1 / 146

Wprowadzenie do Sztucznej Inteligencji w zastosowaniach biznesowych

Wprowadzenie do Sztucznej Inteligencji w zastosowaniach biznesowych. Podyplomowe Studium Business Intelligence - Systemy Wspomagania Decyzji Biznesowych. dr Jarosław Olejniczak Jaroslaw.Olejniczak@sgh.waw.pl. Sztuczna inteligencja - literatura.

stacy-poole
Download Presentation

Wprowadzenie do Sztucznej Inteligencji w zastosowaniach biznesowych

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Wprowadzenie do Sztucznej Inteligencji w zastosowaniach biznesowych Podyplomowe Studium Business Intelligence - Systemy Wspomagania Decyzji Biznesowych dr Jarosław Olejniczak Jaroslaw.Olejniczak@sgh.waw.pl

  2. Sztuczna inteligencja - literatura • L. Rutkowski, Metody i techniki sztucznej inteligencji.Warszawa: PWN, 2005 • J.S. Zieliński, Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000; • B. Stefanowicz, Sztuczna Inteligencja i Systemy Eksperckie, Oficyna Wydawnicza SGH 2002; • J. Mulawka, Systemy ekspertowe, WNT Warszawa 1996; • W. Flakiewicz, Systemy informacyjne w zarządzaniu, Beck Warszawa 2002.

  3. Sztuczna inteligencja - literatura • E. Rich, K. Knight, Artificial Intelligence, McGraw-Hill 1991; • Turban E.,Aronson J., Decision Support Systems and Intelligent Systems, Prentice Hall 1998; • Klein M.., Mathlie L.B., Expert Systems a decision support approach with applications in management and finance, Addison-Wesley Publishing Company 1990; • Scott A.C. Clayton J.E., Gibson L.E., A practical guide to knowledge acquisition, Addison-Wesley Publishing Company 1991

  4. Sztuczna inteligencja - literatura • J. Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa 2001; • D. E. Goldberg , Algorytmy genetyczne i ich zastosowania , WNT Warszawa 1998 • M. Lasek, Data Mining zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza “Zarządzanie i Finanse”, Warszawa 2002; • R. Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993; • E. Gatnar, Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998

  5. Sztuczna inteligencja - literatura • T.D. Gwiazda, Algorytmy genetyczne :zastosowania w finansach, Wydaw. Wyż. Szk. Przedsiębiorczości i Zarządzania im. L. Koźmińskiego, 1998. • T.D. Gwiazda, Optima_AG optymalizator problemów zarządzania i biznesu dla Microsoft Excel, Wydawictwa Naukowe Wydziału Zarządzania UW, Warszawa 1999 • Kopczewska K., Kopczewski T., i Wojcik P., Metody Ilościowe w R. Aplikacje ekonomiczne i finansowe. CEDEWU.PL Wydawnictwa Fachowe, 2009. • M. Walesiak, Statystyczna analiza danych z wykorzystaniem programu R. Warszawa: Wydawnictwo Naukowe PWN, 2009. • P. Biecek, Przewodnik po pakiecie R. Wrocław: Oficyna Wydawnicza GIS, 2008.

  6. Sztuczna inteligencja - literatura • L. Torgo, Data mining with R : learning with case studies. Boca Raton: Chapman & Hall/CRC, 2011. • D. S. Putleri R. E. Krider, Customer and business analytics : applied data mining for business decision making using R. Boca Raton, FL: CRC Press, 2012. • G. Williams, Data mining with Rattle and R the art of excavating data for knowledge discovery. New York [etc.]: Springer, 2011. • R. M. Heibergeri E. Neuwirth, R through Excel : a spreadsheet interface for statistics, data analysis, and graphics. Dordrecht; New York: Springer, 2009.

  7. Sztuczna inteligencja - wprowadzenie Sztuczna Inteligencja - to dziedzina informatyki dotycząca metod i technik wnioskowania symbolicznego przez komputer oraz symbolicznej reprezentacji wiedzy stosowanej podczas takiego wnioskowania Feigenbaum cyt. J. Mulawka, Systemy ekspertowe, WNT Warszawa 1996 Sztuczna Inteligencja - wszelkie badania dotyczace aspektów zwiazanych z problemami inteligencji, prowadzone metodami realizacji technicznej lub teoretycznych rozwiązań wykorzystujących formalizm matematyczny Dziurnikowski, Informatyka, 1979, nr 3

  8. Sztuczna inteligencja - wprowadzenie Sztuczna Inteligencja jest tą częścią informatyki, która bada procesy rozumowania symbolicznego i niealgorytmicznego oraz zajmuje się reprezentacją symbolicznie ujętej wiedzy. Forsyth R., Expert systems - Principles and Case Studies , Chapman and Hall, Univ. Press Cambridge 1984 Sztuczna Inteligencja - zespół środków informatyki, ułatwiających nabywanie i wykorzystywanie wiedzy wynikającej z oddtwarzania okoliczności, które doprowadziły do znanych skutków, w celu określenia czynników i działań niezbędnych dla spowodowania skutków pożądanych Olejniczak J, Sztuczna Inteligencja z filozoficznej perspektywy, Problemy 1991, nr 6

  9. Sztuczna inteligencja - historia • Jackues de Vaucanson (1709- 1782) - słynny konstruktor sztucznych automatów imitujących zachowanie żywych organizmów; • Alan Turing (1912 - 1954) -w 1936 opracował teoretyczny model tzw. maszyny Turinga, test Turinga. • McCulloch W.S.,Pitts W. , A logical calculus of the ideas Immament in nerwous activity. Bulletin of Mathematical Biophysics, 1943 - teoretyczne podsatwy do utworzenia sztucznych sieci neuronowych; • Norbert Wiener (1984 - 1964) - jako pierwszy wysunął hipotezę że inteligentne zachowanie jest wynikiem działania mechanizmu ze sprzężeniem zwrotnym;

  10. Sztuczna inteligencja - historia • John McCarthy (ur 1927) - twórca pojęcia sztucznej inteligencji (1956) - “The Darthmouth summer research project on artificial intelligence”, twórca języka LISP; • Newel A. Simone H.A. :GPS - a program that simulates human thought, Addison Wesley Publishing Company 1963 • J. Weizenbaum (1967) - ELIZA - pierwszy chatterbot • Uniwersytet Stanford (1972) - powstają pierwsze systemy ekspertowe: MYCIN i PROSPECTOR • J.H Holland, Adaptation in Natural and Artificial Systems, University of Michigan Press, 1975 - podstawy do tworzenia algorytmów genetycznych;

  11. Sztuczna inteligencja - historia • Christopher Langton (1987) - konfrenecja “Evolution, Games and Learning: Models for adaptation in machines and nature” - po raz pierwszy pojawia się pojęcie Sztuczne Życie (Artificial Life) • 1997 Gari Kasparow przegrywa pojedynek szachowy z systemem informatycznym;

  12. Sztuczna inteligencja – obszary • Systemy ekspertowe • Procesy percepcji (wizja, słuch, dotyk) • Robotyka • Automatyczne uczenie • Reprezentacja niepewności i niewiedzy w systemach informatycznych • Sztuczne sieci neuronowe • Algorytmy genetyczne • Rozpoznawanie języka naturalnego • Sztuczne życie • Eksploracja danych • Web mining • Text mining

  13. Sztuczna inteligencja – klasy systemów • Systemy transakcyjne • Systemy biurowe • Systemy informacyjne zarządzania • Systemy wspomagania decyzji • Systemy wspomagające kierownictwo (Executive Information Systems) • Systemy inteligentne

  14. Programy tradycyjne a inteligentne

  15. Definicje i pojęcia podstawoweZagadnienia podejmowania decyzji Decyzje które należy podjąć 1 cele lub środki środki cele jeden wymiar 2 liczba wymiarów n wymiarów mierzalność wymiarów 3 miary ilościowe miary jakościowe pewność p=0 lub p=1 niepewność 4 Niepewność (niewiedza) p przestaje mieć znaczenie ryzyko 0<p<1 Jedna jednostka liczba jednostek 5 n jednostek Automatyczne 6 rodzaje kryterium decyzji odwołujące się do autorytetu prób i błędów odwołujące się systemów etycznych matematyczne synteza wartości

  16. Definicje i pojęcia podstawoweProces podejmowania decyzji – przepływ informacji Otoczenie wewnętrzne Otoczenie zewnętrzne Ocena informacji Analiza ilościowa Analiza jakościowa Interpretacja: Czy znaleziono problem ? Decyzja: co zrobić z problemem

  17. Konspekt • Wiedza w systemach informatycznych • Algorytmy genetyczne • Sztuczne sieci neuronowe • Wybrane metody automatycznego uczenia

  18. Definicje i pojęcia podstawoweCo przetwarza SWD ? • Dane • Informację • Wiedzę

  19. Definicje i pojęcia podstawoweDane Dane - liczby, fakty, pojęcia lub rozkazy przedstawione w sposób wygodny do przesyłania, interpretacji lub przetwarzania metodami ręcznymi lub automatycznie polska norma z 1970 roku

  20. Definicje i pojęcia podstawoweInformacje Informacja to uporządkowany zestaw danych

  21. Definicje i pojęcia podstawoweInformacje Informacja to wiadomość przedstawiona zwykle w formie dokumentu lub przekazu dźwiękowego lub wizualnego Thomas H. Davenport, Laurence Prusak

  22. Definicje i pojęcia podstawoweCo to jest wiedza Wiedza składa się ze zrozumienia tych aspektów świata, które nigdy się nie zmieniają Platon

  23. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza - uporządkowany zbiór faktów i relacji, który stanowi część procesu wnioskowania. Collins Dictionary of Artificial Intelligence

  24. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza - zestaw wzajemnie połączonych informacji na określony temat przez co - dzięki cesze synergii przypisywanej informacjom uzyskuje się określony spójny obraz rozpatrywanego wycinka rzeczywistości prof. Bogdan Stefanowicz.

  25. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza jest to płynna mieszanka wyrażonego doświadczenia, wartości, informacji wypływających z kontekstu i eksperckiej wnikliwości, które dostarczają podstaw do oceny i przyswajania nowych doświadczeń i informacji Thomas H. Davenport and Laurence Prusak

  26. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza = Informacje + relacje + kontekst

  27. Wiedza w systemach informatycznych Klasy systemów informatycznych • Systemy transakcyjne • Systemy wspomagania decyzji • Systemy ekspertowe i inne oparte na metodach sztucznej inteligencji

  28. Wiedza w systemach informatycznychSystemy transakcyjne • Wiedza stała – przejęta • Struktura tabel i relacje miedzy nimi • Definicje procesów typu „workflow” • Różnego rodzaju procedury i funkcje • Wiedza zmienna – nabyta • Zawartość tabel – dane • Czasami też struktura tabel i relacje między nimi

  29. Wiedza w systemach informatycznychSystemy Wspomagania Decyzji • Wiedza stała – przejęta • Procedury i funkcje • Modele matematyczne • Procesy typu „workflow” • Wiedza zmienna – nabyta • Wartości graniczne • Współczynniki

  30. Wiedza w systemach informatycznychSystemy Wspomagania Decyzji • Wiedza stała – przejęta • Struktura i postać „obiektów wiedzy” • Relacje pomiędzy obiektami wiedzy • Struktura sieci neuronowej w przypadku systemów opartych o sztuczne sieci neuronowe • Funkcja użyteczności w przypadku rozwiązań opartych o algorytmy genetyczne • Wiedza zmienna – nabyta • „Obiekty wiedzy” generowane automatycznie • Wagi neuronów w przypadku rozwiązań opartych o sztuczne sieci neuronowe • Funkcja przynależności w przypadku zastosowania teorii zbiorów rozmytych

  31. Wiedza w systemach informatycznychMetody Reprezentacji Wiedzy Reprezentacja wiedzy w systemie informatycznym dotyczy sposobów w jaki jest ona przechowywana.

  32. Wiedza w systemach informatycznychPoziomy Reprezentacji Wiedzy • Poziom wiedzy - obejmuje opis faktów • Poziom symboli które mogą być przetwarzane przez program

  33. Wiedza w systemach informatycznychMetody Reprezentacji Wiedzy • Reguły produkcji • Sieci semantyczne • Ramy • Skrypty • Rachunek predykatów • Ontologie

  34. Metody reprezentacji wiedzyReguły produkcji Reguły produkcji są definiowane jako zdania składające się z przesłanki i konkluzji lub akcji. Przesłanka może zawierać pewną liczbę stwierdzeń połączonych funktorami logicznymi

  35. Metody reprezentacji wiedzyReguły produkcji - schemat JEŚLI przesłanka TO konkluzja oraz JEŚLI przesłanka TO działanie

  36. Metody reprezentacji wiedzyReguły produkcji – konkluzje i działania Konkluzja oznacza wygenerowanie faktu, a działanie to uruchomienie dodatkowego procesu np obliczeniowego lub pobranie dodatkowych danych Zbiór reguł produkcji można rozpatrywać jako szczególny sposób zapisu pewnej sieci stwierdzeń ponieważ z prawdziwości jednego stwierdzenia mogą wynikać inne.

  37. Metody reprezentacji wiedzyReguły produkcji – cechy • Reguły umożliwiają zapisanie wiedzy proceduralnej niezależnie od stopnia jej pewności, stopnia ogólności i zbliżenia do danej dziedziny problemowej. • Każda reguła prezentuje wiedzę jednostkową: jest to jedna granula (ang.: chunk of knowledge) wiedzy proceduralnej. • Reguły są wzajemnie niezależne, chyba że inżynier wiedzy w którejś z nich zdefiniuje listę Ls reguł blokowanych (lub Ld - lista reguł odblokowanych) przez daną regułę. • Reguły pozwalają zapisać zarówno wiedzę algorytmiczną, jak heurystyczną, • Reguła umożliwia powiązanie faktów z uwzględnieniem doświadczeń w kontekście danej dziedziny problemowej.

  38. Metody reprezentacji wiedzyReguły produkcji – proste i złożone • Reguły proste - prowadzą do sformułowania reguł pośrednich • Reguły złożone -umożliwiają bezpośrednie wyznaczanie wniosków przez system

  39. Metody reprezentacji wiedzyReguły produkcji – przykład JEŚLI (ocena akcji i kapitału jest pozytywna) i(ocena rentowności finansowej jest pozytywna) i(ocena zadłużenia jest pozytywna) i (ocena płynności finansowej jest pozytywna) i(ocena ogólna jest pozytywna)TO Można zaakceptować wniosek kredytowy pozytywnie

  40. Metody reprezentacji wiedzyReguły produkcji – zalety • Prostota zastosowania i możliwość łatwej weryfikacji bazy wiedzy • Możliwość modyfikacji BW poprzez dodawanie nowych reguł i usuwanie starych • Możliwość reprezentacji meta wiedzy

  41. Metody reprezentacji wiedzyReguły produkcji – wady • Trudność odwzorowywania złożonych struktur wiedzy • Ograniczenie narzędzi implementacji do takich które oferują gotowy mechanizm wnioskowania

  42. Metody reprezentacji wiedzyRachunek predykatów Rachunek predykatów - dostarcza praw wnioskowania odwołujących się do wewnętrznej budowy zdań, w której wyróżnia się predykaty (odpowiednik orzeczenia) , argumenty predykatów (odpowiednik podmiotu) oraz wyrażenia zwane kwantyfikatorami

  43. Metody reprezentacji wiedzyRachunek predykatów

  44. Metody reprezentacji wiedzyRachunek predykatów - zalety • Prostota • Zrozumiała interpretacja wyrażania zdań • Możliwość zastosowania gotowego narzędzia - język PROLOG

  45. Metody reprezentacji wiedzyRachunek predykatów - wady • Niemożność wyrażenia wiedzy rozmytej • Niemożność uwzględnienia pewności lub niepewności przesłanek • Niemożność wyrażenia dwóch punktów widzenia na tą samą sprawę

  46. Metody reprezentacji wiedzySieci semantyczne Koncepcja sieci semantycznych została opracowana przez Quilliana i przedstawiona w pracy: Quillian R. “Semantic memory. Semantic Information Processing. MIT Press, Cambridge 1968

  47. Metody reprezentacji wiedzySieci semantyczne Sieć semantyczna - rodzaj reprezentacji wiedzy, w którym występują węzły oraz powiązania pomiędzy nimi przedstawiane zwykle w postaci grafu. Węzły sieci reprezentują obiekty i zdarzenia,zaś powiązania pomiędzy węzłami reprezentują relacje, które są przedstawiane w formie określonych typów strzałek. Wnioskowanie w przypadku sieci semantycznej jest realizowane na zasadzie poruszania się po jej grafie. Collins Dictionary of Artificial Intelligence

  48. Metody reprezentacji wiedzySieci semantyczne - przykład

  49. Metody reprezentacji wiedzySieci semantyczne -zalety • Łatwość przedstawiania hierarchii zdarzeń • Wykorzystanie mechanizmu dziedziczenia • Łatwość ustalenia związków pomiędzy zdarzeniami

  50. Metody reprezentacji wiedzySieci semantyczne - wady • Trudności związane z oprogramowaniem sieci semantycznych • Trudności w interpretacji znaczenia węzłów

More Related