanation-based
   learning)Primer rešitve problema ? razlaga z
   znanjem te domene ?posplošitev razlage, kar
   omogoca reševanje celotnega razreda problemov.

99
Ucenje

1. Ucenje po analogiji (learning by analogy)Že
   obstojece znanje pretvorimo v obliko, da ga je
   možno uporabiti za nov podoben problem.
2. Ucenje iz primerov (learning from
   examples)Primeri opisujejo koncept. Nato ga
   izlušcimo npr. z induktivnim sklepanjem.
3. Ucenje s samostojnim odkrivanjem (learning from
   observation discovery)Ucitelja ni. Sami
   odkrivamo nove koncepte. Raziskovalno
   delopostavljanje hipotez, testiranje hipotez,
   sestavljanje novih teorij.Npr. Avtomatic
   mathematician, na podlagi temeljnih
   konceptovteorije množic in s pomocjo hevristik
   sam odkrije koncepte kot so število, seštevanje,
   odštevanje, množenje, potenca, praštevila ...

100
Kvalitativno modeliranje
Kvantitativno enacbe, domena spremenljivk je
množica npr. realnih
števil Kvalitativno relacije med
spremenljivkami, domena je prostor kolicin
Mozetic, I., Principi kvalitativnega
modeliranja, Informatica, 4/84, pp. 79-85 Bratko,
I., Qualitative Modelling, Zbornik. med. konf. o
razvoju organizacijskih znanosti, Portorož, 2005
Clovek doseže predmet Ce VIŠINA (zelo visok)
Ce VIŠINA (visok) in prucka
Ce VIŠINA (nizek) in stol
101
The Economist,Vol . 380, No.8496, Sept. 2006
102
Sistem KARDIO
SA node
Atria
P wave PR interval P-QRS relat.
regular ectopic Rhythm QRS complex
AV node
Ventricles
103
(No Transcript)
104
Odkrivanje zakonitosti iz podatkovOrodja glavne
znacilnosti in razlike

• Statistika
• matematicna disciplina
• omejen izbor modelov (po znacilnostih, ne po
  številu!)
• zna preveriti vnaprej sestavljene hipoteze, ne
  zna pa jih sestavljati
• šestdeseta data fishing
• Strojno ucenje
• ad hoc (v primerjavi s statistiko)
• bolj zapleteni modeli (po izraznosti, ne po
  razložljivosti ali izpeljavi!)
• sestavlja (išce) hipoteze, ne zna pa jih
  preveriti
• Vizualizacija
• prikazuje podatke v cloveku razumljivi obliki
• ne sestavlja modelov in jih ne preverja
• najpreprostejša, najucinkovitejša in najlažje
  zavajajoca tehnika

povzeto po Janez Demšar Odkrivanje zakonitosti
iz podatkov
105
Francoski paradoks

• Francozi (domnevno) jedo bolj mastno hrano,
  vendar imajo manj težav s srcem in ožiljem.

• Naivni iskalec zakonitosti jejmo vec mastnega!
• Razlaga (1992) Francoskih src ne poživlja
  mašcoba, temvec rdece vino, ki vsebuje
  resveratrol.
• Tudi v to še vedno dvomimo, zato se izvajajo
  nadaljnji poskusi o biokemicnem delovanju
  resveratrola.
• Odkrite zakonitosti morajo biti podprte s teorijo!

106
Pasti

• If you torture your data long enough, it will
  eventually confess. (James L. Mills)
• Rešitev
• pravilna uporaba statistike (resen problem!)
• utemeljevanje modelov s teorijo
• Lahko ti povem biološko razlago za vsak graf, ki
  mi ga prineseš. (G. Shaulsky)
• jemanje izpeljanega s šcepcem soli

107
CRISP-DMCRoss Industry Standard Process for Data
Mining
108
Primer
Dobicek Starost Konkurenca Vrsta ________________
__________________________________________________
_____________________ pada staro ne SW pad
a srednje da SW narašca srednje ne
HW pada staro ne HW narašca novo ne
HW narašca novo ne SW narašca srednje n
e SW narašca novo da SW pada srednje d
a HW pada staro da SW __________________
__________________________________________________
___________________
povzeto po Bojan Cestnik Strojno ucenje
109
Primer Odlocitveno drevo
povzeto po Bojan Cestnik Strojno ucenje
110
Ucenje odlocitvenih dreves
Oseba Starost Spol Dohodki Stranka
Ana Kranjc 32 Ž 10.000 da
Micka Kovac 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
primer povzet po Sašo Džeroski Decision Trees
111
Klasifikacija 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

112
Klasifikacijsko odlocitveno drevo
Oseba Starost Spol Dohodki Stranka
Ana Kranjc 32 Ž 10.000 da
Micka Kovac 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
113
Regresijsko odlocitveno drevo
Oseba Starost Spol Dohodki Stranka
Ana Kranjc 32 Ž 10.000 da
Micka Kovac 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
primer povzet po Sašo Džeroski Decision Trees
114
Ucenje odlocitvenih dreves

• KLJUCNI KONCEPTI
• Gradnja drevesa
• algoritem
• izbiranje atributov
• Preverjanje kakovosti drevesa
• ucna in testna množica
• klasifikacijska tocnost
• Rezanje drevesa
• rezanje naprej
• rezanje nazaj

115
Mere kvalitete odlocitvenih dreves

• Klasifikacijska tocnost
• Kako tocno drevo klasificira nove primere?
• Razumljivost
• Ali ekspert razume drevo in njegovo vsebino?
• Ali ga lahko interpretira, utemelji?
• Velikost
• Povezano z razumljivostjo zaželena cim manjša
  drevesa!

116
Od dreves k pravilom

• PRAVILA
• if Dohodki ? 100.000then Strankada
• if Dohodki ? 100.000 andStarost ? 32then
  Strankada
• if Dohodki ? 100.000 andStarost ? 32then
  Strankane
• ODLOCITVENI SEZNAM
• if Dohodki ? 100.000then Strankada
• else if Starost ? 32then Strankadaelse
  Strankane

povzeto po Marko Bohanec Strojno ucenje
117
Podrocja uporabe

• Analiza poslovanja, proizvodnje, trga
• Analiza poslovnih partnerjev, strank
• Predvidevanje izjemnih dogodkov, zlorab
• Trženje, odnosi z javnostjo
• Znanstvene raziskave
• medicina (diagnostika, prognoza, odlocanje)
• farmacija (ucinkovine, nacrtovanje zdravil)
• genetika (dolocanje funkcij genov, genskih mrež,
  ? farmacija)
• ekologija
• Številna druga podrocja
• internet (npr. Google...)

118
Sistemi zaodkrivanje 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
• Najvecja
• Weka, University of Waikato
• osredotocen na strojno ucenje
• velika skupnost uporabnikov
• Orange, Fakulteta za racunalništvo in
  informatiko, Ljubljana
• vec metod za odkrivanje zakonitosti iz podatkov,
  predvsem vizualizacije
• hiter
• inovativen in zmogljiv uporabniški vmesnik, dobra
  dokumentacija za skriptni nivo
• uporabniški vmesnik in podpora v slovenšcini ?

119
Primerjalna analiza treh orodij za izgradnjo in
uporabo ES
Baza znanja
drevo kriterijev
pravila
odlocitvenadrevesa
120
Pravila v OPTRANSu
IF GR_PROFIT lt 0 AOR PROF_RTO lt 0 AOR RENT_RTO lt
0 THEN FACTS_DEDUCTED PROFITABILITY IS
bad CRITERIA_TO_EXAMINE stop MESSAGE
PROFITABILITY is bad. FINISH_RULE   IF GR_PROFIT
gt 0 AOR PROF_RTO gt 0.4 AOR RENT_RTO gt 2 THEN
FACTS_DEDUCTED PROFITABILITY IS
good CRITERIA_TO_EXAMINE stop MESSAGE
PROFITABILITY is good. FINISH_RULE   IF GR_PROFIT
gt 0 AOR PROF_RTO gt 0.4 AOR RENT_RTO lt 2 AND
RENT_RTO gt 0 THEN FACTS_DEDUCTED PROFITABILITY IS
medium CRITERIA_TO_EXAMINE stop MESSAGE
PROFITABILITY is medium. FINISH_RULE
121
Ocena boniteta stranke v OPTRANSu
Liquidity evaluation The percentage of
reaching special liquidity requirements exceeds
the foreseen 100 limit. The percentage of
reaching the minimal liquidity is above 20. The
bank liquidity is good.   Risk evaluation
A liquidity debtness does not reach 3 of
riskful assets (2.10).The capital ratio is
33.08 and lies within the foreseen value of40.
The balanced term structure (110.00)
complies with the foreseen value of 85.
Doubtful assets ratio is less than 5. Therisk
is medium.   Profitability evaluation
The bank gross profit is far. The
profitability ratio (10.84) isexcellent. The
rentability ratio (0.27) is medium. The
profitability is medium.
122
descriptive value numeric subinterval 1. bad lt
0 2. medium gt 0 in lt 2 3. good gt
2     Parameter Numeric value Descriptive
value   ST_CR_POT 11.81 good BLN_STRCT
0 good LQD_DEBT 2.1 bad CA_RTO
33.08 good DBT_ASSETS 110 good LQD_1
726.26 good LQD_2 289.37 good LEND_PRM 166851
good LR_DAYS 3 medium RF_DAYS
5 good LQD_CR_CB 0 good LQD_3
3072.62 good MIN_LQD 382.47 good SPEC_LQD
5.9 good GR_PEOFIT 8507 good PROF_RTO
10.84 good RENT_RTO 0.27 medium
Primer podatkov o stranki, katere boniteto
ocenjujemo
123
Drevo kriterijev v DEXu
Parameter Description Values of the
parameter   CREDIT SCORE Eval. of the credit
worthiness of client bad, medium,
good RISK Evaluation of the assets risk high,
medium, low ST_CR_POT Short-term credit
potential bad, good BLN_STRCT Balance term
structure bad, good LQD_DEBT Liquidity
debtness bad, good CA_RTO Capital
ratio bad, good DBT_ASSETS Doubtful assets
ratio bad, good LIQUIDITY Evaluation of the
utility bad, medium, good LIQ_A bad,
medium, good LQD_1 Liquidity ratio 1 bad,
good LQD_2 Liquidity ratio 2 bad,
good LEND_PRM Lending parameter bad,
good LIQ_B bad, medium,
good LR_DAYS Legal reserves days used bad,
medium, good RF_DAYS Reserve Fund days
used bad, good LQD_CR_CB Liquidity credit at
the central bank bad, good LIQ_C bad,
medium, good LQD_3 Liquidity ratio 3 bad,
medium, good MIN_LQD Minimal liquidity
ratio bad, good SPEC_LQD Special liquidity
reserve ratio bad, good PROFITABILITY Evaluation
of the profitability bad, medium, good
GR_PROFIT Gross profit bad, good
PROF_RTO Profitability ratio bad, medium,
good RENT_RTO Rentability ratio bad, medium,
good
124
Agregacijska pravila v DEXu
GR_PROFIT PROF_RTO RENT_RTO PROFITABILITY   1.
bad bad 2. bad bad 3.
bad bad   4. good medium gtmedium medium
5. good gtmedium medium medium 6.
good good good good
125
CREDIT SCORE good RISK medium ST_CR_POT good
BLN_STRCT good LQD_DEBT bad CA_RTO good DB
T_ASSETS good LIQUIDITY good LIQ_A good LQD
_1 good LQD_2 good LEND_PRM good LIQ_B go
od LR_DAYS medium RF_DAYS good LQD_CR_CB
good LIQ_C good LQD_3 good
MIN_LQD good SPEC_LQD good PROFITABILITY medi
um GR_PROFIT good PROF_RTO good
RENT_RTO medium
Ocena boniteta stranke v DEXu
126
Odlocitveno drevo v ASSISTANTu
127
Izracun bonitete s samo štirimi podatki v
ASSISTANTu
-------------------------- 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
? ?

128
Predlog teme (ena stran)

• Podatki o študentu
• ime in priimek
• organizacija
• telefon in e-mail
• Podatki o predmetu in študijskem programu
• Naslov seminarske naloge
• Opis problema
• Namen in cilji naloge
• Metoda dela
• Pricakovani rezultati

129
Organiziranje razvoja ES Izbira ustreznega
problema za rešitev z ES   1 Proucite
potencialne možnosti uporabe ES pri vas. 1.1
Kje v vašem poslovnem sistemu nastaja NOVA
VREDNOST? Kje nastajajo najvecji
STROŠKI? 1.2  Kje v vašem poslovnem sistemu
obstajajo KRITICNA EKSPERTNA PODROCJA?
Kje se bojite izgube EKSPERTIZE? Kje
želite ''pomnožiti'' EKSPERTIZO? 1.3  Kje v
vašem poslovnem sistemu obstajajo ''ozka grla''?
Katere poslovne funkcije so s tem
VZROCNO-POSLEDICNO povezane? 2    
Izbira aplikacije ES, ki ustreza ali vec
kriterijev 2.1  Kako se aplikacija vkljucuje v
poslovni sistem? Kaj aplikacija DAJE in
kaj ZAHTEVA? 2.2  Kaj vse je treba storiti?
2.3  Kakšni so stvarni cilji?
130
Organiziranje razvoja ES Upravicenost
rešitve z ES      3 Kakšni so
kvantitativni ucinki? A Zmanjšanje
stroškov B Dvig produktivnosti C
Dvig kakovosti 4 Kakšni so kvalitativni
ucinki? A Dolgorocne strateške prednosti
B Povecanje ''zadovoljstva'' - delavcev
- koncnega uporabnika
C Povecanje fleksibilnosti
131
Organiziranje razvoja ES Izgradnja
sistema   5     Izbor skupine kdo vse mora
sodelovati in zakaj? 6   Tehnološka rešitev
A Katero orodje (npr. lupino ES) izberemo?
B Kakšen racunalnik potrebujemo?
C Kakšne so kadrovske in casovne zahteve ter
možnosti? 7     Izgradnja baze znanja (BZ)
A Kakšne metode zbiranja in predstavitve BZ
bomo uporabili? B Kako bomo testirali
BZ? 8 Uvajanje sistema v prakticno delo
A Kdo bo sistem uvajal? B Kakšne
težave nas pri tem cakajo? 9 Operativno
delovanje in spremljanje ucinkovitosti sistema
A Kaj obsega vzdrževanje sistema? B
Kdo je odgovoren za operativno delovanje in
evaluacijo sistema?
132
Porocilo o seminarski nalogi Naslov avtor,
organizacija kraj in datum

• Povzelek (slo in ang)
• Kljucne besede (slo in ang)
• 1. Uvod
• Opredelitev problema
• Kaj je predmet odlocanja?
• Kakšne cilje želite doseci z odlocitvijo?
• Katerim zahtevam mora ustrezati izbrana varianta?
• Ali je problem težak in zakaj?
• Odlocitvena skupina
• Kdo je lastnik odlocitvenega problema? Kdo je
  odgovoren za odlocitev? Koga odlocitev neposredno
  zadeva?
• Kdo še sodeluje v odlocitveni skupini? Ali ste
  (bi) v odlocitveno skupino vkljucili eksperte,
  odlocitvenega analitika ali predstavnike tistih
  (katerih) segmentov, na katere vpliva?
• Metoda dela
• Kako ste se lotili problema, po katerih korakih
  in kakšne oziroma katere pripomocke ste pri tem
  uporabljali?

133

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

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

134

• 4. Rezultati vrednotenja variant
• Opišite rezultate vrednotenja
• Kako so bile ocenjene variante?
• Katera je najboljša?
• Primerjajte najboljšo varianto z nekaj najbolje
  ocenjenimi preostalimi variantami?
• Analizirajte in razložite odlocitev poskusite
  odgovoriti na vprašanja kot so
• Ali so vrednosti kriterijev in uporabljene
  funkcije koristnosti ustrezni?
• Zakaj je koncna ocena takšna, kot je? Je v skladu
  s pricakovanji ali odstopa in zakaj? Kateri
  kriteriji so najbolj prispevali k takšni oceni?
• Katere so bistvene prednosti in pomanjkljivosti
  posameznih variant?
• Kakšna je obcutljivost odlocitve kako spremembe
  vrednosti kriterijev vplivajo na koncno oceno?
  Ali je mogoce in kako variante izboljšati? Katere
  spremembe povzrocijo bistveno poslabšanje ocen
  variant?
• V cem se variante bistveno razlikujejo med seboj?

• 5. Zakljucek
• Kaj je koncni rezultat odlocitve? Katera varianta
  je najboljša in zakaj?
• Ali so cilji odlocitvenega procesa doseženi?
• Kaj bi bilo še potrebno ukreniti? Morebitni
  napotki za realizacijo koncne odlocitve (na
  primer opis kriticnih lastnosti izbrane variante,
  ki jim je potrebno pri realizaciji posvetiti
  posebno pozornost).

Literatura in Priloge Po potrebi priložite
racunalniške izpise odlocitvenega modela
(modelov) in rezultatov vrednotenja.
135
Skupinsko odlocanje

• 1. Zakaj odlocanje v skupini?
• demokracija
• participacija
• informacijska družba
• kompleksnost
• prilagajanje spremembam
• ucno-vzgojni proces
• odlocitveni postopek

136
Skupinsko odlocanje

• 2. Problemi skupinskega odlocanja
• pogoji
• motivacija
• znanje
• brez sovraštva
• cena postopka
• razlicni interesi
• odgovornost
• manipulacija
• strah pred tehnološkim razvojem

137
Skupinsko odlocanje

• 3. Usklajevanje interesov
• nezadostno znanje kot vir razlicnosti
  interesov
• metode usklajevanja
• pravilo vecine
• uteži
• vec parametrov
• ekspertni sistemi

138
10 8 6 4 2 0
v2
podrocje ocen koristnosti variant
2 4 6 8
10 v1 -vrednost za prvega odlocevalca