slide1
Download
Skip this Video
Download Presentation
Ekspertni sistemi prof. dr. Vladislav Rajkovič lopes1.fov.uni-mb.si

Loading in 2 Seconds...

play fullscreen
1 / 114

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


  • 188 Views
  • Uploaded on

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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Ekspertni sistemi prof. dr. Vladislav Rajkovič lopes1.fov.uni-mb.si' - rae


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
slide1

Ekspertni sistemi

prof. dr. Vladislav Rajkovič

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

slide2

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

slide3

Metoda dela

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

V.Rajkovič

slide4

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

slide5

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., 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

slide6

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
  • 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

slide7

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

slide8

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

slide9

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

slide10

Cilji umetne inteligence

“inteligentno” obnašanje računalnikov

večja uporabnost računalnikov

proučevanje principov inteligence

boljše razumevanje človekovega

inteligentnega obnašanja

V.Rajkovič

slide11

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

slide12

položaj roke

motorji v

zglobih

položaj

kocke

ROKA ROBOTA

KAMERA

Signali za krmiljenje motorjev v zglobih roke

RAČUNALNIK

Slika iz kamere

V.Rajkovič

slide13

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..

slide14

Kaj je ekspertni sistem?

UPORABNIK

KOMUNIKACIJSKI

VMESNIK

BAZA

ZNANJA

MEHANIZEM

SKLEPANJA

ES

V.Rajkovič

slide15

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

slide16

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

slide17

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

slide18

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

slide19

Primer pravila v MYCIN-u

atribut objekt vrednost verjetnost

predmet opaz. kultura kri (1.0)

morfolorija organizem paličast (1.0)

lastnost organizem gramneg (0.7)

identiteta organizem pseudomonas (0.6)

ČE

POTEM

V.Rajkovič

slide20

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/kg Q 8 H - IV ali IM

2. CARBENICILIN

25 mg/kg Q 2 H -IV

slide21

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

slide22

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

slide23

Shemi za reševanje problemov:

  • Konjunktivno-disjunktivni (AND/OR) graf
  • Prostor stanj

V.Rajkovič

slide24

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

slide25

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

slide26

Sheme za predstavitev znanja:

  • Zahteve:
  • Učinkovita uporaba
  • Dopolnjevanje in spreminjanje
  • Razumljivost
  • Verifikacija

V.Rajkovič

slide27

Sheme za predstavitev znanja:

  • Pravila
  • Semantične mreže
  • Okviri
  • Predikatni račun

V.Rajkovič

slide28

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

slide29

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

slide30

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

slide31

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

slide32

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

slide33

PLAŠČ

Odprtina (slot) Vrednost (entry)

LASTNIK NN

STANJE ROKAVOV OGULJENI

STANJE GUMBOV MANJKAJO

. . . . . .

VELIKOSTna osnovi mer

uporabi tabelo 14

Okviri (frames):

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

V.Rajkovič

slide34

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

slide35

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

slide36

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

slide37

TEHNOLOG

ZNANJA

EKSPERT(I)

Tri učne zanke:

ZAJEMANJE

ZNANJA

BAZA ZNANJA

(BZ)

PREDSTAVITEV

BZ

SKLEPANJE

V.Rajkovič

slide38

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

slide39

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

slide40

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

slide41

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

slide42

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

slide43

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

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

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

slide57

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

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

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 tržišča 20 75 50

.

.

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

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

slide73

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

slide76

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

slide77

Po To Sr Če Pe So Ne

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

slide78

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

slide79

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

slide80

Kvalitativno modeliranje:

nizek

visok

zelo visok

150 160 170 180 190 200 VIŠINA

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

Kvalitativno: relacije med spremenljivkami, domena je prostor količin

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

slide81
V.Rajkovič

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

slide82

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

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

primer
Primer

Dobiček Starost Konkurenca Vrsta

_______________________________________________________________________________________

padastaro ne SW

pada srednje da SW

narašča srednje ne HW

pada staro ne HW

narašča novo ne HW

narašča novo ne SW

narašča srednje ne SW

narašča novo da SW

pada srednje da HW

pada staro da SW

_______________________________________________________________________________________

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

slide99

DEX

OPTRANS

ASSISTANT

Primerjalna analiza treh orodij

za izgradnjo in uporabo ES

Baza znanja

drevo kriterijev

pravila

odločitvenadrevesa

V.Rajkovič

slide100

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

slide101

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

slide102

descriptive value numeric subinterval

1. bad < 0%

2. medium > 0% in < 2%

3. good> 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

V.Rajkovič

slide103

Drevo kriterijev v DEXu

Parameter Description Values of the parameter

CREDIT SCORE Eval. of the credit worthiness of clientbad, 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

V.Rajkovič

slide104

Agregacijska pravila v DEXu

GR_PROFIT PROF_RTO RENT_RTO PROFITABILITY

1. bad * * bad

2. * bad * bad

3. * * bad bad

4. good medium >=medium medium

5. good >=medium medium medium

6. goodgoodgoodgood

V.Rajkovič

slide105

CREDIT SCORE good

├RISKmedium

│├ST_CR_POT good

│├BLN_STRCT good

│├LQD_DEBT bad

│├CA_RTO good

│└DBT_ASSETS good

├LIQUIDITYgood

│├LIQ_A good

││├LQD_1 good

││├LQD_2 good

││└LEND_PRM good

│├LIQ_B good

││├LR_DAYS medium

││├RF_DAYS good

││└LQD_CR_CB good

│└LIQ_C good

│ ├LQD_3 good

│ ├MIN_LQD good

│ └SPEC_LQD good

└PROFITABILITYmedium

├GR_PROFIT good

├PROF_RTO good

└RENT_RTO medium

Ocena boniteta stranke v DEXu

V.Rajkovič

slide106

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

slide107

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

slide109

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?

slide110

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

slide111

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?

slide112

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

slide113

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

slide114

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.

ad