Curs 6. Notiuni Introductive in Inteligenta Artificiala.

Sisteme Inteligente de
Asigurarea Deciziei in Economie
Notiuni introductive in Inteligenta Artificiala. Definitii, concepte de baza (cunostinte,
rationament, retea neuronala, etc). Abordari de baza ale IA (simbolica, neuronala, genetica).
Impactul IA in domeniul afacerilor.
Sisteme Inteligente de Asigurarea Deciziei in Economie (SIADE). Definitii. Componentele unui
DSS (Decision Support System). Clasificarea DSS. DSS bazate pe cunostinte (KDSS). Sisteme
Expert, Exemple SIADE.
https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies.html?icid=top_cognitive-technologies //
Studiu de Caz 3: Platforme de Inteligenta Artificiala pentru afaceri
https://www.predictiveanalyticstoday.com/artificial-intelligence-platforms/

Notiuni introductive in Inteligenta Artificiala

În termeni simpli, inteligența artificială (IA) se referă la sisteme sau la mașini care imită inteligența
umană, pentru a efectua diverse activități și care se pot îmbunătăți iterativ pe baza informațiilor pe
care le colectează. IA se manifestă într-o serie de forme. Iată câteva exemple: Boții de chat utilizează
IA pentru a înțelege mai repede problemele clienților și pentru a oferi răspunsuri mai eficiente;
Asistenții inteligenți utilizează IA pentru a analiza informațiile esențiale din seturile de date mari de
text, pentru a îmbunătăți programarea; Motoarele de recomandare pot oferi recomandări automate
pentru emisiunile TV, în funcție de obiceiurile de vizionare ale utilizatorilor. IA se referă mai mult la
procesele și funcționalitățile pentru gândirea și analizele de date extraordinare decât la un anumit
format sau funcție. Deși IA inspiră imagini ale unor roboți performanți, cu aspect uman, care vor cuceri
lumea, IA nu are intenția de a înlocui oamenii. Scopul său este de a spori semnificativ funcționalitățile
și contribuțiile umane. Acest lucru face ca IA să devină un activ foarte valoros pentru afaceri.

O Rețea Neuronală Artificială (ANN – Artificial Neural Network) este un sistem de hardware și / sau
software modelat după funcționarea neuronilor din creierul uman. ANN-urile - numite, pur și simplu,
rețele neuronale - sunt o varietate de tehnologii de învățare profundă, care se încadrează și sub
umbrela inteligenței artificiale sau AI. Aplicațiile comerciale ale acestor tehnologii se concentrează în
general pe rezolvarea problemelor complexe de procesare a semnalului sau de recunoaștere a
modelelor. Exemple de aplicații comerciale semnificative începând cu anul 2000 includ recunoașterea
scrisului de mână pentru procesarea cecurilor, transcrierea vorbirii în text, analiza datelor de explorare,
predicția vremii și recunoașterea facială.

1
Cum funcționează rețelele neuronale artificiale. O ANN implică de obicei un număr mare de
procesoare care funcționează în paralel și aranjate pe niveluri. Primul nivel primește informațiile brute
de intrare - analog cu nervii optici din procesarea vizuală a omului. Fiecare nivel succesiv primește
ieșirea de la nivelul precedent, mai degrabă decât de la intrarea brută - în același mod neuronii mai
departe de nervul optic primesc semnale de la cei mai apropiați de el. Ultimul nivel produce ieșirea
sistemului. Fiecare nod de procesare are propria sa sferă mică de cunoaștere, inclusiv ceea ce a văzut
și orice reguli cu care a fost inițial programat sau dezvoltat pentru el însuși. Nivelurile sunt extrem de
interconectate, ceea ce înseamnă că fiecare nod din nivelul n va fi conectat la mai multe noduri din
nivelul n-1 - intrările sale - și în nivelul n + 1, care oferă date de intrare pentru aceste noduri. Pot exista
unul sau mai multe noduri în stratul de ieșire, din care poate fi citit răspunsul pe care îl produce.
Rețelele neuronale artificiale se remarcă prin adaptare, ceea ce înseamnă că se modifică pe măsură ce
învață de la antrenamentul inițial și alergările ulterioare oferă mai multe informații despre lume. Cel
mai de bază model de învățare este centrat pe ponderarea fluxurilor de intrare, care este modul în
care fiecare nod ponderează importanța datelor de intrare de la fiecare dintre predecesorii săi. Datele
care contribuie la obținerea răspunsurilor corecte sunt ponderate mai mult.Când majoritatea
oamenilor se gândesc la IA, își imaginează un robot inteligent, mai inteligent decât orice om și capabil
să învețe. Se pare că nu suntem foarte apropiați de acest tip de capacitate. Acestea fiind spuse, multe
companii, inclusiv Google și OpenAI (cu finanțare de la Microsoft și Tesla) explorează acest tip de AI,
numit și AGI, sau inteligența generală artificială. General, în acest caz, se referă la tipul de inteligență
care este expert în multe domenii. Și, deși este o tehnologie fascinantă la care să ne gândim, are o
utilizare practică foarte mică în economia actuală.
Mai frecvent este AI îngustă sau inteligența artificială care are un caz de utilizare puternic. Există AI
pentru detectarea spamului sau recunoașterea fețelor. Avem AI care poate parcurge cantități masive
de date, cum ar fi motoarele de căutare sau sistemele de recomandare și poate oferi informații despre
aceste date. Cu AI îngustă, se înțelege că doar pentru că un program de computer ar putea fi excelent
la detectarea unui e-mail spam sau la recunoașterea unui ritm cardiac anormal, nu înseamnă că același
program poate juca șah, compune un sonet și recomandă următoarea emisiune TV ceas. AI îngustă
folosește adesea un mecanism specific AI numit învățare automată. Învățarea automată este doar un
subset de AI și puțin mai ușor de definit, mai ales în comparație cu alte programe de calculator.Într-un
program de calculator normal, creați un set de reguli, adesea compus din declarații și condiții if / then.
De fapt, majoritatea programelor de calculator, jocurilor video și aplicațiilor funcționează astfel. Un
rezultat este generat deoarece o serie de reguli au fost îndeplinite. Pe de altă parte, învățarea
automată renunță la algoritmi bazați pe reguli, învățând în schimb din exemple din date.

Abordari de baza ale IA (simbolica, neuronala, genetica)

Astăzi, inteligența artificială se referă în principal la rețelele neuronale artificiale și la învățarea
profundă. Dar nu așa a fost întotdeauna. De fapt, pentru cea mai mare parte a istoriei sale de șase
decenii, câmpul a fost dominat de inteligența artificială simbolică, cunoscută și sub denumirea de „AI
clasică”, „AI bazată pe reguli” și „IA bună de modă veche”. AI simbolică implică încorporarea explicită
a cunoștințelor umane și a regulilor de comportament în programele de computer. Practica a arătat o

2
mulțime de promisiuni în primele decenii de cercetare AI. Dar, în ultimii ani, pe măsură ce rețelele
neuronale, cunoscute și sub denumirea de IA conexionistă, au câștigat teren, AI simbolică a decazut.
IA simbolica. Simbolurile sunt lucruri pe care le folosim pentru a reprezenta alte lucruri. Simbolurile
joacă un rol vital în procesul de gândire și raționament uman. Dacă îți spun că am văzut o pisică sus
într-un copac, mintea ta va evoca rapid o imagine. Folosim simboluri tot timpul pentru a defini lucruri
(pisică, mașină, avion etc.) și oameni (profesor, poliție, agent de vânzări). Simbolurile pot reprezenta
concepte abstracte (tranzacții bancare) sau lucruri care nu există fizic (pagină web, postare pe blog
etc.). De asemenea, pot descrie acțiuni (rulare) sau stări (inactive). Simbolurile pot fi organizate în
ierarhii (o mașină este formată din uși, geamuri, anvelope, scaune etc.). Ele pot fi folosite și pentru a
descrie alte simboluri (o pisică cu urechi pufoase, un covor roșu etc.). A putea comunica în simboluri
este unul dintre principalele lucruri care ne fac inteligenți. Prin urmare, simbolurile au jucat, de
asemenea, un rol crucial în crearea inteligenței artificiale. Primii pionieri ai AI credeau că „fiecare
aspect al învățării sau orice altă caracteristică a inteligenței poate fi în principiu descrisă atât de precis,
încât o mașină poate fi făcută pentru a o simula”. Prin urmare, IA simbolică a luat locul central și a
devenit punctul central al proiectelor de cercetare. Oamenii de știință au dezvoltat instrumente pentru
a defini și manipula simbolurile. Multe dintre conceptele și instrumentele pe care le găsiți în
informatică sunt rezultatele acestor eforturi. Programele de AI simbolice se bazează pe crearea de
structuri explicite și reguli de comportament. Un exemplu de instrumente AI simbolice este
programarea orientată pe obiecte. Limbajele orientate obiect OOP (Object Oriented Programming) vă
permit să definiți clase, să le specificați proprietățile și să le organizați în ierarhii. Puteți crea instanțe
ale acestor clase (numite obiecte) și să le manipulați proprietățile. Instanțele de clasă pot efectua, de
asemenea, acțiuni, cunoscute și sub numele de funcții, metode sau proceduri. Fiecare metodă execută
o serie de instrucțiuni bazate pe reguli care ar putea citi și modifica proprietățile obiectelor curente și
ale altor obiecte. Folosind OOP, puteți crea programe de AI simbolice complexe și complexe care
îndeplinesc diverse sarcini.
Beneficiile și limitele AI simbolice. Inteligența artificială simbolică a arătat un progres timpuriu în zorii
AI și al computerului. Puteți vizualiza cu ușurință logica programelor bazate pe reguli, le puteți
comunica și le puteți depana. Diagramele de flux pot descrie foarte clar logica programelor AI
simbolice. Inteligența artificială simbolică este foarte convenabilă pentru setările în care regulile sunt
foarte clare și puteți obține cu ușurință intrarea și transforma-o în simboluri. De fapt, sistemele bazate
pe reguli reprezintă în prezent majoritatea programelor de computer, inclusiv cele utilizate pentru a
crea aplicații de învățare profundă. Dar AI simbolică începe să slabeasca atunci când trebuie să te ocupi
de dezordinea lumii. De exemplu, luați în considerare viziunea computerizată, știința care permite
computerelor să dea sens conținutului imaginilor și al videoclipurilor. Spuneți că aveți o imagine a pisicii
dvs. și doriți să creați un program care poate detecta imaginile care conțin pisica dvs. Creați un program
bazat pe reguli care ia imagini noi ca intrări, compară pixelii cu imaginea originală a pisicii și răspunde
spunând dacă pisica dvs. se află în aceste imagini. Acest lucru va funcționa numai dacă furnizați o copie
exactă a imaginii originale în programul dvs. O imagine ușor diferită a pisicii dvs. va da un răspuns
negativ. De exemplu, dacă faceți o fotografie cu pisica dvs. dintr-un unghi oarecum diferit, programul
va eșua. O soluție este să faceți fotografii cu pisica dvs. din diferite unghiuri și să creați reguli noi pentru
aplicația dvs. pentru a compara fiecare intrare cu toate acele imagini.
Chiar dacă faci un milion de fotografii cu pisica ta, tot nu vei ține cont de fiecare caz posibil. O
modificare a condițiilor de iluminare sau a fundalului imaginii va schimba valoarea pixelilor și va
provoca eșecul programului. Veți avea nevoie de milioane de alte imagini și reguli pentru acestea. Și
dacă ai vrea să creezi un program care să poată detecta orice pisică? Câte reguli ar trebui să creați
pentru asta?Exemplul pisicii ar putea părea simplist, dar acestea sunt tipurile de probleme cu care s-
au luptat întotdeauna programele AI simbolice. Nu puteți defini reguli pentru datele dezordonate care
există în lumea reală. De exemplu, cum puteți defini regulile pentru o mașină cu conducere autonomă
pentru a detecta toți pietonii cu care s-ar putea confrunta? De asemenea, unele sarcini nu pot fi
traduse în reguli directe, inclusiv recunoașterea vorbirii și procesarea limbajului natural. S-au depus

3
mai multe eforturi pentru a crea sisteme de AI simbolice complicate care să cuprindă multitudinea de
reguli ale anumitor domenii. Numite sisteme expert, aceste modele simbolice de AI utilizează
cunoștințe și reguli codificate pentru a aborda sarcini complicate, cum ar fi diagnosticarea medicală.
Însă necesită un efort uriaș de către experți din domeniu și ingineri de software și funcționează numai
în cazuri de utilizare foarte restrânse. De îndată ce generalizați problema, va exista o explozie de noi
reguli de adăugat (vă amintiți problema detectării pisicii?), Care va necesita mai multă muncă umană.
După cum subliniază unii oameni de știință AI, sistemele AI simbolice nu se amplifică.
Rețelele neurale – reprezintă de fapt, nucleul AI, fără de care niciun proces de învățare nu ar fi
posibil. Aceste rețele interconectate prin algoritmi sunt inspirate de rețelele de neuroni din creierul
uman. Creierul uman are sute de miliarde de neuroni legați între ei prin sinapse care îi permit să
execute activități atât de complexe. Evident, complexitatea incredibilă a rețelelor de neuroni din
creierul uman este aproape imposibil de replicat, dar reprezintă cel mai bun obiect de studiu pentru
oamenii de știință, în încercarea lor de a dezvolta rețelele neurale ale AI. Rețelele neurale avansează și
se dezvoltă continuu. Dar mai este un drum lung până când AI va da dovadă de o inteligență cel puțin
comparabilă cu cea umană, până când AI va fi capabilă să înțeleagă gândurile și dorințele altor oameni
și pe care să le folosească pentru a înțelege și a interpreta comportamentul uman și poate un drum și
mai lung până când AI va avea abilitatea de a se recunoaște pe sine ca individualitate, capabilă de
conștiință de sine. Avantajul rețelelor neuronale este că pot face față datelor dezordonate și
nestructurate. Învățarea profundă și rețelele neuronale excelează exact în sarcinile cu care se luptă AI
simbolică. Au creat o revoluție în aplicațiile de viziune computerizată, cum ar fi recunoașterea facială
și detectarea cancerului. Învățarea profundă a determinat, de asemenea, progresele în sarcinile legate
de limbă. Rețelele neuronale profunde sunt, de asemenea, foarte potrivite pentru învățarea prin
întărire, modele AI care își dezvoltă comportamentul prin numeroase încercări și erori. Acesta este
genul de AI care stăpânește jocuri complicate precum Go, StarCraft și Dota. AI are, de fapt, mai multe
nivele, fiecare reprezentând de fapt o metodă de învățare.

Cum învață rețelele neuronale

De obicei, un ANN este inițial instruit sau alimentat cu cantități mari de date. Instruirea constă în
furnizarea de intrare și comunicarea rețelei care ar trebui să fie ieșirea. De exemplu, pentru a construi
o rețea care identifică fețele actorilor, pregătirea inițială ar putea fi o serie de imagini, inclusiv actori,
non-actori, măști, chipuri de statui și animale. Fiecare intrare este însoțită de identificarea potrivită,
cum ar fi numele actorilor, informațiile despre „nu actor” sau „nu despre om”. Furnizarea răspunsurilor
permite modelului să-și ajusteze ponderile interne pentru a învăța cum să-și facă treaba mai bine. În
definirea regulilor și luarea de determinări - adică decizia fiecărui nod cu privire la ce să trimită la nivelul
următor pe baza intrărilor din nivelul anterior - rețelele neuronale utilizează mai multe principii.
Acestea includ formarea bazată pe gradient, logica fuzzy, algoritmi genetici și metode bayesiene. Li se
pot da câteva reguli de bază despre relațiile de obiect în spațiul modelat.

4
Învățarea mecanică (Machine Learning) – este o parte importantă a sistemelor AI prin care
computerele primesc o cantitate uriașă de date (informații) pe care le analizează, le memorează și pe
baza cărora reacționează. Cel mai concret exemplu sunt asistenții virtuali care recunosc comenzile
vocale.
Învățarea profundă (Deep Learning) – este tot o metodă de învățare mecanică, dar mult mai
aprofundată, prin care computerele sunt învățate să se comporte ca un om, adică să învețe din
experiențe. Un exemplu ar putea fi automobilele smart care pot recunoaște un indicator de circulație
și care pot face diferența între un stâlp și un pieton. Prin învățarea profundă, computerele pot practic
să învețe direct din imagini, sunete și text. De exemplu, Google folosește metode de Deep Learning
pentru dezvoltarea algoritmilor de recunoaștere a imaginilor, Netflix și Amazon pentru analiza
preferințelor utilizatorilor în funcție de reacțiile lor față de anumite produse și de a oferi variante pe
baza acestor analize, etc.
Astăzi, programele de inteligență artificială pot părea ”umane” în sensul că ele pot fi învățate să devină
mai intuitive. De exemplu, binecunoscuta Siri de la Apple poate să stabilească întâlniri, să îți
reamintească anumite lucruri sau să îți indice drumul cel mai scurt până într-un anumit loc. De
asemenea, Alexa de la Amazon poate să apridă lumina în casă, poate să dea drumul la aerul condiționat
dacă temperatura în casă depășește o anumită valoare, poate să apeleze pe cineva sau poate să îți
pună muzica preferată. Chiar dacă aceste programe sunt realment impresionante, ele nu sunt creative
și nu sunt capabile să ia decizii mai mult decât sunt programate să o facă. Acesta este motivul pentru
care sistemele de AI existente poartă denumirea de”inteligență artificială slabă” sau ”îngustă” (Weak
AI sau narrow – ANI – Artificial Narrow Intelligence). ANI este limitată la o anumită activitate, poate
imita modul în care oamenii gândesc și comunică dar nu are abilitatea de a gândi, ci doar de a face
niște conexiuni în funcție de programul pe care îl are. ANI reprezintă deja un pas foarte important în
evoluția inteligenței artificiale, dar obiectivul cercetătorilor din domeniu se îndreaptă spre AGI –
Artificial General Intelligence adică programe capabile să raționeze, să planifice și să îndeplinească
procese complexe și apoi spre ASI – Artificial Super Intelligence – mai exact programe care să
depășească întreaga inteligență creativă a omenirii. Dar, așa cum susțin mulți cercetători, înainte de a
putea programa o mașină să gândească precum mintea umană este absolut necesar să înțelegem cum
funcționează ea de fapt, să îi descoperim misterul și abia apoi să putem măcar să o învățăm să imite
mintea umană, în întreaga ei complexitate. Să vă bucurați de beneficiile tehnologiei existente la
telefoanele voatre Smart, la mașinile electrice inteligente, Siri, Alexa, ceasurile inteligente, etc.
Algoritmi genetici: o tehnică de căutare euristică utilizată în calcul și inteligență artificială pentru
a găsi soluții optimizate pentru a căuta probleme folosind tehnici inspirate din biologia evoluției:
mutație, selecție, reproducere [moștenire] și recombinare.
1. Proiectarea inginerească. Exploatarea la maximum a unei game de materiale pentru optimizarea
designului structural și operațional al clădirilor, fabricilor, mașinilor etc. este o aplicație în expansiune
rapidă a GA. Acestea sunt create pentru utilizări precum optimizarea proiectării schimbătoarelor de
căldură, brațelor de prindere ale robotului, brațelor de satelit, structurilor de construcție, volanelor,
turbinelor și aproape orice altă aplicație de proiectare inginerească asistată de computer. Există o
muncă pentru a combina GA-urile care optimizează anumite aspecte ale problemelor de inginerie
pentru a lucra împreună, iar unele dintre acestea nu numai că pot rezolva problemele de proiectare,
ci și le pot proiecta înainte pentru a analiza punctele slabe și posibilele defecțiuni ale punctelor în viitor,
astfel încât acestea să poată fi evitate.
2. Robotica. Robotica implică proiectanți și ingineri umani care încearcă tot felul de lucruri pentru a
crea mașini utile care pot funcționa pentru oameni. Proiectarea fiecărui robot depinde de sarcina sau
de sarcinile pe care urmează să le facă, deci există multe modele diferite acolo. GA-urile pot fi
programate pentru a căuta o gamă de modele și componente optime pentru fiecare utilizare specifică
sau pentru a returna rezultate pentru tipuri complet noi de roboți care pot îndeplini sarcini multiple și
au o aplicație mai generală. Robotica proiectată de GA ar putea să ne aducă acei roboți învățători
multifuncționali, pe care îi așteptam în orice an acum, de când îi priveam pe Jetson în timp ce erau
copii, care ne vor găti mesele, ne vor spăla rufele și chiar ne vor curăța baia!

5
3. Hardware evolutiv. Aplicațiile hardware evolutive sunt circuite electronice create de modele de
calculatoare GA care utilizează operatori stocastici (statistic aleatori) pentru a evolua noi configurații
din cele vechi. Pe măsură ce algoritmul își face treaba în modelul de rulare, în cele din urmă va apărea
o configurație de circuit care face ceea ce dorește designerul. Gândiți-vă la circuite reconfigurabile în
ceva de genul unui robot spațial. Ar putea folosi o bibliotecă și un simulator GA încorporate pentru a
se re-proiecta după ceva de genul expunerii la radiații care îi încurcă configurația normală sau
întâlnește o situație nouă în care are nevoie de o funcție pe care nu o are deja. Astfel de GA ar permite
autoadaptarea și auto-repararea.
4. Rutare optimizată a telecomunicațiilor. Vă simțiți frustrat de performanța LAN lentă, de accesul
inconsistent la internet, de o mașină FAX care trimite faxuri uneori doar, de numărul de apeluri
telefonice „fantomă” al liniei dvs. fixe în fiecare lună? Ei bine, se dezvoltă GA care vor permite
direcționarea dinamică și anticipativă a circuitelor pentru rețelele de telecomunicații. Acestea ar putea
să observe instabilitatea sistemului dvs. și să vă anticipeze nevoile de redirecționare. Folosind mai
multe căutări de circuite GA la un moment dat, în curând problemele dvs. de comunicații
interpersonale ar putea fi cu adevărat în cap, mai degrabă decât în sistemul dvs. de telecomunicații.
Alte GA sunt dezvoltate pentru a optimiza plasarea și direcționarea turnurilor celulare pentru o
acoperire optimă și o ușurință de comutare, astfel încât telefonul dvs. mobil și BlackBerry vor fi
recunoscători și pentru GA.
5. Strategii de finanțare și investiții. În actuala criză economică mondială fără precedent, s-ar putea
întreba în mod legitim dacă unii dintre acei jucători de pe Wall Street au folosit modelarea
computerizată asistată de GA a strategiilor de finanțare și investiții pentru a direcționa bogăția
acumulată a lumii în ceea ce poate fi cel mai bine descris drept găuri negre de un dolar. Dar, din nou,
poate că pur și simplu toți foloseau același prototip, care nu fusese încă eliminat. Este posibil ca o nouă
generație de prognoză financiară asistată de GA să fi evitat găurile negre și să fi returnat altceva decât
datoriile neperformante pe care contribuabilii ajung să le ramburseze. Cine știe?
6. Marketing și comercializare. Așadar, nu ar trebui să surprindă pe nimeni că AG-urile sunt într-adevăr
puse la lucru pentru a ajuta comercianții să producă produse și consultanții de marketing să proiecteze
campanii de publicitate și de solicitare directă pentru a vinde lucruri. Poate că această aplicație a GA
ar putea, într-o bună zi, să ne scoată din gaura neagră financiară și să pună lucrurile din nou în mișcare.

Impactul IA in domeniul afacerilor

https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies.html?icid=top_cognitive-technologies
Modul în care IA poate ajuta organizațiile. Principiul central al IA este de a reproduce – și apoi de a
depăși – modul în care oamenii percep și interacționează cu lumea. Aceasta devine rapid fundamentul
inovării. Susținută de diverse forme de machine learning care recunosc modelele din date pentru a
permite predicții, IA poate adăuga valoare afacerii dvs. prin: oferirea unei înțelegeri mai cuprinzătoare
a abundenței datelor disponibile; bazarea pe predicții pentru a automatiza activități excesiv de
complexe sau de rutină. Tehnologia IA îmbunătățește performanța și productivitatea la nivel
enterprise, prin automatizarea proceselor sau activităților care necesitau odată o intervenție umană.
IA poate, de asemenea, da semnificație datelor la o scară la care nici un om nu a putut vreodată.
Această funcționalitate poate aduce beneficii substanțiale pentru afaceri. De exemplu, Netflix
utilizează machine learning pentru a oferi un nivel de personalizare care a ajutat compania să își
dezvolte baza de clienți cu mai mult de 25% în 2017. IA are valoare pentru majoritatea funcțiilor,
afacerilor și domeniilor. Acesta include aplicații generale și specifice domeniului, cum ar fi: Utilizarea
datelor tranzacționale și demografice pentru a anticipa cât vor cheltui anumiți clienți pe parcursul
relației lor cu o afacere (sau valoarea ciclului de colaborare al clientului) // Optimizarea prețurilor pe
baza comportamentului și preferințelor clienților // Utilizarea recunoașterii imaginilor pentru analiza
imaginilor cu raze X, în vederea depistării semnelor de cancer.

Ce factori stimulează adoptarea IA? Dezvoltarea IA în toate domeniile este stimulată de trei factori:

6
 prețuri economice și funcționalități de calcul de înaltă performanță disponibile imediat.
Abundența de putere de calcul din cloud permite accesul ușor la o putere de calcul economică și
de înaltă performanță. Înainte de această dezvoltare, singurele medii de calcul disponibile pentru
IA nu erau bazate pe cloud și aveau costuri prohibitive.
 Sunt disponibile volume mari de date pentru instruire. IA trebuie instruită pe un volum mare de
date pentru a face previziuni corecte. Apariția unor instrumente diferite pentru etichetarea
datelor, ușurința și accesibilitatea cu care organizațiile pot stoca și procesa atât date structurate,
cât și nestructurate, permit mai multor organizații să construiască și să instruiască algoritmi de IA.
 Capacitățile IA aplicate oferă un avantaj competitiv. Organizațiile recunosc din ce în ce mai mult
avantajul competitiv al aplicării informațiilor IA la obiectivele de afaceri și fac din aceasta o
prioritate la nivel de companie. De exemplu, recomandările punctuale furnizate de IA pot ajuta
organizațiile să ia mai rapid decizii mai bune. Multe dintre caracteristicile și funcționalitățile IA pot
duce la costuri mai reduse, riscuri reduse, timp mai rapid de lansare pe piață și multe altele.
Beneficiile și provocările operaționalizării IA. Există numeroase relatări de succes care
demonstrează valoarea IA. Organizațiile care adaugă machine learning și interacțiuni cognitive la
procesele tradiționale de afaceri pot îmbunătăți semnificativ experiența utilizatorilor și
productivitatea. Cu toate acestea, există unele piedici. Puține companii au implementat IA la scară, din
mai multe motive. De exemplu, dacă nu utilizează cloud computing, proiectele IA sunt adesea
costisitoare din punct de vedere al puterii de calcul. Ele sunt, de asemenea, dificil de construit și
necesită o expertiză cu o cerere mare, dar o ofertă limitată. Dacă știți când și unde să încorporați IA,
precum și când să apelați la o terță parte, veți diminua aceste dificultăți. Companiile investesc încet în
tehnologia AI, astfel încât să poată deveni mai inteligente și mai eficiente. Investițiile în AI ca tehnologie
nu au atins apogeul, dar există un semn pozitiv de acceptare față de tehnologia inteligentă din IoT.
Printre numeroasele beneficii asociate cu IA, cel mai important este capacitatea de a prezice și
recomanda, beneficiind în cele din urmă fiecare industrie in parte. În plus, AI ajută la îmbunătățirea
eforturilor de marketing, inițiază conversații cu utilizatorii și, de asemenea, crește implicarea
utilizatorilor. Vedem deja tendințe intense și definitorii în 2020 care cuprind AI și oferă soluții
incredibile pentru companii.

Iată cateva tendințe definitorii pentru evolutia AI care vor transforma anii ce vin:
1. Utilizarea metodei de sinteză a datelor. Inteligența artificială depinde de metodele de învățare
profundă și de învățare automată pentru a introduce și îmbunătăți diverse sisteme. Modelele pre-
instruite care sunt dezvoltate folosind metode de învățare profundă depind în mare măsură de datele
din lumea reală. Cu toate acestea, obținerea datelor la timp și reușirea de a le încorpora în sistemele
existente poate fi o provocare. Acesta este motivul pentru care AI evoluează către date noi și mai bune.
2. O mai bună monitorizare a afacerilor. Operațiunile regulate de afaceri, cum ar fi completarea
formularelor, gestionarea documentelor, documentația etc., pot fi automatizate prin AI, rezultând o
muncă mai rapidă și mai precisă. Automatizarea proceselor robotice ar putea fi în curând o parte a
tuturor proceselor de afaceri, ocupând aproape toate activitățile administrative. Drept urmare,
companiile se vor putea concentra mai mult pe sarcinile lor de bază.
3. Oportunități de personalizare în timp real. Cunoașterea clientului dvs. în timp real și recunoașterea
nevoilor acestora și oferirea în consecință a acestora de servicii sau produse poate fi posibilă cu ajutorul
aplicației AI. AI are capacitatea de a interacționa cu clienții în timp real și de a studia comportamentul
de cumpărare pentru a defini în consecință produse sau servicii potențial atractive. Este vital ca aceste
interacțiuni personale să aibă loc în timp real, astfel încât recomandările să fie de folos clientului și să
le mențină implicate. Atunci când un utilizator este interesat de un anumit produs, AI va interacționa
cu acesta, pentru a face recomandări și sugestii. Numărul de opțiuni de personalizare pentru companii
continuă să crească.
4. Creșterea dispozitivelor cu AI. Anul următor va înregistra o proliferare a dispozitivelor alimentate
de AI. De fapt, veți observa că cheltuielile totale pentru implementarea dispozitivelor alimentate cu AI
vor fi mai mici și va exista o creștere a dispozitivelor care oferă interfață umană și automatizare.

7
Dispozitivele alimentate de AI au oportunități crescute în lumea afacerilor, care nu pot fi ignorate.
Crearea continuă a dispozitivelor mobile, combinată cu interesul crescând pentru automatizare de
către utilizatori, ar putea duce la eliminarea sarcinilor deseori consumatoare de timp.
5. Precizia în domeniul sănătății. Industria medicală va deveni destul de agilă ca urmare a aplicațiilor
de IA. Cu o precizie crescută a datelor și abilități de diagnostic în timp real, asistența medicală va
dezvolta abilități excelente. Există aplicații de învățare automată care permit o tehnologie mai bună de
imagistică medicală și rezultate îmbunătățite ale diagnosticării.
6. Sporiți securitatea cibernetică. AI ar putea fi în curând integrată cu securitatea cibernetică,
permițând soluții de securitate strictă pentru utilizatorii finali. De la urmărirea și prevenirea
phishingului în improvizarea algoritmilor și îmbunătățirea acestora, tehnologia AI va spori abilitățile de
securitate ale tuturor sistemelor. În viitor, AI va putea prezice dacă o tranzacție este sau nu
frauduloasă, prevenind astfel toate tipurile de infracțiuni cibernetice și sporind vigilența sistemului.
7. Incorporarea recunoașterii faciale. Până în prezent, doar câteva locuri au obligat să se includă
biometrie, cum ar fi recunoașterea facială, ca măsură de securitate. AI va fi folosit pentru a recunoaște
oamenii și, de asemenea, pentru a ști dacă sunt oameni sau roboți. Algoritmii de învățare profundă
sunt stabiliți pentru a se asigura că această tehnologie depășește recunoașterea facială regulată și mai
mult pentru a înțelege cine sunt cu adevărat.8. Interacționați cu AI. În viitorul apropiat, AI va
interacționa cu noi în multe feluri. Unele dintre ele există deja, cum ar fi cu Chatbots, în timp ce alte
câteva ar putea fi introduse în viitorul apropiat. Asistenții virtuali sau Chatbots pot deveni o normă,
deoarece întreprinderile îi pot găsi mai rentabili și mai eficienți în comparație cu angajarea de oameni
calificați pentru acest loc de muncă. Utilizatorii finali ar ajunge să converseze cu roboții și dispozitivele
alimentate de AI și nu cu oamenii reali în viitorul apropiat. Dispozitivele AI ar fi instruite să
interacționeze într-un mod asemănător omului și ar putea să vă rezolve întrebările în timp real.

Sisteme Inteligente de Asigurarea Deciziei in Economie (SIADE)

Definitii. Componentele unui DSS (Decision Support Systems). Clasificarea DSS.
DSS bazate pe cunostinte (KDSS). Sisteme Expert, Exemple SIADE
Sisteme Inteligente de Asigurarea Deciziei in Economie (SIADE)
https://www.slideshare.net/ssusere3f682/ch01-a-decision-support-system-dss

Ce este o decizie operațională de afaceri? O mare parte din desfășurarea oricărei afaceri este
luarea deciziilor. Unele dintre acestea sunt strategice: dacă ar trebui să intrăm pe o anumită
piață, cum ar trebui să proiectăm noul nostru produs, ce parteneri și canale de distribuție ar
trebui să alegem? Altele sunt mai obișnuite, realizate manual sau automat în timpul
operațiunilor zilnice de afaceri. Acestea din urmă sunt decizii operaționale. Deciziile
operaționale sunt determinări pe care întreprinderile le iau în mod regulat, o selecție sau un
calcul al unui rezultat care depinde de o serie de circumstanțe predominante (intrări) și care,
în cele din urmă, are un impact observabil asupra comportamentului unei organizații. Acestea

8
includ luarea unor determinări precum: Ce produse ar trebui să le recomandăm unui client
atunci când vizitează site-ul nostru web, având în vedere comportamentul lor din trecut?
Această structură a taxelor comerciale îndeplinește reglementările de conformitate? Multe
decizii operaționale trebuie să se întâmple de multe ori pe secundă, sunt adesea automatizate.
Un sistem de asigurare/susținere/sprijinire a (luarii) deciziilor (DSS) este un sistem interactiv
de informații care analizează volume mari de date pentru informarea deciziilor de afaceri. Un
DSS susține nivelurile de management, operațiuni și planificare ale unei organizații în luarea
unor decizii mai bune prin evaluarea semnificației incertitudinilor și a compromisurilor
implicate în luarea unei decizii față de alta. Un DSS utilizează o combinație de date brute,
documente, cunoștințe personale și / sau modele de afaceri pentru a ajuta utilizatorii să ia
decizii. Sursele de date utilizate de un DSS ar putea include surse de date relaționale, cuburi,
depozite de date, dosare medicale electronice (EHR), proiecții de venituri, proiecții de vânzări
și multe altele. Pe măsură ce organizațiile se concentrează din ce în ce mai mult pe luarea
deciziilor bazate pe date, știința deciziei (sau inteligența decizională) este în creștere, iar
oamenii de știință în decizie pot fi cheia pentru a debloca potențialul sistemelor științifice
decizionale. Reunind știința aplicată a datelor, științele sociale și știința managerială, știința
proiectării se concentrează pe selectarea între opțiuni pentru a reduce efortul necesar pentru
a lua decizii de calitate superioară.
Sistemele de asistare a deciziilor și Business Intelligence (BI) sunt adesea combinate. Unii
experți consideră BI un succesor al DSS. Sistemele de susținere a deciziilor sunt, în general,
recunoscute ca un element al sistemelor de business intelligence, împreună cu depozitarea
datelor și extragerea datelor. În timp ce BI este o categorie largă de aplicații, servicii și
tehnologii pentru colectarea, stocarea, analiza și accesarea datelor pentru luarea deciziilor,
aplicațiile DSS tind să fie mai bine concepute pentru a sprijini decizii specifice. De exemplu, o
DSS de afaceri ar putea ajuta o companie să-și proiecteze veniturile pe o perioadă stabilită,
analizând datele anterioare privind vânzările de produse și variabilele actuale.

De ce sunt importante deciziile? Deciziile operaționale determină profitabilitatea de zi cu zi a

afacerii, cât de eficient își păstrează clienții sau cât de bine gestionează riscul. Adesea calitatea
și consistența luării deciziilor determină reputația clientului dvs. - pentru unii clienți, percepția
lor exclusivă asupra companiei dvs. este obținută din rezultatul acestor decizii. Este posibil ca
deciziile operaționale să nu pară la fel de importante ca cele strategice, dar sunt mai
voluminoase, iar semnificația lor se adaugă în cele din urmă. Deciziile au adesea o importanță
deosebită în cererile de conformitate cu reglementările. Transformarea digitală se referă
parțial la modul în care această luare a deciziilor poate fi orientată către client. Logica unor
luări de decizii este capitalul intelectual: ajută la stabilirea sau menținerea unui avantaj
competitiv pentru compania dvs. - reprezintă ceea ce faceți pentru a vă îmbunătăți rivalii,
punctele de vânzare unice. Trebuie să identificați deciziile importante pe care le luați, să

9
definiți procesul de luare a deciziilor în mod transparent, să vă asigurați că acestea sunt luate
cu precizie, să le monitorizați performanța și să le gestionați evoluția și îmbunătățirea. Acest
proces de gestionare explicită a deciziilor dvs. este gestionarea deciziilor de afaceri. Mijloacele
de reprezentare transparentă a deciziilor reprezinta modelarea deciziilor.
Luarea deciziilor este o parte integrantă a managementului modern. În esență, luarea
deciziilor raționale sau solide este luată ca funcție principală a managementului. Fiecare
manager ia sute și sute de decizii în mod inconștient sau conștient, luându-l ca componentă
cheie în rolul unui manager. Deciziile joacă roluri importante deoarece determină atât
activitățile organizaționale, cât și cele manageriale. O decizie poate fi definită ca un curs de
acțiune ales în mod intenționat dintr-un set de alternative pentru a atinge obiective sau
obiective organizaționale sau manageriale. Procesul decizional este o componentă continuă și
indispensabilă a gestionării oricărei organizații sau activități de afaceri. Se iau decizii pentru
susținerea activităților tuturor activităților de afaceri și a funcționării organizaționale. Se iau
decizii la fiecare nivel al managementului pentru a asigura atingerea obiectivelor
organizaționale sau de afaceri. În plus, deciziile alcătuiesc una dintre valorile funcționale de
bază pe care fiecare organizație le adoptă și le pune în aplicare pentru a asigura o creștere și
o conducere optime în ceea ce privește serviciile și / sau produsele oferite.
Ca atare, procesul de luare a deciziilor poate fi exemplificat în continuare pe fundalul
următoarelor definiții. Luarea deciziilor implică selectarea unui curs de acțiune dintre două
sau mai multe alternative posibile pentru a ajunge la o soluție pentru o anumită problemă ”.
După cum reiese din definițiile renunțate, procesul de luare a deciziilor este o afacere
consultativă făcută de un grup de profesioniști pentru a conduce o mai bună funcționare a
oricărei organizații. Prin urmare, este o activitate continuă și dinamică care străbate toate
celelalte activități legate de organizație. Deoarece este o activitate continuă, procesul de luare
a deciziilor joacă o importanță vitală în funcționarea unei organizații. Deoarece mințile
intelectuale sunt implicate în procesul de luare a deciziilor, aceasta necesită cunoștințe
științifice solide, împreună cu abilități și experiență, pe lângă maturitatea mentală.
Procesul de luare a deciziilor poate fi considerat un sistem de verificare și echilibrare care
menține organizația în creștere atât în direcții verticale cât și liniare. Înseamnă că procesul
decizional caută un scop. Obiectivele sunt obiective de afaceri prestabilite, misiuni ale
companiei și viziunea acesteia. Pentru a atinge aceste obiective, compania se poate confrunta
cu multe obstacole în domeniile administrativ, operațional, de marketing și domenii
operaționale. Astfel de probleme sunt rezolvate printr-un proces cuprinzător de luare a
deciziilor. Nici o decizie nu vine ca scop în sine, deoarece în pot evolua noi probleme de
rezolvat. Când o problemă este rezolvată, apare o altă problemă și așa mai departe, astfel
încât procesul de luare a deciziilor, așa cum am spus mai devreme, este continuu și dinamic.
Se consumă mult timp în timp ce se iau decizii. Într-un cadru de management, decizia nu poate fi luată
brusc. Ar trebui să urmeze pașii precum: Definirea problemei, Colectarea de informații și colectarea
datelor, Dezvoltarea și cântărirea opțiunilor, Alegerea celei mai bune opțiuni posibile, Planificați și
executați, Luați măsuri de urmărire. Deoarece procesul de luare a deciziilor urmează pașii secvențiali
de mai sus, se petrece mult timp în acest proces. Acesta este cazul cu fiecare decizie luată pentru
rezolvarea problemelor de management și administrative într-un cadru comercial. Deși întregul proces
consumă mult timp, rezultatul unui astfel de proces într-o organizație profesională este extrem de
important.
Ce este un sistem de sprijin pentru decizii? Un sistem de susținere a deciziilor (DSS) este
un program computerizat utilizat pentru a sprijini determinările, judecățile și cursurile de acțiune într-
o organizație sau o afacere. Un DSS analizează și analizează cantități masive de date, compilând
informații cuprinzătoare care pot fi utilizate pentru rezolvarea problemelor și pentru luarea deciziilor.

10
Informațiile tipice utilizate de un DSS includ venituri vizate sau proiectate, cifre de vânzări sau cele
anterioare din perioade de timp diferite și alte date legate de inventar sau operațiuni.
Înțelegerea unui sistem de susținere a deciziilor. Un sistem de susținere a deciziilor colectează și
analizează date, sintetizându-le pentru a produce rapoarte de informații complete. În acest fel, ca
aplicație informațională, un DSS diferă de o aplicație obișnuită de operațiuni, a cărei funcție este doar
de a colecta date. DSS poate fi complet computerizat sau alimentat de oameni. În unele cazuri, poate
combina ambele. Sistemele ideale analizează informațiile și iau de fapt decizii pentru utilizator. Cel
puțin, acestea permit utilizatorilor umani să ia decizii mai informate într-un ritm mai rapid.
Un sistem de susținere a deciziilor (DSS) este un sistem computerizat care colectează și analizează date,
sintetizându-le pentru a produce rapoarte de informații complete. Un sistem de susținere a deciziilor
diferă de o aplicație obișnuită de operațiuni, a cărei funcție este doar de a colecta date. Sistemele de
susținere a deciziilor permit luarea unor decizii mai informate, rezolvarea la timp a problemelor și o
eficiență îmbunătățită în tratarea problemelor sau operațiunilor, planificarea și chiar gestionarea.
Utilizarea unui sistem de asistență pentru decizii DSS poate fi folosit de managementul operațiunilor
și de alte departamente de planificare într-o organizație pentru a compila informații și date și pentru
a le sintetiza într-o informație acționabilă. De fapt, aceste sisteme sunt utilizate în primul rând de
managementul de nivel mediu până la cel superior. De exemplu, un DSS poate fi utilizat pentru a
proiecta veniturile unei companii în următoarele șase luni pe baza noilor ipoteze despre vânzările de
produse. Datorită unui număr mare de factori care înconjoară cifrele de venituri proiectate, acesta nu
este un calcul simplu care poate fi realizat manual. Cu toate acestea, un DSS poate integra toate
variabilele multiple și poate genera rezultate și rezultate alternative, toate pe baza datelor din trecut
ale vânzărilor de produse ale companiei și a variabilelor actuale. Un DSS poate fi adaptat pentru orice
industrie, profesie sau domeniu, inclusiv domeniul medical, agențiile guvernamentale, preocupările
agricole și operațiunile corporative.
Caracteristicile unui sistem de sprijinire a deciziilor. Scopul principal al utilizării unui DSS este de a
prezenta clienților informații într-un mod ușor de înțeles. Un sistem DSS este benefic deoarece poate
fi programat pentru a genera multe tipuri de rapoarte, toate pe baza specificațiilor utilizatorului. De
exemplu, DSS poate genera informații și afișa informațiile sale grafic, ca într-o diagramă cu bare care
reprezintă veniturile proiectate sau ca un raport scris. Pe măsură ce tehnologia continuă să avanseze,
analiza datelor nu se mai limitează la calculatoare mainframe mari și voluminoase. Deoarece un DSS
este în esență o aplicație, acesta poate fi încărcat pe majoritatea sistemelor informatice, fie pe
desktop-uri, fie pe laptopuri. Anumite aplicații DSS sunt disponibile și prin intermediul dispozitivelor
mobile. Flexibilitatea DSS este extrem de benefică pentru utilizatorii care călătoresc frecvent. Acest
lucru le oferă posibilitatea de a fi bine informați în orice moment, oferind posibilitatea de a lua cele
mai bune decizii pentru compania și clienții lor din mers sau chiar la fața locului.

11
Componentele unui DSS. Chiar dacă DSS poate fi de mai multe tipuri, în mod fundamental
fiecare DSS va avea următoarele componente:
Subsistemul de gestionare a dialogului utilizator-sistem interactiv-DSS necesită interacțiune continuă
cu utilizatorul. Uneori, sistemul ar trebui să solicite utilizatorului să ofere o intrare în altă perioadă,
acesta ar trebui să poată controla procesarea. Un subsistem tipic de gestionare a dialogului pentru
sistemul utilizatorului va avea următoarele elemente: Interfață utilizator - interfața utilizator a unui
DSS trebuie să fie dinamică și bazată pe GUI. Trebuie să fie o interfață ușor de utilizat, deoarece
majoritatea persoanelor care o vor folosi nu sunt experți tehnici, ci experți în management
(management de top) și, prin urmare, interfața ar trebui să fie minimalistă în design. De asemenea,
sistemul ar trebui să poată interacționa cu utilizatorul într-un mod interactiv și, prin urmare, interfața
cu utilizatorul trebuie să fie dinamică. Request Constructor - deoarece DSS funcționează pe un mod
dinamic interactiv, are nevoie de un constructor de solicitări (care să încorporeze aspecte ale interfeței
de interogare ale limbajului) care poate converti instructorii utilizatorului într-o formă ușor de înțeles
de model, cererea de date a modelului către baza de date și solicitările modelului către utilizator.
Subsistemul de gestionare a datelor - datele sunt cea mai importantă componentă a unui DSS. Fără
date un DSS nu poate funcționa. Subsistemul de gestionare a datelor controleaza si prelucreaza datele
pentru DSS. Datele sunt accesate într-un DSS în multe moduri, cum ar fi baza ad hoc, baza de interogare
structurată și baza de căutare euristică și, prin urmare, este necesar un subsistem puternic de
gestionare a datelor pentru a deservi cererile variate de date dintr-un DSS. Subsistemul are
următoarele elemente: Sistem de gestionare a bazelor de date - este depozitul de date pentru DSS.
Gestionează datele și îndeplinește toate funcțiile pe care le face un pachet tipic SGBD. De fapt, în
majoritatea DSS se utilizează un pachet comercial SGBD sau RDBMS pentru a efectua această sarcină.
Controlul interogărilor - acesta este un element adaptat pentru a face față cerințelor de interogare ale
DSS. Poate conecta baza de date, direct la interfața cu utilizatorul sau la baza modelului sau la ambele.
Meta Date - conține date despre datele stocate în baza de date. Acest lucru ajută DSS să înțeleagă
corect datele din baza de date și ajută la crearea de interogări ad hoc.
Subsistemul de gestionare a modelelor - aceasta este caracteristica unică a unui DSS. Acest lucru face
ca sistemul să fie special. Cu toate acestea, acest lucru face, de asemenea, sistemul foarte specific.
Există foarte puține exemple de DSS generalizat, deoarece nu sunt disponibile modele generalizate.
Cele care există funcționează pe soluții pe jumătate coapte. Subsistemul de gestionare a modelelor
poate utiliza diferite clase de modele, cum ar fi, Modele de optimizare, Modele de simulare, Modele
euristice, Modele deterministe, Modele predictive. Fiecare clasă de model este utilă pentru a rezolva
o anumită clasă de probleme, cum ar fi o problemă de rutare sau o problemă de planificare sau o
problemă de căutare combinatorie etc. Model și Model Management au mai multe conotații în
literatura DSS și au existat definiții largi ale acestor termeni. Tulpina obișnuită care evoluează din
aceste numeroase definiții este că un model este conceput pentru a consta dintr-un rezolvator, un
model pentru rezolvarea unei probleme și date în care modelul reprezintă relații între variabile, datele
reprezintă valorile variabilelor considerația și rezolvarea este instrumentul care permite calcularea
valorilor variabilei și a relațiilor acestora.

Clasificarea DSS
DSS se pot imparti în cinci categorii pe baza surselor lor primare de informații.
DSS bazat pe date. Aceste sisteme includ sertar de fișiere și sisteme de raportare a gestionării, sisteme
de informații executive și sisteme de informații geografice (GIS). Acestea subliniază accesul și
manipularea bazelor de date mari de date structurate, adesea o serie de date interne ale companiei și
uneori date externe.
DSS bazat pe model. Aceste DSS includ sisteme care utilizează modele contabile și financiare, modele
reprezentative și modele de optimizare. Ele subliniază accesul și manipularea unui model. În general,
utilizează instrumente statistice și analitice simple, dar Power remarcă faptul că unele sisteme OLAP

12
care permit analiza complexă a datelor pot fi clasificate ca sisteme DSS hibride. Modelele DSS folosesc
datele și parametrii furnizați de factorii de decizie, dar Power notează că, de obicei, nu folosesc date.
DSS bazat pe cunoaștere/cunostinte (KDSS). Aceste sisteme sugerează sau recomandă acțiuni
managerilor. Uneori numite sisteme de consultanță, sisteme de consultare sau sisteme de sugestii,
acestea oferă expertiză specializată în rezolvarea problemelor pe baza unui anumit domeniu. Ele sunt
de obicei utilizate pentru sarcini, inclusiv clasificare, configurare, diagnostic, interpretare, planificare
și predicție care altfel ar depinde de un expert uman. Aceste sisteme sunt adesea asociate cu
extragerea datelor pentru a trece prin baze de date pentru a produce relații de conținut de date.
DSS bazat pe documente. Aceste sisteme integrează tehnologii de stocare și procesare pentru
recuperarea și analiza documentelor. Un motor de căutare este un exemplu.
Comunicare și DSS de grup. DSS bazat pe comunicare se concentrează pe comunicare, colaborare și
coordonare pentru a ajuta oamenii care lucrează la o sarcină partajată, în timp ce grupul DSS (GDSS)
se concentrează pe sprijinirea grupurilor de factori de decizie pentru a analiza situațiile problematice
și pentru a efectua sarcini de luare a deciziilor în grup.

Potrivit lui Capterra, ca si pachete software populare pentru DSS precizam:

1. Web Builders de informații. Această platformă de date și analize este concepută pentru întreprinderi și
companii de piață medie care trebuie să integreze și să încorporeze date între aplicații. Oferă opțiuni cloud,
multi-cloud, on-prem și hibrid.QlikView.
2. QlikView este soluția clasică de analiză a datelor, construită pe motorul asociativ al companiei. Este conceput
pentru a ajuta utilizatorii cu sarcinile de zi cu zi folosind un tablou de bord configurabil.
3. SAP BusinessObjects. BusinessObjects constă în aplicații de raportare și analiză pentru a ajuta utilizatorii să
înțeleagă tendințele și cauzele principale.
4. TIBCO Spotfire. Acest software de vizualizare și analiză a datelor îi ajută pe utilizatori să creeze tablouri de
bord și să aplice aplicații predictive și aplicații de analiză în timp real.
5. Salesforce Analytics Cloud. Această soluție de analiză bazată pe AI, bazată pe cloud, este construită pe
platforma Salesforce.com pentru a ajuta organizațiile să identifice oportunitățile și să prezică rezultatele.
6. Powernoodle. Powernoodle este o platformă de implicare a deciziilor bazată pe cloud care valorifică știința
cognitivă, comportamentală și a deciziilor. Oferă șabloane pre-construite care se adresează tipurilor comune
de decizie și suport pentru modelarea fluxurilor de lucru ale mai multor grupuri de părți interesate.
7. Briq. Briq este o platformă de analiză predictivă și automatizare construită special pentru antreprenorii
generali și subcontractanții din construcții. Utilizează datele de la contabilitate, management de proiect,
CRM și alte sisteme, pentru a alimenta AI pentru analize predictive și prescriptive.

13
DSS bazate pe cunostinte (KDSS). Sisteme Expert
Cele trei componente principale ale unui KDSS (Knowledge based Decision Support System) sunt:
1. Sistem de management al modelului. Sistemul de gestionare a modelelor S = stochează modele pe
care managerii le pot folosi în luarea deciziilor. Modelele sunt utilizate în luarea deciziilor cu privire la
sănătatea financiară a organizației și la previzionarea cererii pentru un bun sau serviciu.
2. Interfață utilizator. Interfața cu utilizatorul include instrumente care ajută utilizatorul final al unui
DSS să navigheze prin sistem.
3. Baza de cunoștințe. Baza de cunoștințe include informații din surse interne (informații colectate într-
un sistem de proces de tranzacții) și surse externe (ziare și baze de date online).

Un sistem expert este un program de calculator conceput pentru a rezolva probleme complexe și
pentru a oferi capacitatea de a lua decizii ca un expert uman. Acesta realizează acest lucru extragând
cunoștințe din baza sa de cunoștințe utilizând regulile de raționament și inferență în funcție de
întrebările utilizatorului. Sistemul expert face parte din AI, iar primul ES a fost dezvoltat în anul 1970,
care a fost prima abordare de succes a inteligenței artificiale. Rezolvă cea mai complexă problemă ca
expert prin extragerea cunoștințelor stocate în baza sa de cunoștințe. Sistemul ajută la luarea deciziilor
pentru problemele complexe folosind atât fapte, cât și euristică, ca un expert uman. Se numește așa,
deoarece conține cunoștințele de specialitate ale unui domeniu specific și poate rezolva orice
problemă complexă a domeniului respectiv. Aceste sisteme sunt concepute pentru un domeniu
specific, cum ar fi medicina, știința etc. Performanța unui sistem expert se bazează pe cunoștințele
expertului stocate în baza sa de cunoștințe. Cu cât mai multe cunoștințe sunt stocate în KB, cu atât acel
sistem își îmbunătățește performanța. Unul dintre exemplele obișnuite de ES este o sugestie de erori
de ortografie în timp ce tastați în caseta de căutare Google.
Este important să amintim că un sistem expert nu este utilizat pentru a înlocui experții umani; în
schimb, este folosit pentru a ajuta omul să ia o decizie complexă. Aceste sisteme nu au capacități
umane de gândire și funcționează pe baza bazei de cunoștințe a domeniului particular.

Caracteristicile Sistemului Expert

1. Performanță ridicată: sistemul expert oferă performanțe ridicate pentru rezolvarea oricărui tip de
problemă complexă a unui domeniu specific cu eficiență și precizie ridicate.
2. Inteligibile: răspunde într-un mod care poate fi ușor de înțeles de către utilizator.
3. Poate prelua informații în limbajul uman și oferă rezultatul în același mod.
4. Fiabil: este mult mai fiabil pentru a genera o ieșire eficientă și precisă. Foarte receptiv: ES oferă
rezultatul pentru orice interogare complexă într-o perioadă foarte scurtă de timp.

14
Componentele sistemului expert:Interfața cu utilizatorul, Motor de inferență, Bază de cunoștințe.

1.Interfață utilizator. Cu ajutorul unei interfețe cu utilizatorul, sistemul expert interacționează cu

utilizatorul, ia interogări ca intrare într-un format lizibil și le transmite motorului de inferență. După
obținerea răspunsului de la motorul de inferență, acesta afișează ieșirea către utilizator. Cu alte
cuvinte, este o interfață care ajută un utilizator non-expert să comunice cu sistemul expert pentru a
găsi o soluție. 2. Motor de inferență (reguli ale motorului). Motorul de inferență este cunoscut sub
numele de creierul sistemului expert, deoarece este principala unitate de procesare a sistemului.
Aplică reguli de inferență bazei de cunoștințe pentru a obține o concluzie sau pentru a deduce
informații noi. Ajută la obținerea unei soluții fără erori a interogărilor solicitate de utilizator. Cu ajutorul
unui motor de inferență, sistemul extrage cunoștințele din baza de cunoștințe. Există două tipuri de
motoare de inferență: Motor de inferență determinist: concluziile trase din acest tip de motor de
inferență sunt presupuse a fi adevărate. Se bazează pe fapte și reguli .Motor de inferență
probabilistică: Acest tip de motor de inferență conține incertitudine în concluzii și se bazează pe
probabilitate. Motorul de inferență utilizează modurile de mai jos pentru a obține soluțiile: Înlănțuire
înainte: începe de la faptele și regulile cunoscute și aplică regulile de inferență pentru a adăuga
concluzia lor la faptele cunoscute. Înlănțuire înapoi: este o metodă de raționament înapoi care începe
de la obiectiv și funcționează înapoi pentru a dovedi faptele cunoscute. 3. Baza de cunoștințe este un
tip de stocare care stochează cunoștințele dobândite de la diferiți experți din domeniul respectiv. Este
considerat ca un mare stoc de cunoștințe. Cu cât baza de cunoștințe este mai mare, cu atât mai precis
va fi sistemul expert. Este similar cu o bază de date care conține informații și reguli ale unui anumit
domeniu sau subiect. Se poate vizualiza și baza de cunoștințe ca colecții de obiecte și atributele
acestora. Cum ar fi Leul este un obiect și atributele sale sunt un mamifer, nu este un animal domestic
etc. Componentele bazei de cunoștințesunt: Cunoștințe factuale (cunoștințele care se bazează pe fapte
și sunt acceptate de inginerii cunoașterii intră sub cunoștințe factuale), Cunoașterea euristică: Această
cunoaștere se bazează pe practică, abilitatea de a ghici, evaluare și experiențe. Reprezentarea
cunoștințelor: este utilizată pentru a oficializa cunoștințele stocate în baza de cunoștințe folosind
regulile If-else. Achiziții de cunoștințe: este procesul de extragere, organizare și structurare a
cunoștințelor din domeniu, specificând regulile pentru a dobândi cunoștințele de la diferiți experți și
pentru a stoca aceste cunoștințe în baza de cunoștințe.

Dezvoltarea sistemului expert. Aici, vom explica funcționarea unui sistem expert luând un exemplu
MYCIN ES. Mai jos sunt câțiva pași pentru a construi un MYCIN: În primul rând, ES ar trebui alimentat
cu cunoștințe de specialitate. În cazul MYCIN, experții umani specializați în domeniul medical al

15
infecției bacteriene oferă informații despre cauzele, simptomele și alte cunoștințe din acest domeniu.
KB-ul MYCIN este actualizat cu succes. Pentru a-l testa, medicul îi oferă o nouă problemă. Problema
constă în identificarea prezenței bacteriilor prin introducerea detaliilor unui pacient, inclusiv
simptomele, starea actuală și istoricul medical. ES va avea nevoie de un chestionar care să fie
completat de pacient pentru a cunoaște informațiile generale despre pacient, cum ar fi sexul, vârsta
etc. Acum sistemul a colectat toate informațiile, așa că va găsi soluția pentru problema aplicând reguli
if-then folosind motorul de inferență și folosind faptele stocate în KB. În cele din urmă, va oferi un
răspuns pacientului utilizând interfața cu utilizatorul. Participanți la dezvoltarea sistemului expert:
Există trei participanți principali la construirea sistemului expert: Expertul din domeniu: Succesul unui
ES depinde mult de cunoștințele furnizate de experții umani. Acești experți sunt acele persoane
specializate în acel domeniu specific; Inginer de cunoștințe: inginerul de cunoștințe este persoana care
colectează cunoștințele de la experții din domeniu și apoi codifică aceste cunoștințe în sistem conform
formalismului; Utilizator final: grup de persoane care poate nu sunt experți, iar lucrul la sistemul expert
necesită soluția sau sfatul pentru întrebările sale, care sunt complexe.

Aplicații ale sistemelor expert. Unele aplicații populare în care utilizatorul de sisteme expert:
Administrarea informației, Spitale și facilități medicale, Managementul birourilor de ajutor, Evaluarea
performanței angajaților, Analiza împrumuturilor, Detectarea virusului, Util pentru proiecte de
reparații și întreținere, Optimizarea depozitului, Planificare și programare, Configurarea obiectelor
fabricate, Luarea deciziilor financiare, Publicarea cunoștințelor, Monitorizarea și controlul procesului,
Supraveghează funcționarea centralei și a controlerului, Tranzacționare pe piața bursieră,
Programarea companiilor aeriene și programele de încărcare.
O altă dezvoltare recentă a unui sistem expert a fost realizată în recrutarea talentelor / industria
resurselor umane. Wade & Wendy este un sistem expert bazat pe AI, care este programat să aibă o
conversație cu un client (angajator) și își folosește euristica condusă de algoritmi bazați pe cunoștințe
pentru a afla informațiile exacte de care are nevoie pentru a recruta un candidat potrivit pentru nevoile
de angajare ale organizației. Exact modul în care un recrutor uman încearcă să aibă conversații
semnificative cu CEO-ul și managerii, pentru a înțelege pe deplin și a se adapta nevoilor lor în
schimbare; în același mod în care Wade & Wendy vor continua să crească și să învețe, deoarece se
angajează într-un număr mai mare de conversații. Acest sistem expert special este un exemplu al unui
anumit tip de IA numit „Chatbot”; un program de calculator sau o inteligență artificială care conduce
o conversație prin metode auditive sau textuale. Astfel de programe sunt deseori concepute pentru a
simula în mod convingător modul în care un om s-ar comporta ca partener de conversație, trecând
astfel testul Turing. Chatbots-urile sunt de obicei utilizate în sistemele de dialog în diverse scopuri
practice, inclusiv serviciul pentru clienți sau achiziționarea de informații. Aici coincid 2 ramuri ale IA, și
anume „Procesarea limbajului natural” și „sistemele expert”. Ne îndreptăm către un moment în care
AI și oamenii vor lucra împreună pentru a rezolva problemele. Cu toate acestea, există încă multe
probleme provocatoare care trebuie rezolvate pentru a face sistemele expert acceptabile de către
masele de oameni. Ramura de AI numită sisteme expert este în principal responsabilă pentru a ajuta
experții umani și pentru a învăța de la ei. Este încă nevoie de multă muncă și cercetare pentru a găsi
un punct dulce între activitatea experților umani în diverse domenii și capacitățile inteligenței
artificiale. Utilizarea sistemelor expert în industrie nu este încă răspândită, dar în ultimii ani, odată cu
apariția Big Data, a existat o creștere considerabilă a adoptării acestei tehnologii, deoarece tot mai
multe corporații încearcă puterea AI.

Exemple de SIADE
Inteligența decizională este un domeniu de tendințe care conține o serie de metode de luare a
deciziilor pentru proiectarea, modelarea, alinierea, executarea și urmărirea modelelor și proceselor
decizionale. Implementarea oferă o structură pentru luarea deciziilor organizaționale și a proceselor
cu integrarea algoritmilor de învățare automată. Ideea principală este că deciziile se bazează pe
percepția noastră asupra modului în care acțiunile conduc la rezultate. Deși majoritatea soluțiilor sunt

16
furnizate de furnizorii de AI, Business Intelligence și Cloud Computing, putem prezenta o listă scurtă
de furnizori care pot oferi soluții de intelligence de decizie pentru afacerea dvs.: Busigence, Google
Cloud Platform, IBM Hybrid Cloud, Oracle Business Intelligence, Quantelli, Urbint, Xylem.
Cipurile AI pot îndeplini sau accelera unele funcţii care implică machine learning şi care asigură o gamă
largă de funcţionalităţi precum biometrie, detectare şi recunoaştere facială, orice este legat de
realitatea augmentată şi virtuală, filtre de imagine, recunoaştere şi asistenţă vocală, traduceri şi
îmbunătăţirea calităţii fotografiilor făcute de camerele telefoanelor mobile. Utilizarea cipurilor AI va
elimina dependenţa utilizatorului de o conexiune permanentă la internet şi va ajuta dispozitivele să
funcţioneze mai bine, mai repede şi să utilizeze mai puţină energie. De asemenea, dispozitivele care
au încorporate cipuri AI vor îmbunătăţi gradul de securitate şi de asigurare a confidenţialităţii, la preţuri
accesibile pentru clienţi. Companii precum Samsung, Apple şi Huawei folosesc deja procesoare AI.

În ceea ce priveşte reţelele 5G: până la sfârşitul anului 2020, peste 100 de companii din întreaga
lume vor începe testarea reţelelor 5G private, fie prin achiziţionarea propriei infrastructuri, pentru a
cărei operare vor apela la un operator de telefonie mobilă, fie prin construirea şi întreţinerea propriei
reţele 5G, pentru care vor cumpăra spectru. În total, aceste peste 100 de companii ar putea investi
câteva sute de milioane de dolari în forţă de muncă şi echipamente. Reţelele 5G private reprezintă o
opţiune pentru companiile foarte mari care doresc să profite de avantajele extraordinare ale
tehnologiei 5G - cum ar fi fiabilitatea şi viteza mare, latenţa mică, eficienţa energetică şi conexiunea
wireless pentru trafic de mare densitate - şi nu vor să se conecteze la o reţea publică 5G. Porturile,
aeroporturile şi alte centre logistice similare vor fi printre primele care vor folosi reţele 5G private.
Se estimează şi că, până la sfârşitul anului 2020, vânzările roboţilor pentru companii vor ajunge la
aproape un milion de unităţi, dintre care peste 50% vor fi utilizaţi pentru a oferi asistenţă angajaţilor
în derularea unor activităţi, în special pentru cele care nu ţin de procesul de fabricaţie, iar restul vor fi
roboţi industriali, cu braţe mecanice, folosiţi în industriile grele. De asemenea, vânzările de roboţi
industriali vor înregistra o creştere de 10% a numărului de unităţi în 2020. În prezent, piaţa de roboţi
industriali este dominată de China, unde în 2018 s-au vândut 154.000 de unităţi (36% din cererea
globală), ţară urmată de Japonia, Statele Unite şi Coreea de Sud. Cu toate acestea, după numărul de
unităţi vândute, piaţa roboţilor este în continuare dominată de segmentul dedicat consumatorilor,
care include roboţi proiectaţi pentru sarcini precum aspirarea prafului, tunderea gazonului, curăţarea
ferestrelor, precum şi roboţi de divertisment, în principal jucării fabricate în Asia. Din cele aproape 22
de milioane de roboţi vânduţi la nivel mondial în 2019, 97% au fost dedicaţi consumatorilor şi doar 3%
companiilor. Automatizarea și AI vor fi obligatorii pe termen lung, spun experții prezenți la Huawei
2020 Better World Summit. Până în anul 2050, se preconizează că întreprinderile care adoptă
inteligența artificială (AI) vor avea o creștere de 100% a productivității lor.

NOTA: Înscrierea într-un program de master după obținerea unei diplome de licență poate oferi
studenților cunoștințe avansate în subiecte care își îmbunătățește cariera. Acest grad poate califica
studenții ca experți în domeniile alese și le face eligibili pentru o selecție mai largă de locuri de muncă
cu plată înaltă decât dacă au doar o diplomă de licență. Ce este un Maestru în Inteligența Artificială?
Este un program conceput pentru a oferi studenților o înțelegere mai profundă a tehnologiei și a
aplicării logicii pentru a crea inteligența artificială. Elevii pot studia mecanici, cum ar fi inginerie și
robotică, în timp ce se află în cursuri care explorează principiile logicii, programării și inteligenței.
Fiecare curs oferă de obicei studenților cunoștințe aprofundate despre un aspect al învățării mașinilor
și îi învață să creeze și să programeze proiecte unice pentru domeniul inteligenței artificiale. Multe
abilități pot fi dezvoltate în timpul unui program de masterat care ar putea duce la locuri de muncă de
înaltă plătire și avansări în carieră în viitor. Elevii pot dezvolta abilități critice și tehnologice care îi ajută
să exceleze în domeniul carierei și pot, de asemenea, să învețe abilități esențiale de rezolvare a
problemelor. Deoarece poate dura de la un an la trei ani pentru a termina o diplomă de masterat,
costul variază drastic. Fiecare școală este diferită și are propriile taxe de școlarizare stabilite, iar locația
cursurilor ar putea afecta și prețul. Domeniul inteligenței artificiale este relativ nou și interesant, iar un

17
număr de cariere interesante sunt disponibile pentru cei cu gradul potrivit. Unii studenți pot alege să
lucreze ca ingineri software, în timp ce alții preferă cariere ca analisti. Mulți găsesc poziții ca
dezvoltatori. Locurile de muncă care lucrează cu aplicații de învățare automată pot fi, de asemenea,
disponibile, iar noi oportunități de carieră continuă să apară pe măsura extinderii pieței.

Studiu de caz 3: Platforme de Inteligenta Artificiala pentru Afaceri

1. https://research.aimultiple.com/decision-intelligence/

2. https://www.predictiveanalyticstoday.com/artificial-intelligence-platforms/

18