Tehnologija znanja Upravljanje z znanjem ter ravni uporabe
Tehnologija znanja Upravljanje z znanjem ter ravni uporabe IKT Marjana Pograjc Debevec
Učni cilji Spoznati ravni uporabe informacijske komunikacijske tehnologije Znati razložiti razlike med njimi Znati analizirati konkretne primere posamezne uporabe in utemeljiti, na katerih ravneh sam uporablja IKT
Učni cilji znati razložiti koncept pomnjenja in miselnih procesov. znati razložiti pomen učenja za nadaljnje učenje in ustvarjalnost. Povezati šibke točke človekovega procesiranja informacije z možnostmi, ki jih nudi IKT, da te šibke točke odpravi.
Učni cilji Spoznati začetek, cilj in namen upravljanja z znanjem Seznaniti se z delitvijo znanja
Uporaba informacijske tehnologije Razvoj informacijske tehnologije poteka v smeri razvijanja elementov (izdelava elementov IT in njihov razvoj) njihove uporabe (odnos uporabnika do IT)
Ravni uporabe IT
Ravni uporabe IT Računalniško pismen človek zna: • samostojno uporabljati informacijsko komunikacijsko tehnologijo, • obvlada delo z datotekami, • pozna osnovne zakonitosti računalniške obdelave posameznih vrst podatkov, • komunikacije, pri tem pa ni vezan na točno določeno programsko opremo.
Ravni uporabe IT Razbremenitev pri delu • osnovno obvladovanje rokovanja z IKT.
Ravni uporabe IT Delamo stvari, ki jih do sedaj nismo • preverjanje pravilnosti (električnih) shem, • preoblikovanje slik, skladb, • pregledovanje množice podatkov po spletu, • analiza podatkov, analiza kaj–če, • reinženiring proizvodnje ipd. • Preverjanje besedila s črkovalnikom
Ravni uporabe IT Intenzivna uporaba znanja Poleg računalniške pismenosti potrebujemo tudi ustvarjalnost: • ekspertni sistemi, • inteligentna analiza podatkov, • iskanje znanja v podatkih, • pomoč pri odločanju ipd.
Procesiranje informacij pri človeku S pomocjo IKT lahko zmanjšamo pomanjkljivosti in povečamo prednosti človeških možganov. Človeški kratkotrajni spomin je omejen. vhodni podatki morajo biti pregledno organizirani. Podporo dolgotrajnemu spominu lahko nudimo s sistemi, ki temeljijo na bazah znanja in sistematičnem pregledovanju.
podatki o okolju dolgotrajni spomin (DS) signali senzorski vmesnik proces potrjevanja in. Miselni procesi generiranja konceptov dejstva in koncepti senzorski dejstva in koncepti Vhodi in izhodi zavestno upravljanje 7+2 kratkotrajni spomin (KS) signali aktivacijski vmesnik podatki o okolju aktivacijski podatki za okolje Model nekaterih človekovih miselnih procesov:
Vhodno izhodni podatki Preko čutil sprejemamo zunanje dražljaje – podatke o okolju. V skladu s svojim znanjem se nanje odzivamo.
Kratkotrajni spomin Podatki iz senzornega sistema gredo najprej v kratkotrajni spomin (7 ± 2 enoti - beseda, številka, simbol, slika, … Vanj tudi prikličemo podatke iz dolgotrajnega spomina, Prednost kratkotrajnega spomina: človek shranjene enote zelo hitro sočasno obdeluje. Čas pomnjenja je od nekaj trenutkov do nekaj deset sekund
Miselni procesi Med obema vrstama spominov potekajo različni procesi. Pri ponavljanju utrjujemo povezave med pojmi v pojmovnih mrežah. Elaboracija je dodajanje pomena oziroma konstruiranje razumevanja novih dejstev in zakonitosti s pomočjo obstoječega znanja. V procesu organizacije nove pojme in zakonitosti umeščamo v že obstoječe spominske strukture in s tem potrjujemo stare koncepte in predstave. Lahko pa že obstoječe spominske strukture reorganiziramo in tako generiramo novo znanje.
Dolgotrajni spomin Velika kapaciteta - zasledimo številko 1010 – 1015 bitov. Podatki se med seboj povezujejo v asociacijske mreže priklic podatka pa je odvisen od tega, ali bomo našli ustrezno asociacijo na ta podatek.
Upravljanje z znanjem - proces sodelovanja med tehnologijo in sposobnostmi človeka za doseganje ciljev posameznika in družbe. Z upravljanjem znanja dopolnjujemo in širimo svoje miselne procese üHitrost üNatančnost ünezmotljivost üUstvarjalnost üDomišljija üinteligenca
Upravljanje z znanjem človeka spremlja že od njegovega začetka Danes je v procesu upravljanja z znanjem vpet domala vsakdo
Upravljanje z znanjem Z upravljanjem znanja odpravljamo pomanjkljivosti oziroma omejitve naših miselnih procesov Končni cilj upravljanja z znanjem je napredek tehnologije Gre za sprejemanje izzivov IKT za povečanje človekovih umskih sposobnosti za obvladovanje problemov vse bolj kompleksnega sodobnega sveta
Znanje Najbolj znana delitev znanja: DEKLERATIVNO ZNANJE: pridobljeno z neposrednim opazovanjem realnosti ali od drugih ljudi, ki so znanje predstavili v knjigah, slikah, predstavitvah … PROCEDURALNO ZNANJE: potrebujemo ga, da opravilo uspešno izvedemo od začetka do konca STRATEŠKO ZNANE: potrebujemo, ko se odločamo, katero znanje uporabiti
Proces upravljanja z znanjem Upravljanje z znanjem se začnem z njegovim odkrivanjem iščemo ga tudi v velikem številu podatkov, ki so shranjeni v računalniku Z aktivnostjo ljudje pridobivamo nove spretnosti in veščine in s tem odkrivamo znanje tudi neorganizirano
Proces upravljanja z znanjem Odkrivanju znanja sledi formaliziranje, v kateri znanje zajamemo zapišemo shranimo. Za formaliziranje znanja uporabljamo različne programske jezike, s katerimi opredelimo model znanja Končni cilj upravljanja z znanjem je njegova uporaba Z upravljanjem želimo posredovati pravo znanje pravim ljudem ob pravem času
Izrazi, ki ste jih spoznali Ravni uporabe IKT Dolgotrajni spomin Kratkotrajni spomin Elaboracija Deklerativno znanje Formaliziranje znanja Tehnologija znanja Upravljanje z znanjem
Tehnologija znanja in umetna inteligenca Marjana Pograjc Debevec
Učni cilji Spoznajo tehnologije, ki se uporabljajo pri upravljanju z znanjem Pomen in cilj umetne inteligence Naštejejo in opredelijo teme umetne inteligence
Tehnologija znanja je tehnologija, ki jo uporabljamo pri upravljanju z znanjem Tehnologija ima svoje prednosti, vendar tudi svoje omejitve. Uporabljene tehnologije same po sebi ničesar ne rešujejo Namen upravljanja z znanja ni izdelava tehnologije, s katero bi nadomestila človeka in njegove sposobnosti, ampak da bi se, ob podpori računalnika človek bolje znašel.
Tehnologija znanja Pri upravljanju z znanjem se največ uporabljajo tehnologije, ki temeljijo na uporabi IT: Tehnologije pisarniškega poslovanja Urejamo besedila, slike, preglednice, , Tehnologije skupinskega odločanja Z njimi skrajšamo čas za izmenjavo znanja (elektronska pošta, konferenčni sistemi, skupinski koledar, , ) Tehnologije za iskanje znanja in njegovo upravljanje npr: programi za zajem sestavkov, njihovo arhiviranje, hranjenje in iskanje; Tehnologije umetne inteligence za naravno procesiranje jezika, ekspertni sistemi, zajemanje znanja…
Umetna inteligenca Je znanstvena disciplina, ki se ukvarja z metodami tehnikami orodji arhitekturami … za reševanje logično zapletenih problemov, ki bi jih bilo težko ali celo nemogoče rešiti s klasičnimi metodami
Umetna inteligenca Cilji umetne inteligence “inteligentno” obnašanje računalnikov večja uporabnost računalnikov proučevanje principov inteligence boljše razumevanje človekovega inteligentnega obnašanja
Umetna inteligenca Teme umetne inteligence Rač. zaznavanje Strojno učenje Predstavitev znanja Robotika Ekspertni sistemi Igranje iger (šah, dama, . . . ) Avtomatsko sklepanje in dokazovanje izrekov, Logično programiranje, kvalitativno modeliranje, Hevristično reševanje problemov, Kognitivno modeliranje
Inteligenca Lastnosti, ki jih v splošnem pripisujemo inteligentnim sistemom, so: sposobnost znajti se v novih situacijah, sposobnost sklepanja, sposobnost pridobivanja in uporabe novega znanja, sposobnost zaznavanja in delovanja v fizičnem svetu sposobnost generiranja novih konceptov
Inteligenca Ena od možnih definicij inteligence, ki pa ni splošno veljavna, je: Inteligenca pomeni sposobnost prilagajanja okolju in reševanja problemov.
Inteligenca Turingov test
Računalniško zaznavanje Zaznavanje realnosti je prirojena lastnost živih organizmov Računalniško zaznavanje prištevamo računalniški vid in Rač. vid je tehnologija, ki iz vizualnih podatkov gradi vzorce in prepoznava predmete obdelavo naravnega jezika zajema strojno zaznavanje govora in njegovo razumevanje
Računalniško zaznavanje – računalniški vid
Računalniško zaznavanje – računalniški vid Dva pristopa računalniškega vida: Prvi pristop temelji na modelih biološkega procesiranja vida in se ukvarja z razvojem teorije vidnega zaznavanja, drugi pa se ukvarja s praktičnimi industrijskimi rešitvami, poimenovali so ga strojni vid.
Računalniško zaznavanje – Procesiranje naravnega jezika Razumevanje naravnega jezika, ko je besedilo vneseno v računalnik, zadeva dve področji: samo razumevanje naravnega jezika in prevajanje (iz enega v drug naravni jezik). Najstarejši in najpreprostejši sistem za prepoznavanje naravnega jezika je ujemanje besed.
Računalniško zaznavanje – Procesiranje naravnega jezika Razumevanje naravnega jezika, ko je besedilo vneseno v računalnik, zadeva dve področji: samo razumevanje naravnega jezika in prevajanje (iz enega v drug naravni jezik). Najstarejši in najpreprostejši sistem za prepoznavanje naravnega jezika je ujemanje besed.
Strojno učenje S tehnologijami strojnega učenja se sistemi učijo, rezultat tega učenja je baza znanja Za strojno učenje uporabljamo različne algoritme
Strojno učenje
Predstavitev s pravili Baza znanja - predstavitev s pravili temelji na podatkih in povezavami med njimi. • Primer preproste oblike pravil: ČE dežuje POTEM vzemi dežnik ČE element_1 IN element_2 IN element_3 IN … IN element_n POTEM zaključek Pravila so lahko podana v kompleksnejši obliki: ČE element POTEM zaključek_1 SICER zaključek_2 Lahko pa upoštevajo tudi verjetnostni faktor: ČE element POTEM zaključek (z verjetnostjo 0, 9)
Predstavitev s semantičnimi mrežami temelji na entitetah, njihovih lastnostih in medsebojnih povezavah
Robotika se ukvarja z razvojem robotov Roboti, ki uporabljajo številne tehnologije umetne inteligence, upravljajo računalniki Robot s katerim proučujemo orientacijo v prostoru
Ekspertni sistemi Ekspertni sistem je program, ki se vede podobno kot strokovnjak ekspert za določeno ozko področje. Ekspertni sistem zna pojasniti svoje odločitve in sklepanje, ki je do odločitve vodilo. Uporabljati zna nezanesljive in nepopolne podatke.
Elementi ekspertnega sistema UPORABNIK KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA ES
Tri učne zanke pri gradnji in uporabi baze znanja: EKSPERT(I) TEHNOLOG ZNANJA ZAJEMANJE ZNANJA (1. učna zanka) BAZA ZNANJA (BZ) UPORABA ZNANJA 2. učna zanka) PREDSTAVITEV ZNANJA (3. učna zanka)
Primer delovanja ekspertnega sistema Uporabnik: Ali je silicij polprevodnik? ES: Ali dobro prevaja el. tok pri nizki temperaturi? Uporabnik: Zelo slabo. ES: Ali se je prevodnost povečala, če si element pogrel? Uporabnik: Da, z višanjem temperature, prevodnost raste. ES: Potem je silicij polprevodnik. Uporabnik: Zakaj? ES: Rekel si, da pri nizki temperaturi prevaja slabo, z višanjem temperature pa se mu prevodnost viša. Za polprevodnike je značilno, da pri nizkih temperaturah slabo prevajajo, z višanjem temperature pa se jim prevodnost dviguje
Izgradnja baze znanja: KNOW HOW artikulacija SAY HOW ekspert primeri SHOW model KNOW HOW BZ tehnolog znanja avtomatsko učenje Feigenbaumovo ozko grlo
Ekspertni sistem Baza znanja – Ekspertni sistem – Inteligenca – Računalniški vid – Računalniško zaznavanje – Robot – Rudarjenje podatkov – Semantična mreža – Strojno učenje – Umetna inteligenca – Uporabniški vmesnik -
Odločanje Marjana Pograjc Debevec
Učni cilji Spoznajo Odločanje kot proces, Način odločanja, Pasti za dobro odločanje Metode, ki temeljijo na teoriji odločanja
Odločanje je proces, v katerem med več variantami (entitetami) izberemo tisto, ki najbolj ustreza zastavljenim ciljem 80 OCENA 60 40 20 0 A B C VARIAN TA D E
Odločanje je del reševanja problemov S problemom odločanja se ukvarja vrsta znanstvenih področij in disciplin, tako družboslovnih kot naravoslovnih Težavnost odločitvenih problemov je raznolika
Načini odločanja Intuitivno odločanje Sistematično odločanje Razlikujemo med individualnim in skupinskim odločanjem O racionalnem odločanju govorimo takrat, ko izmed vseh možnih variant izberemo tisto, ki je najbolj zaželena, O iracionalnem odločanju govorimo, ko je odločitev zaradi raznih omejitev na videz brezmiselna
Vzroki za težave pri odločanju Veliko število dejavnikov, ki vplivajo na odločitev Številne in slabo opredeljene variante Za natančno študijo odločitvenega problema in variant bi zmanjkalo časa, Vsi podatki niso vedno dosegljivi, Cilji različnih odločevalcev so lahko različni.
Pasti pri odločanju Spreminjanje odločitvenih dejavnikov Majhne razlike, ki se seštevajo v velike zneske Dve varianti nista nikoli popolnoma enaki. Subjektivna verjetnost je past, v katero lahko "pademo", če pozabljamo na matematične zakone verjetnosti.
Odločanje Za podporo odločanju je razvitih mnogo metod zasnovanih na teoriji odločanja: Abacon sodi med najpreprostejše metode za odločanje Metode za odločanje z uporabo elektronske preglednice Metode za odločanje z uporabo posebnih programov za večparametrsko odločanje
Formalna definicija odločanja Množica variant: A: a 1, a 2, a 3, . . . , an, . . . Preferenčna relacija: P (uredi množico variant A po zaželenosti, ustreznosti oz. koristnosti) Racionalna odločitev: je izbira tiste variante a iz A, ki je najbolj zaželena (a 1 P a 2 - prvega imamo rajši) Funkcija koristnosti: v(a) izmeri stopnjo zaželenosti variante a tako, da za vsak par a, b iz A velja: a P b v(a) > v(b) a imam rajši kot b
Vprašanja Kaj je odločanje? Katere načine odločanja poznate? Na katere težave naletimo pri odločanju? Na primerih utemelji pati, ki se pojavijo pri odločanju? Katere metode, ki temeljijo na teoriji odločanja poznate? Katere elemente odločanja poznate? Opredelite jih!
Pripomočki pri odločanju Marjana Pograjc Debevec
Učni cilji Na primerih spoznajo metode odločanja z ročno metodo (Abacon), z elektronsko preglednico, s programom za večparametrsko odločanje (DEXi), in faze odločitvenega procesa
Metoda odločanja s pomočjo programa za večkriterijsko odločanje Pri odločanju imamo več variant in prednostni odnos, ki nam variante uredi po zaželenosti, ustreznosti ali Koristnosti Vrednotenje variant pri večparametrskem odločanju poteka z večparametrskem odločitvenim modelom
Metoda odločanja s pomočjo programa za večkriterijsko odločanje V splošnem večparametrskem odločanju nastopa: Množica variant A = (a 1, a 2, . . . , an) Preferenčna relacija P Množica parametrov x = (x 1, x 2, . . . , xn) xi: A Di (zaloge vrednosti posameznih parametrov) Vsako varianto a iz množic A opišemo z naborom (vektorjem) vrednosti parametrov a = x 1(a), x 2(a), . . . , xn(a) Funkcijo koristnosti v A D nadomestimo s funkcijo: Vx: : D 1 x D 2 x D 3 x … x Dn D Predpostavljamo, da je: v(a) = Vx(X 1(a), x 2(a), x 3(a), … xn(a))
Metoda odločanja s pomočjo programa za večkriterijsko odločanje Pri večparametrskem odločanju variante ocenimo ločeno glede na vsak parameter Oceno koristnosti dobimo z združitvijo posameznih ocen Varianta, ki dobi najvišjo oceno, je praviloma najboljša 100 OCENA 50 PARAMETRI 0 A VARIANTA B
Metoda odločanja s pomočjo programa za večkriterijsko odločanje x 1 v(ai) Koristnost (utility, zaželjenost, primernost, ocena) v*(x 1, x 2, …, xm) funkcija koristnosti x 2 x 1(a 1) x 2(a 1) . . . xm . . . xm(a 1) parametri (atributi, kriteriji). . . an. . . a 2 a 1 variante (inačice)
Metoda odločanja s pomočjo programa za večkriterijsko odločanje Kadar je parametrov in variant malo, lahko rešitev prikažemo v obliki tabele V zahtevnejših primerih večparametrskega odločanja uporabimo za iskanje rešitve računalniški program z vgrajenimi orodji, ki pomagajo pri opredeljevanju parametrov, oblikovanju funkcij koristnosti in zajemanju podatkov
Opisljivost variant Množica parametrov X mora ustrezati več lastnostim: • polnost • operativnost • razstavljivost • nerundantnost • minimalnost • ortogonalnost • . . .
Določanje funkcije koristnosti • predstavitveni problem • problem enoličnosti • aksiomatski pristop • neposredni pristop: funkcija koristnosti enega parametra 100 v(xi) 0 0 1 2 3 4 5 6 7 8 xi = starost
Določanje funkcije koristnosti • predstavitveni problem • problem enoličnosti • aksiomatski pristop • neposredni pristop: funkcija koristnosti enega parametra 100 v(xi) 0 0 10 20 30 40 50 60 70 80 xi = starost
Funkcija koristnosti več parametrov Vpliv parametra x 2 na skupno oceno v 2(x 2) Vpliv parametra x 1 na skupno oceno v 1(x 1) SKUPNA OCENA odličen dober a neprimeren a sl ab a jiv ov ol za d ja n ed sr ka so vi parameter x 1 a zk do br ni od lič na primeren parameter x 2
Funkcija koristnosti več parametrov Skupna ocena = u ( v 1(x 1), v 2(x 2) ) SKUPNA OCENA odličen dober a neprimeren a sl ab a jiv ov ol za d ja n ed sr ka so vi parameter x 1 a zk do br ni od lič na primeren parameter x 2
Funkcija koristnosti več parametrov n Skupna ocena = Si=1 vi(xi)*wi - utežena vsota W-utež kriterij 70% x 1 30% x 2 SKUPNA OCENA odličen dober W-utež kriterij 50% x 1 50% x 2 a neprimeren a sl ab a jiv ov ol za d ja n ed sr ka so vi parameter x 1 a zk do br ni od lič na primeren parameter x 2
Funkcija koristnosti več parametrov v 1(x 1) v 2(x 2) SKUPNA OCENA odličen dober a neprimeren a sl ab a jiv ov ol za d ja n ed sr ka so vi parameter x 1 a zk do br ni od lič na primeren parameter x 2
Funkcija koristnosti več parametrov SKUPNA OCENA odličen dober a neprimeren a sl ab a jiv ov ol za d ja n ed sr ka so vi parameter x 1 a zk do br ni od lič na primeren parameter x 2
Funkcija koristnosti več parametrov podana po točkah SKUPNA OCENA odličen dober a neprimeren a sl ab a jiv ov ol za d ja n ed sr ka so vi parameter x 1 a zk do br ni od lič na primeren parameter x 2
Funkcija koristnosti več parametrov podana po točkah – lahko jih smatramo za enostavna pravila Nizka Primeren Dobra Visoka Neprimeren Dobra Srednja Primeren Dobra Nizka Dober Odlična Visoka Neprimeren Odlična Srednja Dober Odlična Nizka Odličen primeren neprimeren a Zadovoljiva dober sl ab a Srednja Primeren jiv Zadovoljiva odličen ov ol Neprimeren a Visoka za d Zadovoljiva OCENA AVTA do br Neprimeren na Nizka od lič Slaba VARNOST – x 1 a zk Srednja Neprimeren ja Slaba ni Neprimeren n ed Visoka sr Slaba ka OCENA AVTA so CENA vi VARNOST CENA – x 2
PRIMER: nakup avtomobila Dejavniki, ki vplivajo na nakup: cena, poraba goriva, varnost, udobnost, število vrat, ohranjenost, velikost prtljažnika Upoštevali bomo samo: ceno – C (v evrih) porabo - P (v litrih/100 km) varnost – V (v točkami med 0 in 10)
PRIMER: nakup avtomobila Funkcija koristnosti pri večparametrskih odločitvenih metodah je ponavadi dvostopenjska 1. nivo je za vsak kriterij opredeljena delna funkcija koristnosti (opredeljuje odvisnost med dejansko vrednostjo parametra in njegovo zaželenostjo) Na 2. nivoju združimo parametre Rezultat vrednotenja je končna ocena vsake variante, ki je v našem primeru izražena s števili med 0 in 100.
PRIMER: nakup avtomobila
Odločitvena metoda “abakon” Pri tej metodi potrebujemo kot pripomočke le papir in pisalo Bistveno je, da sledimo fazam odločitvenega procesa. Določimo kriterije, ki jih zapišemo v preglednico
Odločitvena metoda “abakon”
Izbira kandidata za delovno mesto PARAMETRI Strokovna izobr. Pomembnost parametrov VREDNOSTI PARAMETROV 0 10 20 30 40 50 60 70 80 90 100 [%] oš, sš viš vš mag dr Tuj jezik ne Delovne izkušnje nima <1 1 -5 6 -10 več Starost 18 -20 21 -25 26 -40 41 -55 več Nastop slabši Vodenje slabše Test D Variante - kandidati: A, B, C pas povpr. akt dobri srednje C Ocena variante a 1 odlični boljše B A Kakovost
Metoda odločanja s pomočjo elektronske preglednice V stolpec vnesemo kriterije (recimo, da jih je n), njihovo pomembnost lahko določimo s pomočjo normaliziranih uteži (w), ki jih vnašamo v drugi stolpec. Naravne vrednosti parametrov (v) moramo pretvoriti v številke.
Izbira kandidata za delovno mesto A utež 25% 10% 15% 12% 8% 15% 100% kriterij v strok. izobr. 75 tuj jezik 100 del. izk. 30 starost 30 nastop 60 vodenje 100 test 70 kandidat B C v*w v 18. 75 100 25 100 10 100 4. 5 100 15 70 4. 5 50 7. 2 40 4. 8 40 8 10 0. 8 10 10. 5 35 5. 25 70 63. 45 435 68. 35 440 S v*w Uteži so normalizirane Vrednost parametra Ocena variante c bez uteži v*w 25 10 10. 5 7. 5 4. 8 0. 8 10. 5 69. 1 Ocena variante c ob upoštevanju uteži
Izbira kandidata za delovno mesto
Izbira kandidata za delovno mesto A utež 25% 10% 12% 18% 15% 100% kriterij v strok. izobr. 75 tuj jezik 100 del. izk. 30 starost 30 nastop 60 vodenje 100 test 70 kandidat B C v*w v 18. 75 100 25 100 10 100 1. 5 100 5 70 4. 5 50 7. 2 40 4. 8 40 18 10 10. 5 35 5. 25 70 70. 45 59. 35 v*w 25 10 3. 5 7. 5 4. 8 10. 5 63. 1
DEX: Lupina ekspertnega sistema za večparametrsko odločanje 1987 1995, DOS DEXi: Računalniški program za večparametrsko odločanje 1999 , Windows
Osnove sistemov DEX in DEXi 1. VEČPARAMETRSKO ODLOČANJE • • • modeliranje s kriteriji in funkcijami koristnosti strukturiranje odločitvenega problema (drevo kriterijev) vrednotenje variant 2. EKSPERTNI SISTEMI • • kvalitativne (simbolične) merske lestvice funkcije koristnosti predstavljene s pravili tipa če-potem odločitveni model = baza znanja poudarek na razlagi in analizi rezultatov vrednotenja (D
Faze odločitvenega procesa Z odločitvenim procesom sistematično zbiramo in urejamo znanje Pridobiti želimo podatke za primerno odločitev, zmanjšati možnost, da bi kaj spregledali, Pospešiti proces ter dvignili kakovost odločitve
Faze odločitvenega procesa 0. IDENTIFIKACIJA PROBLEMA 1. IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV) a. spisek kriterijev b. struktura kriterijev (drevo kriterijev) c. merske lestvice 2. DEFINICIJA ODLOČITVENIH PRAVIL 3. OPIS VARIANT 4. ANALIZA VARIANT
0: IDENTIFIKACIJA PROBLEMA Najprej moramo določiti, o čem se pravzaprav odločamo. PRIMER: IZBIRA KANDIDATA ZA DELOVNO MESTO Natančno moramo določiti cilje, ki jih želimo z odločitvijo doseči. Problem moramo temeljito preučiti. Od problema je odvisno ali je smiselno vključiti v odločitveno skupino eksperte, ali predstavnike tiste skupine ljudi, na katere odločitev vpliva.
1. a: Spisek kriterijev Smiselno je, da so kriteriji merljivi Upoštevati je treba načelo polnosti Ugodno je doseči ortogonalnost in neredundatnost kriterijev Seznam kriterijev, ki vplivajo na odločitev (neurejen): • • vodstvene sposobnosti • organizacijske sposobnosti • delo v kolektivu • pridnost • delavnost • vztrajnost • odločnost Ne spreglejmo kriterijev, ki vplivajo na odločitev! • bistveno … izobrazba starost izkušnje doseženi rezultati znanje kolegialnost delovni pristop
1. b: Drevo kriterijev Kriterije združimo in na podlagi vsebinske povezave, nepomembne kriterije in kriterije, ki so že vključeni v druge kriterije zavržemo Ocena Znanja Strokov na Tuji jezik Leta Del. izk. Starost Oseb. last. Del. pristo p Nastop Vodenj e Test Združujemo vsebinsko sorodne kriterije Praviloma največ po dva do trije nasledniki notranjih vozlišč
1. c: Merske lestvice (zaloge vrednosti kriterijev) Vsem kriterijem v drevesu določimo zalogo vrednosti, ki jih zavzamejo pri vrednotenju Ocena nespr, dob, odl neustr, z_ustr Znanja neustr, z_ustr Leta Oseb. last. nespr, z_spr Strokov na oš_sš, viš, vš, mag, dr Tuji jezik ne, pas, akt Del. izk. Starost nima, do_1 leto, 1 -5, 6 -8, več Del. pristo p Test 18 -20, D, C, B, A 21 -25, 26 -40, Nastop Vodenj 41 -55, e več slabši, pov, slabše, sred, boljše dob, odl Zaloge vrednosti: diskretne, praviloma urejene od slabih proti d Število vrednosti naj raste počasi od listov proti korenu
2: Odločitvena pravila (funkcije koristnosti) Nastop Vodenje Del. pristop slabši slabše neustr slabši srednje neustr slabši boljše neustr povpr slabše neustr povpr srednje ustr povpr boljše ustr dober slabše neustr dober srednje ustr dober boljše z_ustr odl slabše neustr odl srednje z_ustr odl boljše z_ustr Funkcija koristnosti določa vrednost nadrednega kriterija v odvisnosti od podrednih Funkcijo koristnosti lahko v splošnem izrazimo kot utežena vsota razna povprečja … Pravila združevanja ocen od spodaj navzgor Oseb. last. Del. pristo p Nastop Vodenj e Test
3: Opis variant Variante opišemo z vrednostmi po osnovnih parametrih. Pri tem moramo biti pozorni: na zanesljivost virov informacij o posameznih varianti, na čim večjo popolnost podatkov. Ocena Znanja Strokov na Leta Tuji jezik Del. izk. Oseb. last. Starost Del. pristo p Nastop Kandidat Starost Nasto p Test Vodenj e Vodenje Test Strokovna Tuji jezik Del. izk. A mag pas do_1 leto 21 -25 dober boljše B B dr akt več povpr slabše B 26 -40
4. Vrednotenje variant 1. VREDNOTENJE VARIANT opravi računalniški program na osnovi: • • • modela odločanja analize variant končno pa odloči človek 2. Vrednotenje • • • poteka od listov proti korenu drevesa rezultat je kvalitativna ocena vsake variante na osnovi izdelanega modela: drevesa kriterijev in funkcije koristnosti vrednotenje lahko poteka tudi ob nenatančnih in nepopolnih podatkih o variant Varianta z najvišjo oceno je praviloma najboljša.
4. Analiza variant 1. ANALIZA VARIANT • • interaktivno pregledovanje rezultatov pregledovanje z grafikoni (DEXi) analiza tipa kaj-če selektivna razlaga vrednotenja (DEX)
4: Osnovno vrednotenje variant Kandidat A Znanja ustr Ocena dob Leta spr Oseb. last. z_ustr Strokov na mag Tuji jezik pas Del. izk. Starost do_1 leto 21 -25 Del. pristo p Nastop dob Vodenj e boljše Test B
4: Analiza kaj-če Kandidat A Znanja ustr Ocena dob Leta spr ne vpliva Oseb. last. z_ustr Strokov na mag dr Tuji jezik pas Del. izk. Starost do_1 leto 21 -25 Del. pristo p Nastop dob Vodenj e boljše Test B
4: Analiza kaj-če Kandidat A Ocena dob odl ustr z_ustr Znanja Leta Oseb. last. spr z_ustr Strokov na mag Tuji jezik pas akt Del. izk. Starost do_1 leto 21 -25 Del. pristo p Nastop dob Vodenj e boljše Test B
4: Selektivna razlaga vrednotenja Kandidat B Znanja Ocena Leta z_ustr nespr Oseb. last. z_spr neustr Strokov na dr Tuji jezik akt Del. izk. Starost več 26 -40 Del. pristo p Nastop povpr Vodenj e slabše Test B
Primer nakupa prenosnega računalnika Identifikacija problema
1. a Spisek kriterijev, ki vplivajo na odločitev (neurejen) Nakup prenosnega računalnika hitrost velikost diska cena zanesljivost zaslon barve servis razširljivost baterija procesor proizvajalec miška tipkovnica velikost pomnilnika Pazimo, da ne spregledamo pomembnih, bistvenih kriterijev
1. b Drevo kriterijev PRENOSNIK CENA TEH. KAR. ZUN. ENOTE NOT. ENOTE PROCESOR POMNILNIK DODATKI DISK ZASLON AVTONOMIJA TIPKOVNICA Združimo kriterije, ki “spadajo skupaj” Pazimo na strukturo: praviloma dva do trije nasledniki notranjega vozlišča
1. c Merske lestvice PRENOSNIK CENA nespr, dob, odl TEH. KAR. DODATKI 5000, 4000, 3000 ali visoka, srednja, nizka ZUN. ENOTE NOT. ENOTE AVTONOMIJA 2 h, 3 h, 4 h PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA nespr, dob Zaloge vrednosti so diskretne, praviloma urejene od slabih proti dobrim Število vrednosti naj raste počasi od listov proti korenu
2. Odločitvena pravila ZASLON TIPKOV. ZUN. ENOTE nespr slabša nespr dob slabša nespr srednja spr dob srednja dob nespr boljša spr dob boljša dob
3. Opis variant PRENOSNIK CENA TEH. KAR. ZUN. ENOTE NOT. ENOTE PROCESOR Prenosni CENA k POMNILNIK DODATKI DISK ZASLON AVTONOMIJA TIPKOVNICA PROC. POMN. DISK ZASLON 1. visoka dob spr dob 2. srednja spr dob spr nespr 3. nizka nespr spr nespr
4. Vrednotenje in analiza variant 1. VREDNOTENJE VARIANT • • • poteka od listov proti korenu drevesa rezultat je kvalitativna ocena vsake variante vrednotenje lahko poteka tudi ob nenatančnih in nepopolnih podatkih o variantah 2. ANALIZA VARIANT • • • interaktivno pregledovanje rezultatov analiza tipa kaj-če selektivna razlaga vrednotenja (DEX)
4. Osnovno vrednotenje variant PRENOSNIK CENA TEH. KAR. spr odl DODATKI nespr nizka spr dob NOT. ENOTE AVTONOMIJA ZUN. ENOTE 4 h PROCESOR dob POMNILNIK spr DISK spr ZASLON dob TIPKOVNICA sred
4. Analiza kaj-če PRENOSNIK CENA TEH. KAR. spr dob odl DODATKI nespr nizka spr dob NOT. ENOTE AVTONOMIJA ZUN. ENOTE 4 h PROCESOR dob POMNILNIK spr DISK spr ZASLON dob spr TIPKOVNICA sred
4. Selektivna razlaga vrednotenja PRENOSNIK CENA TEH. KAR. spr odl DODATKI nespr nizka spr dob NOT. ENOTE AVTONOMIJA ZUN. ENOTE 4 h PROCESOR dob POMNILNIK spr DISK spr ZASLON dob TIPKOVNICA sred
DEX in DEXi: Področja uporabe 1. RAČUNALNIŠTVO • • izbor računalnika izbor strojne in programske opreme 2. VREDNOTENJE PROJEKTOV • • ocena kvalitete oz. izvedljivosti projekta ocena investicije vrednotenje ponudb vrednotenje proizvodnih programov (portfolio) 3. VREDNOTENJE PODJETIJ • • • izbor poslovnega partnerja boniteta bank ocenjevanje uspešnosti podjetij 4. KADROVSKO ODLOČANJE • • • ocenjevanje primernosti, uspešnosti delavcev izbor ekspertne skupine vrednotenje prošenj in vlog 5. MEDICINA, ZDRAVSTVO • • ocenjevanje rizičnosti spremljanje osnovnih življenjskih aktivnosti 6. OSTALA PODROČJA • • • vrednotenje tehnologij izbor lokacije ocena prioritet pri dodeljevanju posojila
DEX in DEXi: Nekaj izkušenj • • Široka in splošna uporabnost večparametrskih metod Rešitve praviloma niso univerzalne 1. POTREBNI ČAS ZA IZVEDBO POSTOPKA • • močno odvisen od problema (nekaj ur do nekaj mesecev) tipično 2 do 15 delovnih dni 2. NAJZAHTEVNEJŠA FAZA • 1. b: izdelava drevesa kriterijev 3. PRIMERNI ODLOČITVENI PROBLEMI • • veliko kriterijev (> 15) veliko variant (> 10) kvalitativno odločanje, presoja nenatančni in nepopolni podatki
DEXi: Računalniški program za večparametrsko odločanje Preprost program za delo z odločitvenimi modeli, ki omogoča: • • • izdelavo in preurejanje drevesa kriterijev urejanje zalog vrednosti kriterijev in odločitvenih pravil zajemanje podatkov o variantah vrednotenje variant tabelarični pregled rezultatov vrednotenja z analizo tipa kaj-če grafični prikaz rezultatov vrednotenja
Prednosti in slabosti posameznih metod PREDNOSTI SLABOSTI • Enostavnost • Priročnost • ni enovite končne ocene • Ni uteži • Omejena kaj če analiza • Ocena, uteži, urejanje • Kaj če analiza • Grafika • Samo številčna ocena • Izgubimo interpretacijo (od kod izvirajo številke) • Pri večjem številu kriterijev izgubljamo preglednost • ni razlage ( ni pojasnil številčnih ocen kriterijev • Kvalitativno izražanje • Podatki so lahko nenatančni – nepopolni • Upoštevanje odvisnosti uteži od vrednosti kriterija • Razumljiva razlaga ocen variant • Kaj če analiza, grafika • Bolj zahtevno za uporabo • Ne zna razvrščati znotraj opisne ocene • Omejitev na opisne ocene • Zahtevnejše določanje funkcij koristnosti (odločitvena pravila) PRE G LED NICA AB AC ON METODA DEXi
DEXi: Izdelava in preurejanje drevesa kriterijev
DEXi: Urejanje zalog vrednosti in odločitvenih pravil
DEXi: Urejevalnik variant
DEXi: Vrednotenje variant
DEXi: Grafični prikaz vrednotenja variant
- Slides: 123