Documente Academic
Documente Profesional
Documente Cultură
Fie că este vorba de inteligenţa umană, fie de inteligenţa artificială un sistem inteligent trebuie să fie
capabil să transforme datele în informaţii şi informaţiile în cunoştinţe.
Exploatarea optimă a celor două resurse informaţionale (bazele de cunoştinţe şi bazele de date),
necesită proiectarea fiecăreia din cele două componente ca o extensie naturală a celeilalte, în cadrul unui
sistem integrat.
La momentul actual, analiştii fac o diferenţiere explicită cu privire la diversele tehnici de programare
ce stau la baza dezvoltării unor computere tot mai performante:
tehnici tradiţionale sau clasice de programare bazate pe algoritmi asociaţi cu logica clasică
(limbaje de programare precum Cobol, Fortran, Basic, C etc);
tehnici de programare specifice inteligenţei artificiale, respectiv cele bazate pe algoritmi
asociaţi logicii fuzzy (sistemele expert, reţelele neuronale, recunoaşterea formelor, data
mining, agenţii inteligenţi etc.).
Inteligenţa este capacitatea de a înţelege uşor, de a sesiza esenţialul şi de a face faţă unor situaţii
neprevăzute (dicţionar)
Inteligenţa reprezintă capacitatea de a percepe, înţelege şi a învăţa în cadrul unor situaţii noi (definiţia
cea mai comună)
Termenul de IA (Inteligenţă Artificială ) a fost utilizat pentru prima dată în 1960 în cadrul unui
articol scris de către Minsky intitulat "Paşii către o inteligenţă artificială" în care se prezentau în premieră,
modalităţii de rezolvare simbolică a problemelor de analiză matematică pe un calculator. Termenul care s-a
introdus cu această ocazie a cauzat numeroase discuţii datorită implicaţiilor pe care le ridică:
1. ce este inteligenţa?
2. este aceasta o caracteristică umană?
3. pot fi maşinile inteligente?
4. se poate vorbi de o inteligenţă artificială?
5. programele produse prin IA sunt inteligente?
1
1990 - IA este un domeniu al informaticii care începe acolo unde informatica clasică se
opreşte, destinat rezolvării problemelor pentru care nu există un algoritm de calcul sau
pentru care algoritmii sunt prea complicaţi pentru a fi rezolvaţi în maniera clasică.
IA prezintă un punct de vedere diferit faţă de cel clasic în rezolvarea unei probleme.
Inteligenţa este capacitatea de a percepe, înţelege şi învăţa în contextele unor situaţii noi.
Cunoaşterea este fenomenul prin care se face un transfer de informaţii de la obiect la observator. În
cursul acestui transfer sunt recepţionate numai caracteristicile esenţiale. Deci cunoaşterea nu are un
caracter enciclopedic, având loc o abstractizare şi o filtrare a informaţiei recepţionate.
Structural cunoaşterea este formată din piese de cunoaştere (numite entităţi) prin care sunt
reprezentate diversele caracteristici ale fenomenului observat. Pentru construirea unei piese de cunoaştere se
utilizează două noţiuni:
a) concepte (rezultatele unui proces de abstractizare prin care se deduc acele caracteristici ce permit
încadrarea obiectului într-o anumită clasă).
b) instanţe (caracteristici individuale care aparţin unui obiect).
2
Deducţiile logice (raţionamentul) reprezintă un lanţ de judecăţi a căror obiectiv este
obţinerea unor noi adevăruri.
Prin judecată se înţelege o propoziţie simplă prin care se afirmă sau se neagă ceva şi care
întotdeauna prezintă valoarea adevărat.
Într-un raţionament un set de judecăţi numite premise, sunt legate de o alta judecată numită concluzie
printr-un proces care poartă denumirea de inferenţă.
existenţa unor fapte, adică adevăruri într-o anumită situaţie sau univers de discurs relevant
reprezentarea faptelor într-un formalism ales. Mai exact, faptele sunt lucrurile pe care vrem să
le reprezentăm, iar reprezentările lor sunt lucrurile pe care le vom putea manipula efectiv.
abstractizarea, adică reprezentarea numai a informaţiilor necesare unui anumit scop, element
esenţial pentru gestionarea complexităţii;
raportul dintre expresivitate şi eficienţă: unele reprezentări expresive sunt ineficiente, de
aceea, pentru a creşte eficienţa trebuie sacrificată expresivitatea, fără a limita capacitatea
reprezentării de a surprinde esenţialul.
Tipuri de reprezentări
i) reprezentarea descriptivă - caracterizarea directă a componentelor, structurii şi proprietăţilor
piesei de cunoaştere;
ii) reprezentarea comparativă - pentru a se reprezenta o piesă de cunoaştere A, expresia B
conţine o referinţă la o piesă de cunoaştere auxiliară, denumită prototip, şi o informaţie ce
marchează diferenţele dintre A şi piesa prototip:
iii) reprezentarea constructivă (generativă) - relaţie generatoare a elementelor componente,
structurii şi proprietăţilor piesei de cunoaştere;
iv) reprezentarea enumerativă - presupune referiri la elementele unei mulţimi, care este definită
ca piesă de cunoaştere.
Sistemul de clasificare
Sistemul de clasificare urmăreşte stabilirea unui număr finit de clasificări ale pieselor de cunoaştere,
pentru a realiza ordinea conceptuală.
Clasificarea presupune stabilirea unor grupări numite clase, pe baza unor asemănări între elementele
aceleiaşi clase.
Etapele clasificării
Procesul de clasificare se desfăşoară în două etape:
a) clasificarea conceptuală, prin care proprietăţile obiectului sunt analizate din punct de vedere al
relevanţei în raport cu obiectele utilitare ale sistemului, pentru a fi grupate apoi în criterii;
b) clasificarea instanţială, prin care piesele de cunoaştere sunt plasate în clase potrivit criteriului de
clasificare stabilit pentru fiecare piesă de cunoaştere.
4
Un criteriu de clasificare care nu poate decide satisfacerea condiţiilor de unicitate a clasificării este
un criteriu de clustering. În acest caz, un element poate să aparţină mai multor clase.
Apartenenţa la clase nu modifică proprietăţile ce definesc obiectul ca membru al unei anumite clasei,
ci asigură o serie de trăsături de importanţă secundară.
Nu există o distincţie netă între cele trei nivele. Totuşi, în majoritatea sistemelor cognitive se remarcă
un nivel conceptual puternic, care suplineşte de multe ori celelalte nivele. În aplicaţiile practice apare o
5
contopire între nivelele conceptual şi extern. Din punctul de vedere al programatorului, reprezentarea
cunoaşterii poate fi:
Reprezentările declarative sunt mai costisitoare, ocupă mai mult spaţiu, pot avea elemente
redundante, însă ştergerea sau adăugarea de elemente se face foarte simplu (aceste operaţii
sunt de fapt actualizări ale unor liste de fapte).
Reprezentările procedurale sunt mai compacte, dar mai puţin flexibile, întrucât se bazează
pe o mulţime de acţiuni (de obicei de forma „dacă-atunci").
ÎNTREBĂRI:
Cunoașterea
Cunoaşterea poate cuprinde fapte şi informaţii şi în special concepte, proceduri, modele şi euristici
care se pot utiliza în inferenţe pentru rezolvarea problemelor.
Metacunoaşterea reprezintă nivelul cel mai abstract şi înseamnă cunoaştere despre cunoaştere şi
expertiză.
Ierarhia cunoașterii
La baza piramidei stau semnele sau informaţii (exemple de semne în sens general: o
zgomotele. Acestea nu au semnificaţie simbolică, literă, o cifră, simbolul unui cont în contabilitate
adică nu pot fi înţelese. Prin semne înţelegem o etc); aşadar, înţelegem o materie primară ce se
unitate sau un simbol primar al unei viitoare prelucrează în vederea obţinerii unor fapte, date
6
sau procese. De exemplu, o scriere hieroglifică
necunoscută poate fi confundată cu o serie de
desene abstracte, incoerente.
n=30
Prin informaţii înţelegem un mixaj între două sau mai multe date existente în ansamblul cunoaşterii
la un moment dat, rezultat în urma unui proces de prelucrare pentru a ajunge la un nou înţeles în
comunicarea dintre indivizi.
Transformăm datele în informaţii atunci când adăugăm valoare unei informaţii şi un anumit înţeles
prin procese precum contextualizarea, categorizarea, corectarea etc. (exemple de informaţii în sens general:
7
o teorie, un concept, rulajul unui cont de pasiv sau activ în contabilitate, o secvenţă dintr-un program
software).
Prin cunoştinţe înţelegem o formă mult mai „finisată” a diferitelor informaţii existente în organizaţii,
societate sau în mintea indivizilor.
Informaţiile acumulate în istoria de milenii a umanităţii au fost şi sunt permanent sistematizate sub
forma unor cunoştinţe, pentru a facilita accesul cercetătorilor la diverse categorii de cunoştinţe.
Cunoştinţele reprezintă următorul nivel de înţelegere. Ele derivă din informaţii cărora li se aplică
reguli şi euristici. La acest nivel acţionează tehnicile de data mining, care pot identifica tendinţe ascunse sau
modele nebanale.
„Inducţia de reguli" este o tehnică de data mining care furnizează rezultate de forma: „oamenii care
cumpără lapte cumpără şi pâine în 80% din cazuri".
Mai recent, teoria propune termenul „enlightenment”, această noţiune desemnând o „calitate” a
cunoştinţelor dusă dincolo de înţelepciune. Mai precis, este vorba despre cea mai înaltă formă a înţelegerii la
care poate ajunge o persoană (intuitiv spunem că este vorba despre cea mai înaltă formă a experienţei
acumulată de expertul uman într-o anumită profesie).
Sursa: Adaptat după: Apurva A., Singh M.D., Understanding Knowledge Management: a literature
review, International Journal of Engineering Science and Technologie (IJEST, vol.3, no.2, 2011)
Datele, acumulate într-un context cu semnificaţie, devin informaţii. Ele sunt abstracţii informale, care
nu pot fi formalizate printr-o teorie logico-matematică. Dacă spunem „Suceava e un oraş frumos", această
informaţie are o natură subiectivă, depinde ce înţelege fiecare om prin „frumos". Enunţul anterior este
8
reprezentabil într-un calculator, însă sub formă de date; pentru a fi prelucrat „frumos" ar trebui cuantificat de
exemplu pe o scară numerică, de la 1 la 10.
Diferenţa fundamentală dintre date şi informaţii este faptul că datele au un caracter pur sintactic, pe când
informaţiile dispun de caracteristici semantice.
9
Dacă din cantitatea vândută şi preţ unitar deducem volumul vânzărilor, acesta este o informaţie.
Uneori este utilă separarea şi regruparea informaţiilor după anumite criterii. Această analiză ajută la
determinarea relaţiilor, modelelor, tendinţelor şi excepţiilor, sub forma informaţiilor analitice. Vânzările
pentru lapte şi pâine nu depind de perioadă, cele pentru mere depind:
Reprezentarea ierarhică a cunoaşterii are şi critici. Aceştia consideră că unele cunoştinţe depind
într-adevăr de mai multe date, dar sunt cazuri în care aceleaşi date sunt implicate în mai multe aspecte ale
cunoştinţelor. De aceea, ei consideră că piramida nu este simbolul potrivit şi că datele, informaţiile şi
cunoştinţele fac parte dintr-un tot unitar, continuu, ale cărui părţi nu pot fi considerate separat.
Un sistem de procesare a informaţiei constă (conform lucrărilor lui Newell şi Simon) din patru
componente fundamentale:
1. memoria,
2. procesorul,
3. organele efectoare,
4. organele receptoare;
Gândirea umană este guvernată de programe care organizează procese informaţionale simple în
secvenţe ordonate care se constituie în structuri complexe. Procesorul primeşte, ca intrări, structuri simbolice
şi realizează la ieşire noi structuri simbolice ca rezultat al prelucrării.
memoria pe termen lung – este nelimitată, permanentă, necesită timp îndelungat pentru
memorarea informaţiei însă oferă posibilitatea regăsirii instantanee a informaţiei;
memoria pe termen scurt (memoria de lucru) – are capacitate limitată, iar informaţia
memorată poate fi doar procesată atunci când această memorie este activă;
ÎNTREBĂRI:
10
1. Cum vede Turban ierarhizarea datelor?
2. Ce presupune ierarhia cunoaşterii?
3. Semne, zgomote
4. Date
5. Informaţii
6. Cunoştinţe
7. Înţelepciune
8. Enlightenment
cunoştinţe explicite sunt cunoştinţele acumulate raţional care pot fi transferate prin procese
obişnuite de predare, învăţare, comunicare, etc; acestea pot fi detaşate de deţinător şi
procesate în diverse moduri la nivel organizaţional (cunoştinţele ce se regăsesc în manuale,
enciclopedii, baze de date etc);
cunoştinţe tacite sunt cunoştinţe de tip non raţional, cum ar fi cunoştinţele ce derivă din
experienţa sau intuiţia individului, caz în care transmiterea şi procesarea lor devin relativ mai
dificile (noi ştim intuitiv sau din experienţă cum să realizăm diverse acţiuni sau să ne
comportăm în diverse contexte sociale, însă uneori este dificil să explicăm verbal cum
îndeplinim acele acţiuni; Maynard şi Mehrtens spun că afacerile din viitor vor exploata pe
larg cunoaşterea intuitivă [82]).
Procesul de conversie a cunoştinţelor explicite în cunoştinţe tacite şi invers ia forma unei spirale a
învăţării în organizaţiile moderne de afaceri;
A fost ilustrat pentru prima dată de profesorul japonez Nonaka Ikujiro (acest model este cunoscut în
managementul cunoştinţelor drept modelul SECI, adică Socializare, Externalizare, Combinare şi
Internalizare).
11
Spirala de conversie a cunoştinţelor Sursa: Nonaka I., Konno N. – The Concept of „Ba” Building a
Foundation for Knowledge Creation, California Management Review, vol.40, No.3, Spring, 1998; Nonaka
I., Knowledge Advantage Conference, November 11-12, 1997
a) Socializarea presupune partajarea cunoştinţelor tacite între două sau mai multe persoane ce se
află împreună în diverse contexte sociale (acasă, în organizaţie); cunoştinţele tacite sunt generate
de experienţa directă a fiecărui individ, ceea ce face ca transferul acestora către alte persoane să
fie relativ dificil;
b) Externalizarea cunoştinţelor este procesul prin care fiecare persoană îşi transformă cunoştinţele
sale tacite în cunoştinţe explicite; din moment ce devin cunoştinţe explicite, acestea pot fi
transferate cu uşurinţă către alţii, pot fi procesate şi depozitate;
c) Combinarea este procesul prin care se creează noi structuri de cunoştinţe explicite plecând de la
o bază dată de cunoştinţe tot explicite; în fapt, discutăm despre un proces de conversie de la o
formă mai „brută” a cunoştinţelor către o formă mai „finisată”, de mai mare semnificaţie;
transferul şi difuzia unor cunoştinţe rezultate prin conversia invocată se poate face cu uşurinţă în
orice organizaţie;
d) Internalizarea cunoştinţelor este procesul de conversie prin care se convertesc cunoştinţe
explicite existente la un moment dat în cunoştinţe tacite asociate îndeosebi unei organizaţii;
acestea se transferă îndeosebi prin tehnici de training, learning by doing, exerciţii practice.
Logica propoziţiilor
În contextul procesării unor cunoştinţe pe calculator, discutăm de un limbaj diferit de cel natural;
acest tip de limbaj se bazează pe o logică simbolică (logica de ordinul I).
Având sintaxa sa definită formal, logica simbolică este mult mai simplă şi mai potrivită procesării pe
calculator decât limbajul natural. În ciuda simplităţii sale, logica simbolică este destul de expresivă pentru
a specifica orice lucru care poate fi programat pe calculator.
Limbajul de reprezentare a cunoştinţelor este logica propoziţională, care a fost dezvoltată de George
Boole la mijlocul secolului 19 şi în care o propoziţie poate fi reprezentată printr-o singură literă p, putând
avea valoarea logică adevărat sau fals.
12
În acest mod de reprezentare a propoziţiei se pierd detaliile (nu poate fi analizată structura internă a
propoziţiei) însă, dacă structura internă este importantă, propoziţia poate fi împărţită în părţi mai mici care
pot fi reprezentate separat. Un pas important în acest sens îl constituie împărţirea propoziţiei în două părţi şi
anume: subiect şi predicat.
O propozitie este o afirmatie declarativă care este adevărată (A) sau falsă (F), nu ambele simultan.
Ex: propoziţii
Variabilă propoziţională este o variabilă peste domeniul {A, F} care reprezintă o propoziţie.
Notaţii: p, q, r, p1 , p2 , …
Valoarea de adevăr a unei propoziţii este adevărat (A), dacă este adevărată şi fals (F), dacă este
falsă.
Prin combinaţia de propoziţii cu ajutorul operatorilor logici se obţin propoziţii compuse.
Diferitele tipuri de raţionament posibile (la care putem recurge în prezent) se bazează pe 2 tipuri
diferite de logică:
Este oarecum paradoxal, însă ambele tipuri de logică recurg în limbaje matematice la următorul set
de operatori utilizaţi în practică:
∃ cuantificatorul existenţial
13
∀ cuantificator universal (oricare ar fi)
→ implicaţie simplă
Logica clasică ne arată că valoarea de adevăr (V) a unei propoziţii (P) este o funcţie de forma:
V : P →{0,1}
unde: domeniul de definiţie este mulţimea tuturor propoziţiilor logice, iar subdomeniul este mulţimea
formată din elementele 0 – care au semnificaţia de fals şi 1 – care au semnificaţia de adevăr.
Tabele de adevăr
Operatorul de negaţie
Fie p o propozitie. Negaţia unei propoziţii p, notată prin ¬ p, reprezintă afirmaţia
Propozitia ¬ p se citeşte “not p”, iar valoarea ei de adevăr este opusul valorii de adevăr a lui p.
EX:
p = “Azi e marţi”
¬ p= “Nu este cazul ca azi e marţi” sau
“Azi nu e marţi”.
Conjuncţia
Fie p şi q propoziţii. Conjuncţia dintre p şi q, notată p ∧ q, este propoziţia “p şi q”. Ea este
adevărată când p şi q sunt ambele adevărate şi falsă altfel.
14
EX:
p = “Azi e luni.”
q = “Azi plouă.”
p ∧ q= “Azi e luni şi azi plouă.”
Propoziţia este adevărată într-o zi de luni ploioasă şi este falsă în orice zi dacă nu e luni şi în orice zi
de luni în care nu plouă
Disjuncţia
Fie p şi q propoziţii. Disjuncţia dintre p şi q, notată p ∨ q, este propoziţia “p sau q”. Ea este falsă
cand ambele p şi q sunt false şi adevărată altfel.
EX:
p = “Azi e luni.”
q = “Azi plouă.”
p ∨ q = “Azi e luni sau azi plouă.”
Adevărată în orice zi de marţi şi în orice zi în care plouă şi falsă dacă nu este nici marţi şi nici nu
plouă.
Implicaţia
Fie p şi q propoziţii. Implicaţia dintre p şi q, notat p → q, este propoziţia “dacă p, atunci q”. (p=
ipoteza, q= concluzia)
Este falsă doar dacă prima propoziţie a implicaţiei este adevărată şi cea de-a două este falsă, în restul
cazurilor implicaţia este adevărată.
EX:
Echivalenţa
Fie p şi q propoziţii.
Se mai citeşte:
EX:
Aristotel propune o împărţire a propoziţiei în două părţi: subiect şi predicat. Următorul este
silogismul pentru raţionamentul despre “contul sintetic”:
if contul sintetic are 20 conturi analitice and Contul 301 este un cont sintetic then Contul 301 are 20
de conturi analitice
Premisa majoră “contul sintetic” (s) este subiectul şi “are 20 conturi analitice”(an) este predicatul.
Conectarea dintre cele două premise este stabilită prin termenul “contul sintetic” care este numit “termen de
mijloc”, el apare ca subiect în prima premisă şi predicat în cea de-a doua.
Simbolul \/ reprezintă un cuantificator universal, iar => este operatorul ce implică (if-then). Formula
poate fi citită astfel:
ÎNTREBĂRI:
1) Cunoştinţe tacite
2) Cunoştinţe explicite
3) Ce este spirala cunoştinţelor?
4) Delimitaţi noţiunile din spirala (SECI)
5) Logica propoziţiilor
6) Cuantificatorii şi operatorii logici
7) Tabela de adevăr
Logica fuzzy
cuprinde adevărul parțial, valori ale adevărului cuprinse între „complet adevărat” și „complet
fals ”
a fost definită pentru abordarea conceptelor „lingvistice” de genul mic, mare, ridicat, scăzut,
etc.
sistemele bazate pe logica fuzzy sunt foarte flexibile şi şi-au dovedit eficacitatea într-o serie
de sarcini de control şi recunoaştere de modele de la recunoaşterea scrisului şi până la
evaluarea creditelor.
există la momentul actual mai multe produse de larg consum care utilizează logica fuzzy în
mecanismele lor de control (maşini de spălat, cuptoare cu microunde sau aparate de
fotografiat cu focalizare automată, Japonia fiind ţara cu cele mai multe aplicaţii bazate pe
tehnica logicii fuzzy).
16
Mulţimi fuzzy
O mulţime fuzzy este o mulţime a cărei graniţă nu este evidentă, bine definită. În general, o mulţime
fuzzy conţine elemente despre care se poate spune că aparţin (sau nu aparţin) parţial acelei mulţimi.
O mulţime fuzzy A, definită pe o mulţime X, este formată din perechi ordonate (x ; mA (x)), unde x
este un element din mulţimea X, iar mA (x) este un element care poate lua valori în intervalul [0,1] şi descrie
măsura în care elementul x aparţine sau nu mulţimii A. Astfel, se poate scrie:
m A ( X) este funcţia caracteristică sau funcţia de apartenenţă asociată mulţimii fuzzy A, iar valoarea
acestei funcţii se numeşte grad de apartenenţă.
Dacă în cazul unei variabile algebrice se folosesc ca valori numerele (de exemplu, tensiunea într-un
nod al reţelei poate avea valori ca 105,7 kV sau 117,2 kV), în cazul variabilelor lingvistice, valorile folosite
sunt cuvinte, expresii sau chiar propoziţii.
De exemplu, variabila lingvistică „gust” poate lua valori cum ar fi acru, dulce, sărat, amar în timp ce
variabila lingvistică „estetic” poate lua valori cum ar fi: frumos, urât, etc.
Abordarea lingvistică reprezintă de fapt una din caracteristicile fundamentale ale mulţimilor fuzzy.
Spre deosebire de logica clasică, în logica fuzzy valoarea de adevăr (V) a unei propoziţii P este o
funcţie de tipul: μ: P → [0,1]
Modificarea de la mulţimea {0,1} de valori, la intervalul real închis [0,1] are ca efect obţinerea unui
număr infinit de valori pentru soluţiile posibile între valorile extreme 0 – fals şi respectiv 1 – adevărat.
Astfel, o afirmaţie AF aparţinând mulţimii P poate avea ca valoare de adevăr numărul 0,75, înţelegând prin
aceasta că respectiva afirmaţie nu este întru totul falsă dar nici întru totul adevărată.
După definirea funcţiilor de apartenenţă, noile articole pot fi clasificate pe baza valorilor fuzzy.
Datele care au fost convertite în funcţii de apartenenţă fuzzy sunt referite sub numele de date
fuzzificate.
Regulile de inferenţă fuzzy specifică relaţiile dintre variabilele fuzzy şi sunt de forma regulilor de
producţie „Dacă / Atunci”.
Raţionamentul fuzzy este dat de procesul de derivare a concluziilor plecând de la o serie de date
fuzzificate, cu ajutorul unui set dat de reguli fuzzy.
În cazul inferenţei fuzzy sunt activate toate regulile din baza de reguli fuzzy, pentru care potrivirea
parţială sau integrală a condiţiilor va contribui la rezultatul final.
Deci, rezultatul final este o consecinţă a agregării tuturor ipotezelor regulilor dintr-un sistem.
Procesul de agregare rezultat este principiul cheie care stă la baza flexibilităţii în tratarea datelor incomplete
sau inconsistente.
17
Sistemele fuzzy se pretează foarte bine la regăsirea informaţiilor din bazele de date foarte largi,
deoarece oferă un mecanism de regăsire a articolelor care corespund chiar parţial condiţiilor, spre deosebire
de sistemele clasice unde sunt regăsite doar articolele pentru care toate condiţiile sunt îndeplinite.
Unul din avantajele logicii fuzzy în comparaţie cu alte tehnici de tratare a datelor, îl constituie
bazele de cunoştinţe sub formă de reguli, uşor de examinat şi de înţeles.
O regulă clasică IF-THEN foloseşte logica binară, adică este exprimată într-un limbaj alb-negru a
logicii booleene.
Regula 1 Regula 2
IF viteza > 150 THEN distanţa_de_oprire este mare IF viteza < 60 THEN distanţa_de_oprire este mică
Variabila viteză poate avea orice valoare numerică între 0 şi 220 km/h, dar variabila lingvistică
distanţa_de_oprire poate avea doar două valori: mare şi mică.
Regula 1 Regula 2
IF viteza este mare THEN distanţa_de_oprire este IF viteza este mică THEN distanţa_de_oprire este
mare mică
Aici variabila lingvistică viteza are intervalul (universul discursului) tot între 0 şi 220 km/h, dar acest
interval include mulţimile fuzzy, cum ar fi încet, mediu, şi repede. Universul discursului a variabilei
18
lingvistic distanţa_de_oprire poate fi între 0 şi 300 m şi ar putea include mulţimi fuzzy ca scurt,
mediu, şi lungă. Regulile fuzzy sunt relaţionate mulţimilor fuzzy.
Sistemele expert fuzzy combină regulile şi în mod consecutiv taie numărul de reguli cel puţin 90 %.
Raţionamentul fuzzy este alcătuit din două părţi distincte: evaluarea regulii antecedente (partea IF a
regulii) şi implicarea sau aplicarea rezultatului consecinţei (partea THEN a regulii).
În sistemele clasice bazate pe reguli, dacă regula antecedentă este adevărată, atunci consecinţa este
de asemenea adevărată.
În sistemele fuzzy, unde regula antecedentă este o afirmaţie fuzzy, toate regulile se declanşează într-
un anumit context, sau cu alte cuvinte, se declanşează în mod parţial.
Dacă regula antecedentă este adevărată într-un anumit grad de apartenenţă, atunci consecinţa este de
asemenea adevărată în acelaşi grad.
În general, un sistem expert fuzzy include nu una ci mai multe reguli care descriu cunoştinţele
experţilor.
Ieşirea fiecărei reguli este o mulţime fuzzy dar de obicei trebuie să obţinem un singur număr care să
reprezinte ieşirea sistemului expert. Cu alte cuvinte, dorim să obţinem o soluţie precisă, nu una fuzzy. Pentru
a obţine o singură soluţie pentru variabila de ieşire, un sistem expert fuzzy reuneşte toate ieşirile mulţimilor
fuzzy şi apoi transformă mulţimea fuzzy într-un număr singur.
Inferenţe fuzzy
Poate fi definită ca un proces de ajungere de la o valoare de intrare dată la o valoare de ieşire,
folosind teoria mulţimilor fuzzy. În 1975, profesorul Ebrahim Mamdani de la Universitatea din Londra a
construit unul dintre primele sisteme fuzzy. A aplicat o mulţime de reguli fuzzy date de operatori umani
experimentaţi.
19
utilizează metode de reprezentare simbolică a cunoştinţelor şi memorarea acestora în baza
de cunoştinţe a sistemului, precum şi mecanisme care permit deducerea de noi cunoştinţe
din faptele memorate în baza de cunoştinţe.
b) modele conexioniste (pot fi abordate probleme complexe pentru care nu poate fi stabilit un
algoritm de rezolvare, urmând ca algoritmul să fie construit automat plecând de la mulţimea de
exemple de instruire);
memorează difuz informaţia în cadrul unei reţele neuronale artificiale prin intermediul
valorilor determinate ale ponderilor conexiunilor sinaptice dintre neuroni, iar procesul de
calcul utilizat în cadrul acestor modele este cunoscut sub denumirea de calcul neuronal.
StudentLaIE(Ovidiu)
Programeaza(Ovidiu)
Elementele de bază cu care se operează sunt propoziţiile, numite şi atomi sau propoziţii simple.
Următoarele enunţuri sunt propoziţii:
O propoziţie poate fi adevărată sau falsă, deci poate avea două valori de adevăr. De exemplu,
propoziţia P este adevărată şi propoziţia Q este falsă. Atâta timp cît se admit doar două valori de adevăr
pentru o propoziţie, adevărat şi fals, logica se numeşte logica clasica sau logica bivalenta. Acceptarea unui
număr mai mare de valori conduce la logici polivalente (neclasice).
Propoziţiile simple sau atomii se pot combina, dând naştere la noi propoziţii care sunt, la rândul lor,
adevărate sau false. Propoziţiile combinate (frazele din limbajul natural) se formează din atomi folosind
conectorii logici. Conectorii logici indică operaţiile de asociere sau combinare care sunt cele mai frecvente
în vorbire sau raţionament. De exemplu, din două propoziţii simple:
notata cu
P1 ∧ P2
In consecinţă, alfabetul logicii propoziţionale este format din simbolurile care desemnează atomii,
conectorii logici şi alte simboluri cum ar fi parantezele. In plus există două simboluri speciale pentru
desemnarea valorilor logice de adevărat şi fals, notate prin convenţie cu a, respectiv f.
Forma logică cea mai complexă este inferenţa, mecanism prin care o anumită propoziţie numită
concluzie este derivată din una sau mai multe propoziţii numite premize sau ipoteze. Formulele logice sunt
statice, însă prin reguli de inferenţă se pot genera formule noi din formule vechi.
modus ponens
modus tollens
dacă p este adevărată şi q este adevărată, atunci dacă p este falsă, q este falsă.
Modus Ponens
Principiul Modus Ponens are următoarea formulare:
21
Dacă L → M şi propoziţia L este adevărată atunci propoziţia M este adevărată
Dar principiul Modus Ponens poate fi enunţat şi într-o manieră ce ţine cont de reprezentarea
cunoştinţelor prin reguli de producţie:
Dacă F1, F2, … , Fn sunt toate adevărate şi regula "dacă F1 şi F2 şi … şi Fn atunci F=adevărat "
este de asemenea adevărată, atunci se poate deduce că F este adevărat.
Altfel spus, dacă se dă o regulă adevărată, cu partea condiţie evaluată adevărat, atunci este corectă
executarea atribuirilor din partea acţiune.
Modus Tollens
Principiul de lucru în acest caz este următorul:
Dacă L → M este adevărat şi propoziţia M este falsă atunci propoziţia L este falsă
Admitem că implicaţia L →M este totdeauna adevărată, doar dacă L este adevărat şi M este fals.
Când L este fals, oricare ar fi valoarea lui M, implicaţia este adevărată; altfel spus raţionamentul care a
condus la concluzie este corect.
Nu trebuie să se confunde (L→M) şi (M→L) pe care o vom nota (L↔M) şi care respectă tabela de
adevăr.
ÎNTREBĂRI:
Louis Frenzel prezintă „sistemul expert ca un program particular care încorporează o bază de
cunoştinţe şi un motor de inferenţe; acest program se comportă ca un consilier inteligent într-un domeniu
particular”.
P.G. Pigford şi G. Baur arată că „sistemul expert este un produs program care emulează
comportamentul experţilor umani şi rezolvă probleme din lumea reală asociate unui domeniu particular al
cunoaşterii”.
Jackson defineşte un sistem expert ca „un sistem informatic capabil de a reprezenta şi a raţionaliza
unele domenii de cunoştinţe bogate, având în vedere rezolvarea problemelor şi oferirea unor sfaturi”.
22
Sistemele expert sunt programe care aparţin domeniului IA, programe ce înmagazinează
cunoştinţele experţilor umani dintr-un anumit domeniu bine definit, procesează şi manipulează aceste
cunoştinţe, ajungând la concluzii proprii pe care le oferă decidentului uman. Ulterior, decidentul uman din
domeniul pentru care se dezvoltă un sistem expert rămâne singurul îndreptăţit să selecteze sau nu concluzia
oferită de SE, eventual să „filtreze” această concluzie prin experienţa de care dispune.
- din punct de vedere conceptual, sistemele expert vizează reconstituirea raţionamentului uman
pe baza expertizei obţinute de la experţi;
- sistemele expert dispun de cunoştinţe şi de capacitatea de a desfăşura activităţi apropiate sau
chiar similare raţionamentului uman;
- dispun de metode de invocare a cunoaşterii şi exprimarea expertizei, comportându-se ca un
„sistem inteligent”;
- - sunt capabile să memoreze cunoştinţele, să stabilească legături între cunoştinţe şi să infereze
concluzii, soluţii, recomandări, sfaturi pe baza faptelor şi prelucrării cunoaşterii incerte (este
vorba de cunoaşterea vagă fuzzy modelată de către Zadeh);
- ca nivel de realizare informatică, sistemele expert se bazează pe principiul separării
cunoaşterii (bazei de cunoştinţe) de programul care o tratează (motorul de inferenţă).
23
3. Modificare uşoară - se referă la posibilitatea actualizării simple a bazei de cunoştinţe ca şi la
utilizarea aceluiaşi nucleu pentru baze de cunoştinţe diferite (care însă prezintă aceeaşi structură).
Sistemele expert nu acţionează izolat de celelalte componente ale mediului exterior în care sunt ele
instalate;
În plus, dacă o organizaţie recurge la “n” sisteme expert, fiecare pe o anumită problemă specifică, ele
pot fi conectate într-un singur ansamblu.
Astfel, şcoala germană clasifică sistemele expert de gestiune având în vedere funcţia lor, tipul de
soluţii oferite şi modul în care dialoghează cu utilizatorul, astfel:
a) sisteme expert integrate pentru luarea deciziilor, în care sistemul obţine datele de intrare
datorită legăturilor cu alte maşini sau echipamente (aparate de măsurat, senzori etc), baze de date
26
sau alte programe informatice; în acest caz este posibilă îmbunătăţirea calităţii soluţiilor şi a
raţionamentului, îndeosebi atunci când expertul uman supervizează o linie automată de
operaţiuni;
b) sisteme expert interactive pentru luarea deciziilor, care obţin date de intrare, total sau parţial,
de la expertul uman pe măsură ce sisteme expert se află în exploatare; astfel de SE sunt utile în
managementul aplicat de companii pentru a fundamenta decizii operative sau pentru a proiecta
diverse scenarii posibile cu privire la evoluţia unui fenomen economic; ele sunt utile îndeosebi
pentru că permit un dialog permanent cu expertul uman;
c) sisteme expert interactive pentru consultanţă, în care expertul uman răspunde de soluţia
problemei, iar rolul sistemului se reduce la cel de simplu consilier; vom regăsi astfel de SE în
activitatea de consultanţă în management, contabilitate , finanţe bănci etc.
ÎNTREBĂRI:
Descrierea problemei PR - enunţ general al problemei PR, bine definită şi pentru care să existe un
volum de expertiză ce poate fi ulterior descrisă în limbaj matematic. Are loc primul contact între expertul
uman pentru problema PR (medic, economist etc) şi expertul în proiectarea şi construirea de SE.
Recursul la expertiză - Expertiza în sens general este o cunoaştere intensivă, specifică domeniului
problemei, achiziţionată prin instruire, sau experienţă îndelungată.
27
Recursul la experţi
Este dificil să definim în câteva cuvinte care anume sunt caracteristicile, însuşirile sau abilităţile pe
care trebuie să le posede o persoană numită expert; în plus, discutăm de nivele diferite sau „grade de
expertiză”. Aşadar, survine inevitabil întrebarea: cât de multă expertiză trebuie să posede o persoană
calificată pe un domeniu pentru a fi acceptată ca expert?
Între diverse eforturi pentru dezvoltarea sistemelor expert le amintim pe cele depuse de cele trei
grupuri de savanţi americani, respectiv:
grupul 1: Newell, Shaw şi Simon, care au creat General Problem Solver [110];
grupul 2: Minsky şi McCarty, care, în anii '60, au desfăşurat o muncă semnificativă în
dezvoltarea sistemelor expert [84];
grupul 3: Ledeberg, Buchanan şi Feigenbaum, care în aceeaşi perioadă au lucrat la
Dendral [19].
Regulile de producţie
O regulă de producţie este reprezentarea unui atom de cunoaştere şi are următoarea formă generală:
28
O regulă conţine în mod obligatoriu două părţi:
partea <condiție>, este o expresie booleană ce determină dacă se poate aplica regula;
partea <acțiune>, conţine atribuirile care sunt efectuate dacă regula este aplicată.
Cele două părţi mai sunt numite "ipoteză" şi "concluzie" sau “premiză” şi “concluzie”.
identificator,
tip,
valoare,
metavaloare.
Identificatorul permite referirea faptului respectiv şi este un şir format din litere, cifre şi caracterul
‘_’, iar primul caracter este în mod obligatoriu o literă. Funcţie de valorile pe care le pot lua, faptele pot fi de
următoarele tipuri:
- fapte booleene – atomi în calculul propoziţional putând lua valorile: adevărat, fals;
- fapte simbolice – pot lua valori în mulţimea şirurilor de caractere;
- fapte reale – pot lua valori în mulţimea numerelor reale.
Se consideră că un fapt poate avea o singură valoare la un moment dat. Pentru descrierea situaţiei în
care un fapt nu are nici o valoare (este necunoscut) se utilizează un descriptor suplimentar numit
metavaloare, cele mai utilizate metavalori fiind: NECUNOSCUT, CUNOSCUT, NEDETERMINAT.
Metavaloarea unui fapt poate fi testată spre exemplu pentru a evita regulile ce conţin fapte
necunoscute în partea condiţie.
După prezenţa lor în părţile condiţie şi acţiune ale regulilor, faptele se clasifică astfel:
o fapte de bază - faptele care nu apar în nici o parte acţiune, valorile faptelor de bază putând fi
cerute utilizatorului;
o fapte intermediare - faptele ce pot fi găsite atât în părţile condiţie ale anumitor reguli cât şi în
părţile acţiune ale altor reguli;
o fapte concluzie - faptele prezente numai în părţile acţiune
29
Utilizarea operatorului sau în partea condiţie crează dificultăţi în evaluarea automată a regulii, mai
precis în faza de explicare a raţionamentului şi de aceea în partea condiţie se vor utiliza numai expresii
normal conjunctive.
sunt echivalente,
i. partea stânga a regulii, prescurtat din limba engleză LHS (Left Hand Side), numită şi
antecedent, premisă, condiţie sau situaţie
ii. partea dreapta a regulii, prescurtat din limba engleză RHS (Right Hand Side), numită şi
consecinţă, concluzie, acţiune sau răspuns.
Legătura logică între partea stângă şi partea dreaptă a regulii este implicaţia, în sensul că adevărul
părţii stângi determină adevărul părţii drepte a regulii.
Pornind de la structura de control decizională "if-then" comună limbajelor de programare, cele mai
multe limbaje bazate pe reguli folosesc cuvintele cheie if then (uneori when do), în româneşte dacă atunci,
pentru a marca partea stângă, respectiv partea dreaptă a regulii.
C zboară.
Maşina nu porneşte.
Utilizarea regulilor de producţie aduce următoarele avantaje din punct de vedere al modelării
cunoştinţelor în sistem:
1. separarea cunoştinţelor generale despre problema, de datele specifice unei instanţe a problemei
de rezolvat
30
2. partiţionarea cunoştinţelor în unităţi de cunoştinţe independente, facilitând astfel dezvoltarea
incrementală a bazei de cunoştinţe
3. posibilitatea menţinerii a două forme de expresie a regulilor:
forma internă sistemului, adecvată procesului de rezolvare
o forma externă, apropiată limbajului natural, pentru interfaţa utilizatorului cu sistemul.
ÎNTREBĂRI:
31
1) Etapele construirii unui sistem expert
2) Tipurile de operatori folosiţi
3) Etapele ciclului de inferenţă
4) Care sunt atributele faptelor
Incertitudinea cunoştinţelor
Raţionamentul medical este în mod inevitabil asociat cu o doză de "incertitudine". Experimentele
psihologice au relevat faptul că nu raţionamentul generează incertitudinea ci cunoştinţele folosite pentru
aplicarea lui.
Dacă o piesă de cunoaştere reprezentabilă printr-o regulă are un anumit grad de incertitudine, acesta
se poate reprezenta printr-un parametru ataşat acelei reguli.
Primul sistem expert care a folosit astfel de reguli a fost MYCIN (Shortliffe, 1976) dedicat diagnozei
în bolile infecţioase. Regulile din acest sistem erau însoţite de un factor de certitudine cuprins între -1 şi 1.
RULE 85
Ceea ce înseamnă că dacă premisele sunt adevărate, încrederea (belief) că agentul patogen este
"pseudomonas aeruginosa" a crescut cu un coeficient de 0,6 .
Factorul de certitudine este exprimat empiric de expertul care enunţă regula. Un factor de certitudine
având:
Valoarea încrederii, notată bel(a), unde a este o cale într-un arbore de decizie, se propagă de-a lungul
raţionamentului până la obţinerea unei soluţii, care în final va fi însoţită de o valoare a încrederii în ea,
bel(sol), cuprinsă în intervalul [-1, 1].
Cunoscând valorile bel(Pi) ale tuturor componentelor putem calcula intuitiv bel(E) alegând maximul
când este vorba de o disjuncţie şi minimul când este vorba de o conjuncţie.
32
Justificarea acestei metode este dată de observata că lanţul de evidente componente are tăria celei
mai slabe verigi.
Exemplu:
Dacă pentru o regulă, bel(E) < 0, regula respectivă se va ignora în timpul raţionamentului.
Dacă bel(E)>0, atunci se calculează bel(H) prin produsul factorului de certitudine al regulii - CF k (k-
numărul regulii) cu valoarea bel(E).
bel(H) = bel(E)CF k
Iar pentru RuleE vom avea bel(R1)=0,28 şi bel(R2)=0,12. O formulă completă de calcul ar fi:
bel(H)= (max(0,bel(E))-CF k
Cunoscând că:
1. Coeficientul de certitudine asociat valorii de atribut dedusă de o regulă R este egal cu produsul
dintre coeficientul de certitudine al premisei regulii (CF premisa R ) şi coeficientul de certitudine
asociat regulii (CF R ):
CF atrdedus R = CF premisa R CF R
2. Coeficientul de certitudine al premisei unei reguli R este valoarea minimă a coeficienţilor de
certitudine asociaţi fiecărei ipoteze Ij din premisa acelei reguli. Coeficientul de certitudine al unei
ipoteze este stabilit de procesul de identificare a regulii cu memoria de lucru şi este egal cu
coeficientul valorii de atribut care a satisfăcut ipoteza. Factorul de certitudine al întregii premise
se calculează astfel:
CF premisa R =min {CF ipotezai R }
33
3. Daca un atribut A are deja o valoare V cu un coeficient de certitudine CF 1 în memoria de lucru,
şi pe o ramură de deducţie alternativă, se obţine aceeaşi valoare V pentru atributul A cu un
coeficient de certitudine CF 2 , memoria de lucru este actualizată, valoarea V având un coeficient
de certitudine asociat CF pe baza formulei:
CF =CF 1 +CF 2∗(1−CF 1)
Planificarea
Este fezabil?
Merită creat un sistem expert? (reguli complexe, oportuniste, susceptibile de a fi schimbate)
Ce tehnologii se vor folosi?
Definirea a CE şi CUM va face sistemul
Definirea modului de comunicare cu utilizatorul
Necesar de resurse: oameni, timp, bani, soft, hard
Ordinea şi calendarul taskurilo
Achiziţia cunoştinţelor
- KE = colectarea cunoştinţelor despre domeniul problemei
- Knowledge engineer = persoana care se ocupă cu KE
- Obiectivele KE
cerinţele problemei
principiile domeniului
referinţe
limitele domeniului
Scrierea codului
Scrierea codului
Codificare: scrierea codului propriu-zis
Listing: cod sursă indentat, comentat şi documentat
Manual de utilizare + instrucţiuni de instalare
34
Evaluare
Verificarea cunoştinţelor
Testare: pe baza datelor de test
Validare: certificarea că se respectă cerinţele utilizatorului
Raport
a) Descrierea sistemului: funcţionalitate; mod de utilizare (input/output); limitări; probleme
b) Răspunsuri incorecte / incomplete / inconsistente
c) Evaluare: probleme cauzate de reguli / inferenţe / incertitudine; recomandări.
ERP este, la bază, un concept legat de managementul întreprinderii care vizează eficientizarea prin
planificarea adecvată a resurselor, urmărire şi replanificare.
Module ERP
Sistemele ERP, sunt programe modulare fiecare arie de activitate a companiei fiind acoperită de către
o aplicaţie specifică. Modulele unui sistem ERP funcţionează integrat utilizând o bază de date comună, sau
pot funcţiona independent. Pot fi enumerate câteva categorii de module care servesc la gestionarea cu
eficienţa a unei întreprinderi:
35
3. Vânzări: optimizarea activităţiilor de vânzare, distribuţie şi facturare;
4. Salarii: calculul salariilor şi managementul informaţiilor referitoare la personal;
5. Contabilitate: evidenţa contabilă;
6. FRM (Finance Resource Management): evidenţa financiară;
7. Imobilizări: evidenţa mijloacelor fixe şi calculul amortizării;
8. HRM (Human Resource Management): managementul resurselor umane;
9. CRM (Customer Relationship Management): managementul relaţiilor cu clienţii;
10. SCM (Supply Chain Management): managementul relaţiilor cu furnizorii;
36
Standardizarea şi creşterea vitezei de producţie. Reduce timpul pierdut prin inventariere
- pot fi făcute planuri mult mai precise de livrare a produselor la clienţi şi coordonarea mult
mai bună a distribuţiei acestora.
Costuri ERP
Instruirea – costuri mari
Integrare şi testare – testarea legăturilor dintre pachetele ERP şi alte programe software
ale companiei.
Configurarea - aplicaţiile adiţionale
Conversia datelor
Analiza datelor
Depresia post-ERP - Sistemele ERP creează, de multe ori, pagube în firmele care le
instalează
Gestiunea personalului
i. planificarea resurselor umane, sub aspectul cantităţii, calităţii şi costului lor
ii. recrutarea, selecţia, transferarea şi promovarea angajaţilor
iii. analiza şi proiectarea posturilor de muncă
iv. perfecţionarea profesională a angajaţilor
v. administrarea recompenselor (directe şi indirecte)
vi. asigurarea raportărilor obligatorii privind personalul.
Date de ieșire
Planul de recrutare
Sistemul creează şi întreţine o bază de date «Candidaţi», prin care sunt urmărite
performanţele în muncă ale candidaţilor angajaţi, pentru a realiza o evaluare a procedurilor de
recrutare şi selecţie utilizate.
38
Modulul Resurse umane din SIVECO Applications are componenta de recrutare cea mai
avansată la ora actuală.
Exemplu: componenta “Dezvoltarea carierei” din modulul “Resurse Umane” al sistemului Clarvision
39
Forme ale criminalităţii informatice
Protejarea calculatorului
Shopping-ul on-line
Verifică întotdeauna simbolurile de securitate atunci când utilizezi un site online pentru
cumpărături.
Poți folosi un card special pentru cumpărături on-line, pentru a reduce riscul de a avea
compromis întreg contul bancar.
1. managerii speră ca noul sistem va rezolva problemele fundamentale ale proceselor economice;
2. nu se acordă suficient timp pentru analiza planificării planificării procesului de implementare;
3. uneori, conducerea ignoră “educarea personalulu in spiritul noii resurse informafionale";
4. pentru a asigura succesul unei implementări, top managerii au fost “forţaţi" să preia controlul
direct al procesului de implementare;
5. sistemul nou implementat va avea succes doar dacă salariaţii îşi vor schimba modul de lucru, în
sensul utilizării cât mai eficiente a aplicaţiei;
6. oamenilor nu le place schimbarea, iar un sistem informaţional modifică modul in care ei îl
îndeplinesc sarcinile;
7. odată cu implementarea unui nou sistem informational, cresc responsabilităţile angajaţilor.
41