Technologie
Technologie
inteligentne w
inteligentne w
zarządzaniu
zarządzaniu
Banak Rafał
Piasta Mateusz
Skrzyniarz
Marek
Wodka
Krzysztof
Definicja
„inteligencji”
SYSTEMY INTELIGENTNE
Zdolność rozumienia otaczających
sytuacji i znajdowanie na nie
właściwych, celowych reakcji.
Cechy sztucznej
inteligencji
- Gałąź informatyki
- Zajmuje się konstruowanie rozwiązań
programowych i sprzętowych
- Pozwala na gromadzenie wiedzy
- Wykorzystuje zgromadzoną wiedzę do
dostarczania rozwiązań nietrywialnych
problemów
Sposoby pozyskiwania
wiedzy przez SI
1. Człowiek przekazuje systemowi
posiadaną przez siebie wiedzę
2. Systemowi prezentowane są
przykłady, z których wyciąga
użyteczne informacje, które są
uogólniane i stosowane do
rozwiązywania problemów (tzw.
uczenie się systemu)
SYSTEMY INTELIGENTNE
Gromadzenie wiedzy
• Regułowe bazy wiedzy
• Ramowa reprezentacja wiedzy
• Bazy wiedzy oparte na sieciach
semantycznych
• Modelowe ujęcie wiedzy
• Tekstowe bazy wiedzy
SYSTEMY INTELIGENTNE
Przetwarzanie
wiedzy
• Automatyczne wnioskowanie
– Wnioskowanie do przodu
– Wnioskowanie do tyłu
– Wnioskowanie mieszane
• Systemy wspomagania decyzji
– Teoria gier
– Badania operacyjne
– Modelowanie statystyczne
– Sieci neuronowe
– Algorytmy ewolucyjne
SYSTEMY INTELIGENTNE
Przetwarzanie
języka naturalnego
Źródło: Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarządzaniu
SYSTEMY INTELIGENTNE
SZTUCZNE SIECI
SZTUCZNE SIECI
NEURONOWE
NEURONOWE
Czym jest
sztuczna sieć neuronowa ?
- zbiór połączonych ze sobą układów scalonych zdolnych do przetwarzania
danych i układów pamięci imitujących strukturę ludzkiego mózgu.
- system symulujący działanie ludzkiego mózgu, który posiada zdolności
rozpoznawania, kojarzenia i przewidywania, trudne do zrealizowania przy
pomocy klasycznych algorytmów komputerowych.
- uproszczony model biologicznego systemu nerwowego, dzięki któremu
możemy próbować naśladować mózg, obserwować pewne jego
zachowania i zasady działania, których nie jesteśmy w stanie wciąż
zbadać w rzeczywistości.
SIECI NEURONOWE
Przykłady zastosowania
sztucznych sieci
neuronowych
badania psychiatryczne
prognozy giełdowe (hossa, bessa)
prognozowanie sprzedaży
poszukiwania ropy naftowej
prognozy cen
analiza badań medycznych
planowanie remontów maszyn
analiza dźwięków i obrazów
optymalizacja utylizacji odpadów
dobór surowców
selekcja celów śledztwa w kryminalistyce
dobór pracowników
sterowanie procesów przemysłowych.
SIECI NEURONOWE
„Różnica między prawdziwym
a modelowym neuronem (...)
jest taka, jak między ręką a
szczypcami"
Heinz Pagels, fizyk
1939 -1988
SIECI NEURONOWE
Neuron a jego sztuczny
odpowiednik
Synapsa - „furtka” do neuronu (poprzedza dendryt).
Może ona zmienić moc sygnału napływającego poprzez
dendryt.
Jądro - „centrum obliczeniowe” neuronu. To tutaj zachodzą
procesy kluczowe dla funkcjonowania neuronu.
Wzgórek aksonu - stąd wysyłany jest sygnał wyjściowy,
który wędruje dalej poprzez akson.
Akson - „wyjście” neuronu. Za jego pośrednictwem neuron
powiadamia świat zewnętrzny o swojej reakcji na dane
wejściowe. Neuron ma tylko jeden akson.
Dendryt - „wejście” neuronu.
Tędy trafiają do jądra sygnały
Mające być w nim później
poddane obróbce. Biologiczne
neurony mają ich tysiące.
Wejścia to dendryty, lub ściślej - sygnały
przez nie nadchodzące.
Wagi stanowią cyfrowe odpowiedniki
modyfikacji dokonywanych na sygnałach
przez synapsy.
Blok sumujący to odpowiednik jądra.
Blok aktywacji to wzgórek aksonu.
Wyjście odpowiada aksonowi.
SIECI NEURONOWE
Z czego składa się
sztuczna sieć neuronowa ?
Sieci neuronowe zawdzięczają swoją nazwę m.in.
faktowi, że neurony tworzą pewną sieć –
mianowicie formują się w warstwy. Neuron w
warstwie zachowuje się dokładnie tak samo jak
pojedynczy neuron
W sieciach neuronowych wyróżniamy następujące
warstwy:
- wejściową, która dostarcza danych wejściowych,
- wyjściową, zwracająca wynik działania sieci,
- pośrednie warstwy neuronów tzw. „warstwy
ukryte” (zwane niejawnymi), które występują
pomiędzy warstwą wejścia i wyjścia; przy
wykorzystywaniu sieci do skomplikowanych
obliczeń potrzebujemy czasami kilku takich
warstw, aby zapewnić efektywniejsze działanie
sieci.
SIECI NEURONOWE
Proces uczenia
sztucznych sieci neuronowych
Metoda z nauczycielem
Nauczyciel podaje:
- wzorcowe obiekty na wejściu;
- oczekiwane wartości na wyjściu;
Sieć:
- uczy się wzorców „na pamięć” oraz
nabywa zdolność uogólniania wiedzy
(rozpoznawanie podobnych
obiektów);
- zmienia wartości wag w celu
dopasowania swojego działania do
wzorców (nauczonych wyników).
Metoda samouczenia
- brak wzorcowych wag (sieć
generuje je losowo);
- sieć odbiera sygnał wejściowy i na
jego podstawie wyznacza swoje
wyjście;
- sieć ocenia wartość na wyjściu
każdego neuronu warstwy
wyjściowej;
- wagi poszczególnych neuronów
zmieniane są zgodnie z określonymi
w danej metodzie zasadami.
SIECI NEURONOWE
ALGORYTMY GENETYCZNE
ALGORYTMY GENETYCZNE
Model chromosomu
GENY
CHROMOSOM
[ 1 0 0 1 0 ]
CHROMOSOM = CIĄG GENÓW
ALGORYTMY GENETYCZNE
START
Zdefiniowanie sposobu
kodowania
i dekodowania parametrów
funkcji celu
Określenie wielkości populacji i
losowa inicjalizacja
chromosomów
Zdefiniowanie funkcji
przystosowania
Ocena chromosomów
(za pomocą funkcji
przystosowania)
Czy koniec
obliczeń?
Wybór
najlepszego
chromosomu
Dekodowanie
parametrów
STOP
Selekcja
chromosomów
Krzyżowanie
Utworzenie
nowej populacji
TAK
NIE
ALGORYTMY GENETYCZNE
x
1
,x
2
,…,x
n
(wartość zmiennych
decyzyjnych)
Kodowanie
001010…001001
(chromosom)
Dekodowanie
Kodowanie i dekodowanie
Funkcja celu:
f(x
1
,x
2
,…,x
n
)
ALGORYTMY GENETYCZNE
START
Zdefiniowanie sposobu
kodowania
i dekodowania parametrów
funkcji celu
Określenie wielkości populacji i
losowa inicjalizacja
chromosomów
Zdefiniowanie funkcji
przystosowania
Ocena chromosomów
(za pomocą funkcji
przystosowania)
Czy koniec
obliczeń?
Wybór
najlepszego
chromosomu
Dekodowanie
parametrów
STOP
Selekcja
chromosomów
Krzyżowanie
Utworzenie
nowej populacji
TAK
NIE
ALGORYTMY GENETYCZNE
Selekcja – „reguła ruletki”
Lp.
Chromosom
Wartość funkcji
przystosowania
f
i
Prawdopodobieństwo
wyboru do nowej
populacji
1
0001001001
f
1
= 10
f
1
/∑ f
i
= 10/100 = 0,1
2
1010110010
f
2
= 50
0,5
3
0010010011
f
3
= 7
0,07
4
1010101001
f
4
= 33
0,33
∑
X
100
X
ALGORYTMY GENETYCZNE
1 0 1 1 0 1
1 ]
A = [ 1 0 1 1 0 1 1 0 1
1 ]
1 0 1 1 0 0
1 ]
B = [ 0 0 0 1 0 1 1 0 0
1 ]
C = [ 1 0
1
D = [ 0 0
0
Krzyżowanie się
chromosomów
ALGORYTMY GENETYCZNE
Algorytmy genetyczne
znajdują zastosowanie
m.in. w odniesieniu do:
identyfikacji reguł do prognozowania
rentowności przedsiębiorstwa;
ustalania preferencji konsumenta;
prognozowania na rynku finansowym;
analizie bankructwa i klasyfikacji ryzyka
kredytowego;
ustalania optymalnego czasu reklamowego w
TV;
zadań transportowych;
optymalizacji sieci dystrybucyjnej;
ustalania harmonogramów (zarządzanie
produkcją, projektem).
ALGORYTMY GENETYCZNE
Systemy Ekspertowe
Systemy Ekspertowe
Budowa systemu ekspertowego, elementy składowe
na przykładzie Exsys Professional.
Elementy składowe systemu ekspertowego przedstawia poniższy
rysunek.
Jak widać na rysunku centralnym elementem systemu ekspertowego jest
mechanizm wnioskowania. Warstwę zewnętrzną widoczną dla użytkownika
stanowią: interfejs użytkownika, moduł prezentacji wyników oraz moduł
objaśniający proces wnioskowania. Elementami wewnętrznymi są baza
danych i baza wiedzy.
W bazie danych znajdują się zarówno zmienne definiowane przez użytkownika
jak również zmienne samego systemu. Do dyspozycji mamy kilka typów
zmiennych takich jak: zmienne typu liczbowego (Variable: Number), zmienne
typu znakowego (Variable: String) oraz tzw. zmienne wyliczeniowe (Qualifiers)
pozwalające na zapis dowolnych struktur na zwór języka potocznego.
SYSTEMY EKSPERTOWE
Jednym z pierwszych projektów zastosowania systemów
eksperckich
w medycynie był MYCIN, program do diagnostyki i terapii
chorób
zakaźnych. Pracę nad tym systemem rozpoczęto w
Stanfordzie w 1972 roku a w rozwiniętej formie system dostępny był
już w 1976 roku.
Program podejmował decyzje w czterech etapach:
określając, czy pacjent ma poważną infekcję bakteryjną czy inny
problem,
określając jakie bakterie mogły ją wywołać;
wybierając lekarstwa, które można w tym przypadku zastosować;
określając terapię.
Próbki pobrane z miejsca infekcji przesyłane są do laboratorium celem
wyhodowania z nich kultur bakteryjnych.
Podstawowe moduły tego programu to:
baza wiedzy
baza danych pacjenta (opis przypadku)
program konsultacyjny, zadający pytania, wyciągający wnioski i
dający porady
program wyjaśniający, uzasadniający porady
program gromadzenia wiedzy, pozwalający na modyfikację i
rozszerzania bazy wiedzy
SYSTEMY EKSPERTOWE
SYSTEMY EKSPERTOWE
Geologia
PROSPECTOR: SE asystujący geologom;
zawiera model złóż geologicznych.
Kilkaset reguł definiuje model złoża, poziom
przekonania o występowaniu różnych
własności.
Przy jego pomocy odkryto szereg złóż.
Computer Base Consultant
CBC, komputerowy konsultant z SRI, pomaga mechanikowi
w naprawie, analizuje wypowiedzi mechanika, ma dalmierz
laserowy i kamerę TV, laser służy za wskaźnik, np. system
zapytany: Gdzie jest obejma pompy, pokazuje laserem.
System ma model wewnętrzny urządzenia i korzysta z NLP.
Za uwagę
Za uwagę
dziękują:
dziękują:
Banak Rafał
Piasta Mateusz
Skrzyniarz
Marek
Wodka
Krzysztof