1.

INTELIGENA ARTIFICIAL I SISTEME EXPERT N

MANAGEMENT
n contextul noului mediu economic, utilizarea calculatorului, a informaticii economice, nu
determin doar dezvoltarea companiilor, dar n multe situaii asigur chiar supravieuirea lor.
Utilizarea tehnicii de calcul pentru rezolvarea problemelor complexe de evaluare, ajustare,
diagnosticare, prognozare a unui sistem economic, are o istorie care poate fi considerat deja ndelungat.
Generaia actual de calculatoare reuete s implementeze metode i algoritmi care s fie capabili s
nglobeze experiena acumulat referitoare la o gam larg de situaii, i chiar s nvee din experiene noi.
Aceste metode sunt grupate generic sub denumirea de tehnici de inteligen artificial (IA), i vin n
sprijinul cursei frenetice a forelor de pia ce oblig firmele de producie s lanseze noile generaii de
produse la perioade de timp din ce n ce mai scurte.

1.1. Sisteme Expert, definiii

Cuvntul inteligen provine din limba latin (intelligentia - pricepere, nelegere, cunoatere) fiind
regsit n majoritatea limbilor moderne, cu aceeai semantic. Lista definiiilor care urmeaz ncearc s
creeze o nelegere ct mai complex a implicrii acestei noiuni n terminologia specific a Sistemelor
Expert.

Inteligena [Mar-78] reprezint nelegerea profund, uoar a unor lucruri, mai ales n
domeniul culturii i al tiinei; facultatea de a nelege, de a pricepe fenomenele, lucrurile, etc.
ntelegerea [Ros-75] este activitatea gndirii prin care se descoper legturile dintre
obiecte i fenomene. n form elementar, nelegerea este cuprins chiar n procesul
perceperii. n form mai complex, nelegerea este implicat n descoperirea legturilor
dintre cauz i efect, a semnificaiei unei lucrri artistice sau tiinifice, a motivelor conduitei
oamenilor, etc. nelegerea este implicat, mai ales, n procesul de rezolvare al problemelor i
se bazeaz n general pe experiena trecut i pe utilizarea acesteia, ntr-o situaie nou.
Inteligena Artificial IA [Pop-81] reprezint un domeniu de cercetare al crui scop const
n studiul i modelarea inteligenei, prin crearea de sisteme capabile s ndeplineasc activiti
inteligente. Sistemele realizate nu trebuie s copieze n mod necesar metodele i tehnicile
utilizate de om pentru ndeplinirea activitilor, important fiind numai efectuarea ieftin,
sigur i eficient a activitilor propuse.
Inteligena Artificial IA [Sfe-93] cuprinde eforturile depuse pentru dotarea
calculatoarelor cu capaciti, care n mod obinuit, sunt atributele inteligenei umane:
achiziia de cunotine, percepia (vizual, auditiv), raionamentul, luarea deciziei, etc.
Inteligena Artificial - [Bee-93] reprezint acea arie a tiinei calculatoarelor preocupat cu
realizarea mainilor care execut anumite aciuni, care dac ar fi realizate de oameni ar fi
considerate c exprim comportamentul uman.
Sistemul Expert SE [Bee-93] reprezint o form a inteligenei artificiale. SE este proiectat
pentru a reproduce tehnica de rezolvare a problemei unui expert ntr-o arie ngust de
specializare, n care se justific mult mai mult raionamentul dect calculul.
Un Sistem Expert SE [Bra-88] este un program care rezolv problemele dintr-un
domeniu ngust de aplicaie, asemeni unui expert uman.
Un Sistem Expert [Lug-91] este un program bazat pe cunoatere care ofer soluii de calitate
expert, ntr-un domeniu specific.

Un Sistem Expert [Fei-82] este un program inteligent care utilizeaz cunotine i proceduri
de inferen pentru rezolvarea unor probleme care sunt suficient de dificile pentru a solicita
expertize efectuate de specialiti.
Raionamentul - [Bee-93] este abilitatea de a concepe, sau ncercarea de a ajunge la o
concluzie pornind de la premize valide sau invalide.

Sistemele Expert reprezint o ramur a inteligenei artificiale care folosec cunotine specializate
pentru a rezolva o problem la nivelul unui expert uman. Toate definiiile Sistemelor Expert scot n
eviden o trstura specific lor i anume faptul c un SE utilizeaz informaii extrase din experiena
uman, putnd deci furniza decizii la nivelul de competen corespunztor informaiilor primite i a
metodelor de raionare implementate. Un sistem expert nu este numit program, ci sistem, deoarece
ncorporeaza multe tehnologii diferite, cum ar fi baza de cunotine, mecanisme de interferen, faciliti
de explicare etc. [www-07].
Realizarea unei maini inteligente, care s imite performanele complexe ale comportamentului
uman reprezint o real provocare datorit lipsei de abilitate a omului de a nelege n ntregime
mecanismul de procesare, respectiv puterea creierului uman. [Bee-93]. Avantajele i dezavantajele unei
maini inteligente pot fi cel mai bine reliefate prin realizarea unei analize comparative ntre
comportamentul uman i sistemele inteligente aa cum se poate observa n Tabelul 1.1 i Tabelul 1.2, care
sintetizeaz cteva diferene semnificative.
Tabelul 1.1 Avantajele mainii inteligente
Caracteristica
Abilitatea uman
Perisabil
Cunoaterea
Inconsecvent
Raionament
Valoare mare n uniti
Expertiza
monetare
Mobil
Oameni
Inconsecvent
Abilitatea de procesare
Limitat
Rezistena
Restrns
Expertiza
Mortal
Gndirea

Abilitatea mainii
Permanent
Consecvent
Valoare medie n uniti
monetare
Imobil
Foarte consecvent
Nelimitat
Vast
Fr moarte

Tabelul 1.2 Limitrile mainii inteligente

Caracteristica
Abilitatea uman
Evolutiv
Cunoaterea
Nelimitat
Raionament
Adaptabil
Expertiza
Receptiv
Oameni
Multipl
Abilitatea de procesare
Contient
Gndirea
Creativ
Expertiza

Abilitatea mainii
Static
Limitat
Rigid
Nereceptiv
Singular
Incontient
Fr inspiraie

n general sistemele inteligente sunt sisteme deductive, putnd genera concluzii pe baza cunoaterii
incorporate sau furnizate din exterior i respectiv neputnd genera singure noi cunostinte.
Conceperea i dezvoltarea unui sistem inteligent n management necesit cunotine i experien
complex n domenii multiple cum ar fi: proiectare, producie, programare, utilizarea calculatoarelor i
experiena economic a societilor comerciale. Capacitatea de a realiza o distincie clar a noiunilor de
activitate (sarcin), cunoaterea problemelor din domeniu, de metod de rezolvare a problemelor, precum
i integrarea unui model conceptual bine structurat, constituie o baz necesar pentru dezvoltarea unui
sistem inteligent n management.
2

1.1.1. Structura unui Sistem Expert

Structura unui Sistem Expert este reprezentat n fig. 1.1, modulele componente avnd urmtoarele
semnificaii:

Baza de cunotine nglobeaz o colecie de cunotine relevante despre un anumit domeniu,

fiind format din:
baza general de cunotine modul ce conine regulile referitoare la operaiile care se
pot efectua asupra elementelor de cunoatere coninute n baza de date specific cazului. n
esen, regulile constituie un ansamblu complet i necontradictoriu de cunotine necesare
rezolvrii unei probleme.
datele cazului specific modul ce conine informaiile relative la domeniul de aplicaie
studiat. Faptele reprezint partea dinamic a bazei de cunotine i au rolul de a reprezenta
starea obiectelor la un moment dat.
Expert
uman

Editorul baz
de cunotine

Baza
general
de
cunotine

Interfaa
utilizator

aina de inferen

Sistem
explicativ

Modul grafic

Datele
cazului
specific

Fig. 1.1. Structura unui Sistem Expert

Maina de inferen - este un program general care implementeaz mecanismul prin care se
construiesc deduciile, prelucreaz cunotinele i datele pe baza acestor deducii. Motorul de
inferen conine cunoaterea procedural i de control.

Interfaa utilizator - realizeaz o legtur facil ntre sistem i utilizator, intermediind un

dialog eficient ntre acetia. Interfaa permite utilizatorului s pun ntrebri sistemului expert,
s introduc noi informaii, sau s obin o imagine asupra procesului de rezolvare.

Editorul baz de cunotine - permite completarea sau modificarea bazei de cunotine a SE.
Aciunea propriu-zis de achiziionare se realizeaz prin chestionarea experilor umani.

Sistemul explicativ - are rolul de a furniza explicaii operatorului n legtur cu raionamentul

folosit pentru a ajunge la concluzia prezentat.

 Modulul grafic reprezint interfaa grafic care faciliteaz experilor din

domeniu,
posibilitatea de a-i formaliza cunotinele ntr-o manier ct mai reprezentativ, cu o
asisten ct mai limitat a inginerului de cunotine.
Sistemele inteligente, respectiv SE au fost concepute pentru a rezolva o serie de probleme din
domenii largi, cum ar fi: afaceri, inginerie, chimie, geologie, tiina calculatoarelor, medicin,
matematic, drept, aprare, educaie, .a.
Cteva din domeniile de aplicaie ale IA sunt prezentate n continuare:
1.
2.
3.
4.
5.
6.

Vedere artificial recunoaterea formelor

Prelucrarea vocii constituirea i sinteza vocii umane
Prelucrarea limbajului natural nelegerea, prelucrarea i redarea limbajului natural
Recunoaterea formelor perceperea, i clasificarea diferitelor forme
Rezolvarea problemelor formalizarea i rezolvarea unor clase generale de probleme
Procesarea informaiei se ocup de programe capabile s neleag informaia scris sau citit,
s realizeze rezumate, s rspund la diferite ntrebri;
7. Jocuri pe calculator;

Categoriile de probleme solvabile de ctre un Sistem Expert pot fi sintetizate n modul urmtor
[Lug-91].
1. Interpretare deducerea unor concluzii intermediare sau finale pentru anumite piese de
cunoatere provenite din baze de date primare.
2. Diagnoz stabilirea tipului de defect a unui sistem ct i a cauzelor generatoare conform unui
model prestabilit.
3. Predicia prezicerea cu un anumit grad de probabilitate a consecinelor evoluiei unui sistem
dat.
4. Proiectare determinarea configuraiei unui sistem, att n concordan cu specificaiile
funcionale prestabilite ct i cu specificaiile exogene sistemului.
5. Planificare programarea unei suite de activiti n funcie de dependenele tehnologice dintre
ele, precum i de condiiile prestabilite de start i/sau de final.
6. Supraveghere verificarea evoluiei unui sistem dat n comparaie cu evoluia prescris.
7. Depanare localizarea defectelor i implementarea remediilor n cazul funcionrii defectuase a
unui sistem dat.
8. Instruire ghidarea utilizatorului n procesul de nvare, precum i localizarea si corectarea
deficienelor de nelegere .
9. Sisteme bazate pe cunotine - pot fi utilizate ca i sistem de rezolvare a problemelor generale,
ins nu pot fi cu adevrat numite sisteme expert datorit lipsei expertizei specifice.

1.1.2. Conceptul de cunoatere i reflectarea sa n Sistemele Expert

[Pn-00], [Str-99], [www-10], [www-18]

Cunoaterea presupune o reflectare activ n contiin a lumii reale, a esenialului i generalului

din fenomene i a legturilor obiective ale realitii. Astzi, omul n tentativa lui de cunoatere a lumii
nconjurtoare dispune de un instrument suplimentar, calculatorul, care mai mult dect hrtia, l poate
ajuta la stocarea i procesarea informaiilor despre obiecte, fapte, fenomene.
Cunoaterea este un tip special de activiti, reflectnd interaciunea ntre individul uman, ca subiect
cunosctor i realitatea fizic sau social existent, independent de el [Geo-82].
Cunoaterea este considerat cel mai adesea o msur a inteligenei.

Utilizarea calculatorului n procesarea informaiilor poate conduce la atingerea unor detalii cu o

vitez semnificativ, urmrindu-se un anumit scop prin aplicarea unei metode specifice. Tratarea
sistemic a informaiilor le ridic din starea de elemente de mulime (relaia de apartenen), n postura de
elemente de structur i le confer acestora proprieti structurale (relaii compoziionale, cauzale,
modale, epistemice), precum i o denumire nou, aceea de date.
Cunoaterea poate fi clasificat n mai multe moduri cum ar fi: cunoaterea comun, fr metod
i cunoaterea tiinific, cu metod; cunoaterea empiric, dac informaiile despre obiecte, fenomene,
procese provin de la organele senzoriale sau de la instrumentele de msur i cunoaterea teoretic, dac
ea provine dintr-un raionament care opereaz cu legi cauzale, etc. Cunoaterea teoretic se dezvolt din
cunoaterea empiric prin analiz, sintez, deducie, particularizare, etc.
Finalitatea actului de cunoatere tiinific este reprezentat de teoria tiinific. Cuvntul teorie
provine din grecescul theoria cu nelesul de contemplare, meditaie. Acest termen are astzi, n
filozofia tiinei, coninut divers. Teoria poate fi definit ca i:

o mulime de reguli i principii de procedur;

o schem de terminologie i clasificare;
un sistem de concepte;
un mod de descriere;
un sistem de propoziii, formulate asupra unor entiti neobservabile;
un sistem ipotetico-deductiv.

Teoria desemneaz un sistem de propoziii, logic organizat, care sintetizeaz o anumit cantitate de
informaii, referitoare la un domeniu al realitii, pe care l descrie i l expic[Geo-82].
Cunoaterea este ntotdeauna parial i incomplet. Esena cunoaterii aparine obiectului, prin
urmare ne este inaccesibil [Hei-88]. Transpunerea activitii de cunoatere, pe suportul numit
calculator, este o problem a inteligenei artificiale.
Omul nu creeaz o alt inteligen, diferit de a sa, ci i folosete propria inteligen pentru a face
calculatorul s aibe un astfel de comportament nct, s poat fi perceput ca inteligent. De aici rezult i
o definiie demitizatoare a Inteligenei Artificiale, potrivit creia:
Inteligena Artificial [Cr-95] reprezint abilitatea omului de a instrui o main, astfel nct, n
anumite mprejurri particulare, maina s se comporte, prin reacii la stimulii externi, ca o entitate
inteligent.
Maina inteligent trebuie s-i reprezinte raionamentele prin intermediul anumitor convenii i
simboluri, cu care s fie capabil s opereze. Metoda de reprezentare presupune o anumit ordine
conceptual, care cuprinde:
sistemul de meta-reprezentare;
sistemul de clasificare ;
sistemul de organizare.
Problema fundamental a Inteligenei Artificiale i respectiv a sistemelor expert este cea de definire
a unor metode pentru reprezentarea unor cantiti semnificative de cunotine, metode care s permit
stocarea i utilizarea eficient a acesteia. Metodele de reprezentare ale cunoaterii pot fi grupate n:
metode logice;
5

 metode procedurale.
metode relaionale (modele structurate);
Metodele logice descriu cunoaterea ca pe o nlnuire de aciuni care se implic reciproc att din
punct de vedere al cunotinelor ct i cel al relaiilor dintre acestea.
Avantajul metodelor logice const n aplicarea direct a regulilor de inferen, asupra elementelor
de cunoatere.
Dezavantajul metodelor logice const n existena soluiilor nesatisfctoare de sistematizare a
bazei de cunotine, n dificultatea reprezentrii cunoaterii despre aciuni i a regulilor euristice.
Calcul predicatului de ordinul nti ca i exemplu de metod logic, reprezint o baz de
cunotine construit n limbajul logic, incluznd piesele de cunoatere reprezentate cu ajutorul unor
expresii (propoziii simple) nlnuite ntre ele cu formule ale acestui limbaj. Astfel, un element de
cunoatere reprezentat iniial n limbaj natural este descompus n propoziii elementare adevrate
denumite aseriuni (care specific fapte, proprieti, relaii) legate de elementul de cunoatere. Acesta
este motivul pentru care metoda se mai numete i Reprezentarea faptelor .Fiecare fapt poate fi tratat
din punct de vedere informatic ca un lan de caractere specific, ca de exemplu:
RANDAMENT_proiect_02 = 90%
Pentru a procesa mai uor informaiile, se structureaz lanurile de caractere. Un procedeu curent l
reprezint utilizarea tripletelor:
<PREDICAT>(<SUBIECT>,<OBIECTE ASUPRA CARORA SE EFECTUEAZ PREDICAIA>)
Fiecare propoziie elementar este generat de un predicat cu un numr finit de locuri n care sunt
specificate variabile formale sau obiecte din mulimea suport.
Pentru crearea elementului de cunoatere, propoziiile elementare sunt nlnuite prin intermediul
conectorilor logici ( , , <, >, =, , , , , ^, V) putndu-se efectua raionamentele n mod logic.
Particulariti: metodele logice de reprezentare a cunoaterii sunt declarative deoarece ofer
faciliti pentru specificarea aspectelor statice ale cunoaterii, prin care sunt descrise componente,
proprieti i fapte despre obiecte, evenimente i stri, precum i relaiile dintre acestea n cadrul
universului discursului.
Metodele procedurale sunt acelea n care cunoaterea este reprezentat sub form de proceduri, care
permit obinerea strilor momentane, pornind de la strile iniiale sau intermediare.
Ideea reprezentrii procedurale a cunotinelor a aprut iniial ca o ncercare de a scoate n
eviden controlul implicit al secvenei strilor din cadrul metodelor logice de reprezentare. ntr-o
reprezentare procedural, cunotinele despre lume sunt incluse n proceduri [Tac-98].
Reprezentarea procedural scoate n eviden relaiile dintre elementele de cunoatere, descriind
practic paii de prelucrare printr-un algoritm, o procedur de calcul, o strategie sau prin descrierea unui
proces.
Elementele de cunoatere declarative i procedurale sunt puternic corelate, prezentnd multe puncte
comune, astfel:
Cunotinele pot fi reprezentate att declarativ, ct i procedural. Spre exemplu relaia y=x2 poate
fi reprezentat att declarativ, sub form de tabel, ct i procedural prin precizarea pailor de
calcul pentru y, cunoscndu-l pe x.

 Un element de cunoatere poate fi interpretat att declarativ ct i procedural. Implicaia pq

poate fi interpretat declarativ, putnd fi considerat adevrat sau fals, sau procedural dup cum
urmeaz: pentru a deduce pe q este necesar a demonstra pe p.
Diferenele dintre cele dou reprezentri depind de domeniul de utilizare. Astfel, interpretrile
procedurale sunt legate uzual de un domeniu concret de utilizare, n timp ce reprezentarea
declarativ permite mai multe variante de utilizare. n acest ultim caz , cunotinele pot fi mai uor
modificate, dar n acelai timp ocup mai mult memorie.
Sisteme de reguli de producie ca i exemplu de metod procedural de reprezentare a cunoaterii,
sunt cele care stau la baza funcionrii sistemelor expert. Regulile de producie i au originea n
sistemele care se bazeaz pe un set de transformri succesive ale unui context iniial, aa cum sunt
gramaticile formale sau automatele finite.[Pn-00]. n acest sens, partea de condiie a unei reguli se mai
numete i parte contextual, ea indicnd starea n care regula este aplicabil, iar cea de aciune se
numete i parte transformaional, prin aceea c determin modificarea contextului.
In anumite domenii regulile sunt dificil de formalizat, iar numarul acestora poate deveni att de
mare nct s nu mai fie posibil manipularea lor datorit restriciilor aprute pentru sistemul de calcul.
Metodele relaionale (modele structurate) sunt acelea prin care cunoaterea este reprezentat, pornind
de la relaiile dintre obiecte, sub form de grafuri i reele.
Metodele din aceast categorie utilizeaz modele de tip structurat i permit organizarea
cunotinelor funcie de omogenitatea acestora, fiind concepute pentru: clasificare, prelucrare a
limbajului natural, planificarea activitilor.
Avantaje: Se evideniaz n mod explicit relaiile dintre entiti, programul avnd astfel acces
rapid la obiectele nrudite crescnd eficiena computaional. Se pot astfel genera tipuri de inferene
specializate bazate pe mecanisme eficiente.
Dezavantaje: Se pierde din generalitatea pe care o are un model de tip logic.
Reprezentarea cunoaterii prin reele semantice (metod relaional) dezvoltat iniial de Quillian
n 1968 [Qui-85], n vederea reprezentrii conceptelor specifice cu caracter de asociativitate ale memoriei
umane, este utilizat prin reprezentarea grafic a cunotinelor declarative exprimate sub form de
propoziii. Astfel, obiectele, evenimentele sau diferitele situaii cu o anumit structur sunt reprezentate
prin intermediul unui graf. Nodurile grafului simbolizeaz obiecte, proprieti ale obiectelor sau valori
ale proprietilor, concepte sau situaii. Arcele (uzual orientate) reprezint relaiile dintre noduri.
Semnificaia nodurilor i a arcelor este precizat prin etichete. Aceast metod de reprezentare exprim
cunoaterea sub form de declaraii binare, respectnd urmtorul formalism: R(a,b)
n care R exprim relaia, iar a i b entitile conectate prin relaia R , fig. 1.2.
R
a

Fig. 1.2. Graful corespunztor expresiei R(a,b)

Reeaua semantic reprezint prin urmare o mulime de declaraii binare, oferind n acelai timp o
direcionare a cutrii informaiei prin structura inclus n formalismul declaraiilor binare.
Reprezentarea cunoaterii bazat pe cadre (metod relaional)

Cadrele (Frame) introduse iniial de ctre Minsky [Gia89] au la baz ideea conform creia
inteligena presupune frecvent folosirea unor scheme de cunoatere, bazate pe o experien anterioar n
domeniul problemei care se rezolv, scheme cu ajutorul crora se interpreteaz noile situaii aprute;
adesea, comportarea inteligent presupune nu o rezolvare de la zero, ci o adaptare a unor tipare
(prototipuri) deja acumulate [Pn-00]. Aceasta nseamn c acest model este adecvat mai ales pentru a
reprezenta cunotine cu un caracter stereotip, caracteristici obinuite ale obiectelor i relaii tipice ntre
obiecte. Pentru realizarea acestui model structurat se poate defini termenul de schem n modul urmtor:
O schem se bazeaz pe o structur care conine cunotine tipice asupra unor concepte sau
obiecte, incluznd att cunotine declarative ct i cunotine procedurale.
Cadrele reprezint un tip de schem care combin o serie de concepte referitoare la reprezentarea
cunotinelor, oferind structuri adecvate pentru prezentarea situaiilor stereotipe sau obiecte tipice. n
particular, cadrele reprezint structuri potrivite pentru reprezentarea cunotinelor generale, universale, de
obicei greu reprezentabile n sistemele de calcul.
Un cadru este un obiect structurat, care conine informaii despre un obiect (aciune, regul) din
universul reprezentat, ntr-o form stereotip.
Concret, un cadru este o structur care se identific printr-o etichet numele cadrului, coninnd
perechi de forma: caracteristic (proprietate, atribut) valoare (slot-value).
Cadrele reprezint un formalism orientat pe obiect, fiind des utilizate pentru reprezentarea
cunotinelor care opereaz cu concepte distincte, care pot fi descrise ntr-o manier stereotip i care
interacioneaz ntre ele prin mecanisme precise [Deb-94].
Avantaje:
Organizarea structurat a modelelor de reea semantic i cadre, determin focalizarea ateniei
n efectuarea raionamentelor toate cunotinele despre o entitate sunt grupate, putnd fi
apelate dintr-un singur loc. Datorit structurrii proprii, aceste modele uureaz (n comparaie
cu modelul calculului cu predicate), eliminarea detaliilor nesemnificative din cadru proceselor
de inferen.
Din punct de vedere al achiziiei de cunotine, reprezentarea cunoaterii prin modele
structurate se realizeaz mai uor prin intermediul unei reele semantice sau un cadru dect
prin intremediul calculului cu predicate. Cadrele i scenariile permit constituirea unor modele
coerente i unitare , chiar i atunci cnd achiziia de cunotine este discontinu sau
incomplet. Uurina n achiziionare provine i din faptul c reelele semantice i cadrele nu
impun stabilirea tuturor relaiilor din cadrul unui concept, oferind ulterior posibilitatea
formulrii sau achiziionrii cunotinelor care lipsesc (ex. se dispune doar de o parte din
subconceptele unui concept).
Modelele structurate, i dintre ele n primul rnd cadrele i scenariile, sunt adecvate pentru a
reprezenta cunotine cauzale, prin aceea c succesiunea scenelor sau legturilor care se
fixeaz ntre cadrele i scenariile ce compun baza de cunotine pot fi realizate conform
relaiilor cauz efect. Tot un avantaj este i acela c aceste modele pot ghida procesul de
inferen i deci soluionarea unei probleme pe baza experienei n domeniul respectiv; din
acest punct de vedere aceste variante se apropie de modelul de reprezentare a cunoaterii bazat
pe reguli.

1.1.3. Condiiile necesare dezvoltrii unui sistem expert

Pentru crearea unui sistem expert performant trebuie s se stabileasc un plan de dezvoltare care s
includ [Lug-91]:
1. selectarea unui formalism pentru reprezentarea cunoaterii
2. proiectarea unei maini de inferen
3. adugarea facilitilor de interaciune cu utilizatorul
4. adugarea unei faciliti de manevrare a incertitudinii
Odat ce s-a stabilit modul de reprezentare a cunoaterii, pentru a se putea determina codificarea
cunotinelor domeniului specific n program, dezvoltarea sistemului expert parcurge dou etape
eseniale:
a. acumularea cunotinelor necesare n rezolvarea problemelor de ctre sistemul expert
b. dezvoltarea programelor care s proceseze cunotinele acumulate
a.

etapa de acumulare a cunotinelor este esenial, tinnd cont de faptul c orict de

performante ar fi tehnicile de programare, sistemul nu va fi capabil s depeasc limitele
cunoaterii achiziionate [Pn-00]. Pentru ca simultan cu acumularea s se imbunteasc i
performanele de cunoatere, este necesar o clasificare a noilor cunotine, oferindu-se astfel
posibilitatea de a fi regsite atunci cnd sunt necesare. De asemenea, noile cunotine n
multe situaii sunt n interaciune cu cele vechi, crendu-se relaii care trebuie puse n
eviden. Cunoaterea este acumulat prin procese de observare a realitii, nvare i
abstractizare.
Cunoaterea este alctuit dintr-o mulime de piese de cunoatere, adic elemente care au
o anumit semnificaie, pe baza crora SE s poat derula raionamente necesare n
rezolvarea problemelor. n mod uzual se disting dou tipuri de piese de cunoatere:

b.

conceptele cele care condenseaz rezultatele procesului de abstractizare, prin care se

specific nsuirile eseniale, necesare i suficiente pentru a decide apartenena
obiectelor la anumite clase
instanele obiecte individuale

etapa de dezvoltare a programelor este necesar pentru a codifica i procesa cunotinele

acumulate, n scopul rezolvrii n mod autonom a problemelor propuse.
Programele dezvoltate n mod specific pentru rezolvarea anumitor probleme trebuie s
faciliteze att gsirea faptelor relevante din baza de cunotine ct i efectuarea
raionamentelor pe baza cunotinelor extrase pentru identificarea alternativelor i soluiilor
corecte.

Proiectarea, realizarea i utilizarea unui Sistem Expert este posibil n urma ndeplinirii unor
condiii:

strategice;
informatice;
de specialitate;
de procedur.
Condiiile strategice presupun :

definirea domeniului;
definirea scopului;
definirea funciilor sistemului;
existena perspectivei progresului;
existena resurselor materiale.
Condiiile informatice presupun:

deinerea i cunoaterea softului specific;

cunoaterea metodelor de reprezentare a cunoasterii;
existena metodelor de stabilire a coerenei bazei de cunotinte.

Cunotinele de specialitate presupun:

cunoaterea domeniului pentru care se dezvolt sistemul;
existena posibilitaii definirii claselor;
posibilitatea extragerii parametrilor necesari de urmtoarele tipuri:

de performana tehnic;
de performan economic i comercial;

Condiiile de procedur presupun:

stabilirea fazelor din procesul de proiectare, care sunt adecvate abordrii n aceast manier;
stabilirea fazelor ce urmeaz s fie rezolvate, cu ajutorul Sistemului Expert;
definirea restriciilor de proiectare i extragerea cunotinelor.
Surse pentru extragerea cunotinelor:

din experiena de proiectare;

din experiena de producie;
din experiena utilizrii i programrii calculatoarelor;
din cunotine matematice n domeniu;
din experiena economic a societilor comerciale.

1.2. Reele neuronale artificiale (RNA)

1.2.1. Consideraii asupra RNA
n ultimul deceniu a crescut exponenial interesul pentru domeniul reelelor neuronale artificiale
dei primele referiri teoretice la astfel de reele au fost fcute n anul 1943 cnd Warren McCulloch
(neuro-psiholog) i Walter Pitts au construit un model utiliznd rezistoare i amplificatoare, care simula
neuronii naturali, biologici. Neuronii electronici primeau anumite semnale de intrare, pe care, n funcie
de civa parametri, le trimiteau sau nu mai departe ctre ali neuroni, care la rndul lor propagau sau nu
10

semnalele. Modelul construit de McCulloch i Pitts reprezenta o reea de celule interconectate, fiecare n
legtur funcional cu urmtoarele. Interesul actual pentru acest domeniu este justificat n primul rnd de
posibilitile ultimelor generaii de calculatoare, care ofer puterea de calcul necesar cercetrii RNA.
RNA au ca punct de inspiraie sistemul nervos uman. Specialitii consider ca la ora actual
sistemul biologic este insuficient explorat i de aceea modulele utilizate pentru conceperea unei RNA
reprezint introducerea ntr-un model biologic simplificat.

Fig. 1.3. Neuronul biologic

Unitatea de organizare a sistemului nervos este neuronul, (fig. 1.3) o celul care reprezint un
numr de dendrite i un axon, prin intermediul cruia se conecteaz la ali neuroni. Dendritele constituie
intrrile n celula neuronal. Funcia dendritelor este aceea de a recepiona extitaii i de a le conduce pn
la corpul neuronului. Axonul reprezint ieirea. Funcia axonilor este aceea de a conduce influxul nervos
de la corpul celular la dendritele sau corpul celular al altui neuron. RNA este alctuit dintr-o mulime de
noduri n care se afl neuronii artificiali , elemente de procesare neliniar care opereaz n paralel. Prin
analogie cu neuronul biologic, un neuron artificial are mai multe intrri i o ieire, care se poate conecta la
intrrile altor neuroni.
n cadrul sistemului nervos biologic neuronii sunt conectai prin spaiile denumite sinapse.
Sinapsele reprezint uniti structurale funcionale, care stabilesc interaciunile dintre neuroni. Sinapsele
impun o excitare sau o inhibare neuronului receptor.

1.2.2. Caracteristicile RNA

Caracteristica esenial a RNA este aceea c pot descrie o problem i s o rezolve prin
autoorganizare i nu prin program. Aceast autoorganizare are loc pe parcursul unui proces de nvare
obinut prin cooperarea unei topologii iniiale , a unor reguli de nvare i a unor sesiuni de antrenament.

Capacitatea de nvare
Caracteristica esenial a unei RNA este capacitatea de nvare, respectiv capacitatea de
imbuntire a performanelor. nvarea se realizeaz prin intermediul unui proces iterativ de eliminare a
erorilor, respectiv de ponderri aplicate conexiunilor i pragurilor sinaptice.
RNA nu necesit programe puternice, specifice problemei de rezolvat, dar au nevoie de
antrenamente asupra unui set de date (nvare prin exemple)

11

Fiind dat un set de intrri i rspunsul dorit , RNA sunt capabile de a se autoorganiza n urma
procesului de antrenament, n scopul rezolvrii problemei. Exist o gam larg de metode de antrenament,
fiecare cu avantajele i dezavantajele lor, cu aria proprie de aplicare. Indiferent de metoda de antrenament
ponderile conexiunilor sunt ajustate pe baza unor modele selectate.
O RNA se consider instruit daca aplicarea unei multimi de vectori de intrare genereaz iesirile
dorite. Cunoasterea dobndit de RNA este memorata de sinapsele neuronale, mai concret de ponderile
conexiunilor dintre neuroni.

Capacitatea de generalizare
n urma unui antrenament corespunztor, RNA sunt capabile s dea rspunsuri corecte i pentru
seturi de intrri diferite de seturile de atrenament att timp ct diferenele nu sunt foarte mari. Este
important de subliniat c aceasta este o caracteristic intrinsec a RNA, i nu a unor algoritmi speciali
(care nseamn inteligen uman suplimentar) creai n acest scop.

Capacitatea de sintez
RNA pot lua decizii sau pot trage concluzii chiar i atunci cnd sunt confruntate cu informaii
pariale, complexe sau zgomote.

1.2.3. Neuronul artificial

Modelul neuronului artificial construit de McCulloch i Pitts fig. 1.4 este cunoscut n prezent, sub
numele de unitate prag - TU (threshold unit) sau neuron McCulloch-Pitts. Unui neuron de tip TU i se
furnizeaz pe fiecare dintre conexiunile sale de intrare un semnal boolean (0 sau 1) i emite la ieire tot un
semnal boolean. Conexiunile de intrare pot fi de dou tipuri i anume: inhibatoare i excitatoare. n
oricare dintre modele, neuronul artificial este o aproximare a neuronului biologic, fiind format dintr-un
corp, un set de intrri i o ieire. Intrrile sunt ponderate, fiind ulterior nsumate. Suma obinut se aplic
unei funcii de activare, care are ca rezultat ieirea neuronului respectiv.
Semnificaiile notaiilor din fig. 1.4 sunt urmtoarele:
inp 1, inp 2, inp n, reprezint valorile intrrilor;
W1, W2, Wn sunt ponderile aplicate intrrilor;

Fig. 1.4. Neuronul Artificial

(modelul McCulloch-Pits)

n
net = inpi Wi ;
i=1

out = F(net)

Funcia de activare poate avea mai multe forme, cteva exemple n acest sens sunt reprezentate n
fig. 1.5.

12

1, x > t
F(x) =

sau
0, x t

F(x) =

F(x) =

sau
-x

1+ e

2
1+ e- x

-1

Fig. 1.5. Funcii de activare

1.2.4. Ponderile
Ponderile corespunztoare fiecrei intrri (W1, W2,.Wn) reprezint numere reale. Dac Wj >0
ponderea este sinaptic excitatoare, iar dac Wj<0 este o pondere inhibitoare. Aceste ponderi sunt
stabilite de ctre reea n timpul procesului de nvare prin algoritmi specifici, fiind de importan vital
pentru buna funcionare a reelei neuronale.

1.2.5. Clasificrile RNA

a) Clasificarea dup existena buclelor, mparte RNA n:

RNA asociative sau feedforward n cazul n care nu exist bucle

nchise (reacie) sau altfel spus nu se permite aplicarea la intrarea
unui neuron k a ieirii unui neuron j, dependent de neuronul k, Fig.
1.6. a

RNA autoasociative sau feedback care prezint bucla de reacie;

ieirea neuronului k este aplicat intrrii neuronului j, cu a crui
ieire se formeaz reacia. Fig. 1.6. b

b) clasificarea dup numrul de suprafee neuronale (planuri sau

straturi):
cu un singur strat sau fr straturi ascunse Fig. 1.7. a

13

cu mai multe straturi (cel puin un strat ascuns) Fig. 1.7. b

Fig. 1.6. Reele neuronale cu bucle

c) clasificarea dup funcia de transfer a neuronului

d) clasificarea dup modul de nvare:
supervizat
nesupervizat
n procesul de nvare se stimuleaz continuu parametrii variabili ai RNA. Modul de stimulare al
parametrilor este diferit n nvarea supervizat fa de nvarea nesupervizat.

Strat
iesire
Intrare

Strat
iesire
Strat
ascuns
Intrare

a) cu un singur strat (fr straturi ascunse) b) cu un strat ascuns (hidden layer)

Fig. 1.7. Retele nuronale
nvarea supervizat
n acest caz se furnizeaz reelei o mulime de exemple de instruire, de perechi formate dintr-un
vector de intrare, care urmeaz s se potriveasc cu ieirea dorit. Aplicnd reelei vectorul de intrare, se
calculeaz ieirea i se compar cu vectorul de ieire citit din fiierul de antrenare. Diferena dintre ieirea
dorit i cea obinut reprezint eroarea reelei la momentul respectiv. Perechile vectorilor de intare
ieire sunt furnizate de ctre un sistem de antrenare extern, sau de ctre sistemul care conine reeaua.
Ponderile reelei se modific conform unui algoritm de minimizare a erorii. Vectorii din mulimea
de instruire sunt aplicai secvenial (ciclic), pn cnd eroarea total asociat ntregii mulimi de instruire
atinge o valoare acceptabil.
nvarea nesupervizat
n cazul nvrii nesupervizate sau autoorganizarea, ajustarea ponderilor nu se bazeaz pe
compararea cu rspunsuri ideale predeterminate, mulimea de instruire constnd din vectorii de intrare. Pe
baza unei funcii de autoorganizare, aceste modele se grupeaz dup formele vectorilor de intrare similari.

1.2.6. Analiza comparativ a Sistemelor Expert (SE) i Reelele Neuronale Artificiale

(RNA), cu posibiliti de integrare
[Dum-96], [FIL-99 ], [Mey-95 ], [Tac-98 ]

RNA au avantajul c sunt structuri autonome. Ele pot oferi pentru sistemele complexe o estimare
exact a dinamicii, fr s fie necesare informaii despre modelul sistemului. De exemplu, n majoritatea
cazurilor, roboii includ foarte multe articulaii i configuraii complexe, pentru care este dificil s se
conceap o baz de cunotine consistent integrat ntr-un SE.
SE i RNA au origini i scopuri comune. Ambele abordri au scopul de a efectua raionamente
logice, de a simula inteligena artificial. Ambele combin informaii cantitative i calitative. Avantajele
i dezavantajele celor dou tehnici sunt n general complementare. Slbiciunile SE n ceea ce privete
achiziia de cunotine i reprezntarea lor poate fi compensat de abilitatea cu care RNA pot nva din
exemple tipice. Pe de alt parte, posibilitile puin satisfctoare oferite de RNA n ceea ce privete
interfaa om main i capabilitile de explicare a raionamentului care a condus la o anumit concluzie
pot fi teoretic compensate de SE.
14

SISTEME EXPERT

REELE NEURONALE
ARTIFICIALE
DIFERENE

Procesare secvenial
Procesul de achiziie a

cunotinelor are loc n afara

sistemului
Raionament deductiv
Cunotinele sunt n form
explicit
Sistemul se bazeaz pe cunotine
preluate de la experi umani
Origine n logica matematic
Corelare exact a informaiilor
datelor pentru extragerea
concluziei

Procesare paralel
Procesul de achiziie a

cunotinelor are loc n interiorul

sistemului
Raionament inductiv
Cunotinele sunt n form
implicit
Sistemul se bazeaz pe cunotine
acumulate prin exemple
Origine n statistic
Corelarea aproximativ a datelor
pentru regsirea unei concluzii
nvate nainte

Fig. 1.8. Diferene ntre SE i RNA

RNA fiind concepute conform modelului creierului uman au capacitatea de a nva, spre deosebire de
sistemele inteligente convenionale, care i-au dovedit superioritatea n raionamente bazate doar pe
operaii aritmetice i algoritmi. SE i RNA, aa cum se poate observa n fig. 1.8, sintetizeaz cteva
diferene semnificative.

O diferen important este baza raionamentului: SE sunt bazate pe algoritmi i deducii pe cnd
RNA ncearc s simuleze mecanismele neuronului biologic.
Cele dou abordri utilizeaz tehnici de procesare diferite: SE utilizeaz metode secveniale de
procesare, pe cnd RNA proceseaz paralel fiecare nod (neuron) al RNA efectueaz funciuni n
paralel cu celelalte noduri.
Procesele de nvare i raionament sunt i ele diferite: n cazul SE nvarea se efectueaz de regul n
exteriorul sistemului cunotinele sunt obinute n afar iar apoi sunt codate n baza de cunotine iar n
cazul RNA se acumuleaz sub forma ponderii legturilor ntre noduri. Procesul de nvare este intern i
poate fi dinamic pot fi implementri care ajusteaz permanent cunotinele pe msura apariiei de noi
exemple.
Metodele de raionament ale SE se bazeaz pe deducie pentru construirea unei baze interne de
cunotine, pe cnd cele ale RNA se bazeaz pe inducie.
Algoritmii de inferen ai SE se bazeaz pe nlnuirea logic nainte sau napoi n baza de cunotine
i necesit o corelare precis a componentelor acesteia. n mod diferit, RNA utilizeaz corelarea
aproximativ a componentelor bazei de cunotine, pentru a regsi elemente nvate anterior. SE au
deja o utilizare larg n multe domenii(tehnic, comercial, medicin etc.) pe cnd RNA au mai degrab
o prezen teoretic (e drept din ce n ce mai intens) n literatura de specialitate.
RNA pot achiziiona cunotine prin nvare direct pe exemple, utiliznd algoritmi de nvare
specifici, avnd alte beneficii n ceea ce privete achiziia cunotinelor, printre care este semnificativ
15

posibilitatea de a nva din date de intrare incomplete, parial incorecte sau parial contradictorii. De aici
deriv i capabilitatea de generalizare a RNA. SE au avantajul unei interfee prietenoase i interactive cu
utilizatorul, n special n ceea ce privete capabilitatea de a explica raionamentul care a condus la o
anumit concluzie. SE utilizeaz reprezentarea simbolic a cunotinelor i ofer posibiliti de
incorporare a elementelor de raionament euristic. SE pot fi folosite ca i ghid n selectarea, construirea i
ntreinerea RNA.
SISTEME EXPERT
(AVANTAJE)

REELE NEURONALE
ARTIFICIALE
(DEZAVANTAJE)

COMPLEMENTARITI

Faciliti excelente de explicare a

raionamentului
Multe aplicaii de referin deja
implementate
Interfa puternic cu utilizatorul
Tehnici software bine dezvoltate
Uor de verificat i validat

Faciliti puin performante de

explicare a raionamentului
Puine aplicaii practice
Interfa slab performant cu
utilizatorul
Hardware i software nc n stadii
experimentale
Dificil de validat

Fig. 1.9. Complementariti ntre SE (avantaje) i RNA (dezavantaje)

SISTEME EXPERT
(DEZAVANTAJE)

REELE NEURONALE
ARTIFICIALE
(AVANTAJE)

COMPLEMENTARITI

Reclam prezena unui expert n

domeniu pentru dezvoltare
Munca de ingineria cunotinelor
este ndelungat i dificil
Concluzii numai pe baza corelrilor
exacte
nvare static i extern
Sisteme mari sunt dificil de ntreinut

Necesit multe exemple, dar nu

reclam prezena unui expert uman
Munca de ingineria cunotinelor
este simpl i orientat spre date
Datele de intrare pot fi perturbate n
anumite limite de eroare
nvare dinamic i intern
Pot fi create structuri conectate
ierarhic pentru a facilita ntreinerea

Fig. 1.10. Complementariti ntre SE (dezavantaje) i RNA (avantaje)

Odata dezvoltat un sistem expert pe o anumit direcie este aproape imposibil s mai fie schimbat
sau adaptat. Dac provocrile sau schimbrile care apar ies din cadrul ontologiilor cu care opereaz,
16

sistemele expert nu mai au posibilitatea de a reaciona corespunztor. Datorit faptului c reelele neurale
au abilitatea de a nva, procedurile actuale de integrare a reelelor neuronale cu sistemele expert asigur
o cretere asupra performanelor sistemelor expert. Astfel prin identificarea complementaritilor dintre
SE i RNA fig. 1.9, fig.1.10 att din punctul de vedere al avantajelor SE, care sunt dezavantaje pentru
RNA, ct i din punctul de vedere al dezavantajelor SE, care sunt avantaje pentru RNA, se poate concepe
o activitate de adaptare a sistemelor expert prin integrarea cu reelele neuronale i cu o mai mic
contribuie de cunotine inginereti.
Literatura de specialitate menioneaz cteva modele ale integrrii SE i RNA n sisteme hibride.
Dup gradul de interdependen al celor dou tehnici se pot identifica urmtoarele modele:
SE i RNA de sine stttoare care presupun existena de componente software total independente,
care nu interacioneaz automat n nici un fel. Acest model poate fi folosit pentru asigurarea
redundanei ntre procese, una dintre tehnici validnd-o pe cealalt. Pot exista abordri n care
cunotinele acumulate prin antrenament cu RNA s fie folosite n dezvoltarea ulterioar a unui SE.
Cuplajul slab ntre cele dou sisteme reprezint cu adevrat primul nivel de integrare a RNA i SE.
Acest model, const n aplicaii diferite care comunic ntre ele prin intermediul unor fiiere. Spre
exemplu, o RNA poate fi utilizat pentru condiionarea i validarea datelor de intrare nainte ca
acestea s fie tansmise SE. RNA poate elimina zgomotul din informaia de intrare, pentru a identifica
obiectele sau pentru recunoaterea specimenului. SE poate utiliza aceste informaii pentru a rezolva
aplicaii de clasificare, identificare etc.

n cazul cuplajului strns ntre SE i RNA informaia este transmis prin structuri de date rezidente n
memoria calculatorului, dar i prin fiiere de date pe disc. Aria de aplicare a acestui model este
aproximativ aceeai cu cea a modelului cu cuplaj slab, cu deosebirea c asigur o vitez mult mai
mare de procesare.

Sistemele complet integrate utilizeaz n comun structuri de date i cunotine. Comunicaia ntre cele
dou componente se realizeaz att cu informaii simbolice (caracteristice SE) ct i cu structuri
proprii RNA (coeficieni de pondere)

Cele mai des ntlnite strategii de integrare sunt urmtoarele:

Distribuirea componentelor aplicaiilor ntre abordri SE i RNA, fiecare subproblem a aplicaiei
fiind rezolvat n tehnica mai potrivit acesteia. Complementaritile ntre SE i RNA fac deosebit de
tentant aceast strategie.

RNA pot fi incluse ntr-un SE, devenind pri ale acestuia. Spre exemplu RNA poate fi folosit pentru
identificarea rapid a condiiilor n regulile SE, (DACATUNCI) stabilind astfel foarte rapid ce
regul trebuie aplicat pentru un set dat de condiii.

RNA poate fi antrenat pentru a rezolva o problem. Dac sunt necesare explicaii relative la modul
de raionament, se aplic unui SE datele de intrare mpreun cu rspunsul RNA, iar printr-un proces
de nlnuire logic SE inventeaz o explicaie pentru situaia prezentat.

n strategia expertului artificial, RNA este antrenat s rezolve o problem apoi rspunsurile acestei
sunt analizate pentru a extrage un set de reguli.

17

1.3. Mediul NeuroShell 2

Fig. 1.11. Neuro Shell - afiajul iniial al programului

Asemeni creierului uman, reelele neuronale nu garanteaz ntotdeauna un rspuns absolut corect,
mai ales dac modelele sunt, sub o form sau alta, incomplete sau conflictuale. Reelele neuronale caut
modele n setul de date de intrare, nva aceste modele i-i creaz abilitatea de a clasifica corect, de a
prezice sau decide asupra noilor modele aprute.
Pentru a activa lansarea mediului NeuroShell se realizeaz dublu clic pe icoana , a crei imagine
reprezint un creier uman i care este plasat n grupul programelor afiate, imediat dup instalarea
programului. Va aprea o bar mic de meniuri, detaat de restul afiajului pe ecran, Fig. 1.11. Se
selecteaz n continuare meniul File din meniul principal, din care se alege fie o problem nou, fie se
deschide o problem existent pe disc i care are deja ataat un nume.

1.3.1. Numele unei probleme

Fiecare problem se refer la o aplicaie a unei reele neuronale. De-a lungul stagiilor variate de
procesare a problemei, NeuroShell construiete cteva fiiere asociate aplicaiei iniiale. Fiierele asociate
sunt diferite unele fa de celelalte, ins numele lor este identic, avnd doar extensiile diferite.
n cazul salvrii unei probleme noi sistemul asociaz denumirii problemei extensia DSC
(description).

1.3.2. NeuroShell Meniul Principal

Fereastra meniului principal ofer trei moduri de utilizare ale mediului NeuroShell: Beginners
Neural Networks (reele neuronale pentru nceptori), Advanced Neural Networks (reele neuronale
pentru avansai) i Runtime System (sistem cu timp de rulare).Toate cele trei moduri de utilizare sunt
concepute pe baza unor subprograme nlnuite numite module, fiecare modul fiind reprezentat de cte
o icoan. Fig.1.12.
Sugestie: este indicat ca fiecare utilizator s parcurg n prima etap modulul pentru nceptori.
18

Pentru a utiliza un modul se realizeaz dublu clic cu mouse-ul pe icoana respectivului modul.
Pentru a beneficia de facilitile Help pentru utilizarea modulelor, se selecteaz meniul Help dup
care se selecteaz Current Context.
La apariia unui grup de icoane pe ecran, ordinea operrii acestora este de la stnga la dreapta , iar
ordinea de operare a icoanelor ntr-o coloan este de sus n jos.
Observaie: Nu este absolut necesar utilizarea tuturor coloanelor care apar pe ecran pentru a crea o
aplicaie bazat pe o reea neuronal funcional. Multe module sunt funcionale, depinznd de tipul
aplicaiei create.
NeuroShell este un mediu modular. Dup activarea unei icoane programul afieaz un nou modul.
Fiecare modul are una sau mai multe ferestre.

Fig. 1.12. NeuroShell 2 meniu principal.

19

1.3.3. Reele Neuronale pentru nceptori (Beginners Neural Network)

Fig. 1.13. Fereastra modulului Beginers Neural Networks.

Modulul Reelelor Neuronale pentru nceptori (Beginners Neural Network), fig.1.13, reprezint
un set simplificat de proceduri pentru construirea i executarea unei aplicaii pentru o reea neuronal
puternic i complet, totul fiind integrat ntr-un sistem mult mai uor de utilizat dect un sistem
avansat.
Sistemul pentru nceptori utilizeaz o reea cu retropropagare a erorii, avnd trei straturi i o
arhitectur universal cu abiliti de generalizare reuite pentru o varietate larg de probleme.
Sistemul pentru nceptori prestabilete parametrii reelei dup cum urmeaz: rata de nvare
(learning rate), ineria reelei (momentum) i numrul de neuroni ascuni (hiden neurons).

1.3.4 Reele Neuronale Avansate (Advanced Neural Networks)

Modulul Reelelor Neuronale pentru Avansai (Advanced Neural Network) prezint un tablou
extins de elemente cu ajutorul crora se pot implementa reele puternice, cu trsturi de procesare cum
sunt : translatarea simbolurilor n fiierele de date, implementarea unor reguli pentru crearea de noi
variabile sau analiza grafic a rezultatelor obinute. n fig. 1.14 este prezentat modulul Advanced
Neural Networks cu toate facilitile de care dispune.

20

Fig. 1.14. Fereastra modulului Advanced Neural Networks.

Modulul Advanced Neural Network ofer 12 arhitecturi de implementare al modelului
backpropagation, care include urmtoarele arhitecturi pentru reele: feedforward, jump conection i
reele recurente. n plus, modulul ofer nc patru arhitecturi de implementare a altor modele complexe
dup cum urmez:
- General Regression Nets,
- Probabilistic Nets,
- Kohonens Unsupervised Learning,
- Polinomyal (GMDH) Nets.
Activarea icoanei Design apeleaz o fereastr cu dou icoane. De aici se poate selecta
arhitectura reelei neuronale, respectiv criteriile de antrenare si de oprire a antrenrii conform unor
parametrii atini.
Prin selectarea icoanei Arhitecture and Parameters, se etaleaz un tablou care conine 16
arhitecturi posiblile. n acest pas se pot modifica parametrii i factorii de antrenare ai reelei.

21

Fig. 1.15. Arhitecturi de reea disponibile n mediul NeuroShell 2.

Selectarea se realizeaz prin deplasarea chenarului negru pe structura dorit., fig. 1.15. NeuroShell
2 recomand anumite tipuri de reele n funcie de natura problemei. Astfel, pentru o reele predictiv
NeuroShell sugereaz o arhitectur backpropagation cu trei neuroni, avnd funcii de activare diferite,
iar pentru reele folosite n clasificri, NeuroShell sugereaz o arhitectur de reea neuronal
probabilistic (PNN).

1.3.5. Faciliti Runtime ale mediului NeuroShell 2

Prin activarea modulului Runtime Facilities, se generez o icoan pentru activarea serverului
DLL (Dynamic Link Library). Serverul DLL creeaz un fiier cu extensia .DEF, care face posibil
apelarea reelei antrenate, cu NeuroShell 2, dintr-un program scris de programator care suport Dynamic
Link Libraries, cum este, de exemplu, Microsoft Excel, C, C++, Visual Basic, etc. De asemenea, acest
fiier este utilizat i pentru extragerea datelor n scopul trasrii graficelor tridimensionale.
Dac DLL este apelat dintr-un cod scris de programator, limbajul utilizat pentru scrierea
programului trebuie s fie capabil s apeleze aceste librrii prin pointeri de deprtare far pointers.
Serverul DLL ofer i cteva funcii care vor fi descrise n cele ce urmeaz:
- funcia OpenNet
Aceast funcie citete fiierul cu extensia .DEF i realizeaz setrile corespunztoare. Ea
returneaz un numr pentru reea, care pe tot parcursul, este o referin a acestei reele. OpenNet
precizeaz numrul de intrri ateptate de reea i numrul de ieiri prin care aceasta rspunde,
programatorul cunoscnd aceste valori.
- funcia FireNet
Odat reeaua deschis cu OpenNet, se utilizeaz FireNet pentru a se indica reelei intrrile i
respective pentru a primi ieirile, ambele variabile fiind incluse ntr-o martice DOUBLE PRECISION
FLOATING POINT, iniializat n programul surs.
- funcia CloseNet

22

Aceast funcie se apeleaz cnd datele necesare procesate de reeaua neuronal au fost preluate i
serviciile acesteia nu mai sunt necesare. CloseNet elibereaz spaiul din memorie alocat pentru reea,
iar la urmtoarea apelare a reelei se va activa funcia OpenNet din nou.

1.3.6. Moduri de mbuntire a rezultatelor

Cteva soluii de mbuntire a performanelor reelei sunt prezentate n continuare :
Calibrarea reelei
Stabilirea unor variabile mai eficiente pentru predicia dorit, i/sau determinarea unor metode mai
bune de reprezentare dect cele actuale.
Ajustarea ratei de nvare, a ineriei sau a numrului de neuroni ascuni, pentru un nou model de
antrenare.
NeuroShell utilizeaz calibrarea pentru a optimiza ieirile, prin aplicarea reelei curente a unui set
de teste independente n timpul antrenrii. Acest set de date de test se creaz automat utiliznd modulul
Test Set Extract. Prin calibrare se obine reeaua optim pentru date, n setul de test, ceea ce nseamn
c reeaua este capabil s generalizeze cu succes noile date i s returneze rezultate foarte bune.
Calibrarea realizeaz acest lucru, prin calcularea mediei erorii ptratice, pentru toate ieirile actuale
i prezise.
Pentru reele de tip Backprpagation, reeaua salveaz de fiecare dat, cnd se realizeaz, un nou
minim pentru media erorii (sau media erorii ptratice). Pentru a folosi calibrarea, trebuie setat cmpul
Calibration Test Interval, avnd semnificaia perioadei de evaluare a setului de test. Practica a demonstrat
c reelele neuronale realizeaz bune predicii, dac acest cmp setat cu valori ntre 50 i 200. Secretul
construirii inuei reele neuronale este cel al identificrii momentului de intrerupere a antrenrii. Dac se
antreneaz prea puin, reeaua nu poate nva toate modelele. Dac se antreneaz prea mult, reeaua va
nva i zgomote. Programul NeuroShell atenueaz aceste erori prin intermediul calibrrii.

1.4. Aplicaie - Antrenarea unei RNA pentru identificarea satisfaciei

clienilor n firma X cu ajutorul mediului NeuroShell
Domeniul n care firma X i desfoar activitatea este producia i vnzarea de calculatoare i
respectiv de componente adiacente acestora (imprimante, scanere etc.). Dotarea cu calculatoare n
Romnia este nc mult sub media de pe Europa de Est. Dei vnzrile au crescut, ele nu se ridic la
nivelul ateptat de firm.
Elementul cheie n decizia de achiziionare a unui calculator personal a fost i rmne preul. Dei
ntr-o perioad de timp muli consumatori s-au orientat spre preuri mai mici, adic calculatoarele no
name care invadaser piaa, aceast mentalitate s-a schimbat, cumprtorii constatnd din practica
curent importana service-ului i garaniei care au devenit indispensabile.
Una dintre problemele cu care firma se confrunt este aceea de msurare a satisfaciei clientului.
Aceast problem a aprut odat cu implementarea noii politici de calitate, adic a standardului ISO
9001-2000, a crui obiectiv principal l constituie satisfacia clientului.
S-a pus problema crerii unei Reele Neuronale Artificiale care s msoare gradul de satisfacie a
clienilor n funcie de toi parametrii care influeneaz acest proces. n urma unui studiu care a durat 3
luni, au fost identificai civai parametrii care influeneaz puternic gradul de satisfacie a clientului.
Acesti parametrii depind de tipul urmtoarelor componente, care influeneaz major funcia de
ntrebuinare a unui sistem de calcul: memoria, procesoarele, placa video; HDD-uri; placa de sunet.
Aceste componente au fost cuantificate n cadrul unor anumite clase, n scopul codificrii lor ca date de
intrare n cadrul Reelei Neuronale Artificiale.
Utilitatea crerii reelei neuronale este dat de furnizarea informaiilor necesare firmei n
negocierile cu clienii i respectiv de cretere a calitii produselor.
23

Avnd n vedere faptul c numrul de variabile aplicate n scopul rezolvrii problemei este relativ
mic, s-a utilizat modulul aferent reelelor neuronale pentru nceptori Biginners Neural Networks.
Modulul selectat pentru rezolvarea problemei nu este mai puin performant dect cel al modulului
reelelor neuronale avansate, ci este cel mai potrivit pentru rezolvarea problemei definite.

1.4.1. Datele problemei

Datele de ieire
Ieirea reelei reprezint predicia indicelui de satisfacie a clientului asupra produselor firmei.
Pentru aceasta s-au analizat mai multe tipuri de componente care au fost clasificate n clase de
cuantificare (vezi Anexa 1), i s-a creat o reea neuronal care s aib ca dat de ieire coeficientul SCVP
satisfacia clientului post vnzare.
Datele de intrare
Datele de intrare pentru antrenarea reelei sunt considerate ca cei mai importani factori care
influeneaz coeficientul SCVP. Acetia sunt prezentai n lista care urmeaz:
clasa de cuantificare, obinut prin ncadrarea componentelor pe clase;
perioada de garanie acordat de ctre furnizori pentru componenta respectiv (garanie);
numrul de intervenii care s-au realizat pe parcursul a 3 luni de zile la fiecare tip de component
analizat i vndut (nr. intervenii);
durata parcurs din momentul sesizrii i momentul rezolvrii problemei (DR);
timpul contractat de rezolvare a sesizrii (DRC),
nivelul defeciunii echipamentului - care este 1 dac prin defeciune clientul a pierdut informaiile, este
dac clientul nu a pierdut informaiile dar nu poate utiliza produsul i este dac clientul nu a
pierdut informaiile i poate utiliza produsul dar nu la performanele oferite (Pi);
Exist i ali factori care influeneaz satisfacia clienilor, ns n scopul simplificrii aplicaiei s-a
stabilit c factorii prezentai mai sus sunt cei mai importani factori de influen.

1.4.2. Selectarea modului de lucru

Dup determinarea datele de intrare, de ieire i respectiv selectarea modelului reelei neuronale, s-a
trecut la urmtorul pas, cel al introducerii datelor de antrenare. n acest scop a fost lansat programul
NeuroShell 2, respectiv a fost selectat modulul Beginners Neural Network. fig. 1.16.

24

Fig. 1.16. Prezentarea meniului aferent modulului Beginners

Dup selectarea modului Beginners Neural Networks se deschide o fereastr, care conine patru
coloane, reprezentnd module functionale pentru crearea reelei neuronale (fig. 1.17), care sunt prezentate
n continuare.

1.4.3. Importarea fiierului de antrenare a RNA

Prima icoan activez modulul de importare a fiierului de antrenare a RNA. Fiierul de
antrenare a reelei conine toate datele de intrare i ieire pe care reeaua va trebui s le nvee.
Pentru activarea acestui modul se realizeaz dublu clic pe icoana File Import.

25

Fig. 1.17. Prezentarea meniului aferent modulului Beginners

Se deschide caseta de dialog din care se selecteaz Spreadsheet Files pentru importarea datelor din
programul Microsoft Excel. (fig. 1.18 i Anexa 1)
n continuare se selecteaz fiierul
corespunztor datelor, dar avnd n vedere c
un document din Excel are mai multe foi
(Sheet) se va selecta Sheet-ul corespunztor
datelor. n cazul aplicaiei prezentate se
selecteaz Sheet 8. (fig. 1.18), dup care se
genereaz importul datelor (fig. 1.19) prin
selectarea meniului Import, respectiv al
comenzii Begin Import.
Fig. 1.18. Caseta pentru generarea importului
de date

26

Fig. 1.19. Selectarea foii de calcul

Fig. 1.20. Activarea importului

Fig. 1.21. Introducerea datelor n Datagrid

1.4.4. Introducerea datelor

Dup importarea fiierului de antrenare se activez urmtoarea icon din Fig.1.21, Data Entry .
Se deschide un tabel asemntor cu foaia de lucru a programului
Excel.
n
cadrul
acestui modul se stabilesc denumirile variabilelor i se introduc pe
primul
rnd
al
coloanelor destinate acestora.
Se seteaz 1 n cseta corespunztoare numrului de rnduri
utilizate pentru
numele variabilelor i 2 pentru primul rnd care conine date
active.

27

Pentru aplicaia prezentat, n primul rnd s-a tiprit clas cuantificare, garanie, nr.
intervenii, DR, DRC, Pi i SCVP. ncepnd cu rndul doi s-au introdus datele msurate n
perioada analizat de 3 luni i sortate n funcie de clasele de cuantificare. n final, lista conine un rnd
pentru numele variabilelor i 107 rnduri pentru date. Pentru salvarea datelor se selecteaz meniul File,
respectiv opiunea Save. Fiierul a fost denumit satisfactia.pat.

1.4.5. Definirea intrrilor i ieirilor

n cadrul sistemului informatic NeuroShell 2, utilizatorul trebuie
dintre coloanele de date introduse sunt variabile de intrri i care sunt
Se activeaz modulul Define Inputs and Outputs, operaie n urma
toate denumirile coloanelor. n aceast fereastr se stabilete,
prin intermediul abrevierilor I sau A dac o coloan conine variabile
respective de ieire. pentru fiecare coloan. Fig. 1.22.

s specifice care
variabile de ieiri.
creia se afieaz
respective se setaz
de
intrare,

Fig. 1.22. Caseta de dialog Input/Output

Tot n acest fereastr se stabilesc i se nregistreaz valorile de minim i maxim pentru fiecare
variabil n parte. Deoarece pentru reelele neuronale variabilele trebuie determinate ntr-un interval de la
0 la 1 sau 1 la 1, reeaua trebuie s cunoasc aceste minime i maxime reale, pentru a atribui valori din
aceste intervale. Acest lucru se poate raliza manual, sau se determin automat selectnd opiunea
Compute mins/maxes. Prin aceast operaie se determin implicit valoarea medie Mean, i deviaia
standard Std. Deviation, pentru fiecare dintre variabile.
n general se definete un interval foarte strns n jurul datelor reale de minim i maxim. Se pot
specifica valori minime i maxime care sunt uor deasupra sau sub valorile reale, pentru a aloca un
interval mai larg pentru prediciile urmtoare. Dac valorile de minim i maxim nu sunt n jurul valorilor
reale, reeaua i pierde abilitatea de a recunoate diferenele mici ntre datele de interes.

1.4.6. Antrenarea reelei

Antrenarea reelei se realizeaz prin activarea icoanei
Learning.
Prin
activarea modulului de antrenare (nvare) se insereaz automat
automat numrul de
intrri i cel de ieiri, din fiierul cu extensia .mmx, creat de
modulul
Define
Inputs/Outputs. nainte de a ncepe antrenarea se mai seteaz civa
parametrii
ai
modulului Learning. Acetia sunt :
Specificarea complexitii problemei, prin activarea unei boxe corespunztoare nivelului de
complexitate a problemei. Datorit numrului mai redus de variabile se consider c reeaua neuronal
28

are un nivel de complexitate sczut i s-a activat boxa Very Simple. Prin selectarea acestei opiuni
se activeaz automat factorii Learning rate (rata de nvare) i Momentum (ineria) la valorile
0,6 respectiv 0,9.
Numrul de neuroni ascuni ai reelei se poate seta att manual, ct i automat, activnd caseta Set
Number of Hidden Neurons to Default. Numrul de neuroni ascuni, a fost calculat dup formula :

N=

1
(IN + OUT ) + N1 ,
2

unde :N numrul de neuroni ascuni,

IN numrul de intrri,
OUT numrul de ieiri,
N1 numrul a cte linii de date s-au introdus pentru variabilele modelului
n cazul aplicaiei prezentate s-a optat pentru setarea automat, obinndu-se un numr de 13 neuroni
ascuni.
Datorit faptului c datele sunt sortate cresctor conform conveniilor de cuantificare, s-a optat pentru
o compilaie random (pe srite) a acestor valori, pentru ca reeaua s fie apt de a prezice indiferent de
diferenele de clas a componentelor aprute.
Pentru aceast sesiune de antrenare opiunea Calibration Interval (intervalul de calibrare)a fost setat
la 0.
n urma setrii parametrilor prezentai mai sus s-a pornit antrenarea reelei neuronale din meniul Train
prin selectarea opiunii Start Training. Fig. 1.23.

Fig. 1.23. Tabloul de antrenare a reelei neuronale

29

Momentul opririi reelei s-a hotrt de ctre utilizator, pe parcursul evoluiei antrenrii, observndu-se
c dup 2568 de epoci media erorii minime a devenit aproximativ 0.0000013 i s-a meninut de peste
400 de epoci. Din acest punct reeaua neuronal prea c nu mai face progrese n ceea ce privete media
erorii minime i, deci, antrenarea s-a oprit prin selectarea opiunii Intrerrupt Training a meniului Train.

1.4.7. Procesarea datelor antrenate

Fig. 1.24. Caseta de dialog Network Processing
Procesarea datelor antrenate se realizeaz prin selectarea opiunii
succesive
a
modulului funcional Apply Neural Network, n care se verific dac
reeaua
a
avut
rezultate eficiente. Prin activarea acestui modul se deschide o caset de
dialog
Network
Processing. Fig. 1.24. Din meniul Run se selecteaz Start
Processing.
Modulul Apply to File a procesat automat fiierul satisfactia.pat, care
a fost primul set de
date introdus.
Pentru fiierul satisfactia.pat. R squared este egal cu 0.9915.
NeuroShell
nregistreaz paramentru R squared pentru a compara aceast reea cu altele care ar putea fi create mai
trziu.
R squared, coeficient de determinri multiple, este un indicator statistic aplicat de obicei unei
analize regresive multiple. El compar acurateea modelului creat cu acurateea unui model benchmark
ordinar. Un rezultat perfect al reelei neuronale returneaz valoarea 1 pentru R squared, iar un rezultat
bun este n jurul acestei valori. Un rezultat n jurul valorii 0 este nesatisfctor.
30

1.4.8. Ataarea fiierelor pentru vizualizarea evoluiei datelor

Fig.1.25. Ataarea fiierului de ieire de cel original

Activarea icoanei Attach Output File etaleaz un tablou numit

Fig.1.25, care ofer posibilitatea de a ataa fiierul vechi, coninnd
ctre utilizator satisfactia.pat (nume_fiier.pat), de cel nou, n care
procesate satisfactia.out (nume_fiier.out), n dou moduri :

File Attach Utility,

datele introduse de
avem
datele

- unul lng cellalt,

- unul sub cellalt,
Pentru aplicaia identificrii satisfaciei clienilor s-a optat pentru primul mod de comparare (fiierele sunt
ataate unul lng cellalt) pentru o mai bun vizualizare, prin comparaie, a datelor.
Dup selectarea variantei dorite, din meniul Attach se activeaz Attach File, operaie care creeaz
un nou fiier cu extensia .out. Fiierele care se compar sunt determinate automat de ctre NeuroShell 2,
rezultnd:
- satisfactia.pat fiierul original,
- satisfactia.out fiierul coninnd rspunsul reelei
Modulul funcional Attach Output File se poate utiliza de asemenea pentru a combina oricare alte
2 fiiere interne de registru tabelar. Fiierele care trebuie comparate vor fi selectate din caseta de dialog
File Attach Utility. Selecia se realizeaz din meniul File opiunea Select Output File.

1.4.9. Examinarea datelor

Pentru a vizualiza fiierul satisfactia.out se activeaz icoana
corespunztoare
modulului Examine Data. Se deschide un registru tabelar, Fig.1.26,
avnd n partea
stng coloanele iniiale ale fiierului satisfaction.pat iar n partea
dreapt coloanele
corespunztoare fiierului satisfaction.out. Coloanele din fiierul de
ieire
sunt
prezentate n lista urmtoare:
coloana Actual (ieire actual) conine valorile pentru variabilele
de ieire ale
setului de antrenare pe care trebuie s le prezic reeaua;
Coloana Network (reea) conine valorile pentru variabilele de ieire prezise de reea;
31

 Coloana Act-Net (Actual Network) reprezint diferena dintre coloanele Actual i Network;
cu ct aceste valori sunt mai mici, cu att valorile scoase de reea sunt mai corecte i reeaua este mai
bine antrenat.

Fig. 1.26. Examinarea fiierului de ieire

Dup vizualizarea comparaiei dintre fiierul de intrare satisfaction.pat i fiierul de ieire
satisfaction.out se va ataa de asemenea fiierul creat la nceputul aplicaiei de ctre programul
NeuroShel satisfaction.pro. n acest sens se reia pasul procesarea datelor antrenate ( 1.4.7) i n modulul
funcional Network Processing se selecteaz din meniul File comanda Select Alternate Pattern File.
Fiierul alternativ este satisfaction.pro. S-a pornit procesarea i s-a evaluat valoarea R squared, n cazul
aplicaiei satisfaction.pro a rezultat 0,98, fiind considerat o valoare bun.
Pentru evaluarea reelei mai exist o variant alternativ, care parcurge din nou paii prezentai nc
de la fiierul de introducere a datelor, creat n modulul Data Entry. n continuare sunt prezentai paii
percuri pentru aplicaia satisfaction.
Pas 1: crearea unui nou fiier n modulul Data Entry (cca. 20% din datele de test) asemntoare cu
primele, pentru a verifica corectitudinea reelei. Aceste date se regsesc n Anexa 2. Noului fiier de
date trebuie s I se atribuie aceeai denumre cu cea a aplicaiei, ins cu o alt extensie aleatoare
introdus de ctre utilizator. (ex. satisfaction.xxx)
Pas 2: se trece la modulul de procesare a datelor, activat prin icoana Apply Neural Network. Dup
deschiderea casetei de dialog Network Processing s-au deselectat 3 opiuni (Compute R squared,
Include actuals in .OUT file, rspectiv Include in .OUT file actuals minus network outputs),
rmnnd n final doar informaia Patterns Processed.(vezi fig.1.24)
Pas 3: se parcurg procedurile de ataare a fiierelor pentru vizualizarea evoluiei datelor (.1.4.8),
respectiv examinarea datelor (.1.4.9).
n scopul analizei comparative s-au luat n considerare cteva date din reeaua antrenata, pentru a vedea
dac se ajunge la un rspuns satisfctor, atunci cnd n reea se introduc noi date. n acest sens au fost
selectate dou date n mod aleator, i s-a observat c eroarea este mic. Tabelul 1.3, fig. 1.27, fig. 1.28,
fig.1.29.
Tabelul 1.3 Datele comparate
32

33

1.4.10. Moduri de mbuntire a rezultatelor

Neuro Shell ofer posibilitatea mbuntirii unei arhitecturi far a-i schimba gradul de
complexitate. Metodele cel mai des utilizate sunt prezentate n continuare:
1) Utilizarea calibrrii reelei(calibration)
Neuro Shell utilizeaz calibrarea pentru a optimiza reeaua, prin aplicarea reelei a unui set de teste
independente n timpul antrenrii. Setul de date de test se creaz automat utiliznd modulul Test Set
Extract. Prin calibrare se identific reeaua optim pentru date n setul de test, ceea ce nseamn c
reeaua este capabil s generalizeze cu succes noile date i s returneze rezultate foarte bune.
Calibrarea realizeaz acest lucru prin calcularea mediei erorii ptratice pentru toate ieirile actuale i
prezise. Pentru a apela facilitatea de calibrare trebuie setat cmpul Calibration Test interval,
reprezentnd frecvena evalurii setului de test. Cele mai bune predicii se obin dac acest cmp se
seteaz cu valori cuprinse ntre 50 i 200. n cazul apelrii la facilitatea de calibrare trebuie de asemenea
validat csua Save network on the best test set.
2) Ajustarea ratei de nvare (learning rate), a ineriei (momentum) i a numrului de neuroni ascuni
pentru a-i crea reelei un nou model de antrenare. Ajustrile se realizeaz n modulul funcional learning.
Se poate de asemenea opta pentru activarea facilitii TurboPro, care nu necesit setarea factorilor
learning rate i momentum. Aceat opiune este inclus n Advanced System design i este valabil
pentru reele de tip backpropagation.
3) Stabilirea unor variabile mai eficiente pentru predicia pentru care este creat reeaua.
Concluzii: Antrenarea Reelie Neuronale Artificiale pentru identificarea satisfaciei clienilor n firma X
reprezint un real suport pentru rezolvarea problemelor legate de cuantificarea furnizorilor i studierea
34

satisfaciei clienilor firmei, avnd n vedere dificultatea cuantificrii aprecierilor clienilor, a cror
metalitate i mod de aciune difer foarte mult. Reeaua neuronal este capabil s nvee singur, s dea
rspunsuri pentru care un operator uman ar trebui s fac eforturi continue pentru a menine o baz
informaional aa de vast.
Avantaje:
n relaia cu potenialii clieni se realizeaz o transparen mai mare asupra calitii produselor pe care
le va achziiona firma;
Cel mai important aspect al realizrii acestei reele este cel al suportului informaional n procesul de
negociere cu clienii, prin intermediul cruia se poate obine preul optim pentru calitatea produselor
selectate;
Prin stabilirea nivelului de calitate al produselor vndute, al service-ului i al consultanei oferite n
procesul negocierii cu clienii, avnd ca suport informaional reeaua neuronal artificial, s-a reuit
stabilirea configuraiei optime pentru aplicaiile necesare diferitelor tipuri de utilizatori;

35

S-a reuit ca n situaiile n care reeaua a semnalat un grad sczut a satisfaciei clienilor, firma s ia
msuri pentru a oferi servicii adiionale acestora.