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