Veštačka inteligencija
Primena vestacke inteligencije u resavanju menadzment problema – Mayer vestacku inteligenciju definise kao rezultat vazecih znanja definise kao rezultat vazecih znanja koja poticu iz razlicitih naucnih oblasti i koja su transformisana u oblik koji omogucava resavanje problema.
Treba napomenuti da projekti VI podrazumevaju veliku kolicinu promena u organizaciji, mnogo vise nego uvodjenje novih informacionih tehnologija. Poznavanje specificnih tehnologija koje su oznacene kao tehnologije VI i kompanije koje ih proizvode su definitivno dobar start za pocetak izgradnje sistema VI u preduzecu.
Pojam znanje se i njegovo razumevanje predstavlja osnovni cilj vestacke inteligencije. Hipoteticki realizam se karakterise kao teorija misljenja i predstavlja osnovu znanja. Pridev hipoteticki se koristi jer nasa znanja i saznanja mogu biti pogresna. Termin realizam u razmotrenom pojmu oznacava cinjenicu da nasa saznanja poticu iz realnog sveta. Delovi vestacke inteligencije su:
• Ucenje
• Modeliranje simbolima
• Heuristika
• Resavanje problema
• Integracija
• Tehnike i jezici vestacke inteligencije
• Buduci razvoj
 |
Master i diplomski radovi iz oblasti informacionih sistema obrađuje tim stručnjaka koji su radili na velikim projektima kako u zemlji i inostranstvu. Konsultacije ili naručivanje radova možete izvršiti pomoću forme na sajtu diplomski rad. |
Ucenje – moze u celosti da se definise kao glavna sposobnost inteligentnih sistema. Inteligencija je odredjena: Mehanizmima ucenja Rezultatima ucenja
Mehanizam ucenja moze da se predstavi kroz algoritam procesa ucenja. Ovde treba napomenuti da postoje dva dela procesa ucenja: heuristicko i logicko. Proces ucenja se sastoji iz: prikupljanja ulaznih podataka iz okruzenja, indukcije, dedukcije i analize informacija. Uceenje moze da se definise kao upravljanje faktorima, koji uticu na resavanje postavljenog problema i koji ne mogu da se uzmu u obzir u klasicnim algoritmima.
Modeliranje simbolima – U VI se koriste simboli ( umesto algoritama ) pomocu kojih se predstavljaju realni predameti, njihove karakteristike i relacije koje postoje medju njima.
Heuristika – Heuristicko programiranje je kombinacija heuristika koje se koriste za resavanje nekog upravljackog zadatka. Primena heuristickih metoda je usmerena u dva pravca:
1. na resavanje slozenih zadataka, koji se mogu predstaviti u kvantitativnom obliku, ali su toliko slozeni da njihovo resenje nije moguce naci pomocu strogih analitickih tehnika
2. na probleme koji se ne mogu predtaviti matematickim modelom, jer su promenljive u modelu kvantitativne prirode.
Resavanje problema – Ovaj pojam oznacava: Vestinu koriscenja relevantnih znanja u postizanju postavljenih ciljeva, Transformaciju dobijene situacije u zeljenu ili unapred definisanu pomocu razumevanja problema i sprovodjenjem adekvatnih upravljackih akcija.
Pojam resavanja problema oznacava razumevanje dogadjaja i transformaciju znanja u odgovarajuce akcije Resavanje problema moze se ostvariti na dva nacina: primenom heuristickih metoda ( resavanje problema sa aspekta upravljanja podacima ) i primenom analitickih metoda ( resavanje problema sa aspekta upravljanja modelima )
Integracija – VI treba da omoguci realnu informacionu integraciju: raspolozivos informacija i znanja unutar slozenog poslovnog sistema, kao sto je preduzece.
Tehnike i jezici vestacke inteligencije – Tehnike VI su:
(1) Tehnologija skoske table ,
(2) Klijent/Server,
(3) Kreativno razmisljanje,
(4) Ekspertni sistemi ,
(5) Fazi logika,
(6) Opste heuristike,
(7) Inteligentna sredstva,
(8) Internet,
(9) Logicka sema,
(10) Masinsko ucenje,
(11) Multimedija,
(12) Neuronske mreze,
(13) Robotika,
(14) Modeliranje i simulacija.
Tehologija skolske table – Arhitektura ove tehnologije VI se sastoji iz tri komponente:
1. Hijararhijskoorganizovanje globalne memorije ili baze podataka
2. Kolekcija izvora znanja
3. Separtni modul.
Prednost ove tehnologije ukljucuje separatisano znanje u nezavisne module. Svaki modul slobodno kristi prihvatljive tehnologije, koje dovode do najboljeg resenja sa najvise efikasnosti.
Kreativno razmisljanje – Pri resavanju slozenih zadataka. koji su poznati pod nazivom problemske situacije, zahteva se kreativnost donosilaca odluke.
Inteligentna sredstva – Ova sredstva izvrsavaju zadtake koji se odnose na odredjivanje koristi poslovnih procesa.
Masinsko ucenje – je podpolje VI koje podrazumeva automatsko sticanje domena specificnog znanja. Cilj ovih sistema je poboljsanje njihovih performansi kao rezultat iskustva. Ovo ucenje moze da bude postavljeno kao okvir za sprovodjenje istrazivanja i razvoja VI.
Neuronske mreze – Predstavljaju tehniku obrade informacija koja je zasnovana na bioloskom nervnom sistemu, kao sto mozak procesira informacije. Osnovni koncept neuronskoih mreza je struktura sistema procesiranja informacija. Une su nastale primenom rastuceg broja realnog problema. Njihova primarna prednost je ta sto one mogu da rese probleme koji su takodje vrlo kompleksni za konvencionalne tehnologije – problemi koji nemaju algoritamsko resenje ili za koje je algoritamsko resenje kompleksno da bi se moglo definisati.
Modeliranje i simulacija – Kompjuterski modeli mogu da predstavljaju slozene prirodne sisteme ili sisteme koje je covek napravio, npr. tehnicki i organizacioni sistemi. Ovi modeli mogu da se koriste za predvidjanje efekata razlicitih uslova i stanja sistema.
Simulacija moze da bude uradjena u vezi sa realnim svetom istrazivanja, pomocu cega se stice bolje razumevanje slozenih sistema.
Jezici VI – Jezici koji se koriste za programiranje su npr. LISP, PROLOG, LOGO, C++ i drugi.
Opste heuristike – Upravljacki problemi u lancu snabdevanja po pravilu su vrlo slozeni, nelinearni i visekriterijumski. za resavanje ovakvih problema koriste se razvijene specijalizovane heuristicke metode, koje su prilagodjene strukturi problema koji se resava.
Metoda lokalnog pretrazivanja – Efikasnost ove metode zavisi pre svega od izbora okoline, tj. strukture okoline kao i od kriterijuma za izbor sledeceg resenja u svakom koraku metode.
Alternativna heuristika – Ova metoda moze da se koristi za resavanje bilinearnih problema. Principi ALT heuristike sastoje se od dva skupa promenljivih. ALT metodom mogu se resiti mnogi menadzment problemi.
Genetski algoritam – Prve ideje o genetskom algoritmu kao jednoj od opstih heuristickih metoda, javile su se u okviru teorije adaptivnih sistema. Adaptivni sistemi su oni sistemi koji imaju sposobnost reakcije prema okolini na nacin koji je pogodan za funkcionisanje sistema.
Fazi logika – Razvoj nekih oblasti matematike, kao sto suje teorija fazi skupova, omogucilo je da se neizvesnosti i nepreciznosti u menadzerskim problemima realnije opisuju. Teorija fazi skupova je sistematska disciolina koja je zasnovana na znanju (knowledge system) odnosno, moze se smatrati da je to disciplina mekog racunanja (soft computing). Teoriju fazi skupova ima smisla primeniti u sledecim situacijama: Kada su vrednosti podataka i relacija koje postoje izmedju njih neizvesne i neprecizne. Njihova procena je zasnovana na subjektivnom verovanju eksperata, Kada je tesko da se odredi mera podataka, gde nema dovoljno podataka iz evidencije koji su potrebni za kvantitativnu analizu, Kda su neke velicine unutar problema nejasno i neprecizno definisane, Znanje sa kojim eksperti raspolazu o tretiranom problemu je slozeno, lilitirano i nepotpuno, Gde se uslovi stalno menjaju, tako da je nemoguce posmatranu velicini stohasticki opisati.
Razvoj teorije fazi skupova je omogucio da se neizvesnost i nepreciznost, usled nedostatka dobre evidencije eliminisu. Fazi pristup se koristi u onim slucajevima gde postoji izvor neizvesnosti i nepreciznosti bilo koje vrste. U fazi pristupu, neizvesnosti se opisuju fazi skupovima i fazi brojevima.
