Documente Academic
Documente Profesional
Documente Cultură
Cursul 7 - Sisteme Informatice Cu Baze de Cunostinte
Cursul 7 - Sisteme Informatice Cu Baze de Cunostinte
valoarea datelor memorate ci din agregarea lor într-o structură complexă sub forma informaţiilor de
sinteză.
Diversificarea informaticii a făcut ca aceste instrumente decizionale să ia astăzi forma
sistemelor inteligente de diagnoză, analiză şi de asistare a deciziilor.
Astfel de sisteme au apărut sub forma logicii interactive. Ele permit utilizatorului ca plecând de
la faptele de care dispune să poată obţine o sinteză, integrând cunoştinţele din domeniu, adaptate
nevoilor sale imediate şi direct utilizabile în procesul decizional.
Posibilităţile de învăţare pe care le prezintă aceste sisteme, în special prin memorarea situaţiilor
întâlnite şi a soluţiilor adoptate, au dus la apariţia unui nou mediu decizional.
Există mai multe moduri de reprezentare a cunoştinţelor într-un sistem automat inteligent
dintre care două au reţinut atenţia în literatura de specialitate:
prima familie de sisteme inteligente se bazează pe o reprezentare analitică a
cunoştinţelor. Ele se exprimă sub forma unuia sau mai multor modele matematice unde parametrii
sunt specificaţi statistic. Aceste modele se utilizează în cadrul algoritmilor pentru găsirea unei soluţii
la o problemă ce a mai fost întâlnită. Această concepţie se utilizează în cadrul sistemelor interactive
de asistare a deciziilor (SIAD). O serie de sisteme de acest tip sunt în prezent disponibile în sfera
marketingului.
a doua familie de sisteme inteligente se bazează pe reprezentarea euristică a
cunoştinţelor. Sisteme expert de marketing ilustrează această abordare. Ele integrează datele
existente şi judecăţile subiective într-un raţionament simbolic şi numeric în vederea rezolvării unui
ansamblu de probleme interdependente.
Pe parcursul execuţiei procedurilor automate sistemul interacţionează permanent cu utilizatorul
căruia îi explică concluziile la care ajunge. Sistemul solicită informaţii complementare care permit
elaborarea şi îmbunătăţirea raţionamentului său.
În esenţă, această tehnologie informatică permite reproducerea pe cale artificială a
raţionamentului uman, automatizarea proceselor cognitive specifice creierului uman, inclusiv prin
crearea unor dispozitive – cu comportament inteligent – domeniu cunoscut în literatura de
specialitate sub numele de inteligenţă artificială.
Sistemele cu inteligenţă artificială, sistematică sau empirică, cum mai sunt denumite după
modul de abordare cognitiv sau pragmatic care a stat la baza realizării lor, extind domeniul de
aplicaţie al informaticii clasice prin implementarea unor concepte noi: prelucrarea cunoştinţelor,
prelucrarea simbolică, prelucrarea paralelă.
Dacă informatica clasică se defineşte ca fiind ştiinţa prelucrării automate a datelor,
informatica inteligentă este ştiinţa prelucrării automate a cunoştinţelor1.
Spre deosebire de prelucrarea algoritmică, unde datele constituie materia primă, în cazul
prelucrării inteligente elementele fundamentale sunt cunoştinţele, corelaţiile logice şi semantice
dintre fapte prin intermediul regulilor de raţionament. Dacă prelucrarea algoritmică este strâns legată
de noţiunea de procedură, prelucrarea inteligentă are un caracter declarativ, deoarece modul de
achiziţionare, introducere şi organizare a cunoştinţelor nu influenţează modul de prelucrare
(raţionament), ci cel mult concluziile. În acest fel, a apărut noţiunea de prelucrare simbolică în care
dispare distincţia dintre date şi programe.
Deşi nu există o definiţie unanim acceptată, inteligenţa artificială constă în ansamblul
disciplinelor informatice care tind să realizeze pe calculator un comportament de imitare a
inteligenţei naturale. Din punct de vedere istoric, termenul de inteligenţă artificială a fost introdus
pentru prima dată în 1956 de cercetătorul american McCarthy de la Massachussetts Institute of
Technology. Multă vreme cercetarea în domeniu a avut în principal un caracter fundamental şi mai
puţin aplicativ. Sistemele expert au apărut în anii ’80, ca un domeniu distinct al inteligenţei
artificiale, alături de domenii cum ar fi: demonstrarea automată de teoreme, de traducerea automată,
de jocurile pe calculator, de recunoaşterea automată a formelor, de robotică, de învăţare automată.
Dacă sistemele expert au fost dezvoltate la început în domeniul tehnic şi medical, în ultimul
timp asistăm la o dezvoltare a acestora în domeniul economic, în special în domeniul financiar-
bancar, de marketing şi management.
Abordarea metodologică de reproducere pe cale artificială a raţionamentului uman distinge trei
curente principale:
a) Abordarea cognitivă în care raţionamentul natural este privit ca o suită de stări şi
procese mentale care transformă datele de intrare în date de ieşire iar raţionamentul artificial
încearcă să reproducă aceste stări mentale şi procese utilizănd metode de modelare ce servesc ca
suport pentru implementarea unor sisteme software de gestiune a bazelor de cunoştinţe (SGBC).
b) Abordarea pragmatică – raţionamentul natural este privit tot ca o suită de stări şi
procese mentale care transformă datele de intrare în date de ieşire, dar raţionamentul artificial
încearcă doar să simuleze simptomele de inteligenţă, să producă aceleaşi date de ieşire pentru
aceleaşi date de intrare, modalitatea de obţinere a acestora fiind diferită de modalitatea biologică.
Ambele moduri de abordare sunt eficiente în automatizarea unor activităţi conştiente, învăţate,
specificabile în cuvinte, denumite biologic activităţi corticale (limbajul, jocul, munca).
c) Abordarea conexionistă – raţionamentul natural este privit ca o suită de stări şi procese
neuronale, iar raţionamentul artificial încearcă să reproducă mecanic această activitate neurologică
a creierului uman.
1
Năstase P., Zaharie D. şi colectiv, Sisteme expert – teorie şi aplicaţii, Ed. Dual Tech, 1999, pag. 3.
Corespunzător metodologiilor de abordare şi reproducere pe cale artificială a raţionamentului
uman întâlnim tehnologiile de abordare:
Reţelele neurale care imită organizarea şi funcţionarea creierului, sunt deosebit de
eficiente în reproducerea mecanică a activităţilor umane, „incoştiente”, „neraţionale”, greu
specificabilă prin cuvinte (mersul, vorbirea), utilizându-se prin excelenţă în domeniul roboticii.
La fel ca şi la om, reţelele neurale pot învăţa să recunoască modele prin expunere repetată la
experimente diferite.
Omul, este o construcţie hibrid care procesează informaţia. Acţiunile noastre sunt generate de o
combinaţie de informaţii genetice şi informaţii obţinute prin învăţare. Acest gen de procesare a
informaţiei a fost pus în aplicare pentru a crea sisteme inteligente hibride, cum sunt sistemele de
control ale aeronavelor care diagnostichează şi rezolvă automat probleme sau sistemele folosite în
mediul economic;
Algoritmii genetici sunt inspiraţi de principiul biologic de supravieţuire a celor buni.
Ideea de bază este evoluţia soluţiei unei probleme de-a lungul a mai multe generaţii, fiecare dintre ele
având o soluţie mai bună decât predecesorii;
Sisteme bazate pe logica neclarităţii explică deciziile pe care le propun, dar nu pot să
adopte automat regulile pe care le folosesc pentru a lua acele decizii. În linii mari, logica
neclarităţii, inventată de Lotfi Zadeh în 1956, exprimă diferite grade de certitudine şi incertitudine
ale propoziţiilor;
Sistemele de inducere a regulilor sunt un alt tip de sisteme aplicate în procesele de
achiziţie automată a cunoştinţelor. Ele au fost folosite pentru învăţarea regulilor şi crearea arborilor
de decizie şi au fost aplicate cu succes în economie.
Aceste tehnici nu pot rezolva singure anumite probleme mai complexe. Fiecare tehnică
inteligentă are câteva proprietăţi predominante (de exemplu, abilitatea de a învăţa sau explicarea
deciziilor) ceea ce le face potrivite pentru rezolvarea unui anumit tip de probleme şi nu pentru
rezolvarea altora.
Limitele fiecărei tehnici îi determină pe experţi să le combine. De exemplu, logica neclarităţii
este folosită pentru a evalua preferinţele pentru un produs sau o marcă. Expertul în evaluarea
preferinţelor trebuie să specifice toate regulile invocate atunci când ia decizia de a cuantifica
preferinţele. Totuşi acest proces ia mult timp şi este supus erorii. Reţelele neurale cu abilitatea lor de
a învăţa pot fi folosite pentru a include automat în program regulile de decizie bazate pe logica
neclarităţii.
În tabelul 3.1. se prezintă gradul de satisfacere a proprietăţilor sistemelor inteligente în raport
cu tehnologia de reproducere a raţionamentului uman.
Proprietăţi ale sistemelor inteligente
Tehnologia Acumularea Abilitatea Nivel Nivel scăzut Putere
automată de de a face ridicat de de explicativă
cunoştinţe faţă unui raţionament raţionament
mediu fragil
Sisteme * * ***** * *****
expert
Inducere a **** ** *** ** ***
regulii
Logica * ***** *** ***** ****
neclarităţii
Reţele ***** ***** * ***** *
neurale
Algoritmi ***** *** *** *** ***
genetici
Tabel 3.1. Tehnologii de reproducere a raţionamentului uman
Sistemele inteligente hibride reprezintă o combinaţie de tehnici inteligente diferite, cât şi o
integrare a mai multor tehnici inteligente cu sisteme informatice convenţionale cum sunt bazele de
date şi bazele de tabele de calcul. Din acest motiv este vital să existe metode şi protocoale
are
Utilizator odel Expert
M
Interfata cu ep
R
reze Analist de
utilizatorul ntare cunostinte
Motor de
Modulul achizitionare
explicativ cunostinte
Compilator reguli
Dictionar
fapte
EDITOR EDITOR reguli
obiecte
Baza de cunostinte
Baza de fapte
Baza de date
Aplicaţiile sistemelor expert reduc costurile companiilor, sporesc calitatea procesului de luare a
deciziilor, sporesc viteza afacerilor, aduc încasări din vânzarea produselor şi serviciilor noi,
înmagazinează know-how organizaţional, rezolvă crize de management şi stimulează inovaţia.
Limitele. Informaţia necesară nu este întotdeauna disponibilă. Culegerea datelor de la
experţi este dificilă. Mai mulţi experţi pot avea mai multe abordări diferite, toate corecte, ale
aceleiaşi probleme. Utilizatorii sistemelor expert nu sunt acomodaţi cu ele, e posibil să nu cunoască
terminologia şi chiar nu pot avea încredere în sistem şi în proces. Apare dificultatea de evaluare a
situaţiilor atunci când timpul presează. Concluziile nu pot fi verificate din punctul de vedere al
corectitudinii. Inginerii de informaţie (cogniticienii, profesioniştii care organizează baza de
cunoştinţe) nu sunt numeroşi şi, din acest motiv, salariile pe care le solicită sunt foarte mari. Experţii
au
mai mult bun simţ, sunt mai creativi în faţa situaţiilor neobişnuite, se adaptează rapid la schimbările
mediului. Sistemele expert nu îşi dau seama de situaţiile în care nu există soluţie.
În ultima perioadă sunt folosite pentru luarea de decizii în regim automat sistemele suport de
asistare a deciziei (SSAD) – mai cunoscute sub denumirea de ESS – executive support systems sau
EIS – executive information systems şi care au, în principal următoarele elemente:
arhitectură puternic integrată, formată din:
a) baze de date (BD);
b) baze de cunoştinţe (BC);
c) baze de reguli (BR);
d) baze de interactivitate (BI).
relaţia obiecte active-obiecte pasive: asigură conlucrarea dintre date, cunoştinţe şi
reguli;
comunicaţia SSAD-decidenţi: se realizează prin dialogul om-maşină bazat pe
interacţiunea eveniment-mesaj;
relaţia client-server generalizată: este realizată prin cooperarea internă (între obiecte)
şi externă (între SSAD şi decidenţi) prin intermediul bazei de interactivitate (BI).
Sistemele suport de asistare a deciziei asigură decidentului, care analizează o problemă de
marketing şi ia o decizie, asistenţă automată pentru:
formularea şi transmiterea întrebărilor către modelul adecvat din cadrul SSAD;
extragerea datelor şi faptelor care sunt analizate din punct de vedere statistic;
selecţia variantei decizionale optime pe baze automate pentru fundamentarea cursului
optim al acţiunii.
Factori de decizie
în domeniul DECIZII
marketingului
SIAD ESS/EIS SE
În cadrul SSAD de marketing, datorită specificului de activitate, sistemul este structurat în:
subsistemul modelelor de management (SMM);
interfaţa om-maşină (IOM);
subsistemul modelelor de gestiune a datelor şi/sau cunoştinţelor (SMG).
a) Subsistemul modelelor de management al marketingului este format din modele
cantitative şi calitative, metode şi proceduri de optimizare1 care asigură SSAD proprietăţi de analiză
şi de fundamentare a deciziei. Modele sunt structurate în trei clase:
modele strategice (MS): asigură responsabilităţile de planificare de marketing pentru
cel mai înalt nivel decizional, fiind de fapt modele pe termen lung;
modele tactice (MT): sprijină gestionarea la nivel mediu pentru alocarea şi controlul
utilizării resurselor entităţii organizaţionale;
modele operaţionale (MO): asigură gestionarea operaţională în scopul luării deciziilor
zilnice pentru activităţile operative din domeniul marketingului.
b) Interfaţa om maşină (IOM) este formată din următoarele componente:
Limbajul de activare (LA) care asigură:
opţiuni pentru introducerea datelor;
meniuri specifice pentru funcţiile utilizate.
Limbajul de afişare (LF) care permite:
opţiuni pentru ieşirea datelor cu afişare multiplă (tabele, grafice etc.)
Baza de cunoştinţe (BC) formată cu cunoştinţele de marketing necesare utilizării
SSAD
Facilităţile asigurate de către IOM sunt:
interacţiuni în diverse moduri de dialog;
multitudinea dispozitivelor de I/E;
capacităţi grafice multiple, multiferestre;
facilităţi de depanare şi diagnoză;
instruire prin exemple.
1
Kotler Ph., op. citată, pag. 202-203.
modele de date pentru BD orientate pe obiecte (BD);
modele de cunoştinţe multiutilizator pentru bazele de cunoştinţe (BC);
modele de date pentru BD multimedia (BM).
Structura unui sistem suport interactiv de asistare a deciziei este redat în figura 3.7., care redă
legăturile dintre modelele şi bazele utilizate într-un SSAD şi decidenţii-utilizatori a unui astfel de
SSAD de marketing.
DECIDENT
INTERFATÃ UTILIZATOR
Limbaj Limbaj Limbaj
activare afisare cunostinte
Modele de date
pentru BD BD Modele
orientate pe strategice
BT
obiecte
Modele de date
pentru BD BD Modele
multimedia multimedia tactice
Modele de Modele
cunostinte BC operationale
multiutilizator BF
INTEGRARE
INTERACTIVITATE