Ekspertni  sistemi
This presentation is the property of its rightful owner.
Sponsored Links
1 / 114

Ekspertni sistemi prof. dr. Vladislav Rajkovič lopes1.fov.uni-mb.si PowerPoint PPT Presentation


  • 147 Views
  • Uploaded on
  • Presentation posted in: General

Ekspertni sistemi prof. dr. Vladislav Rajkovič http://lopes1.fov.uni-mb.si. Cilji. Študentje pri tem predmetu spoznajo:. metode in tehnike umetne inteligence s posebnim poudarkom na tehnologijah znanja in ekspertnih sistemih

Download Presentation

Ekspertni sistemi prof. dr. Vladislav Rajkovič lopes1.fov.uni-mb.si

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Ekspertni sistemi

prof. dr. Vladislav Rajkovič

http://lopes1.fov.uni-mb.si


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Cilji

Študentje pri tem predmetu spoznajo:

  • metode in tehnike umetne inteligence s posebnim poudarkom na tehnologijah znanja in ekspertnih sistemih

  • kaj lahko in česa ne moremo pričakovati od sodobnih tehnologij za upravljanje znanja v poslovnem svetu

  • zgradbo in delovanje ekspertnih sistemov

  • postopke in orodja za razvoj poslovnih ekspertnih sistemov

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Metoda dela

  • Predavanja

  • Izdelava seminarske naloge

  • Ustni izpit in zagovor seminarske naloge

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Literatura ES 1/3

  • Krapež, A., Rajkovič, V., Tehnologije znanja pri predmetu informatika, Zavod RS za šolstvo, 2003

  • Jereb, E., Bohanec, M., Rajkovič, V., DEXi – računalniški program za večparametrsko odločanje, Moderna organizacija, 2003

  • Rajkovič, 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., Mozetič, I., Lavrač, N., Kardio, MTI, 1989

  • Bohanec, M., Zupan, B., Rajkovič, V., Applications of Qualitative Multi-attribute Decision Models in Health Care, Int. Journal of Medical Informatics 58-59, 2000, 191-205

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

LiteraturaES 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., Rajkovič, U., Rajkovič, V, A hierarhical multi-attribute system approach to porsonnel selection, International Journal of Selection and Assessment 13 (3): 198-205,2005

  • Rajkovič, V., Šušteršič, O., Informacijski sistem patronažne zdravstvene nege, Moderna organizacija, 2000

  • Quintas, P., Ray, T., Managing Knowledge: An Essential Reader, Sage Publications, 2002

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

LiteraturaES 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

  • različni 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

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Intenzivna uporaba znanja.

Delamo stvari, ki jih do sedaj nismo.

Razbremenitev pri delu.

Računalniška pismenost.

Ravni uporabe IKT

http://research.microsoft.com/towards2020science/downloads.htm

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

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 človeka.

Gre za sprejemanje izzivov ITKT za povečanje človekovih umskih sposobnosti za obvladovanje problemov vse bolj kompleksnega sodobnega sveta.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • Umetna inteligenca (UI)

  • Je znanstvena disciplina, ki se ukvarja z

    • metodami

    • tehnikami

    • orodji

    • arhitekturami

  • za reševanje logično zapletenih problemov,

  • ki bi jih bilo težko ali celo nemogoče rešiti s

  • klasičnimi metodami

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Cilji umetne inteligence

“inteligentno” obnašanje računalnikov

večja uporabnost računalnikov

proučevanje principov inteligence

boljše razumevanje človekovega

inteligentnega obnašanja

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • Teme umetne inteligence:

    • Hevristično reševanje problemov

    • Predstavitev znanja in mehanizmi sklepanja

    • Ekspertni sistemi (ES)

    • Procesiranje naravnega jezika

    • Strojno učenje in sinteza znanja

    • Inteligentni roboti

    • Računalniški vid

    • Avtomatsko programiranje

    • Nevronske mreže

    • . . .

      http://www.kurzweilai.net/meme/frame.html?main=/articles/art0683.html

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

položaj roke

motorji v

zglobih

položaj

kocke

ROKA ROBOTA

KAMERA

Signali za krmiljenje motorjev v zglobih roke

RAČUNALNIK

Slika iz kamere

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

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

V.Rajkovič

666666222222226666662222222266666622222221456666222211113334562111111133..


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Kaj je ekspertni sistem?

UPORABNIK

KOMUNIKACIJSKI

VMESNIK

BAZA

ZNANJA

MEHANIZEM

SKLEPANJA

ES

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

UPORABNIK

KOMUNIKACIJSKI

VMESNIK

BAZA

ZNANJA

MEHANIZEM

SKLEPANJA

ES

Baza znanja

(knowledge base)

del ES, ki vsebuje znanje izbrane

domene, npr.:

pravilo 1:

ČEavto noče vžgati,

POTEMje problem verjetno v električnem sistemu

pravilo 2:

ČEje problem verjetno v električnem sistemu

INje napetost akumulatorja pod 10V,

POTEMje razlog prazen akumulator

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

UPORABNIK

KOMUNIKACIJSKI

VMESNIK

BAZA

ZNANJA

MEHANIZEM

SKLEPANJA

ES

Mehanizmi sklepanja

(inference engine)

na osnovi baze znanja izvaja

sklepe o problemu, ki ga rešujemo

primer dialoga med ES in uporabnikom

UPORABNIK:Avto noče vžgati.

ES:Je napetost akumulatorja pod 10V?

UPORABNIK:Da, tako je.

ES: Napaka je prazen akumulator.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

UPORABNIK

KOMUNIKACIJSKI

VMESNIK

BAZA

ZNANJA

MEHANIZEM

SKLEPANJA

ES

Razlaga KAKO?

UPORABNIK:Kako?

ES:Ker avto noče vžgati,

domnevam, da je napaka

v električnem sistemu. Ko sem odkril, da je napetost akumulatorja pod 10V, vem, da je akumulator prazen.

Razlaga ZAKAJ?

ES:Ali avto noče vžgati?

UPORABNIK:Zakaj?

ES:Če vem, da avto noče vžgati, potem ponavadi domnevam, da je problem v električni napeljavi.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

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 značilnosti tega organizma

(acidfast, grampoz, gramneg):

**gramneg

8. Je organizem paličast, kokusbakt., itd.:

**paličast

9. Obstaja KULTURA 2?

**da

10.Od kod je vzet vzorec KULTURA 2?

**slina

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Primer pravila v MYCIN-u

atribut objektvrednostverjetnost

predmet opaz. kulturakri (1.0)

morfolorija organizempaličast (1.0)

lastnost organizemgramneg (0.7)

identiteta organizempseudomonas (0.6)

ČE

POTEM

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

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 različne mešanice antibiotikov

Razlage:

Na osnovi katerih pravil, vprašanj in odgovorov je prišel

MYCIN do zaključkov (organizmov in verjetnosti).

Predlog 2:

Predlog 2:

Predlog 1:

1. GENTAMICIN

1.7mg/kgQ 8 H - IV ali IM

2. CARBENICILIN

25 mg/kgQ 2 H -IV


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Dejstva:

A

1) A je na B

2) B je na C

3) C je na MIZI

Zakonitosti:

1) če ne obstaja Y, tako da je Y nad X, potem je X prazen

2) za vsak X in Y: če je X na Y, potem je X nad Y

3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y,

potem je X nad Y

B

C

MIZA

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

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

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • Shemi za reševanje problemov:

  • Konjunktivno-disjunktivni (AND/OR) graf

  • Prostor stanj

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Konjunktivno-disjunktivni graf:

A nad C

A

or

B

Z 2

Z 3

C

and

MIZA

A na C

A na Z

Z nad C

or

NE

Z=B

A na B

Z 2

Z 3

. . .

DA

Z na C

Z=B

B na C

DA

Z2) za vsak X in Y:

če je X na Y, potem je X nad Y

Z3) za vsak X in Y:

če obstaja Z, da je X na Z in Z nad Y,

potem je X nad Y


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Prostor stanj:

A

B

C

MIZA

C

B

A

A

B

C

B

A C

B

A C

B

C

A

C

A B

A B C

A

B C

C

A

B

C

A B

A

B C

A

C

B

B

A

C

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • Sheme za predstavitev znanja:

  • Zahteve:

  • Učinkovita uporaba

  • Dopolnjevanje in spreminjanje

  • Razumljivost

  • Verifikacija

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • Sheme za predstavitev znanja:

  • Pravila

  • Semantične mreže

  • Okviri

  • Predikatni račun

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Pravila (rules):

pogoj,

premisaČEje desna roka opazovane osebe večja kot leva

sklep, akcija,

conclusion,

actionPOTEMoseba opravlja ročno delo

npr. tabela iz MYCIN-a

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Pravila za vnovčitev čeka:

(1)ČE ček ustrezno izpolnjen

IN plačnik znan

IN stanje pozitivno

POTEMga izplačaj

(2)ČE ček prav datiran

IN podpis ustrezen

IN vsota jasna

IN prinašalec identificiran

POTEMje ček ustrezno izpolnjen

(3)ČE je datum čeka današnji

ALI ni starejši od 90 dni

POTEMje ček prav datiran

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • 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?

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

kaj dela

DIHANJE

ŽIVAL

kaj ima

KOŽA

kaj dela

je

SE PREMIKA

je

RIBA

zna

LETETI

PTICA

ima

KRILA

ima

je

je

PERJE

KANARČEK

NOJ

je

zna

ne zna

je

PETI

RUMEN

LETETI

VELIK

Primer semantične mreže:

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Semantične mreže (semantic networks):

lastnik

NN

PLAŠČ

stanje rokavov

OGULJENI

stanje gumbov

MANJKAJO

  • opisujemo hierarhične strukture

  • pri obravnavanju naravnega jezika

  • sklepanje na področju teorije množic

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

PLAŠČ

Odprtina (slot)Vrednost (entry)

LASTNIKNN

STANJE ROKAVOVOGULJENI

STANJE GUMBOV MANJKAJO

. . .. . .

VELIKOSTna osnovi mer

uporabi tabelo 14

Okviri (frames):

  • Objektni način

  • Vrednost je lahko tudi postopek

  • Obravnavanje kompleksnih sistemov

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Predikatni račun (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.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

protislovje

  • človek (Sokrat)

  • (vsak x) clovek (x) :- zmotljiv (x)

  • ali

  • 2. ( x) zmotljiv (x) V človek (x)

  • Zmotljiv (Sokrat)?

x = Sokrat

zmotljiv (x) V človek (x)

človek (Sokrat)

zmotljiv (Sokrat)

človek (Sokrat)

  • Sokrat je človek

  • Vsak človek je zmotljiv

  • Vprašanje:

  • Ali je Sokrat zmotljiv?

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Predstavitve znanja:

  • Semantične mreže so najbolj splošne.

    Vozli in povezave rabijo za predstavitev

    dejstev in povezav med njimi.

  • Logična pravila in okvirji so poseben primer mreže.

  • Okvirji so prikladnejši za kompleksnejše sisteme.

  • Predikatni račun nima verjetnosti.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

TEHNOLOG

ZNANJA

EKSPERT(I)

Tri učne zanke:

ZAJEMANJE

ZNANJA

BAZA ZNANJA

(BZ)

PREDSTAVITEV

BZ

SKLEPANJE

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

artikulacija

SAY HOW

Feigenbaumovo

ozko grlo

BZ

tehnolog

znanja

strojno

učenje

model

KNOW HOW

Izgradnja baze znanja:

KNOW HOW

ekspert

primeri

SHOW HOW

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

programski jezik LISP

PREMISE (SAND (SAME CNTXT INFECT PRIMARY-BACTERIA) (MEMBF CNTXT SITE STERILESITES)

(SAME CNTXT PORTAL GI))

ACTION (CONCLUDE CNTXT IDENT BACTEROIDES TALLY .7)

LISP MACHINE(MIT)

  • Jeziki za programiranje ES:

  • Osnovne lastnosti:

  • nenumerični podatki

  • vračanje (po drevesu)

  • ni razlike med postopki in podatki

  • drevesne strukture – rekurzija

    Jeziki kot so npr. Pascal in C praviloma niso dovolj fleksibilni.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • programski jezikPROLOG

  • PROLOG : vsi ostali (z LISPom vred)

  • razvit 1975 na univerzi v Marseille-u (Kowalsky)

  • matematična osnova je formalna logika – predikatni račun

  • nedeterminizem in avtomatsko vračanje

  • 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)

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

PASCAL: y := f(x)

PROLOG:f(x,y)x in y sta v relaciji f

x

f

y

x

f

y

{x}=?

f

{y}=?

DA

f(x,y)

NE

x y

f

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

e

d

b

a

f

c

Primer: vzorčno 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 logično izpelje a iz dejstev e,f in c ter ostalih pravil.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

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, če je y starš x-a

2) Za vse pare x in y je x naslednik y, če 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

V.Rajkovič


Dex lupina ekspertnega sistema za ve parametrsko odlo anje

DEX:Lupina ekspertnega sistemaza večparametrsko odločanje

19871995, DOS

DEXi:Računalniški program

za večparametrsko odločanje

1999, Windows

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

V.Rajkovič


Osnove sistemov dex in dexi

Osnove sistemov DEX in DEXi

  • VEČPARAMETRSKO ODLOČANJE

    • modeliranje s kriteriji in funkcijami koristnosti

    • strukturiranje odločitvenega problema (drevo kriterijev)

    • vrednotenje variant

  • EKSPERTNI SISTEMI

    • kvalitativne (simbolične) merske lestvice

    • funkcije koristnosti predstavljene s pravili tipa če-potem

    • odločitveni model = baza znanja

    • poudarek na razlagi in analizi rezultatov vrednotenja (DEX)

V.Rajkovič


Faze odlo itvenega procesa

Faze odločitvenega procesa

  • 0.IDENTIFIKACIJA PROBLEMA

  • IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV)

    • spisek kriterijev

    • struktura kriterijev (drevo kriterijev)

    • merske lestvice

  • DEFINICIJA ODLOČITVENIH PRAVIL

  • OPIS VARIANT

  • ANALIZA VARIANT

V.Rajkovič


1 a spisek kriterijev

1.a Spisek kriterijev

Spisek kriterijev, ki vplivajo na odločitev (neurejen)

Nakup prenosnega računalnika

hitrost

velikost diska

cena

zanesljivost

zaslon

barve

servis

razširljivost

baterija

procesor

proizvajalec

miška

tipkovnica

velikost pomnilnika

Pazimo, da ne spregledamo pomembnih, bistvenih kriterijev

V.Rajkovič


1 b drevo kriterijev

PRENOSNIK

CENA

TEH. KAR.

DODATKI

AVTONOMIJA

ZUN. ENOTE

NOT. ENOTE

PROCESOR

POMNILNIK

DISK

ZASLON

TIPKOVNICA

1.b Drevo kriterijev

Združimo kriterije, ki “spadajo skupaj”

Pazimo na strukturo: praviloma dva do trije nasledniki notranjega vozlišča

V.Rajkovič


1 c merske lestvice

nespr

, spr, dob,

odl

PRENOSNIK

CENA

TEH. KAR.

DODATKI

5000

, 4000,

3000

ali

visoka

, srednja,

nizka

AVTONOMIJA

ZUN. ENOTE

NOT. ENOTE

2h

, 3h,

4h

PROCESOR

POMNILNIK

DISK

ZASLON

TIPKOVNICA

nespr

, spr,

dob

1.c Merske lestvice

Zaloge vrednosti so diskretne, praviloma urejene od slabih proti dobrim

Število vrednosti naj raste počasi od listov proti korenu

V.Rajkovič


2 odlo itvena pravila

2. Odločitvena pravila

V.Rajkovič


3 opis variant

PRENOSNIK

CENA

TEH. KAR.

DODATKI

AVTONOMIJA

ZUN. ENOTE

NOT. ENOTE

PROCESOR

POMNILNIK

DISK

ZASLON

TIPKOVNICA

3. Opis variant

V.Rajkovič


4 vrednotenje in analiza variant

4. Vrednotenje in analiza variant

  • VREDNOTENJE VARIANT

    • poteka od listov proti korenu drevesa

    • rezultat je kvalitativna ocena vsake variante

    • vrednotenje lahko poteka tudi ob nenatančnih in nepopolnih podatkih o variantah

  • ANALIZA VARIANT

    • interaktivno pregledovanje rezultatov

    • analiza tipa kaj-če

    • selektivna razlaga vrednotenja (DEX)

V.Rajkovič


4 osnovno vrednotenje variant

spr

PRENOSNIK

odl

CENA

TEH. KAR.

DODATKI

nespr

nizka

spr

dob

AVTONOMIJA

ZUN. ENOTE

NOT. ENOTE

4h

PROCESOR

POMNILNIK

DISK

ZASLON

TIPKOVNICA

spr

dob

spr

dob

sred

4. Osnovno vrednotenje variant

V.Rajkovič


4 analiza kaj e

PRENOSNIK

spr

dob

CENA

TEH. KAR.

DODATKI

odl

nespr

spr

nizka

ZUN. ENOTE

NOT. ENOTE

spr

dob

AVTONOMIJA

4h

PROCESOR

POMNILNIK

DISK

ZASLON

TIPKOVNICA

spr

dob

spr

dob

sred

4. Analiza kaj-če

V.Rajkovič


4 selektivna razlaga vrednotenja

PRENOSNIK

spr

CENA

TEH. KAR.

DODATKI

odl

nespr

nizka

ZUN. ENOTE

NOT. ENOTE

spr

dob

AVTONOMIJA

4h

PROCESOR

POMNILNIK

DISK

ZASLON

TIPKOVNICA

spr

dob

spr

dob

sred

4. Selektivna razlaga vrednotenja

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

DEXi:Računalniški program

za večparametrsko odločanje

  • Preprost program za delo z odločitvenimi modeli, ki omogoča:

  • izdelavo in preurejanje drevesa kriterijev

  • urejanje zalog vrednosti kriterijev in odločitvenih pravil

  • zajemanje podatkov o variantah

  • vrednotenje variant

  • tabelarični pregled rezultatov vrednotenja z analizo tipa kaj-če

  • grafični prikaz rezultatov vrednotenja

V.Rajkovič


Dexi izdelava in preurejanje drevesa kriterijev

DEXi:Izdelava in preurejanje drevesa kriterijev

V.Rajkovič


Dexi urejanje zalog vrednosti in odlo itvenih pravil

DEXi:Urejanje zalog vrednosti in odločitvenih pravil

V.Rajkovič


Dexi urejevalnik variant

DEXi:Urejevalnik variant

V.Rajkovič


Dexi vrednotenje variant

DEXi:Vrednotenje variant

V.Rajkovič


Dexi grafi ni prikaz vrednotenja variant

DEXi:Grafični prikaz vrednotenja variant

V.Rajkovič


Dex in dexi nekaj izku enj

DEX in DEXi: Nekaj izkušenj

  • POTREBNI ČAS ZA IZVEDBO POSTOPKA

    • močno odvisen od problema (nekaj ur do nekaj mesecev)

    • tipično 2 do 15 delovnih dni

  • NAJZAHTEVNEJŠA FAZA:

    • izdelava drevesa kriterijev

  • PRIMERNI ODLOČITVENI PROBLEMI

    • veliko kriterijev (> 15)

    • veliko variant (> 10)

    • kvalitativno odločanje, presoja

    • nenatančni in nepopolni podatki

    • skupinsko odločanje (razlaga)

    • dovolj časa za izvedbo postopka

V.Rajkovič


Dex in dexi podro ja uporabe

DEX in DEXi: Področja uporabe

  • RAČUNALNIŠTVO

    • izbor računalnika

    • 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 ODLOČANJE

    • ocenjevanje primernosti, uspešnosti delavcev

    • izbor ekspertne skupine

    • vrednotenje prošenj in vlog

  • MEDICINA, ZDRAVSTVO

    • ocenjevanje rizičnosti

    • spremljanje osnovnih življenjskih aktivnosti

  • OSTALA PODROČJA

    • vrednotenje tehnologij

    • izbor lokacije

    • ocena prioritet pri dodeljevanju posojila

V.Rajkovič


Upravljanje s portfeljem

Upravljanje s portfeljem

  • Življenje ustvarja red, toda red ne ustvarja življenja.

    (Antoine de Saint-Exupéry)

V.Rajkovič


Matrika portfelja

podvajanje ali opuščanje

intenziviranje

vodilnost

B

nadaljevanje

postopno

opuščanje

rast

nadaljevanje

racionalizacija

vodilnost

rast

Tržna privlačnost

nizka zmerna visoka

C

B

A

opuščanje

postopno

opuščanje

finančni vir

nizka zmernavisoka

Konkurenčna sposobnost

Matrika portfelja

A strategija rasti

(vlaganja)

B strategija

selektivnosti

C strategija

opuščanja


Tradicionalen pristop

n

Tržna

privlačnost

Wi Ki

i=1

Tradicionalen pristop

VHODNI PODATKI

Xp1p2p3

1.Življenjski cikel402050

2.Atraktivnost cene205560

3.Proizvodne zmogljivosti906060

4.St. rasti povpraševanja805030

5.Obseg tržišča207550

.

.

n

Od kod izvirajo številke?

V.Rajkovič


Matrika portfelja1

podvajanje ali opuščanje

intenziviranje

vodilnost

B

nadaljevanje

postopno

opuščanje

rast

nadaljevanje

racionalizacija

vodilnost

rast

Tržna privlačnost

nizka zmerna visoka

A

C

B

opuščanje

postopno

opuščanje

finančni vir

nizka zmernavisoka

Konkurenčna sposobnost

Matrika portfelja

V.Rajkovič


Tr na privla nost

Tržna privlačnost

V.Rajkovič


Konkuren na sposobnost

Konkurenčna sposobnost

V.Rajkovič


Model evalvacije strate ke pozicije podjetja

Model evalvacije strateške pozicije podjetja

Ekonomska moč podjetja

5

4

3

2

1

0

1

2

3

4

5

Atraktivnost

panoge

Tržna

moč podjetja

5 4 3 2 1 0 1 2 3 4 5

Makroekonomsko okolje


Model evalvacije strate ke pozicije podjetja1

Model evalvacije strateške pozicije podjetja

Ekonomska moč podjetja

5

4

3

2

1

0

1

2

3

4

5

Atraktivnost

panoge

Tržna

moč podjetja

1988

1989

1990

1991

5 4 3 2 1 0 1 2 3 4 5

Makroekonomsko okolje


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Vredana

V.Rajkovič


Pridobitve

Pridobitve

  • Parametri (dejavniki) ohranijo svoje “naravne” vrednosti

  • Strukturiranje parametrov

  • Transparentna razlaga agregiranih vrednosti

  • Selektivni večnivojski prikazi

  • Razlaga strateškega položaja

V.Rajkovič


Zaklju ek

Zaključek

  • Pomoč miselnim procesom managerja pri razumevanju odločitev

  • Ni garancije za dobro odločitev; z ustreznim razumevanjem lahko le zmanjšamo možnost napake

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Model nekaterih človekovih

miselnih procesov:

zavestno

upravljanje

aktivacijski

vmesnik

aktivacijski

signali

proces

potrjevanja

in

generiranja

konceptov

dejstva in koncepti

dejstva in koncepti

podatki o okolju podatki za okolje

senzorski

vmesnik

senzorski

signali

podatki o okolju

7 + 2

dolgotrajni spomin (DS)

kratkotrajni spomin (KS)

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

PoToSrČePeSoNe

1 2 3 4 5 6 7

Sr + To = ?

Načini reševanja:

1. Postopkovni:3 + 2 = 5

Pe

2. Podatkovni – tabela kombinacij:

Po To Sr . . .

Po To Sr Če . . .

To Če Pe . . .

Sr So . . .

. . .

3. S pravili (5 pravil in 3 izjeme):

čeje eden izmed seštevancev Po

potemje rezultat naslednji dan

Reševanje problema: primer “aritmetike dni v tedna”

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Učenje:

  • Direktno ali rutinsko učenje (rote learning)Sklepanje ni potrebno. Običajno programiranje in shranjevanje podatkov.

  • Učenje 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 učitelja.

  • Učenje na osnovi razlage (explanation-based learning)Primer rešitve problema  razlaga z znanjem te domene posplošitev razlage, kar omogoča reševanje celotnega razreda problemov.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Učenje:

  • Učenje po analogiji (learning by analogy)Že obstoječe znanje pretvorimo v obliko, da ga je možno uporabiti za nov podoben problem.

  • Učenje iz primerov (learning from examples)Primeri opisujejo koncept. Nato ga izluščimo npr. z induktivnim sklepanjem.

  • Učenje s samostojnim odkrivanjem (learning from observation & discovery)Učitelja ni. Sami odkrivamo nove koncepte. Raziskovalno delo:postavljanje hipotez, testiranje hipotez, sestavljanje novih teorij.Npr. Avtomatic mathematician, na podlagi temeljnih konceptovteorije množic in s pomočjo hevristik sam odkrije koncepte kot so število, seštevanje, odštevanje, množenje, potenca, praštevila ...

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Kvalitativno modeliranje:

nizek

visok

zelo visok

150160170180190200VIŠINA

Kvantitativno: enačbe, domena spremenljivk je množica npr. realnih števil

Kvalitativno:relacije med spremenljivkami, domena je prostorkoličin

Mozetič, I., Principi kvalitativnega modeliranja, Informatica, 4/84, pp. 79-85

Bratko, I., Qualitative Modelling, Zbornik. med. konf. o razvoju organizacijskih znanosti, Portorož, 2005

Človek doseže predmet:

Če VIŠINA (zelo visok)

Če VIŠINA (visok) in pručka

Če VIŠINA (nizek) in stol

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

V.Rajkovič

The Economist,Vol .: 380, No.8496, Sept. 2006


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Sistem KARDIO:

SA node

Atr. focus

AV conduction

AV-junction

Vent. focus

Bundle branches

QRS complex

P wave

T wave

summator

impulse generator

conduction pathway

heartsubsystems

SA node

Bundle bran.

PR interval

SA node

Atria

P wave

PR interval

P-QRS relat.

regular

ectopic

Rhythm

QRS complex

AV node

Ventricles

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

V.Rajkovič


Odkrivanje zakonitosti iz podatkov orodja glavne zna ilnosti in razlike

Odkrivanje zakonitosti iz podatkovOrodja: 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

V.Rajkovič

povzeto po: Janez Demšar: Odkrivanje zakonitosti iz podatkov


Francoski paradoks

Francoski 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


Pasti

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 ščepcem soli

V.Rajkovič


Crisp dm cross industry standard process for data mining

CRISP-DMCRoss Industry Standard Process for Data Mining

V.Rajkovič


Primer

Primer

DobičekStarostKonkurencaVrsta

_______________________________________________________________________________________

padastaroneSW

pada srednjedaSW

naraščasrednjeneHW

padastaroneHW

naraščanovoneHW

naraščanovoneSW

naraščasrednjeneSW

naraščanovodaSW

padasrednjedaHW

padastarodaSW

_______________________________________________________________________________________

V.Rajkovič

povzeto po: Bojan Cestnik: Strojno učenje


Primer odlo itveno drevo

Starost

staro

srednje, novo

pada

Konkurenca

ne

da

Starost

narašča

srednje

novo

pada

narašča

Primer: Odločitveno drevo

V.Rajkovič

povzeto po: Bojan Cestnik: Strojno učenje


U enje odlo itvenih dreves

Učenje odločitvenih dreves

V.Rajkovič

primer povzet po: Sašo Džeroski: Decision Trees


Klasifikacija in regresija

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

V.Rajkovič


Klasifikacijsko odlo itveno drevo

Dohodki

 100.000

 100.000

Starost

Stranka=da

 32

 32

Stranka=ne

Stranka=da

Klasifikacijsko odločitveno drevo

V.Rajkovič


Regres ijsko odlo itveno drevo

Spol

Ž

M

Starost

Dohodek=150.000

 53

 53

Dohodek=15.000

Dohodek=510.000

Regresijsko odločitveno drevo

V.Rajkovič

primer povzet po: Sašo Džeroski: Decision Trees


U enje odlo itvenih dreves1

Učenje odločitvenih dreves

KLJUČNI KONCEPTI

  • Gradnja drevesa

    • algoritem

    • izbiranje atributov

  • Preverjanje kakovosti drevesa

    • učna in testna množica

    • klasifikacijska točnost

  • Rezanje drevesa

    • rezanje naprej

    • rezanje nazaj

V.Rajkovič


Mere kvalitete odlo itvenih dreves

Mere kvalitete odločitvenih dreves

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


Od dreves k pravilom

Dohodki

 100.000

 100.000

Starost

Stranka=da

 32

 32

Stranka=ne

Stranka=da

Od dreves k pravilom

PRAVILA

if Dohodki  100.000thenStranka=da

if Dohodki 100.000andStarost  32thenStranka=da

if Dohodki 100.000andStarost  32thenStranka=ne

ODLOČITVENI SEZNAM

if Dohodki  100.000thenStranka=da

else if Starost  32thenStranka=daelseStranka=ne

V.Rajkovič

povzeto po: Marko Bohanec: Strojno učenje


Podro ja uporabe

Področja 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


Sistemi za odkrivanje zakonitosti iz podatkov

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

    • 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


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

DEX

OPTRANS

ASSISTANT

Primerjalna analiza treh orodij

za izgradnjo in uporabo ES

Baza znanja

drevo kriterijev

pravila

odločitvenadrevesa

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Pravila v OPTRANSu

IF GR_PROFIT < 0 AOR PROF_RTO < 0 AOR RENT_RTO < 0

THEN FACTS_DEDUCTED PROFITABILITY IS bad

CRITERIA_TO_EXAMINE stop

MESSAGE PROFITABILITY is bad.

FINISH_RULE

IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO > 2

THEN FACTS_DEDUCTED PROFITABILITY IS good

CRITERIA_TO_EXAMINE stop

MESSAGE PROFITABILITY is good.

FINISH_RULE

IF GR_PROFIT > 0 AOR PROF_RTO > 0.4 AOR RENT_RTO < 2 AND RENT_RTO > 0

THEN FACTS_DEDUCTED PROFITABILITY IS medium

CRITERIA_TO_EXAMINE stop

MESSAGE PROFITABILITY is medium.

FINISH_RULE

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Ocena boniteta stranke v OPTRANSu

** * Liquidity evaluation * **

The percentage of reaching special liquidity requirements exceeds the foreseen100% 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.

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

descriptive valuenumeric subinterval

1. bad< 0%

2. medium> 0% in < 2%

3. good> 2%

ParameterNumeric valueDescriptive value

ST_CR_POT 11.81good

BLN_STRCT 0good

LQD_DEBT 2.1bad

CA_RTO 33.08good

DBT_ASSETS 110good

LQD_1 726.26good

LQD_2 289.37good

LEND_PRM166851good

LR_DAYS 3medium

RF_DAYS 5good

LQD_CR_CB 0good

LQD_3 3072.62good

MIN_LQD 382.47good

SPEC_LQD 5.9good

GR_PEOFIT 8507good

PROF_RTO 10.84good

RENT_RTO 0.27medium

Primer podatkov o stranki, katere boniteto ocenjujemo

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Drevo kriterijev v DEXu

ParameterDescriptionValues of the parameter

CREDIT SCOREEval. of the credit worthiness of clientbad, medium, good

├RISKEvaluation of the assets riskhigh, medium, low

│├ST_CR_POTShort-term credit potentialbad, good

│├BLN_STRCTBalance term structurebad, good

│├LQD_DEBTLiquidity debtnessbad, good

│├CA_RTOCapital ratiobad, good

│└DBT_ASSETSDoubtful assets ratiobad, good

├LIQUIDITYEvaluation of the utilitybad, medium, good

│├LIQ_Abad, medium, good

││├LQD_1Liquidity ratio 1bad, good

││├LQD_2Liquidity ratio 2bad, good

││└LEND_PRMLending parameterbad, good

│├LIQ_Bbad, medium, good

││├LR_DAYSLegal reserves – days usedbad, medium, good

││├RF_DAYSReserve Fund – days usedbad, good

││└LQD_CR_CBLiquidity credit at the central bankbad, good

│└LIQ_Cbad, medium, good

│ ├LQD_3Liquidity ratio 3bad, medium, good

│ ├MIN_LQDMinimal liquidity ratiobad, good

│ └SPEC_LQDSpecial liquidity reserve ratiobad, good

└PROFITABILITYEvaluation of the profitabilitybad, medium, good

├GR_PROFITGross profitbad, good

├PROF_RTOProfitability ratiobad, medium, good

└RENT_RTORentability ratiobad, medium, good

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Agregacijska pravila v DEXu

GR_PROFITPROF_RTORENT_RTOPROFITABILITY

1. bad**bad

2. *bad*bad

3. **badbad

4. goodmedium>=mediummedium

5. good>=mediummediummedium

6. goodgoodgoodgood

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

CREDIT SCOREgood

├RISKmedium

│├ST_CR_POTgood

│├BLN_STRCTgood

│├LQD_DEBTbad

│├CA_RTOgood

│└DBT_ASSETSgood

├LIQUIDITYgood

│├LIQ_Agood

││├LQD_1good

││├LQD_2good

││└LEND_PRMgood

│├LIQ_Bgood

││├LR_DAYSmedium

││├RF_DAYSgood

││└LQD_CR_CBgood

│└LIQ_Cgood

│ ├LQD_3good

│ ├MIN_LQDgood

│ └SPEC_LQDgood

└PROFITABILITYmedium

├GR_PROFITgood

├PROF_RTOgood

└RENT_RTOmedium

Ocena boniteta stranke v DEXu

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

RENT_RTO

< 0 0 <

CA_RATIO

CA_RATIO

< 3 3 <

< 100 100 <

SPEC_LQD

GR_PROFIT

bad

bad

< 100 100 <

< 0 0 <

DBT_ASSETS

CA_RATIO

bad

medium

< 6,5 6,5 <

< 3 3 <

RF_DAYS

ST_CR_POT

bad

medium

<10 10 <

< 85 85 <

bad

medium

medium

good

Odločitveno drevo v ASSISTANTu


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Izračun 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 ║ ║ │

│ ׃ ׃ ║ ║ │

V.Rajkovič


Predlog teme ena stran

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

  • Pričakovani rezultati

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Organiziranje razvoja ES

Izbira ustreznega problema za rešitev z ES

1 Proučite potencialne možnosti uporabe ES pri vas.

1.1Kje v vašem poslovnem sistemu nastaja NOVA VREDNOST?

Kje nastajajo največji STROŠKI?

1.2  Kje v vašem poslovnem sistemu obstajajo KRITIČNAEKSPERTNA PODROČJA?

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 VZROČNO-POSLEDIČNO

povezane?

2   Izbira aplikacije ES, ki ustreza ali več kriterijev

2.1  Kako se aplikacija vključuje v poslovni sistem?

Kaj aplikacija DAJE in kaj ZAHTEVA?

2.2 Kaj vse je treba storiti?

2.3  Kakšni so stvarni cilji?


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Organiziranje razvoja ES

Upravičenost rešitve z ES

3Kakšni so kvantitativni učinki?

AZmanjšanje stroškov

BDvig produktivnosti

CDvig kakovosti

4Kakšni so kvalitativni učinki?

ADolgoročne strateške prednosti

BPovečanje ''zadovoljstva''

-delavcev

-končnega uporabnika

CPovečanje fleksibilnosti

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

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 računalnik potrebujemo?

C Kakšne so kadrovske in časovne zahteve ter možnosti?

7     Izgradnja baze znanja (BZ)

A Kakšne metode zbiranja in predstavitve BZ bomo uporabili?

B Kako bomo testirali BZ?

8Uvajanje sistema v praktično delo

A Kdo bo sistem uvajal?

B Kakšne težave nas pri tem čakajo?

9Operativno delovanje in spremljanje učinkovitosti sistema

A Kaj obsega vzdrževanje sistema?

B Kdo je odgovoren za operativno delovanje in evaluacijo sistema?


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

Poročilo o seminarski nalogi

Naslov

avtor, organizacija

kraj in datum

  • Povzelek(slo in ang)

  • Ključne besede(slo in ang)

  • 1. Uvod

  • Opredelitev problema:

  • Kaj je predmet odločanja?

  • Kakšne cilje želite doseči z odločitvijo?

  • Katerim zahtevam mora ustrezati izbrana varianta?

  • Ali je problem težak in zakaj?

  • Odločitvena skupina:

  • Kdo je “lastnik” odločitvenega problema? Kdo je odgovoren za odločitev? Koga odločitev neposredno zadeva?

  • Kdo še sodeluje v odločitveni skupini? Ali ste (bi) v odločitveno skupino vključili eksperte, odločitvenega analitika ali predstavnike tistih (katerih) segmentov, na katere vpliva?

  • Metoda dela:

  • Kako ste se lotili problema, po katerih korakih in kakšne oziroma katere pripomočke ste pri tem uporabljali?

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • 2. Odločitveni 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 izločilni kriteriji in kateri so to?

  • 3. Opis variant

  • Kratek opis variant, med katerimi izbirate.

  • Kako ste izmerili variante (morebitni viri)?

V.Rajkovič


Ekspertni sistemi prof dr vladislav rajkovi lopes1 fov uni mb si

  • 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 odločitev; poskusite odgovoriti na vprašanja kot so:

  • Ali so vrednosti kriterijev in uporabljene funkcije koristnosti ustrezni?

  • Zakaj je končna ocena takšna, kot je? Je v skladu s pričakovanji ali odstopa in zakaj? Kateri kriteriji so najbolj prispevali k takšni oceni?

  • Katere so bistvene prednosti in pomanjkljivosti posameznih variant?

  • Kakšna je občutljivost odločitve: kako spremembe vrednosti kriterijev vplivajo na končno oceno? Ali je mogoče in kako variante izboljšati? Katere spremembe povzročijo bistveno poslabšanje ocen variant?

  • V čem se variante bistveno razlikujejo med seboj?

  • 5. Zaključek

  • Kaj je končni rezultat odločitve? Katera varianta je najboljša in zakaj?

  • Ali so cilji odločitvenega procesa doseženi?

  • 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 pozornost).

Literatura in Priloge

Po potrebi priložite računalniške izpise odločitvenega modela (modelov) in rezultatov vrednotenja.


  • Login