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

DecisionSupportSystem(DSS)Curso basado en material de KathrynBlackmondLaskey Elementos de un DSS: El subsistema modelo (2) Otras técnicas de modelamiento

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

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 ->información -> conocimiento) Predecir los resultados de las soluciones propuestas Evaluar las soluciones propuestas Diferentes técnicas de modelamiento son útiles para diferentes tipos de apoyo

Ejemplo de Heurísticas Greedyhillclimber 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-firstbreadthfirst, best-first Aproximar y ajustar Usar métodos de aproximación rápidos/baratos/disponibles Ajustar la solución Usar técnicas de LP en problemas enteros y ajustar la solución a valores enteros.

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)

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

Elementos de un sistema genérico basado en el conocimiento Base de conocimiento Hace generalizaciones sobre el dominio R1: “si GPA de <x> es inferior a 5,0 entonces <x> 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

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

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

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

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

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

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)

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

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/neural-nets/part1/section-15.html

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

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

KnowledgeDiscovery &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

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

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)

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

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

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

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

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?

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

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

Selección del método • Problema tipo 1: apoyo a la decisión general de problemas mal estructurados • No hay incertidumbre, objetivos múltiples -> MAU • Hay incertidumbre , objetivo simple -> diagrama de influencias • Hay incertidumbre, objetivos múltiples -> 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

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)

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

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

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

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

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

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

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