Wprowadzenie do Sztucznej Inteligencji w zastosowaniach biznesowych

1. Wprowadzenie do Sztucznej Inteligencji w zastosowaniach biznesowych Podyplomowe Studium Business Intelligence - Systemy Wspomagania Decyzji Biznesowych dr Jarosław Olejniczak Jaroslaw.Olejniczak@sgh.waw.pl

2. Sztuczna inteligencja - literatura • L. Rutkowski, Metody i techniki sztucznej inteligencji.Warszawa: PWN, 2005 • J.S. Zieliński, Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000; • B. Stefanowicz, Sztuczna Inteligencja i Systemy Eksperckie, Oficyna Wydawnicza SGH 2002; • J. Mulawka, Systemy ekspertowe, WNT Warszawa 1996; • W. Flakiewicz, Systemy informacyjne w zarządzaniu, Beck Warszawa 2002.

3. Sztuczna inteligencja - literatura • E. Rich, K. Knight, Artificial Intelligence, McGraw-Hill 1991; • Turban E.,Aronson J., Decision Support Systems and Intelligent Systems, Prentice Hall 1998; • Klein M.., Mathlie L.B., Expert Systems a decision support approach with applications in management and finance, Addison-Wesley Publishing Company 1990; • Scott A.C. Clayton J.E., Gibson L.E., A practical guide to knowledge acquisition, Addison-Wesley Publishing Company 1991

4. Sztuczna inteligencja - literatura • J. Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa 2001; • D. E. Goldberg , Algorytmy genetyczne i ich zastosowania , WNT Warszawa 1998 • M. Lasek, Data Mining zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza “Zarządzanie i Finanse”, Warszawa 2002; • R. Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993; • E. Gatnar, Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998

5. Sztuczna inteligencja - literatura • T.D. Gwiazda, Algorytmy genetyczne :zastosowania w finansach, Wydaw. Wyż. Szk. Przedsiębiorczości i Zarządzania im. L. Koźmińskiego, 1998. • T.D. Gwiazda, Optima_AG optymalizator problemów zarządzania i biznesu dla Microsoft Excel, Wydawictwa Naukowe Wydziału Zarządzania UW, Warszawa 1999 • Kopczewska K., Kopczewski T., i Wojcik P., Metody Ilościowe w R. Aplikacje ekonomiczne i finansowe. CEDEWU.PL Wydawnictwa Fachowe, 2009. • M. Walesiak, Statystyczna analiza danych z wykorzystaniem programu R. Warszawa: Wydawnictwo Naukowe PWN, 2009. • P. Biecek, Przewodnik po pakiecie R. Wrocław: Oficyna Wydawnicza GIS, 2008.

6. Sztuczna inteligencja - literatura • L. Torgo, Data mining with R : learning with case studies. Boca Raton: Chapman & Hall/CRC, 2011. • D. S. Putleri R. E. Krider, Customer and business analytics : applied data mining for business decision making using R. Boca Raton, FL: CRC Press, 2012. • G. Williams, Data mining with Rattle and R the art of excavating data for knowledge discovery. New York [etc.]: Springer, 2011. • R. M. Heibergeri E. Neuwirth, R through Excel : a spreadsheet interface for statistics, data analysis, and graphics. Dordrecht; New York: Springer, 2009.

7. Sztuczna inteligencja - wprowadzenie Sztuczna Inteligencja - to dziedzina informatyki dotycząca metod i technik wnioskowania symbolicznego przez komputer oraz symbolicznej reprezentacji wiedzy stosowanej podczas takiego wnioskowania Feigenbaum cyt. J. Mulawka, Systemy ekspertowe, WNT Warszawa 1996 Sztuczna Inteligencja - wszelkie badania dotyczace aspektów zwiazanych z problemami inteligencji, prowadzone metodami realizacji technicznej lub teoretycznych rozwiązań wykorzystujących formalizm matematyczny Dziurnikowski, Informatyka, 1979, nr 3

8. Sztuczna inteligencja - wprowadzenie Sztuczna Inteligencja jest tą częścią informatyki, która bada procesy rozumowania symbolicznego i niealgorytmicznego oraz zajmuje się reprezentacją symbolicznie ujętej wiedzy. Forsyth R., Expert systems - Principles and Case Studies , Chapman and Hall, Univ. Press Cambridge 1984 Sztuczna Inteligencja - zespół środków informatyki, ułatwiających nabywanie i wykorzystywanie wiedzy wynikającej z oddtwarzania okoliczności, które doprowadziły do znanych skutków, w celu określenia czynników i działań niezbędnych dla spowodowania skutków pożądanych Olejniczak J, Sztuczna Inteligencja z filozoficznej perspektywy, Problemy 1991, nr 6

9. Sztuczna inteligencja - historia • Jackues de Vaucanson (1709- 1782) - słynny konstruktor sztucznych automatów imitujących zachowanie żywych organizmów; • Alan Turing (1912 - 1954) -w 1936 opracował teoretyczny model tzw. maszyny Turinga, test Turinga. • McCulloch W.S.,Pitts W. , A logical calculus of the ideas Immament in nerwous activity. Bulletin of Mathematical Biophysics, 1943 - teoretyczne podsatwy do utworzenia sztucznych sieci neuronowych; • Norbert Wiener (1984 - 1964) - jako pierwszy wysunął hipotezę że inteligentne zachowanie jest wynikiem działania mechanizmu ze sprzężeniem zwrotnym;

10. Sztuczna inteligencja - historia • John McCarthy (ur 1927) - twórca pojęcia sztucznej inteligencji (1956) - “The Darthmouth summer research project on artificial intelligence”, twórca języka LISP; • Newel A. Simone H.A. :GPS - a program that simulates human thought, Addison Wesley Publishing Company 1963 • J. Weizenbaum (1967) - ELIZA - pierwszy chatterbot • Uniwersytet Stanford (1972) - powstają pierwsze systemy ekspertowe: MYCIN i PROSPECTOR • J.H Holland, Adaptation in Natural and Artificial Systems, University of Michigan Press, 1975 - podstawy do tworzenia algorytmów genetycznych;

11. Sztuczna inteligencja - historia • Christopher Langton (1987) - konfrenecja “Evolution, Games and Learning: Models for adaptation in machines and nature” - po raz pierwszy pojawia się pojęcie Sztuczne Życie (Artificial Life) • 1997 Gari Kasparow przegrywa pojedynek szachowy z systemem informatycznym;

12. Sztuczna inteligencja – obszary • Systemy ekspertowe • Procesy percepcji (wizja, słuch, dotyk) • Robotyka • Automatyczne uczenie • Reprezentacja niepewności i niewiedzy w systemach informatycznych • Sztuczne sieci neuronowe • Algorytmy genetyczne • Rozpoznawanie języka naturalnego • Sztuczne życie • Eksploracja danych • Web mining • Text mining

13. Sztuczna inteligencja – klasy systemów • Systemy transakcyjne • Systemy biurowe • Systemy informacyjne zarządzania • Systemy wspomagania decyzji • Systemy wspomagające kierownictwo (Executive Information Systems) • Systemy inteligentne

14. Programy tradycyjne a inteligentne

15. Definicje i pojęcia podstawoweZagadnienia podejmowania decyzji Decyzje które należy podjąć 1 cele lub środki środki cele jeden wymiar 2 liczba wymiarów n wymiarów mierzalność wymiarów 3 miary ilościowe miary jakościowe pewność p=0 lub p=1 niepewność 4 Niepewność (niewiedza) p przestaje mieć znaczenie ryzyko 0<p<1 Jedna jednostka liczba jednostek 5 n jednostek Automatyczne 6 rodzaje kryterium decyzji odwołujące się do autorytetu prób i błędów odwołujące się systemów etycznych matematyczne synteza wartości

16. Definicje i pojęcia podstawoweProces podejmowania decyzji – przepływ informacji Otoczenie wewnętrzne Otoczenie zewnętrzne Ocena informacji Analiza ilościowa Analiza jakościowa Interpretacja: Czy znaleziono problem ? Decyzja: co zrobić z problemem

17. Konspekt • Wiedza w systemach informatycznych • Algorytmy genetyczne • Sztuczne sieci neuronowe • Wybrane metody automatycznego uczenia

18. Definicje i pojęcia podstawoweCo przetwarza SWD ? • Dane • Informację • Wiedzę

19. Definicje i pojęcia podstawoweDane Dane - liczby, fakty, pojęcia lub rozkazy przedstawione w sposób wygodny do przesyłania, interpretacji lub przetwarzania metodami ręcznymi lub automatycznie polska norma z 1970 roku

20. Definicje i pojęcia podstawoweInformacje Informacja to uporządkowany zestaw danych

21. Definicje i pojęcia podstawoweInformacje Informacja to wiadomość przedstawiona zwykle w formie dokumentu lub przekazu dźwiękowego lub wizualnego Thomas H. Davenport, Laurence Prusak

22. Definicje i pojęcia podstawoweCo to jest wiedza Wiedza składa się ze zrozumienia tych aspektów świata, które nigdy się nie zmieniają Platon

23. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza - uporządkowany zbiór faktów i relacji, który stanowi część procesu wnioskowania. Collins Dictionary of Artificial Intelligence

24. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza - zestaw wzajemnie połączonych informacji na określony temat przez co - dzięki cesze synergii przypisywanej informacjom uzyskuje się określony spójny obraz rozpatrywanego wycinka rzeczywistości prof. Bogdan Stefanowicz.

25. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza jest to płynna mieszanka wyrażonego doświadczenia, wartości, informacji wypływających z kontekstu i eksperckiej wnikliwości, które dostarczają podstaw do oceny i przyswajania nowych doświadczeń i informacji Thomas H. Davenport and Laurence Prusak

26. Definicje i pojęcia podstawoweCo to jest wiedza ? Wiedza = Informacje + relacje + kontekst

27. Wiedza w systemach informatycznych Klasy systemów informatycznych • Systemy transakcyjne • Systemy wspomagania decyzji • Systemy ekspertowe i inne oparte na metodach sztucznej inteligencji

28. Wiedza w systemach informatycznychSystemy transakcyjne • Wiedza stała – przejęta • Struktura tabel i relacje miedzy nimi • Definicje procesów typu „workflow” • Różnego rodzaju procedury i funkcje • Wiedza zmienna – nabyta • Zawartość tabel – dane • Czasami też struktura tabel i relacje między nimi

29. Wiedza w systemach informatycznychSystemy Wspomagania Decyzji • Wiedza stała – przejęta • Procedury i funkcje • Modele matematyczne • Procesy typu „workflow” • Wiedza zmienna – nabyta • Wartości graniczne • Współczynniki

30. Wiedza w systemach informatycznychSystemy Wspomagania Decyzji • Wiedza stała – przejęta • Struktura i postać „obiektów wiedzy” • Relacje pomiędzy obiektami wiedzy • Struktura sieci neuronowej w przypadku systemów opartych o sztuczne sieci neuronowe • Funkcja użyteczności w przypadku rozwiązań opartych o algorytmy genetyczne • Wiedza zmienna – nabyta • „Obiekty wiedzy” generowane automatycznie • Wagi neuronów w przypadku rozwiązań opartych o sztuczne sieci neuronowe • Funkcja przynależności w przypadku zastosowania teorii zbiorów rozmytych

31. Wiedza w systemach informatycznychMetody Reprezentacji Wiedzy Reprezentacja wiedzy w systemie informatycznym dotyczy sposobów w jaki jest ona przechowywana.

32. Wiedza w systemach informatycznychPoziomy Reprezentacji Wiedzy • Poziom wiedzy - obejmuje opis faktów • Poziom symboli które mogą być przetwarzane przez program

33. Wiedza w systemach informatycznychMetody Reprezentacji Wiedzy • Reguły produkcji • Sieci semantyczne • Ramy • Skrypty • Rachunek predykatów • Ontologie

34. Metody reprezentacji wiedzyReguły produkcji Reguły produkcji są definiowane jako zdania składające się z przesłanki i konkluzji lub akcji. Przesłanka może zawierać pewną liczbę stwierdzeń połączonych funktorami logicznymi

35. Metody reprezentacji wiedzyReguły produkcji - schemat JEŚLI przesłanka TO konkluzja oraz JEŚLI przesłanka TO działanie

36. Metody reprezentacji wiedzyReguły produkcji – konkluzje i działania Konkluzja oznacza wygenerowanie faktu, a działanie to uruchomienie dodatkowego procesu np obliczeniowego lub pobranie dodatkowych danych Zbiór reguł produkcji można rozpatrywać jako szczególny sposób zapisu pewnej sieci stwierdzeń ponieważ z prawdziwości jednego stwierdzenia mogą wynikać inne.

37. Metody reprezentacji wiedzyReguły produkcji – cechy • Reguły umożliwiają zapisanie wiedzy proceduralnej niezależnie od stopnia jej pewności, stopnia ogólności i zbliżenia do danej dziedziny problemowej. • Każda reguła prezentuje wiedzę jednostkową: jest to jedna granula (ang.: chunk of knowledge) wiedzy proceduralnej. • Reguły są wzajemnie niezależne, chyba że inżynier wiedzy w którejś z nich zdefiniuje listę Ls reguł blokowanych (lub Ld - lista reguł odblokowanych) przez daną regułę. • Reguły pozwalają zapisać zarówno wiedzę algorytmiczną, jak heurystyczną, • Reguła umożliwia powiązanie faktów z uwzględnieniem doświadczeń w kontekście danej dziedziny problemowej.

38. Metody reprezentacji wiedzyReguły produkcji – proste i złożone • Reguły proste - prowadzą do sformułowania reguł pośrednich • Reguły złożone -umożliwiają bezpośrednie wyznaczanie wniosków przez system

39. Metody reprezentacji wiedzyReguły produkcji – przykład JEŚLI (ocena akcji i kapitału jest pozytywna) i(ocena rentowności finansowej jest pozytywna) i(ocena zadłużenia jest pozytywna) i (ocena płynności finansowej jest pozytywna) i(ocena ogólna jest pozytywna)TO Można zaakceptować wniosek kredytowy pozytywnie

40. Metody reprezentacji wiedzyReguły produkcji – zalety • Prostota zastosowania i możliwość łatwej weryfikacji bazy wiedzy • Możliwość modyfikacji BW poprzez dodawanie nowych reguł i usuwanie starych • Możliwość reprezentacji meta wiedzy

41. Metody reprezentacji wiedzyReguły produkcji – wady • Trudność odwzorowywania złożonych struktur wiedzy • Ograniczenie narzędzi implementacji do takich które oferują gotowy mechanizm wnioskowania

42. Metody reprezentacji wiedzyRachunek predykatów Rachunek predykatów - dostarcza praw wnioskowania odwołujących się do wewnętrznej budowy zdań, w której wyróżnia się predykaty (odpowiednik orzeczenia) , argumenty predykatów (odpowiednik podmiotu) oraz wyrażenia zwane kwantyfikatorami

43. Metody reprezentacji wiedzyRachunek predykatów

44. Metody reprezentacji wiedzyRachunek predykatów - zalety • Prostota • Zrozumiała interpretacja wyrażania zdań • Możliwość zastosowania gotowego narzędzia - język PROLOG

45. Metody reprezentacji wiedzyRachunek predykatów - wady • Niemożność wyrażenia wiedzy rozmytej • Niemożność uwzględnienia pewności lub niepewności przesłanek • Niemożność wyrażenia dwóch punktów widzenia na tą samą sprawę

46. Metody reprezentacji wiedzySieci semantyczne Koncepcja sieci semantycznych została opracowana przez Quilliana i przedstawiona w pracy: Quillian R. “Semantic memory. Semantic Information Processing. MIT Press, Cambridge 1968

47. Metody reprezentacji wiedzySieci semantyczne Sieć semantyczna - rodzaj reprezentacji wiedzy, w którym występują węzły oraz powiązania pomiędzy nimi przedstawiane zwykle w postaci grafu. Węzły sieci reprezentują obiekty i zdarzenia,zaś powiązania pomiędzy węzłami reprezentują relacje, które są przedstawiane w formie określonych typów strzałek. Wnioskowanie w przypadku sieci semantycznej jest realizowane na zasadzie poruszania się po jej grafie. Collins Dictionary of Artificial Intelligence

48. Metody reprezentacji wiedzySieci semantyczne - przykład

49. Metody reprezentacji wiedzySieci semantyczne -zalety • Łatwość przedstawiania hierarchii zdarzeń • Wykorzystanie mechanizmu dziedziczenia • Łatwość ustalenia związków pomiędzy zdarzeniami

50. Metody reprezentacji wiedzySieci semantyczne - wady • Trudności związane z oprogramowaniem sieci semantycznych • Trudności w interpretacji znaczenia węzłów