Utišajmo mobilne telefone !

Poslovni informacijski sistemi (UNG 2007/08)Poslovni informacijski sistemi (UNG 2007/08) 11

Utišajmo mobilne telefone !


Vsebina predmetaVsebina predmeta

Osnove poslovnih informacijskih sistemov Osnove poslovnih informacijskih sistemov Modeliranje poslovnih procesovModeliranje poslovnih procesov Podatkovne baze in modeliranje podatkovPodatkovne baze in modeliranje podatkov Osnove jezika SQLOsnove jezika SQL Življenjski cikel razvoja informacijskih sistemovŽivljenjski cikel razvoja informacijskih sistemov Vodenje projektov razvoja informacijskih sistemovVodenje projektov razvoja informacijskih sistemov Sistemi za podporo odloSistemi za podporo odločanjačanja Strateško načrtovanje informatikeStrateško načrtovanje informatike


Sistemi za podporo odločanjaSistemi za podporo odločanjaVsebina predavanjVsebina predavanj

1.1. Splošno o sistemih za podporo odločanjaSplošno o sistemih za podporo odločanja definicija in umestitev v kontekst PISdefinicija in umestitev v kontekst PIS lastnosti, zgodovina, vrste, arhitekturalastnosti, zgodovina, vrste, arhitektura primeriprimeri

2.2. Podatkovna skladiščaPodatkovna skladišča podatkovna kockapodatkovna kocka sprotnsprotnaa analiz analizaa podatkov (OLAP) podatkov (OLAP) vrtilna tabela in vrtilni grafikonvrtilna tabela in vrtilni grafikon primeri v Excelu in Accessuprimeri v Excelu in Accessu

3.3. Izkopavanje podatkovIzkopavanje podatkov

4.4. Ekspertni sistemiEkspertni sistemi


Ponovimo: Ponovimo: Vrste informacijskih sistemovVrste informacijskih sistemov

Transakcijski sistemiTransakcijski sistemi UpravljalUpravljalskski informacijski sistemii informacijski sistemi Sistemi za podporo odločanjuSistemi za podporo odločanju Ekspertni sistemiEkspertni sistemi Sistemi za podporo pisarniškemu poslovanjuSistemi za podporo pisarniškemu poslovanju Sistemi za osebno in skupinsko delo Sistemi za osebno in skupinsko delo


Področja uporabe PISPodročja uporabe PISJ.L. Whitten, L.D.Bentley : System Analysis and Design Methods, Irwin/McGraw-Hill, 1998, stran 43 J.L. Whitten, L.D.Bentley : System Analysis and Design Methods, Irwin/McGraw-Hill, 1998, stran 43

PODPORAPODPORAPOSLOVANJAPOSLOVANJA

PODPORAPODPORAODLOODLOČANJAČANJA

IN UPRAVLJANJAIN UPRAVLJANJA


Sistemi za podporo odločanja in upravljanjaSistemi za podporo odločanja in upravljanja

Upravljalski informacijski sistemiUpravljalski informacijski sistemiMIS: Management Information SystemsMIS: Management Information Systems

Direktorski informacijski sistemiDirektorski informacijski sistemiEIS: Executive Information SystemsEIS: Executive Information Systems

ESS: Executive Support SystemsESS: Executive Support Systems Sistemi za podporo odločanjaSistemi za podporo odločanja

DSS: Decision Support SystemsDSS: Decision Support Systems Ekspertni sistemiEkspertni sistemi

ES: Expert SystemsES: Expert Systems Sistemi za skupinsko deloSistemi za skupinsko delo

GDSS: Group DSS; GroupwareGDSS: Group DSS; Groupware

DSS (širše)DSS (širše)


Kaj so sistemi za podporo odločanja?Kaj so sistemi za podporo odločanja?

Sistemi za podporo odločanja so:Sistemi za podporo odločanja so: informacijski sistemi,informacijski sistemi, ki pomagajoki pomagajo uporabnikomuporabnikom pri sprejemanju odločitev.pri sprejemanju odločitev.

poposebna oblika informacijskih sistemovsebna oblika informacijskih sistemov uporabniki: predvsem managerji, tudi drugi delavci v uporabniki: predvsem managerji, tudi drugi delavci v

organicijah, posameznikiorganicijah, posamezniki pomagajo pri odločanju, vendar pomagajo pri odločanju, vendar nene odločajo sami odločajo sami


OdločanjeOdločanje

OdločitevOdločitev::Izbira ene izmed več Izbira ene izmed več variantvariant (alternativ, možnosti, različic). (alternativ, možnosti, različic).Izbrati želimo tisto Izbrati želimo tisto variantovarianto, ki najbolj ustreza našim , ki najbolj ustreza našim ciljemciljem. .

OdločanjeOdločanje::ProcesProces ( (aktivnostaktivnost), ki obsega), ki obsega:: spoznavanje odločitvenega problemaspoznavanje odločitvenega problema zbiranje in preverjanje informacijzbiranje in preverjanje informacij identifikacija alternatividentifikacija alternativ predvidevanje posledic odločitevpredvidevanje posledic odločitev odločitevodločitev obveščanje o odločitvi in razlogih zanjoobveščanje o odločitvi in razlogih zanjo vrednotenje odločitevvrednotenje odločitev


Pomoč pri odločanjuPomoč pri odločanju

podatek, pomnjenjepodatek, pomnjenjena primer: poišči mi določen podatekna primer: poišči mi določen podatek

izračun, izpeljava, združevanje (“agregacija”)izračun, izpeljava, združevanje (“agregacija”)na primer: izračunaj vsoto podatkovna primer: izračunaj vsoto podatkov

poročiloporočilokot urejena skupina podatkovkot urejena skupina podatkov

pregledovanje in analiziranje podatkovpregledovanje in analiziranje podatkovvrtilne tabelevrtilne tabele

vizualizacijavizualizacijagrafični prikaz podatkov oz. rezultatovgrafični prikaz podatkov oz. rezultatov

simulacijasimulacija logično sklepanjelogično sklepanje ......


Lastnosti in zmožnosti DSSLastnosti in zmožnosti DSS

podpora odločevalcev pri reševanju strukturiranih in delno podpora odločevalcev pri reševanju strukturiranih in delno strukturiranih odločitvenih problemovstrukturiranih odločitvenih problemov

podpora upravljalcem (managerjem) na vseh ravneh organizacijepodpora upravljalcem (managerjem) na vseh ravneh organizacije podpora posameznikov in skupinpodpora posameznikov in skupin podpora med seboj neodvisnih (“vzporednih”) in zaporednih podpora med seboj neodvisnih (“vzporednih”) in zaporednih

odločitevodločitev podpora različnih faz odločitvenega procesapodpora različnih faz odločitvenega procesa

prilagodljivostprilagodljivost interaktivnostinteraktivnost preprosta uporabapreprosta uporaba učinkovitostučinkovitost jasnost, transparentnostjasnost, transparentnost preprostost razvoja in prilagajanja spremembampreprostost razvoja in prilagajanja spremembam možnost modeliranja in analizmožnost modeliranja in analiz


Kratka zgodovina DSSKratka zgodovina DSS

teorija: operacijske raziskave, odločitvena analizateorija: operacijske raziskave, odločitvena analiza

praksa: razvoj interaktivnega računalništvapraksa: razvoj interaktivnega računalništva1950

1960

1970

1980

1990

2000

osnove DSSosnove DSSprvi sistemiprvi sistemi

specializacijaspecializacija: MIS, EIS, ES, GDSS, ...: MIS, EIS, ES, GDSS, ...

podatkovna skladišča (“Data Warehouses”)podatkovna skladišča (“Data Warehouses”)sprotna analiza podatkov (OLAP)sprotna analiza podatkov (OLAP)izkopavanje podatkov (“Data Mining”)izkopavanje podatkov (“Data Mining”)

omrežni DSS (“Web-based DSS”)omrežni DSS (“Web-based DSS”)


Vrste DSSVrste DSS (1) (1)

GledeGlede na na način iskanja rešitve odločitvenega problemanačin iskanja rešitve odločitvenega problema

PasivniPasivni: nudijo podporo (npr. podatek, grafikon),: nudijo podporo (npr. podatek, grafikon),vendar ne predlagajo rešitvevendar ne predlagajo rešitve

AktivniAktivni: predlagajo rešitve odločitvenega problema: predlagajo rešitve odločitvenega problema KooperativniKooperativni: kombinacija obeh:: kombinacija obeh:

DSS predlaga rešitevDSS predlaga rešitev uporabnik spremeni ali dopolni rešitev inuporabnik spremeni ali dopolni rešitev in jo vrne sistemu v oceno;jo vrne sistemu v oceno; možnih je več ciklovmožnih je več ciklov


Vrste DSSVrste DSS ( (22))

GledeGlede na na sestavine in prevladujoči način delovanjasestavine in prevladujoči način delovanja

Osnovani na ...Osnovani na ... ... podatkih ... podatkih (“(“Data-driven DSSData-driven DSS”)”) ... dokumentih ... dokumentih (“(“Document-driven DSSDocument-driven DSS”)”) ... modelih ... modelih (“(“Model-driven DSSModel-driven DSS”)”) ... znanju ... znanju (“(“Knowledge-driven DSSKnowledge-driven DSS”)”) ... komunikaciji ... komunikaciji (“(“Communication-driven DSSCommunication-driven DSS”)”)

in in kombiniranikombinirani..


Splošna arhitektura DSSSplošna arhitektura DSS

uporabniškivmesnik

uporabniškivmesnik

jedroDSS

jedroDSS

bazapodatkov

bazapodatkov

bazaznanja

bazaznanja

modelimodeli

dokumentidokumenti

+ komunikacijski del


Razvrstitev in opredelitev DSS: vprašalnikRazvrstitev in opredelitev DSS: vprašalnik

Kakšne odločitve podpira DSS?Kakšne odločitve podpira DSS? Na kakšen način podpira odločitve?Na kakšen način podpira odločitve?

Kaj nudi uporabniku?Kaj nudi uporabniku? Kdo je uporabnik sistema?Kdo je uporabnik sistema?

Ali je uporabnik posameznik ali skupina?Ali je uporabnik posameznik ali skupina?

Ali je sistem: pasiven, kooperativen ali aktiven?Ali je sistem: pasiven, kooperativen ali aktiven? Katere komponente vsebuje sistem:Katere komponente vsebuje sistem:

podatke?podatke? dokumente?dokumente? modele?modele? znanje?znanje?

Ali sistem podpira komunikacijo?Ali sistem podpira komunikacijo? Ali sistem deluje na omrežju?Ali sistem deluje na omrežju? Ali je sistem: MIS, EIS, GIS, ESS, ES, GDSS?Ali je sistem: MIS, EIS, GIS, ESS, ES, GDSS?


Primeri: Analiza poslovanja (1)Primeri: Analiza poslovanja (1)


Primeri: Analiza poslovanja (2)Primeri: Analiza poslovanja (2)


Primer: Analiza trendovPrimer: Analiza trendov


Primer: Ocenjevanje požarne ogroženostiPrimer: Ocenjevanje požarne ogroženosti

http

://w

ww

.ars

o.go

v.si

/vre

me/

napo

vedi

%20

in%

20po

datk

i/poz

arna

_ogr

ozen

ost.h

tml


Primer: Medicinska diagnostikaPrimer: Medicinska diagnostika

http

://e

asyd

iagn

osis

.com

/


Primer: Avtocestni nadzorni sistemPrimer: Avtocestni nadzorni sistem


Na vrsti ste!Na vrsti ste!

Opredelite in razvrstite sistem za vrednotenje mobilnih telefonovOpredelite in razvrstite sistem za vrednotenje mobilnih telefonov


Na vrsti ste!Na vrsti ste!

Večparametrski model za vrednotenje mobilnih telefonovVečparametrski model za vrednotenje mobilnih telefonov


Na vrsti ste!Na vrsti ste!Obiski pri zdravnikuObiski pri zdravniku

Ali bi lahko te podatke uporabili za podporo odločanja?Ali bi lahko te podatke uporabili za podporo odločanja? Za podporo kakšnih odločitev?Za podporo kakšnih odločitev? Katere informacije/funkcije bi lahko nudil takšen sistem?Katere informacije/funkcije bi lahko nudil takšen sistem? Predlagajte nekaj prikazov (grafikonov)Predlagajte nekaj prikazov (grafikonov)


PodatkovnPodatkovnaa skladišč skladiščaa

Podatkovno skladiščePodatkovno skladišče ( (““Data WarehouseData Warehouse””))

je je zbirka podatkovzbirka podatkov,,

namenjena namenjena podpori odločanjapodpori odločanja (pri upravljanju podjetij)(pri upravljanju podjetij)..

Lastnosti:Lastnosti: vključuje podatke iz različnih virovvključuje podatke iz različnih virov namenjennamenjenoo podrobni analizi velike količine podatkov podrobni analizi velike količine podatkov urejenurejenoo po: po:

predmetu obravnave predmetu obravnave (kupec, proizvod, prodaja, dobavitelj)(kupec, proizvod, prodaja, dobavitelj) časučasu

relativno statično relativno statično (občasna ažuriranja, sicer (občasna ažuriranja, sicer poizvedovanjepoizvedovanje))


Baza : SkladiščeBaza : Skladišče

BAZA PODATKOVBAZA PODATKOV podpira delo s podatkipodpira delo s podatki vnos in branje podatkovvnos in branje podatkov dinamično spreminjanje dinamično spreminjanje

vsebinevsebine struktura se redko struktura se redko

spreminjaspreminja veliko uporabnikovveliko uporabnikov transakcijske obdelavetransakcijske obdelave vnaprej določeni izpisi ali vnaprej določeni izpisi ali

poizvedovanja s SQLpoizvedovanja s SQL

SKLADIŠČE PODATKOVSKLADIŠČE PODATKOV podpira analizo podatkovpodpira analizo podatkov branje podatkovbranje podatkov podatki so statični, le podatki so statični, le

občasno ažuriranjeobčasno ažuriranje strukturo prilagajamo strukturo prilagajamo

potrebampotrebam malo uporabnikovmalo uporabnikov analitične in sintetične analitične in sintetične

obdelaveobdelave ad-hoc analize, korelacije, ad-hoc analize, korelacije,

statistike, OLAPstatistike, OLAP


Podatkovna skladišča: osnovni pojmiPodatkovna skladišča: osnovni pojmi

podatkovna kockapodatkovna kocka ((““Data CubeData Cube””)) hierarhično urejene dimenzijehierarhično urejene dimenzije

((““Concept HierarchyConcept Hierarchy””)) sprotnsprotnaa analiz analizaa podatkov podatkov

((OLAP: OLAP: ““On Line Analytical ProcessingOn Line Analytical Processing””)) vrtilna tabela (“Pivot Table”)vrtilna tabela (“Pivot Table”) vrtilni grafikon (“Pivot Chart”)vrtilni grafikon (“Pivot Chart”)


Podatkovna kocka (Podatkovna kocka (““Data CubeData Cube””))

605 825 14 400

680 952 31 512

812 960 30 501

927 995 38 580

CE

MB

LJ

Lokacij

a

Prodaja [enot]

1

3

2

4 Čas

[čet

rtle

tje]

Izdelek

A CB D

Število dimenzij ni nujno 3


Primer: od transakcij do podatkovne kockePrimer: od transakcij do podatkovne kocke

transakcije

Vsebina: vsota Kolicin

Dimenziji:1. Datum2. Izdelek

KolicinaKolicina

IzdelekIzdelek

DatumDatum

podatkovna kocka


LetoLeto

MesecMesec

ČetrtletjeČetrtletje

TedenTeden

VSEVSE

SlovenijaSlovenija

Centr.Centr. GorenjskaGorenjska

ItalijaItalija

DolenjskaDolenjska

LJLJ KRKR ...

...

...

HierarhiHierarhičnečne dimenzij dimenzijee ( (““Concept HierarchyConcept Hierarchy””))

LOKACIJA

Prod. BProd. BProd. AProd. A Prod. CProd. C ... ProdajalnaProdajalna

KrajKraj

RegijaRegija

DržavaDržava

LOKACIJALOKACIJA

HIERARHIJA

ČASČAS

DanDan


LetoLeto

MesecMesec

ČetrtletjeČetrtletje

Dimenzije in elementi Dimenzije in elementi podatkovne kockepodatkovne kocke

ProdajalnaProdajalna

KrajKraj

RegijaRegija

DržavaDržavaLOKACIJA

DanDan

ČAS

ImeIme

KategorijaKategorija

SkupinaSkupina

ImeIme

ZnamkaZnamka

VrstaVrstaKUPEC IZDELEK

Prodano [enot]Prodano [enot]

Prodaja [€]Prodaja [€]Elementi


Operacije OLAPOperacije OLAP

CEMB

LJ1

32

4

A CB D

CEMB

LJ

A CB D

Jan

MarFeb

Apr

Sep

NovOkt

Dec

Drill-Down: razvij četrtletje v mesec

A CB D

1

32

4

ŠtajerskaCentr.

Roll-Up: združi kraj v regijo


Operacije OLAPOperacije OLAP

CEMB

LJ1

32

4

A CB DA DB

12

MBLJ

Dice: izsek

1 5 7 3 1

32

4

Slice: presek

A CB D

MB

1 32 4

1

5

7

3

A

CB

D

MB

Pivot: obrni


Vrtilna tabela (“Pivot Table”)Vrtilna tabela (“Pivot Table”)

Dvodimenzionalni Dvodimenzionalni zbirnizbirni prikaz prikaz

vevečdimenzionalnih podatkov (podatkovnih kock)čdimenzionalnih podatkov (podatkovnih kock)

Vsebuje področja:Vsebuje področja: podatki: vsebina, prikazuje osnovne ali zbirne podatkepodatki: vsebina, prikazuje osnovne ali zbirne podatke vrstice: prva dimenzijavrstice: prva dimenzija stolpci: druga dimenzijastolpci: druga dimenzija strani: izbira (filtriranje) podatkovstrani: izbira (filtriranje) podatkov

V vsakem področju je lahko več spremenljivkV vsakem področju je lahko več spremenljivk

(polj osnovne tabele)(polj osnovne tabele)


Vaja: Naredimo vVaja: Naredimo vrtilnrtilnoo tabel tabelo v Exceluo v Excelu

Kaj pa, če želimo:Kaj pa, če želimo: več vsebine (npr. več vsebine (npr. CenaCena)?)? hierarhične dimenzije (npr. hierarhične dimenzije (npr. hrana/pijačahrana/pijača)?)?


Podatkovne kocke in OLAP v AccessuPodatkovne kocke in OLAP v Accessu

S programom Microsoft Access lahko:S programom Microsoft Access lahko:

1.1. Simuliramo podatkovno kocko z relacijsko podatkovno shemoSimuliramo podatkovno kocko z relacijsko podatkovno shemo

Model “zvezde” ali “snežinke”:Model “zvezde” ali “snežinke”: centralna tabela vsebuje podatke, ki jih spremljamocentralna tabela vsebuje podatke, ki jih spremljamo in je relacijsko povezana s tabelami, ki opisujejo dimenzijein je relacijsko povezana s tabelami, ki opisujejo dimenzije

2.2. Pregledujemo podatkovno kocko z:Pregledujemo podatkovno kocko z: vrtilno tabelovrtilno tabelo vrtilnim grafikonomvrtilnim grafikonom


Vaja: Podatkovna kocka in OLAP v AccessuVaja: Podatkovna kocka in OLAP v Accessu


MS Analysis Services: Podatkovne kockeMS Analysis Services: Podatkovne kocke


MS Analysis Services: OLAP in vrtilna tabelaMS Analysis Services: OLAP in vrtilna tabela


Izkopavanje podatkov (“Data Mining”)Izkopavanje podatkov (“Data Mining”)

OLAPOLAP: nudi dober pregled nad podatki (“kaj se dogaja”): nudi dober pregled nad podatki (“kaj se dogaja”)

Izkopavanje podatkovIzkopavanje podatkov::

poglobljeno iskanje zakonitosti (vzorcev) v podatkihpoglobljeno iskanje zakonitosti (vzorcev) v podatkih

Nameni:Nameni: napovedovanjenapovedovanje (“forecasting”)(“forecasting”) klasifikacija (“classification”)klasifikacija (“classification”) razvrščanje v skupinerazvrščanje v skupine (“clustering”)(“clustering”) povezovanje (“apovezovanje (“associatingssociating”) izidov, ki se pogosto zgodijo ”) izidov, ki se pogosto zgodijo

hkratihkrati iskanje vzročnih in časovnih odvisnosti (“siskanje vzročnih in časovnih odvisnosti (“sequencingequencing”)”)


Faze Faze iskanja zakonitosti v podatkihiskanja zakonitosti v podatkih

VIRI PODATKOV

ZNANJE: modeli, pravila, odvisnosti, vzorci, ...

1. Priprava podatkov

2. Izkopavanje podatkov

3. Interpretacija, vrednotenje in predstavitev


Pod. skladišče

1a. Čiščenje

1. f1. fazaza:a: Priprava podatkovPriprava podatkov

Baze podatkov Datoteke Zun. viri

1b. Integracija

1c. Selekcija

1d. Transformacija


2. f2. fazaza:a: Izkopavanje podatkovIzkopavanje podatkov

Uporaba številnih in raznovrstnih metod:Uporaba številnih in raznovrstnih metod: statistične metodestatistične metode

osnovne statistikeosnovne statistike korelacijekorelacije diskriminantne in regresijske analizediskriminantne in regresijske analize

vizualizacijavizualizacija metode strojnega učenja:metode strojnega učenja:

odločitvena drevesaodločitvena drevesa odločitvena pravilaodločitvena pravila

asociacijska pravilaasociacijska pravila nevronske mreženevronske mreže razvrščanje v skupinerazvrščanje v skupine ......


Odločitvena drevesaOdločitvena drevesaOsebaOseba StarosStaros

ttSpoSpo

llDohodkiDohodki StrankStrank

aa

Ana KranjcAna Kranjc 3232 ŽŽ 10.00010.000 dada

Micka KovačMicka Kovač 5353 ŽŽ 1.000.0001.000.000 dada

Meta NovakMeta Novak 2727 ŽŽ 20.00020.000 nene

Jana BevcJana Bevc 5555 ŽŽ 20.00020.000 dada

Peter DolencPeter Dolenc 2626 MM 100.000100.000 dada

Janez GorencJanez Gorenc 5050 MM 200.000200.000 dada

DohodkiDohodki

StarostStarost Stranka=daStranka=da

Stranka=neStranka=ne Stranka=daStranka=da

100.000

32 32

100.000

Odločitveno drevo: opisuje zakonitosti v obstoječih podatkih napoveduje (klasificira) nove primere


Asociacijska (povezovalna) pravilaAsociacijska (povezovalna) pravila

KošaricKošaricaa

ArtikeArtikell

11 mlekomleko

11 maslomaslo

22 mlekomleko

22 medmed

22 maslomaslo

33 mlekomleko

33 kruhkruh

33 maslomaslo

44 mlekomleko

44 kruhkruh

44 medmed

Tri pravila:mleko maslo [sup 75%, conf 75%]

maslo mleko [sup 75%, conf 100%]

med mleko [sup 50%, conf 100%]

Tipični problemTipični problem: analiza nakupovalnih košaric: analiza nakupovalnih košaric

Naloga: Poiskati "zanimiva" pravila oblike

če kupi mleko, potem kupi tudi maslomleko maslo


Weka Weka http://www.cs.waikato.ac.nz/~ml/weka/


Orange Orange http://magix.fri.uni-lj.si/orange/


MS Analysis Services: Odločitveno drevoMS Analysis Services: Odločitveno drevo


MS Analysis Services: Razvrščanje v skupineMS Analysis Services: Razvrščanje v skupine


Ekspertni sistemi (ES, “Expert Systems”)Ekspertni sistemi (ES, “Expert Systems”)

Računalniški sistemi, ki:Računalniški sistemi, ki: rešujejo problemerešujejo probleme na (ozkem) strokovnem področjuna (ozkem) strokovnem področju podobno kot strokovnjaki (eksperti)podobno kot strokovnjaki (eksperti)

Zahteve:Zahteve: sposobnost sklepanjasposobnost sklepanja sposobnost presojesposobnost presoje zmožnost delovanja pri nezanesljivih in zmožnost delovanja pri nezanesljivih in

nepopolnih podatkihnepopolnih podatkih zmožnost pojasnjevanjazmožnost pojasnjevanja::

delovanja in sklepanjadelovanja in sklepanja:: vpra vprašanja “Kako?” in “Zakaj?”šanja “Kako?” in “Zakaj?” predlaganih rešitevpredlaganih rešitev


Prvi ePrvi ekspertni sistemikspertni sistemi

Razviti v okviru umetne inteligenceRazviti v okviru umetne inteligence

MYCIN (1976)diagnosticiranje infekcij in izbor terapije

AL/X (1980)odkrivanje okvar v kompleksnih proizvodnih procesih (naftne ploščadi)

DENDRAL (od 1956)ugotavljanje kemijskih strukturnih formul iz spektrov

PROSPECTOR (1980)geološke raziskave

PUFF (1980)diagnoze pljučnih bolezni


UporabaUporaba ES ES

Novejša področja uporabe:Novejša področja uporabe: inteligentni sistemi in agentiinteligentni sistemi in agenti poslovno odločanjeposlovno odločanje

(poslovna logika in pravila)(poslovna logika in pravila) vodenje procesovvodenje procesov zahtevno inženirsko odločanjezahtevno inženirsko odločanje medicinska diagnostikamedicinska diagnostika računalniški vmesniki, računalniški vmesniki,

“čarovniki”“čarovniki” računalniške igreračunalniške igre robotikarobotika ......


Ekspertni sistem

Splošna arhitektura Splošna arhitektura ESES

uporabniškivmesnik

uporabniškivmesnik

mehanizmisklepanja

mehanizmisklepanja

bazaznanja

bazaznanja


Ključni koncepti ESKljučni koncepti ES

Predstavitve znanja (“knowledge representation”):Predstavitve znanja (“knowledge representation”): semantične mreže, taksonomije, ontologijesemantične mreže, taksonomije, ontologije okviri, predmetiokviri, predmeti pravila pravila formalna logikaformalna logika

Mehanizmi sklepanja (“inference”):Mehanizmi sklepanja (“inference”): sklepanje naprejsklepanje naprej sklepanje nazajsklepanje nazaj

Upoštevanje negotovosti (“uncertainty propagation”)Upoštevanje negotovosti (“uncertainty propagation”) verjetnost (“probability”)verjetnost (“probability”) mehka logika (“fuzzy logic”, “possibility”)mehka logika (“fuzzy logic”, “possibility”)


Primeri predstavitve znanja v ES (1)Primeri predstavitve znanja v ES (1)

Produkcijska (“če-potem”) pravila Produkcijska (“če-potem”) pravila

MYCINMYCIN (diagnostika infekcij) (diagnostika infekcij)

IFIF (1)(1) infection = primary-bacteremia, andinfection = primary-bacteremia, and(2)(2) site of culture is one of the sterilities, andsite of culture is one of the sterilities, and(3)(3) suspected portal of entry = gastrointestinal tractsuspected portal of entry = gastrointestinal tract

THENTHEN there is suggestive evidence (0.7)there is suggestive evidence (0.7)that organism is that organism is bacteroidesbacteroides..

OPTRANSOPTRANS (dodeljevanje posojil) (dodeljevanje posojil)

ČE mesečno obrok > ½ maks. obrokaČE mesečno obrok > ½ maks. obroka

POTEM je možno dodeliti kredit, vendarPOTEM je možno dodeliti kredit, vendar

PREVERITI garancijo, družino in starost.PREVERITI garancijo, družino in starost.


Primeri predstavitve znanja v ES (2)Primeri predstavitve znanja v ES (2)

TaksonomijaTaksonomija: hierarhija pojmov in konceptov: hierarhija pojmov in konceptov

PROSPECTORPROSPECTOR(geološke(geološkeraziskave)raziskave)


Primeri predstavitve znanja v ES (Primeri predstavitve znanja v ES (33))

OntologijaOntologija: : mnomnožica konceptov in relacijžica konceptov in relacij

CYCCYC



Odločitveno drevo Odločitveno drevo



Odločitveno drevo Odločitveno drevo


PrimeriPrimeri ES ES

Expertise 2GOExpertise 2GOhttphttp://www.expertise2go.com/webesie/://www.expertise2go.com/webesie/

Wine Selection: Wine Selection: http://www.expertise2go.com/webesie/e2gdoc/winepg.htmhttp://www.expertise2go.com/webesie/e2gdoc/winepg.htm

Choosing Data Analysis Technique:Choosing Data Analysis Technique:httphttp://expertise2go.com/webesie/StatTech/://expertise2go.com/webesie/StatTech/

Loan DecisionLoan Decision::httphttp://://expertise2go.com/webesie/loan/expertise2go.com/webesie/loan/

Medical DiagnosisMedical Diagnosis::http://http://easydiagnosis.com/easydiagnosis.com/

ECOGEN Soil Quality Index:ECOGEN Soil Quality Index:http://ai.ijs.si/MarkoBohanec/ESQI/ESQI.phphttp://ai.ijs.si/MarkoBohanec/ESQI/ESQI.php


Prednosti in slabosti Prednosti in slabosti ES ES

PREDNOSTI eksplicitno izračena baza znanja simbolično (kvalitativno) sklepanje razlaga odločitev delovanje z nenatančnimi in nezanesljivimi podatki dostopnost prilagodljivost

POMANJKLJIVOSTI ozka problemska področja relativno zahteven razvoj

znanje, kadri “Figenbaumovo ozko grlo” potreba po strojnem učenju

Documents

Utišajmo mobilne telefone !