Rozwój i charakterystyka SIZ

advertisement
Rozwój i charakterystyka
systemów informatycznych
wspomagających zarządzanie
Halina Tańska
Wymagania wobec systemów
informatycznych zarządzania
•
SIZ będzie:
– Dostarczał dla każdego szczebla zarządzania właściwe informacje we
właściwym czasie
– Zapewniał elastyczność w doborze układów informacyjno-decyzyjnych
użytkownika
– Umożliwiał wykorzystanie metod statystycznych, optymalizacyjnych i
symulacyjnych
– Proponował decyzje i szacował konsekwencje podejmowanych decyzji
•
Pierwsze zastosowania informatyki w zarządzaniu dotyczyły wspomagania
ewidencji operatywnej, czyli rejestracji zdarzeń w miejscu ich
powstawania, oraz ewidencji księgowej. Następnie systemy wyposażono
w różnego rodzaju narzędzia raportujące i języki wyszukiwawcze, które
pozwalały w większym stopniu wypełniać funkcję informacyjną. W
kolejnych wersjach SIZ uwzględniano funkcje planistyczne.
Komputerowe porównanie wykonania z planem miało zapewnić
automatyzację mechanizmu sprzężenia zwrotnego, a w konsekwencji
możliwość szybkiego reagowania na sygnały bieżące z systemu
wykonawczego.
Decyzje taktyczne
MIS
systemy informacyjne
zarządzania
Średni szczebel
kierowniczy
Decyzje operacyjne
TPS
systemy przetwarzania transakcji
SYSTEMY INFORMATYCZNE
Podstawowy
szczebel
kierowniczy
Źródła informacji
Produkcja
Sprzęt
Sprzedaż i
marketing
Oprogramowanie
Finanse
Księgowość
Zbiory
danych
Kadry
Sieci, telekomunikacja
OAS systemy automatyzacji biura
PROCESY BIZNESOWE
Decyzje strategiczne
DSS
Najwyższe systemy wspomagania
kierownictwo
decyzji
SE systemy ekspertowe
System zarządzania organizacją gospodarczą (cd.)
Odzwierciedlenie architektury systemu informatycznego w przedsiębiorstwie
Źródło: Ireneusz J. SZYDŁOWSKI WYBRANE ASPEKTY WDRAŻANIE SYSTEMÓW INFORMATYCZNYCH
Klasyfikacja SIZ
• Podstawowe generacje SIZ:
–
–
–
–
–
Systemy transakcyjne
Systemy informacyjne (raportujące)
Systemy wspomagania decyzji
Systemy eksperckie
Systemy sztucznej inteligencji
• Rzadko można spotkać systemy posiadające tylko i
wyłącznie cechy charakterystyczne dla jednej z
podanych grup. Obserwuje się zacieranie różnic między
poszczególnymi generacjami SIZ, co jest konsekwencją
coraz dalej postępującej integracji w rozwiązaniach
aplikacyjnych.
Systemy transakcyjne
• Systemy transakcyjne zwane ewidencyjno-sprawozdawczymi, były
pierwszymi systemami informatycznymi stosowanymi w jednostkach
gospodarczych. Ich głównym zadaniem jest rejestrowanie i
przetwarzanie dużej liczby danych źródłowych dotyczących
rutynowych transakcji gospodarczych oraz przebiegu procesów
zachodzących w przedsiębiorstwie. Transakcje mogą dotyczyć
kontaktów przedsiębiorstwa z otoczeniem (np. zamówień, zakupów,
sprzedaży, przyjmowania zapłat, wystawiania przelewów),
kontaktów poszczególnych komórek organizacyjnych (np.
wydawanie materiałów do produkcji, przyjmowanie wyrobów
gotowych do magazynu), kontaktów przedsiębiorstwa z
pracownikami (np. wypłaty wynagrodzeń, rozliczanie zaliczek), lub
opisywać zdarzenia zachodzące w poszczególnych komórkach (np.
ewidencja wykonanej produkcji, rejestracja czasu pracy na
wydziale).
Podstawowe zadania ST
• Rejestracja i ewidencja dokumentów obcych (np. faktury zakupu) i
własnych (np. delegacji służbowej).
• Emisja (generowanie) dokumentów własnych (np. faktury sprzedaży,
dokumentów magazynowych, umów o pracę).
• Obliczanie z zastosowaniem prostych funkcji arytmetycznych (np.
sumowanie przychodów w magazynie, obliczanie podatku VAT na
fakturze, obliczanie składników wynagrodzeń, obliczanie
amortyzacji).
• Drukowanie standardowych, regularnych (periodycznych)
sprawozdań i zestawień (np. zestawienia przychodów i rozchodów
w magazynie, zestawienie sald i obrotów, rachunek wyników,
sprawozdanie z przepływu środków pieniężnych, wykaz
kontrahentów, lista pracowników).
Rodzaje ST
• Można wymienić dwa rodzaje systemów przetwarzania transakcji:
– Systemy przetwarzania wsadowego
– Systemy przetwarzania transakcji w czasie rzeczywistym.
• Systemy przetwarzania wsadowego (zwane też systemami
elektronicznego przetwarzania danych – electronic Data Processing
Systems) powstały w latach 50., gdy nie istniały jeszcze systemy
zarządzania bazami danych. Przetwarzanie zgromadzonych danych
następowało wtedy jednokrotnie, następnie konieczne było
powtórne przygotowanie danych. Dane w systemie przetwarzania
wsadowego były „dołączone” do programu i zapisane na tzw.
kartach perforowanych. Wyjście systemu stanowiły standardowe
raporty w postaci wydruków komputerowych.
• Cechą charakterystyczną przetwarzania wsadowego jest
wystąpienie opóźnienia pomiędzy czasem zarejestrowania danych
opisujących zdarzenie, a ich przetworzeniem i zaktualizowaniem
zbiorów danych (np. cotygodniowe przesyłanie kart pracy z systemu
rejestracji czasu pracy do systemu płacowego).
Systemy przetwarzania transakcji
w czasie rzeczywistym
• W systemach tej klasy każda transakcja jest natychmiast po
wprowadzeniu, a wynik przetworzenia aktualizuje bazę danych. W
konsekwencji, stan bazy danych w każdej chwili odzwierciedla stan
rzeczywisty występujący w organizacji. Przykładem może być
system rezerwacji miejsc lotniczych lub rezerwacji towarów, z
których dokonanie rezerwacji aktualizuje natychmiast wszystkie
powiązane zbiory danych zawierające informacje o dostępności
odpowiednich miejsc w samolocie lub towarów w magazynie.
• Działanie systemów OLTP polega na wykorzystaniu możliwości jakie
stworzyły systemy zarządzania bazami danych. Umożliwiły one nie
tylko szybkie, ale przede wszystkim bezpieczne przetwarzanie
transakcji, z zachowaniem spójności. W systemie zarządzania bazą
danych transakcja jest rozumiana jako ciąg operacji, które
przeprowadzają bazę z jednego spójnego stanu w drugi taki stan,
czyli stan, który istnieje w rzeczywistości. Transakcja w bazie
danych odzwierciedla zatem transakcję biznesową i może zostać
wykonana jedynie w całości albo wcale.
Systemy transakcyjne (ST)
We wczesnym stadium swojej ewolucji ST służyły do
przeprowadzania cyklicznych kalkulacji na dużych
zbiorach danych ewidencyjnych. Stosowano wówczas
tzw. technologię przetwarzania partiowego. Przed
przetwarzaniem dane należało zakodować, tzn.
doprowadzić do postaci zrozumiałej dla urządzeń
wejściowych komputera oraz zorganizować w zestawy
(partie). Proces ten był żmudny i istotnie wydłużał ogólny
czas przetwarzania. Wynikiem pracy systemu były
obszerne wydruki zestawień tabelarycznych. Okres
rozwoju tych systemów - późne lata pięćdziesiąte.
Systemy dziedzinowe
Gospodarka magazynowa
Finanse i księgowość
Środki trwałe
Kadry i płace
Systemy transakcyjne (bazy danych)
W latach sześćdziesiątych metodę przetwarzania
partiowego zastąpiono technologią baz danych. Kładzie
ona nacisk na realizację funkcji gromadzenia i
magazynowania danych dzięki czemu powstała
możliwość wielokrotnego dostępu do przechowywanych
informacji. Na tym etapie rozwoju ST przestały być
utożsamiane jedynie ze wspomaganiem czynności
księgowych. Zgromadzone dane mogły być
przetwarzane według różnych algorytmów, a zatem
służyć realizacji bardziej złożonych zadań. Wyniki
generowane przez te systemy znalazły zastosowanie we
wspieraniu operacyjnego szczebla zarządzania w
podejmowaniu decyzji.
Systemy informacyjno-raportujące
•
Systemy te stanowią rozwinięcie systemów ewidencyjno-sprawozdawczych.
W systemach informacyjno-decyzyjnych znaczenia nabiera udostępnianie i
prezentowanie informacji, przydatnej w podejmowaniu decyzji. Systemy te
są wyposażone w elastyczne i łatwe w obsłudze narzędzia raportujące oraz
języki wyszukiwawcze. Systemy informacyjno-decyzyjne umożliwiają
tworzenie aż trzech typów raportów:
– Raportów regularnych
– Raportów na żądanie
– Raportów wyjątków
•
•
•
Raporty regularne emitowane są cyklicznie w ustalonych terminach, a ich
zadaniem jest zaspokojenie zdefiniowanych wcześniej potrzeb
informacyjnych. Raporty regularne posiadają stałą strukturę informacyjną.
Raporty na żądanie mogą być udostępniane w dowolnym momencie. Są
one opracowywane na indywidualne żądanie użytkowników i nie posiadają
stałej struktury informacyjnej (np. wykaz niezapłaconych faktur konkretnego
klienta).
Raporty wyjątków są generowane tylko w sytuacji, gdy spełniony zostanie
określony warunek (np. spadek poniżej ustalonych minimalnych stanów
magazynowych, przekroczenie kredytu udzielonego klientowi).
Systemy wspomagania decyzji i systemy
wspomagania kierownictwa
• System wspomagania decyzji (SWD) zwane doradczymi można
zdefiniować jako system informatyczny wspomagający użytkownika
w procesie podejmowania decyzji i rozwiązywaniu problemów.
Głównym zadaniem SWD jest wspomaganie menedżera przy
wyborze jednego z wielu wariantów rozwiązania problemu
decyzyjnego. Istotne jest, że system ten nie wyręcza decydenta w
podjęciu decyzji, a jedynie ma mu pomóc w jej wypracowaniu. SWD
jest tak zaprojektowany, aby zwiększyć efektywność procesu
podejmowania decyzji. Za systemy SWD uważa się:
– Systemy specjalistyczne – tworzone na zamówienie, dotyczące
specyficznych problemów.
– Generatory systemów – programy umożliwiające budowę
specjalistycznych SWD, w sposób względnie szybki i prosty.
– Narzędzia – oprogramowanie wspomagające pozostałe systemy,
dołączane często jako moduły lub odrębne programy do dwóch
pozostałych grup.
Systemy wspomagania decyzji
•
Można je różnicować ze względu na specyficzne zastosowania:
– Grupowe – wspomagające współpracę pomiędzy uczestnikami, wymianę
informacji i zarządzanie danymi, ustalające reguły i kolejność wykonywania
zadań decyzyjnych.
– Naczelne kierownictwo – dla decyzji o bardzo słabej strukturze informacyjnej.
– Automatyzacji biura – zarządzające dokumentami, określające obiegi
dokumentów, umożliwiające dostarczanie danych z zewnątrz.
– Zarządzanie przebiegiem pracy – odmiana systemu automatyzacji biura, która
umożliwia kompletną realizację procesów za pomocą narzędzi elektronicznych
(workflow).
– Inżynierskie – służące do projektowania obiektów fizycznych.
•
Głównym elementem odróżniającym SWD od ST i SR-I jest baza modeli.
Składniki takiego systemu to:
–
–
–
–
Baza danych i system zarządzania bazą danych.
Baza modeli i system zarządzania bazą modeli.
Moduł dialogowy (interfejs użytkownika).
Interfejs dostępu do zewnętrznych źródeł danych.
Systemy wspomagania decyzji
•
•
•
SWD mogą wykorzystywać bazy danych utworzone specjalnie dla tego
systemu, ale też pobierać dane z baz danych transakcyjnych, hurtowni
danych oraz zasobów zewnętrznych, takich jak Internet czy intranet
korporacyjny.
Baza modeli może zawierać różne typy modeli, takie jak modele finansowe,
statystyczne, optymalizacyjne, graficznie lub projektowe. Użytkownik
korzysta z modeli, aby przetworzyć pobrane z baz dane w informację i
zaprezentować ją w sposób ułatwiający jej zrozumienie.
Modele zawarte w bazie modeli systemu wspomagania decyzji służą do:
– Obliczania wartości zmiennych wynikowych na podstawie różnych zestawów
danych wejściowych
– Ustalania wartości danych wejściowych dla osiągnięcia pożądanych wyników, z
uwzględnieniem występujących ograniczeń.
– Badania wpływu zmiany warunków ograniczających na wielkości zmiennych
wynikowych.
– Obrazowania graficznego trendów, tendencji i innych zależności statystycznych.
– Ustalania optymalnych ścieżek przebiegu procesów i realizacji zadań, z
uwzględnieniem występujących ograniczeń.
Komponenty systemu wspomagania decyzji
Baza modeli
Moduł
zarządzania
bazą modeli
Baza danych
Moduł
zarządzania
bazą danych
Interfejsy dostępu
do zewnętrznych
baz danych
Interfejsy dostępu
do internetu
i korporcyjnego
intranetu
Interfejsy dostępu
do innych systemów
komputerowych
Moduł
dialogowy
Zewnętrzne
Bazy danych
Systemy wspomagania decyzji
• Moduł dialogowy jest uważany za bardzo ważny
element SWD, systemy te są wykorzystywane głównie
przez kadrę kierowniczą. Głównym zadaniem modułu
dialogowego jest umożliwienie sprawnej komunikacji
decydenta z systemem.
• Moduł ten powinien zapewnić użytkownikowi:
– Wybór modelu z bazy modeli
– Dostęp do bazy danych i wybór zestawów danych do analizy, np.
poprzez wskazanie tabel, kolumn tabel, zdefiniowanie kryteriów
selekcji danych
– Wprowadzenie wartości parametrów i dokonywanie zmian w
celu obserwowania ich wpływu na wyniki.
Systemy wspomagania decyzji
• Od interfejsu SWD oczekuje się zapewnienie
użytkownikowi dialogu i dostępu do bazy przy użyciu
terminów biznesowych, bez konieczności znajomości
struktury baz danych i umiejętności posługiwania się
specjalistycznymi językami zapytań.
• Moduł dialogowy jest także odpowiedzialny za
prezentowanie wyników analizy. Może wykorzystywać w
tym celu różne formy przekazu, takie jak tekst, tabele,
wykresy, animacje.
• Wizualnie moduły dialogowe SWD nie różnią się od
interfejsów innych aplikacji i wykorzystują rozwijalne
menu, ikony, okna dialogowe, rozwijalne listy itp.
Systemy wspomagania decyzji
• Współpraca modułów zarządzania: bazą modeli,
zarządzania bazą danych, dialogowego
zapewnia użytkownikowi rozwiązania problemu
decyzyjnego poprzez:
– Wprowadzenie w dogodny sposób zapytania
(zdefiniowanie problemu, wprowadzenie wartości
parametrów)
– Przeszukiwanie dużej ilości danych w celu
znalezienia potrzebnych wartości
– Przetworzenie danych przy użyciu właściwego
modelu liczącego
– Zaprezentowanie wyników na różne sposoby, w celu
ułatwienia ich zrozumienia.
Systemy wspomagania decyzji
• SWD są ciągle doskonalone i wymaga się od
nich by:
– Były wyposażone w elastyczne narzędzia raportujące
i prezentacyjne
– Wspomagały analizy porównawcze, symulacyjne,
analizy typu „co-jeśli” (what-if) i „szukanie celu” (goalseeking) oraz optymalizację
– Umożliwiały operowanie na dużych zbiorach danych
pochodzących z różnych źródeł
– Wykonywały drążenie w głąb (drill-down analysis)
Interakcje pomiędzy elementami SWD
Zarządzanie danymi
Pozyskiwanie danych i
manipulowanie
Zarządzanie modelami
Dialog
Narzędzia wprowadzania danych
akceptujące zapytania
Alfanumeryczne i
graficzne modele,
formuły i algorytmy,
które często są
stosowane w
typowych problemach
decyzyjnych
Narzędzia służące do selekcji i prezentacji
informacji we właściwej formie
Systemy wspomagania
kierownictwa (SWK)
• SWK nazywane systemami informowania kierownictwa
(ESS – Executing Support Systems) są systemami
wspomagania decyzji przeznaczonymi dla kierownictwa
wysokiego szczebla zarządzania. Wykorzystuje się je w
procesie podejmowania decyzji strategicznych. Służą
kadrze zarządzającej do monitorowania postępu
przedsiębiorstwa i ocenie najistotniejszych wskaźników
jego działalności oraz pomagają na tej podstawie wybrać
najlepszy kierunek rozwoju.
• Jednym z problemów, z którymi borykają się
menedżerowie wysokiego szczebla, jest nadmiar
informacji, przy jednoczesnym braku informacji istotnej z
punktu widzenia podejmowanej decyzji.
Systemy wspomagania
kierownictwa (SWK)
• Konieczne jest wyselekcjonowanie z dużych zbiorów tych informacji,
które są ważne dla decydenta i mają kluczowe znaczenie dla
podjęcia właściwej decyzji. Istotne jest, aby wybrane informacje
zostały odpowiednio zagregowane i zaprezentowane w przejrzysty
sposób. Menedżer wysokiego szczebla potrzebuje ogólnego obrazu
sytuacji przedsiębiorstwa, czyli danych sumarycznych lub
syntetycznych wskaźników. Dopiero po zanalizowaniu ogólnej
sytuacji może zechcieć sięgnąć do danych bardziej szczegółowych i
potrzebować narzędzi analitycznych do drążenia danych (drill down
tools).
• Głównym zadaniem systemów wspomagania kierownictwa jest
dostarczenie informacji syntetycznej. SWK nie zawierają szeregu
modeli i narzędzi analitycznych, ale konsolidują i sumują dane, które
mogą pochodzić z wielu źródeł.
Systemy wspomagania
kierownictwa (SWK)
• Główne cechy systemów SWD są następujące:
– Są przygotowywane dla konkretnego użytkownika
– Są łatwe w użyciu
– Są wyposażone w zaawansowane narzędzia graficzne prezentacji
informacji (wykresy, mapy ryzyka, diagramy czy pulpity kierownicze)
– Dostarczają syntetycznych kluczowych wskaźników finansowych i
operacyjnych (np. sprzedaż na jednego zatrudnionego lub suma
wydatków w danym okresie)
– Umożliwiają śledzenie danych „alertowych” dla przedsiębiorstwa
– Zapewniają dostęp do dowolnej przekrojowo i dowolnie zagregowanej
informacji z niższych poziomów zarządzania
– Są wyposażone w łatwe w użyciu, ale wyrafinowane narzędzia drążenia
danych
– Zatwierdzają narzędzia dostępu do zewnętrznych źródeł danych
– Zawierają narzędzia do analizy statystycznej, analizy wrażliwości itp.
– Mogą wspomagać podejmowanie decyzji w warunkach niepewności
– Zawierają narzędzia do komunikacji z innymi osobami.
Systemy eksperckie
• Unikalną cechą systemów eksperckich (SE) jest umożliwienie
sięgnięcia po wiedzę ekspertów i specjalistów, i wykorzystania jej do
rozwiązania określonych problemów.
• System ekspercki jest systemem informatycznym, który naśladuje
proces rozumowania człowieka-eksperta w rozwiązywaniu
problemów z danej dziedziny.
• System ekspercki przedstawia sugestie i działania w sposób
podobny do sposobu działania człowieka-eksperta.
• Jest to system komputerowy zawierający w sobie specjalizowaną
wiedzę na temat określonego obszaru ludzkiej działalności. Wiedza
ta jest zorganizowana w sposób umożliwiający wejście z
użytkownikiem w interakcyjny dialog związany z tematyką tego
obszaru, w wyniku którego system może oferować rady lub
propozycje, oraz objaśniać sposób rozumowania, leżący u podstaw
rad lub decyzji.
Systemy eksperckie
• Głównym zadaniem SE jest przedstawienie ekspertyzy
dotyczącej konkretnej sytuacji decyzyjnej i wyjaśnienie
sposobu jej opracowania. Ekspertyzy wyprowadzane są
z bazy wiedzy składającej się z faktów i związków
między tymi faktami.
• Systemy eksperckie rozwiązują konkretne problemy (lub
wspomagają ich rozwiązywanie) porównując opis
badanej sytuacji ze zgromadzoną wiedzą ekspertów na
temat podobnych problemów zaistniałych w przeszłości i
przeprowadzając wnioskowanie według zdefiniowanych
przez nich reguł.
Systemy eksperckie
•
Cechy systemów eksperckich:
– Potrafią objaśniać przeprowadzone rozumowanie i sugerowaną decyzję
– Potrafią wyciągać wnioski ze złożonych zależności (np. ustalić najlepsze użycie
narzędzi w elastycznym systemie produkcyjnym lub sugerować sposoby
poprawy procedur jakości)
– Chronią przed utratą wiedzy ekspertów
– Mogą gromadzić wiedzę wielu ekspertów i dzięki temu zwielokrotnić szansę
rozwiązania problemu
– Zapewnić możliwość wielokrotnego wykorzystania wiedzy ekspertów
– Zapewniają spójność w rozwiązywaniu problemów i podejmowaniu decyzji
(użytkownicy z wielu departamentów organizacji korzystają z tej samej wiedzy i
dzięki temu podejmują podobne decyzje w podobnych sytuacjach
– Uwzględniają niepewność, czyli radzą sobie z wiedzą niekompletną lub
niedokładną – dzięki stosowaniu rachunku prawdopodobieństwa, statystyki i
heurystyki
– Są dostępne niezależnie od czasu i szybko opracowują ekspertyzy
– Mogą być wykorzystywane do trenowania menedżerów podejmowaniu decyzji i
uczenia ich obowiązujących zasad i reguł
Systemy eksperckie
• Do podstawowych elementów systemu
eksperckiego należą:
– Baza wiedzy
– Maszyna wnioskowania
– Moduł objaśniający
– Moduł pozyskiwania wiedzy
– Interfejs użytkownika
Komponenty systemu eksperckiego
Baza
wiedzy
MW
Moduł
pozyskiwania
wiedzy
Inżynier
wiedzy
MW – maszyna wnioskująca
Ekspert
Moduł
objaśniający
Interfejs
użytkownika
Użytkownik
Baza wiedzy
• W bazie wiedzy są przechowywane fakty, reguły, przypadki, wzorce i
powiązania używane przez system. Baza wiedzy jest istotnym
rozszerzeniem bazy danych. Baza wiedzy zapewnia zrozumienie
wzorców i powiązań między danymi, podobnie jak czyni to człowiek,
podejmując decyzje.
• Baza wiedzy musi zostać zbudowana dla każdej aplikacji SE
osobno. Może ona zawierać zarówno ogólne teorie i reguły, które
zostały dowiedzione naukowo, jak również wiedzę wynikającą z
doświadczenia i reguły stosowane w praktyce.
• Możliwe jest odzwierciedlenie sytuacji, gdy rozwiązanie jednego
problemu stwarza kolejny problem oraz zapisanie reguł
prowadzących do określonych wniosków pod warunkiem
wystąpienia określonych faktów.
Baza wiedzy
• W systemach eksperckich używa się
następujących postaci reprezentowania
wiedzy:
– reguły typu „jeśli-to” (if-then rules)
– tzw. ramek (frames), służących do opisu
obiektów
– reguł logiki rozmytej (fuzzy logic rules)
– sieci semantycznych
– opisów przypadków
Przykłady zapisu wiedzy w postaci reguł
Typ reguły
Przykład
Prosta reguła if-then
Jeśli prawdziwy jest fakt A i prawdziwy jest fakt B, to
prawdziwy jest fakt C
Jeśli zaszło zdarzenie A lub zdarzenie B, to
nieprawdziwy jest fakt C
Reguła if-then z
prawdopodobieństwem
Jeśli prawdopodobieństwo zdarzenia A wynosi 80% i
prawdopodobieństwo zdarzenia B wynosi 60%, to
prawdopodobieństwo zdarzenia C wynosi 90%
Reguła logiki rozmytej
Jeśli sytuacja A pasuje do kategorii X i sytuacja B
pasuje do kategorii Y, to zdarzenie C zachodzi z
prawdopodobieństwem 60%
Reguły typu if-then są najczęściej stosowaną reprezentacją wiedzy w systemach
eksperckich. Reguła if-then jest zdaniem warunkowym, które łączy warunki z
podjęciem akcji lub wynikiem. Jeśli warunek jest spełniony, to podejmowana jest
określona akcja (np. obliczana jest wartość danej funkcji) lub wysuwany jest konkretny
wniosek.
Przykład zapisu wiedzy w postaci ramki – opis obiektu „pies”
Atrybut Wartość
Ssak
Tak
Futro
Tak
Dźwięk
Szczeka
Nogi
Cztery
Ogon
Tak
Wiedza dotycząca opisu faktów może być zorganizowana w tabelach (tzw.
ramkach), z których każda dotyczy dokładnie jednego faktu lub sytuacji.
Przykład opisujący obiekt pies przedstawia tabela. W przypadku zapytania
maszyna wnioskująca przeszukuje tabele i jeśli dane opisujące badany
obiekt pasują do konkretnej tabeli, to obiekt ten jest zidentyfikowany.
Systemy eksperckie
• W systemach eksperckich zastosowanie teorii logiki rozmytej
umożliwia reprezentację wiedzy podanej w sposób nieprecyzyjny.
Zdarzeniom lub obiektom można przypisać atrybuty o
niedokładnych wartościach, wybiegających poza
przyporządkowanie określonej liczby, lub standardowe opisy typu
tak/nie (yes/no) lub prawda/fałsz (true/false). Posługując się logiką
rozmytą można uwzględnić różne odcienie szarości zamiast jedynie
dwóch kolorów: czarnego i białego: np. ryzyko można opisać jako
wysokie, średnie, niskie.
• Dzięki logice rozmytej system ekspercki może lepiej naśladować
rozumowanie człowieka. Użycie logiki rozmytej wymaga
zakwalifikowania badanej sytuacji (obiektu, zdarzenia) do
odpowiedniej kategorii. Konkretny obiekt lub zdarzenie mogą zostać
przyporządkowane do więcej niż jednej kategorii, z różnym
prawdopodobieństwem.
Sieci semantyczne
• Wiedza może zostać przedstawiona w
postaci sieci semantycznych. Sieć
zbudowana jest z ramek zawierających
nazwy obiektów oraz linii reprezentujących
atrybuty i związki. Rozwiązując problem,
system ekspercki przeszukuje sieć według
parametrów podanych przez użytkownika,
aż napotka obiekt, który spełnia podane
wartości.
Przykład sieci semantycznej
Ssak
Pies
Kot
Futro
Szczeka
4 nogi
Miauczy
Do rozwiązania bieżącego problemu system ekspercki może wykorzystywać
przechowywane w bazie wiedzy opisy przypadków. Technika rozwiązywania problemu
polega na:
-Wyszukiwaniu w bazie wiedzy przypadków, które są podobne do przypadku obecnie
badanego
- Zmodyfikowaniu rozwiązań wyszukanych przypadków, uwzględniając różnice występujące
między badanym problemem i rozwiązanymi problemami przypadków wcześniejszych.
Maszyna wnioskująca
• Jest tym elementem systemu eksperckiego, który
wyszukuje dane i powiązania w bazie wiedzy oraz
dostarcza odpowiedzi, porad, sugestii w sposób
podobny do rozumowania człowieka-eksperta.
• Jej zadaniem jest opracowanie ekspertyzy. Proces
wyszukiwania odpowiedniej informacji i wnioskowania
jest złożony. Maszyna wnioskująca musi wyszukać
odpowiednie fakty i reguły oraz prawidłowo je połączyć w
ciągi, tak aby możliwe było wnioskowanie. Wykorzystuje
w tym celu różne mechanizmy, wśród których za
najważniejsze uznaje się:
– Przeszukiwanie w przód (forward chaining)
– Przeszukiwanie w tył (backword chaining)
Moduł objaśniający
• Przed podjęciem decyzji użytkownik nie tylko chce poznać
proponowane rozwiązanie, ale chce też zrozumieć, z czego wynika
przedstawiona propozycja.
• Elementem systemu eksperckiego, który ułatwia zrozumienie
użytkownikowi sposobu, w jaki wypracowano sugerowane
rozwiązanie lub wynik, jest moduł objaśniający. Przedstawia on
„rozumowanie” systemu, czyli drogę na której następowało
wnioskowanie.
• Moduł ten potrafi przedstawić wszystkie fakty i reguły oraz
występujące między nimi powiązania, które doprowadziły do
prezentowanych wniosków. Moduł objaśniający korzysta z pracy
maszyny wnioskowania, przedstawia bowiem wyszukane przez nią
fakty i reguły, a także z interfejsu użytkownika, który zapewnia
interakcję.
Moduł pozyskiwania wiedzy
• Zadaniem modułu pozyskiwania wiedzy jest umożliwienie
zbudowania bazy wiedzy i jej aktualizacji. W procesie pozyskiwania
wiedzy biorą udział inżynierowie wiedzy oraz eksperci.
• W przeszłości zadanie budowy wiedzy należało do wyjątkowo
trudnych, bowiem zarówno założenie bazy wiedzy, jak i
wprowadzanie do niej zmian, wymagało zaangażowania
programisty znającego specjalistyczne języki programowania, takie
jak LIPS lub Prolog. Programista, który zapisuje w systemie
pozyskiwaną od ekspertów wiedzę i rozwija system ekspercki, jest
nazywany inżynierem wiedzy. Oprócz znajomości języków
programowania, musi on posiadać umiejętność odpowiedniego
stawiania pytań oraz przekształcania odpowiedzi ekspertów do
odpowiedniej postaci, która odpowiada reprezentacji wiedzy
obsługiwanej przez system ekspercki.
Moduł pozyskiwania wiedzy
• Obecnie w procesie tworzenia bazy wiedzy wykorzystuje
się tzw. shelle systemów eksperckich. Są to specjalne
pakiety oprogramowania, które pozwalają projektować,
rozwijać i utrzymywać system ekspercki. Narzędzia te
dostarczają specjalnego interfejsu użytkownika, który
pozwala na wygodne zapisywanie wiedzy, z użyciem
rozwijalnych menu, okien dialogowych, formularzy itp.
• Pozyskiwanie wiedzy i jej zapisywanie nie musi być
procesem realizowanym całkowicie w sposób ręczny, np.
dane o faktach mogą być importowane automatycznie z
zewnętrznych źródeł (tabel), a zadaniem inżyniera
wiedzy jest tylko wskazanie odpowiednich powiązań.
Interfejs użytkownika
• Ma za zadanie umożliwić interakcję eksperta i
użytkownika z systemem eksperckim. Bierze on udział w
realizacji trzech podstawowych funkcji:
– Wprowadzaniu wiedzy od ekspertów do bazy wiedzy
– Wprowadzaniu opisu sytuacji decyzyjnej przez użytkownika
– Prezentowaniu i objaśnianiu proponowanych rozwiązań.
• Interfejs użytkownika w systemie eksperckim jest
podobny do graficznych interfejsów innych aplikacji.
Musi on zapewnić wygodne wprowadzanie elementów
specyficznych dla tego typu systemu, a mianowicie reguł
wnioskowania.
Zastosowanie SE w zarządzaniu
• SE znajdują zastosowania praktycznie na wszystkich
płaszczyznach zarządzania organizacją gospodarczą:
–
–
–
–
–
–
W ustalaniu strategii
Planowaniu
Projektowaniu wyrobów i usług
Wspomaganiu podejmowania decyzji bieżących
Kontroli jakości i monitoringu
Diagnozowaniu
• SE mogą podpowiadać cele strategiczne i wskazywać
drogi ich osiągnięcia. Cele te wiążą się z identyfikacją
okazji rynkowych, analizowaniem mocnych stron
organizacji oraz poznaniem siły i pozycji konkurentów.
Ograniczenia stosowania SE
• Systemy eksperckie są:
– Stosunkowo mało rozpowszechnione w organizacjach
gospodarczych i słabo przetestowane
– Niełatwe w użyciu
– Ograniczone do rozwiązywania stosunkowo wąskiej klasy
problemów
– Słabo radzą sobie z wiedzą przedstawioną w mieszany sposób
– Bardziej podatne na błędy niż inne systemy, co wynika z ich
większej złożoności
– Mają ograniczone zdolności uczenia się
– Są trudne w utrzymaniu i rozwoju, czyli słabo adoptowalne i
modyfikowalne
– Mogą być drogie w rozwoju
– Mogą prowadzić do trudności w ustalaniu odpowiedzialności za
skutki błędnych decyzji, którą podjęto przy wykorzystaniu SE.
Przesłanki uzasadniające
stosowanie SE
• Rozwiązywany problem nie jest trywialny, jest słabo
ustrukturyzowany i jest powtarzalny
• Istnieje szansa osiągnięcia znaczących korzyści lub zredukowania
ryzyka poniesienia strat
• Możliwe jest uchwycenie i zachowanie unikatowej wiedzy ekspertów
• System może być wykorzystany w wielu lokalizacjach w tym samym
czasie
• System może być wykorzystany w warunkach szkodliwych dla
człowieka
• Ekspertyzy opracowane przez ludzi są bardzo drogie i słabo
dostępne
• Ekspertyzy mogą być przygotowane szybciej niż wykona je człowiek
• System ma być wykorzystywany do szkolenia – przekazywania
wiedzy ekspertów większej liczbie osób.
Systemy sztucznej inteligencji
• Termin sztuczna inteligencja (artifical intelligence) został
sformułowany w 1956.
• Inteligencje rozumie się jako zdolność do pozyskiwania i
stosowania wiedzy oraz do myślenia i rozumowania.
• Systemem sztucznej inteligencji nazywamy system
informatyczny, który wykazuje zachowania inteligentne.
• Badania w zakresie sztucznej inteligencji dotyczą
następujących obszarów, systemów, metod i technik:
–
–
–
–
–
–
Robotyka
Rozpoznawanie mowy i przetwarzanie języka naturalnego
Systemy eksperckie
Systemy uczące się i sieci neuronowe
Algorytmy genetyczne
Inteligentni agenci
Robotyka
Przez robotykę rozumie się mechaniczne i komputerowe
urządzenia, które wykonują zadania wymagające wysokiej precyzji
lub są żmudne albo niebezpieczne dla człowieka. Wysoka precyzja
współczesnych robotów wynika z wyrafinowanego oprogramowania,
które steruje ich pracą. Roboty albo zawierają w sobie komputery
albo są do nich podłączone. Roboty nie tylko wykonują
zaprogramowane zadania ale muszą też być zdolne do
rozpoznawania swojego położenia i interakcji z otoczeniem. Osiąga
się to poprzez zastosowanie różnego rodzaju czujników i aparatów
umożliwiających rozpoznawanie sygnałów płynących z otoczenia.
Szczególne znaczenie mają tu urządzenia umożliwiające tzw.
sztuczne widzenie. Pozwalają one na rozpoznanie otoczenia
(rozpoznanie obrazów) i podjęcie na podstawie analizy obrazu
właściwej akcji.
Systemy przetwarzania języka
naturalnego
• Umożliwiają komputerom rozumienie i reagowanie na zdania i
komendy podawane w „naturalnym” języku, takim jak język
angielski. Ich podstawowym elementem jest oprogramowanie,
którego zadaniem jest odbiór mowy ludzkiej i przekształcenie jej w
zbiór komend do wykonania przez komputer. Ważną częścią tych
systemów są także urządzenia rozpoznawania głosu, umożliwiające
użytkownikowi interakcje z komputerem przy użyciu mowy zamiast
używania klawiatury lub innych urządzeń.
• Można wyróżnić trzy poziomy zaawansowania:
– Rozpoznawanie komend
– Rozpoznawanie mowy „dyskretnej”, czyli zdań wymawianych z
wyraźnymi odstępami między wyrazami
– Rozpoznawania mowy ciągłej, czyli zdań wymawianych w sposób
naturalny, bez wyraźnych przerw między wyrazami.
Zastosowania
• Rozpoznawanie mowy i przetwarzanie języka
naturalnego znajduje zastosowanie w:
– Robotach – do odbierania i interpretacji komend
– Komputerach, w których zastępują interfejs
użytkownika i inne sposoby wprowadzania danych
(komunikowania się)
– Systemach korzystających z tonowego wyboru opcji,
takich jak telefoniczne biura obsługi klienta
Systemy uczące się
• Systemy uczące się są zdolne do oceny zaistniałej sytuacji i do
zmiany swego działania. Uczenie odbywa się na podstawie tzw.
zbioru trenującego. Dzięki mechanizmowi sprzężenia zwrotnego są
one w stanie poprawić swoje funkcjonowanie i uniknąć popełnienia
wcześniejszych błędów. Systemy te wykorzystują tzw. sieci
neuronowe, które naśladują pracę ludzkiego mózgu.
• Sieć neuronowa próbuje imitować sposoby myślenia człowieka przy:
–
–
–
–
łączeniu faktów
wyciąganiu wniosków
uczeniu się na doświadczeniu i popełnionych błędach
rozumieniu jak nowe fakty odnoszą się do faktów wcześniej znanych.
• Sieci neuronowe udostępniają komputerom mechanizmu uczenia
się oraz czynią je zdolnymi do dynamicznej aktualizacji wiedzy na
podstawie ich własnego doświadczenia i natychmiastowego użycia
jej w przyszłych sytuacjach.
Systemy uczące się
• Sieć neuronowa jest zbudowana z połączonych węzłów, które
odpowiadają neuronom w mózgu człowieka. Węzły te stanowią
podstawowe elementy sieci, których zadaniem jest odbiór wielu
różnych sygnałów wejściowych i przetwarzanie ich w sygnał
wyjściowy. Sygnał wyjściowy może być bądź informacją finalną,
bądź może stanowić wejście do następnego węzła.
• Systemy eksperckie oparte na sieciach neuronowych
charakteryzuje:
– Duża tolerancja
– Zdolność rozwiązywania problemu w przypadku, gdy dane są
niekompletne
– Dynamiczna aktualizacja wiedzy na podstawie doświadczenia
– Zdolność rozpoznawania wzorców
– Zdolność wykrywania związków i trendów w dużych bazach danych.
Algorytmy genetyczne
• W systemach wykorzystujących algorytmy genetyczne
proces przetwarzania rozpoczyna się od losowego
łączenia wielu, stosunkowo prostych funkcji, które
zostały tak zaprojektowane, aby można rozwiązać
pewne części badanego problemu.
• W wyniku połączenia funkcji powstają programy, które są
następnie uruchamiane. Te programy, które dają
najlepsze rozwiązania, są zachowywane a pozostałe są
dekomponowane do funkcji. Następnie testuje się nową
generację programów. Proces jest powtarzany tak długo,
aż otrzymamy program generujący satysfakcjonujące
rozwiązanie.
Inteligentny agent
• Inteligentny agent to specjalny program
komputerowy, przeglądający duże zasoby
danych, po to aby wyszukać i dostarczyć
użytkownikowi te informacje, które
spełniają podane przez niego warunki.
• Inteligentni agenci są najczęściej
używania do przeszukiwania sieci Internet.
Ewolucyjność, hierarchiczność i sytuacyjność
rozwoju systemów informacyjnych w świecie
SZCZEBLE
ORGANIZACYJNE
strategiczny
DSS
taktyczny
operacyjny
ES
MIS
DP
TPS
OAS
personel
biurowy
1950
1960
1970
1980
czas
Download
Random flashcards
123

2 Cards oauth2_google_0a87d737-559d-4799-9194-d76e8d2e5390

ALICJA

4 Cards oauth2_google_3d22cb2e-d639-45de-a1f9-1584cfd7eea2

bvbzbx

2 Cards oauth2_google_e1804830-50f6-410f-8885-745c7a100970

Motywacja w zzl

3 Cards ypy

66+6+6+

2 Cards basiek49

Create flashcards