Utilizarea Sistemelor Expert In Aplicatii
CUPRINS
INTRODUCERE………………………………………………………………….5
Capitolul I
LOCUL SISTEMELOR EXPERT ÎN CADRUL SISTEMELOR INTELIGENTE
I.1. Sistemele inteligente – alternativă la sistemele clasice…7
I.2. Scurtă prezentare a sistemelor inteligente…………………11
I.2.1. Rețele neuronale………………………………………..11
I.2.2. Algoritmi genetici………………………………………12
I.2.3. Sisteme fuzzy……………………………………………13
I.2.4. Sisteme expert…………………………………………..14
I.2.5. Sisteme inteligente hibrid……………………………15
I.3. Locul sistemelor expert în cadrul sistemelor inteligente
I.3.1. Situația utilizării sistemelor expert pe plan mondial…………………………………………………………….17
I.3.2. Tehnologia sistemelor expert………………………18
Capitolul II
SISTEME EXPERT
II.1. Noțiuni privind sistemele expert…………………………….19
II.1.1. Definirea sistemelor expert………………………..19
II.1.2. Caracteristicile sistemelor expert………………..19
II.1.3. Utilizarea sistemelor expert………………………..22
II.1.4. Tipuri de sisteme expert…………………………….24
II.2. Arhitectura unui sistem expert……………………………….26
II.3. Ciclul de viață al unui sistem expert……………………….28
II.3.1. Analiza preliminară…………………………………..28
II.3.2. Modelarea conceptuală………………………………30
II.3.3. Achiziția cunoștințelor………………………………31
II.3.3.1. Problema achiziției cunoștințelor…….31
II.3.3.2. Tehnici de achiziție a cunoștințelor…32
II.3.3.3. Metodologia de achiziție a cunoștințelor…………………………………………….34
II.3.4. Reprezentarea cunoștințelor……………………….35
prin logică…………………………………………..35
prin cadre și scenarii…………………………….35
prin rețele semantice…………………………….37
orientată obiect……………………………………37
II.3.5. Testarea și evaluarea…………………………………38
Componentele verificării și validării………38
II.4. Definirea și utilizarea facilității de explicare……………40
II.4.1. Considerații asupra procesului de explicare….40
II.4.2. Factori care influențează procesul de definire a facilității de explicare………………………………………….42
caracteristicile sarcinii………………………….42
caracteristicile explicațiilor…………………..42
definirea interfețelor și a strategiei de furnizare…………………………………………….43
caracteristicile utilizatorilor…………………..43
II.5. Luarea deciziei de dezvoltare a sistemelor expert în cadrul unei companii……………………………………………………44
II.5.1. Întrebări premergătoare luării deciziei…………44
II.5.2. Ce fel de sistem?………………………………………45
II.5.2.1. Criterii legate de aplicație………………46
II.5.2.1. Criterii legate de organizare……………46
II.5.2.1. Criterii legate de mijloace………………47
II.5.2.1. Criterii legate de utilizatorul final……47
II.5.3. De ce nu un sistem informatic clasic?………….47
Capitolul III
UTILIZAREA SISTEMELOR EXPERT ÎN APLICAȚII ECONOMICE ȘI DE AFACERI
III.1. Finanțe și investiții………………………………………………49
III.1.1. Aplicații pentru piața de capital ………………..49
III.1.2. Aplicații privind împrumuturile comerciale..56
III.1.3. Aplicații privind investițiile………………………60
III.1.4. Predicting Stock Market Behaviour……………61
III.1. 5. Probleme de cercetare și tendințe……………..62
III.2. Contabilitate și audit……………………………………………64
III.2.1. Aplicații…………………………………………………64
audit…………………………………………………..65
taxe……………………………………………………67
consulting…………………………………………..69
sisteme suport……………………………………..70
III.2.2. Probleme de cercetare și tendințe………………71
III.3. Alte aplicații economice ale sistemelor expert………..73
Capitolul IV
APLICAȚIA INFORMATICĂ
IV.1. Prezentarea aplicației informatice………………………….74
IV.2. Arhitectura sistemului………………………………………….74
IV.3. Proiectarea modulelor………………………………………….76
IV.4. Proiectarea bazelor de date…………………………………..81
IV.5. Eficiența sistemului informatic propus…………………..84
IV.6. Concluzii și propuneri………………………………………….87
BIBLIOGRAFIE………………………………………………………………..89
ANEXE……………………………………………………………………………..91
=== Sistemele Expert ===
CUPRINS
INTRODUCERE………………………………………………………………….5
Capitolul I
LOCUL SISTEMELOR EXPERT ÎN CADRUL SISTEMELOR INTELIGENTE
I.1. Sistemele inteligente – alternativă la sistemele clasice…7
I.2. Scurtă prezentare a sistemelor inteligente…………………11
I.2.1. Rețele neuronale………………………………………..11
I.2.2. Algoritmi genetici………………………………………12
I.2.3. Sisteme fuzzy……………………………………………13
I.2.4. Sisteme expert…………………………………………..14
I.2.5. Sisteme inteligente hibrid……………………………15
I.3. Locul sistemelor expert în cadrul sistemelor inteligente
I.3.1. Situația utilizării sistemelor expert pe plan mondial…………………………………………………………….17
I.3.2. Tehnologia sistemelor expert………………………18
Capitolul II
SISTEME EXPERT
II.1. Noțiuni privind sistemele expert…………………………….19
II.1.1. Definirea sistemelor expert………………………..19
II.1.2. Caracteristicile sistemelor expert………………..19
II.1.3. Utilizarea sistemelor expert………………………..22
II.1.4. Tipuri de sisteme expert…………………………….24
II.2. Arhitectura unui sistem expert……………………………….26
II.3. Ciclul de viață al unui sistem expert……………………….28
II.3.1. Analiza preliminară…………………………………..28
II.3.2. Modelarea conceptuală………………………………30
II.3.3. Achiziția cunoștințelor………………………………31
II.3.3.1. Problema achiziției cunoștințelor…….31
II.3.3.2. Tehnici de achiziție a cunoștințelor…32
II.3.3.3. Metodologia de achiziție a cunoștințelor…………………………………………….34
II.3.4. Reprezentarea cunoștințelor……………………….35
prin logică…………………………………………..35
prin cadre și scenarii…………………………….35
prin rețele semantice…………………………….37
orientată obiect……………………………………37
II.3.5. Testarea și evaluarea…………………………………38
Componentele verificării și validării………38
II.4. Definirea și utilizarea facilității de explicare……………40
II.4.1. Considerații asupra procesului de explicare….40
II.4.2. Factori care influențează procesul de definire a facilității de explicare………………………………………….42
caracteristicile sarcinii………………………….42
caracteristicile explicațiilor…………………..42
definirea interfețelor și a strategiei de furnizare…………………………………………….43
caracteristicile utilizatorilor…………………..43
II.5. Luarea deciziei de dezvoltare a sistemelor expert în cadrul unei companii……………………………………………………44
II.5.1. Întrebări premergătoare luării deciziei…………44
II.5.2. Ce fel de sistem?………………………………………45
II.5.2.1. Criterii legate de aplicație………………46
II.5.2.1. Criterii legate de organizare……………46
II.5.2.1. Criterii legate de mijloace………………47
II.5.2.1. Criterii legate de utilizatorul final……47
II.5.3. De ce nu un sistem informatic clasic?………….47
Capitolul III
UTILIZAREA SISTEMELOR EXPERT ÎN APLICAȚII ECONOMICE ȘI DE AFACERI
III.1. Finanțe și investiții………………………………………………49
III.1.1. Aplicații pentru piața de capital ………………..49
III.1.2. Aplicații privind împrumuturile comerciale..56
III.1.3. Aplicații privind investițiile………………………60
III.1.4. Predicting Stock Market Behaviour……………61
III.1. 5. Probleme de cercetare și tendințe……………..62
III.2. Contabilitate și audit……………………………………………64
III.2.1. Aplicații…………………………………………………64
audit…………………………………………………..65
taxe……………………………………………………67
consulting…………………………………………..69
sisteme suport……………………………………..70
III.2.2. Probleme de cercetare și tendințe………………71
III.3. Alte aplicații economice ale sistemelor expert………..73
Capitolul IV
APLICAȚIA INFORMATICĂ
IV.1. Prezentarea aplicației informatice………………………….74
IV.2. Arhitectura sistemului………………………………………….74
IV.3. Proiectarea modulelor………………………………………….76
IV.4. Proiectarea bazelor de date…………………………………..81
IV.5. Eficiența sistemului informatic propus…………………..84
IV.6. Concluzii și propuneri………………………………………….87
BIBLIOGRAFIE………………………………………………………………..89
ANEXE……………………………………………………………………………..91
Introducere
Odată cu trecerea timpului, companiile se confruntă cu cantități tot mai mari de date. De fiecare dată când o persoană extrage numerar de la un automat, face cumpărături la un supermagazin sau doar dă un telefon, detaliile tranzacției sunt înregistrate în bazele de date ale unei companii. Companiile inovatoare tratează acești „munți” de date ca pe niște potențiale comori care pot fi utilizate pentru descoperirea unor modele importante și a unor relații care pot transforma activitățile uzuale.
Mult timp s-a crezut că doar problemele informatice care implică o organizare secvențială, predefinită și fixată de operații bine determinate, pot fi rezolvate cu ajutorul calculatorului. Aceste programe păreau să nu fie capabile în rezolvarea problemelor în care intervin diferite raționamente, unde este necesar să se facă față unor situații multiple, care nu pot fi specificate a priori.
Astfel, s-a crezut că raționamentul uman în formele sale intuitive n-ar putea să fie încredințat unui calculator. Această afirmație este valabilă numai în lipsa inteligenței artificiale. Treptat, pe baza acesteia, s-a răspândit ideea că prin utilizarea calculatorului s-ar putea realiza tot ceea ce face omul.
Această idee ar putea părea ambițioasă, dar acesta este de fapt obiectivul urmărit de către cercetătorii din domeniul inteligenței artificiale. Desigur că este nevoie de încă multă muncă pentru a se ajunge la performanța de a se înlocui capacitățile umane cu ajutorul calculatoarelor, dar deja sistemele informatice pot rezolva corect multe probleme din diferite domenii de activitate, fără a fi totuși capabile de raționamente universale.
Cercetările în inteligența artificială se desfășoară, pe de o parte, în domeniul sistemelor expert în vederea rezolvării problemelor, a interogării inteligente a bazelor de date și în elaborarea mediilor de programare inteligente. Pe de altă parte, se depun eforturi pentru recunoașterea formelor, înțelegerea și sinteza vorbirii, prelucrarea imaginilor, precum și reprezentarea cunoștințelor, sistemele cognitive, învățarea limbajului natural.
Sistemele expert fac parte dintr-o gamă de instrumente indispensabile pentru realizarea de sisteme automate sau interactive capabile să efectueze sarcini complexe. Raționamentele calitative și simbolice care formează baza managementului unei companii pot fi simulate prin sisteme expert. Încă de la început, sistemele expert au avut asociate instrumente de cercetare operațională, care au facilitat construirea de sisteme de asistare foarte complexe pentru diagnostic financiar, asistarea concepției produselor, organizarea producției, etc.
Pe plan mondial, așa cum vom vedea în continuare, există deja o răspândire largă a sistemelor de inteligență artificială și îndeosebi a sistemelor expert. În România, trecerea de la o economie planificată spre o economie descentralizată solicită ca factorii de decizie din domeniul economic să dispună de instrumentele necesare pentru luarea deciziilor și pentru realizarea gestiunii.
Lucrarea de față, Aspecte legate de utilizarea sistemelor expert în aplicații economice și de afaceri, își propune să abordeze problema utilizării sistemelor expert în domeniul aplicațiilor economice și de afaceri din punct de vedere al unui utilizator potențial, preocupat de înțelegerea mecanismelor de funcționare a instrumentului înainte de a-l cumpăra.
Capitolul I trece în revistă principalele tipuri de sisteme inteligente ca alternativă la sistemele informatice clasice, subliniind locul sistemelor expert în cadrul acestora. De asemenea, este prezentată o situație a utilizării sistemelor expert pe plan mondial.
Capitolul II trece la tratarea efectivă a sistemelor expert, pornind de la definirea, caracteristicile și tipurile sistemelor expert și continuând cu arhitectura și ciclul de viață al acestora. De asemenea, sunt prezentate câteva considerații privind luarea deciziei de dezvoltare de sisteme expert în cadrul unei companii.
Capitolul III tratează o serie de aplicații de sisteme expert utilizate pe plan mondial în diverse domenii, de la finanțe și investiții și până la contabilitate și audit, un accent deosebit fiind pus pe problemele de cercetare și pe tendințele existente în domeniile respective.
Ultimul capitol, capitolul IV, descrie aplicația informatică realizată, Sistem de analize bursiere, din punct de vedere al arhitecturii sistemului, al proiectării modulelor și a bazelor de date. Eficiența economică a sistemului realizat, împreună cu concluziile și propunerile sugerate încheie lucrarea de față.
Sperăm ca lucrarea de față, care tratează o arie foarte interesantă și modernă în utilizarea calculatoarelor, să ofere cititorilor o inițiere în lumea fascinantă a sistemelor expert.
Capitolul I
Locul sistemelor expert în cadrul sistemelor inteligente
I.1. Sistemele inteligente – alternativă la sistemele clasice
În cazul multor probleme economice, forma algoritmizată este suficientă și deseori cea mai potrivită pentru rezolvarea acestor probleme. Teoria matematică a complexității a permis să se demonstreze că, dacă pentru dimensiuni și complexitate scăzute abordarea algoritmică este corespunzătoare, în dominarea complexității informaționale această abordare are limite clare.
Un principiu metodologic util în efortul pentru dominarea complexității informaționale este cel al complementarității relevanței și preciziei în analiza sistemelor complexe. Conform acestui principiu, în analiza și rezolvarea unor probleme concrete trebuie asigurat un bun echilibru între relevanță și precizie. Doar un anumit raport între relevanță și precizie permite o analiză corectă în vederea rezolvării unei probleme complexe.
Cunoștințele utilizate sub formă algoritmizată preiau în special aspectele precise, exacte, cele relevante fiind legate de cunoștințe sub formă nealgoritmizată. Aceste 2 maniere de reprezentare a cunoștințelor sunt deci complementare și trebuie îmbinate corespunzător în rezolvarea problemelor economice complexe.
Informatica economică tradițională utilizează doar cunoștințe sub formă algoritmizată. Inteligența artificială oferă avantajul valorificării și altor forme de reprezentare a cunoștințelor, mai apropiate de forma sub care acestea sunt utilizate în mod curent în practica economico-socială. Problemele decizionale care apar în mod curent trebuie fundamentate științific prin metode și modele clasice sau specifice sistemelor expert, care sunt implementate în practică prin produse informatice.
Sistemele inteligente sunt o categorie de mijloace de calcul care permit regăsirea de modele și relații dintr-un volum mare de date. Acestea automatizează acum diferite sectoare ale luării deciziilor de afaceri, care erau asigurate înainte de personal experimentat. Companiile importante utilizează sistemele inteligente pentru rezolvarea problemelor economice și financiare complexe. Aplicațiile au trecut din industriile cheie în sectorul serviciilor, unde metodele utilizate conduc la o productivitate sporită și la o reducere a costurilor.
În figura I.1. sunt prezentate câteva din domeniile majore de aplicabilitate a sistemelor inteligente[Goonatilake95].
Figura I.1. – Domenii de aplicare a sistemelor inteligente
Principalele avantaje ale sistemelor inteligente pentru mediul economic și de afaceri sunt:
învățarea;
adaptarea;
flexibilitatea;
explicarea;
descoperirea.
a)Învățarea: este cea mai importantă caracteristică a sistemelor inteligente și constă în învățarea directă pe bază de date. Acestea pot deriva modele pe baza sutelor de mii de tranzacții efectuate. Astfel, rețelele neuronale și algoritmii genetici se deosebesc față de sistemele expert, deoarece cunoștințele necesare unui sistem expert pentru a îndeplini o sarcină trebuie specificate de către un expert uman.
b)Adaptarea: este necesară în condițiile mediului economic care se află într-o permanentă mișcare. Modificările mediului economic se datorează factorilor care se manifestă, printre care ar fi apariția unor noi competitori, modificări ale legislației, etc. Sistemele inteligente utilizate pentru asistarea deciziilor economice (de ex. sistemele care decid limitele de cheltuire cu cărți de credit) trebuie să fie capabile să se adapteze la aceste modificări. Nu este suficient ca un sistem inteligent să învețe numai cunoștințele inițiale necesare la efectuarea sarcinilor care îi revin, ci trebuie să analizeze permanent performanțele și să își modifice cunoștințele pe baza schimbărilor din mediul economic.
c)Flexibilitatea: Oamenii pot lua decizii chiar și atunci când informațiile nu sunt complete sau sunt imprecise. De exemplu, specialiștii în evaluarea creditelor pot lua decizii privind împrumuturile chiar dacă lipsesc anumite detalii sau informații din formularul prin care se solicită creditul.
Programele informatice tradiționale nu au această capacitate. Majoritatea acestora funcționează strict pe baza unei logici de tip da / nu care nu permite alte alternative. De aceea, aceste probleme nu manifestă robustețe, ele eșuează dacă o singură condiție a rămas neprecizată.
Sistemele inteligente însă, cum ar fi rețelele neuronale și sistemele fuzzy, au capacitatea de a lua decizii într-o manieră flexibilă asemănătoare omului. Acestea pot raționa pe baza unor informații incomplete și să recunoască modele în condiții pe care nu le-au mai întâlnit înainte.
d)Explicarea: Pe măsură ce sistemele inteligente au fost utilizate tot mai mult la automatizarea sarcinilor de luare a deciziilor, au apărut motive organizaționale și legale care solicită explicarea deciziilor astfel încât acestea să fie înțelese de factorii umani. De exemplu, în domeniul evaluării creditelor, în multe țări există obligația de a da explicații detaliate clientului în cazul respingerii cererii. Atunci când sistemele inteligente sunt utilizate în astfel de sarcini, deciziile finale în formatul acceptare / respingere nu sunt suficiente, procedeul de luare a deciziilor trebuie să fie transparent, să poată fi înțeles de către alți angajați sau de către clienți. La acest capitol cel mai bine stau sistemele expert care asigură explicații detaliate, în timp ce rețelele neuronale, de exemplu, au mari dificultăți în explicarea deciziilor.
De asemenea, este foarte important să fie înțeles procedeul de raționare pentru a putea îmbunătăți sistemele inteligente. Un sistem care ia decizii greșite nu poate fi corectat decât dacă procesul de raționare este cunoscut.
e)Descoperirea: Sistemele inteligente automatizează sarcini îndeplinite în mod curent de factori umani, dar mai mult decât atât, oferă posibilitatea de a descoperi noi procese economice și relații care nu erau cunoscute anterior. Descoperirea de cunoștințe, cunoscută sub numele de Data mining, constă în extragerea unor informații utile, necunoscute anterior, din cantitatea de date cu care se operează. Algoritmii genetici, de exemplu, au permis descoperirea unor modele privind cumpărarea din supermagazine, și anume o relație între variațiile meteorologice și vânzarea fructelor.
Desigur că astfel de relații descoperite trebuie verificate de experții umani pentru a vedea dacă acestea sunt reprezentative și pot fi utilizate într-un anumit context operațional.
Sistemele inteligente marchează o evoluție care nu se rezumă la simpla trecere de la prelucrarea datelor la prelucrarea cunoștințelor, ci implică simultan o participare din ce în ce mai mare a instrumentului informatic în procesul decizional.
În tabelul I.1. sunt prezentate o serie de deosebiri între programele din informatica clasică și cele din inteligența artificială.
Tabelul I.1. Deosebiri între programele din informatica clasică și cele de inteligență artificială
I.2. Scurtă prezentare a principalelor sistemelor inteligente
În această secțiune vom prezenta o introducere a principalelor tehnici de inteligență artificială: rețele neuronale, algoritmi genetici, sisteme fuzzy, sisteme expert și sisteme inteligente hibrid. Pentru fiecare dintre acestea vom analiza operațiile de bază, punctele forte și cele slabe, precum și câteva dintre domeniile economice la care se pretează cel mai bine.
I.2.1. Rețele neuronale
Rețelele neuronale sunt mijloace de calcul care copiază structura celulelor nervoase ale creierului uman. Acestea sunt compuse din mai multe unități de calcul paralele, interconectate. Fiecare unitate de calcul efectuează operații simple și comunică rezultatul unităților învecinate. Spre deosebire de programele tradiționale unde trebuie descrise instrucțiunile de la fiecare pas pentru a putea îndeplini o sarcină, rețelele neuronale pot învăța să efectueze sarcini pe baza unui proces de antrenare cu ajutorul mai multor tipuri de exemple.
Valoarea ponderilor asociate nodurilor (unităților de calcul) determină tipul modelului pe care o rețea neuronală îl poate recunoaște. Un algoritm de învățare reprezintă un procedeu utilizat pentru găsirea valorilor acestor ponderi pentru o anumită sarcină. Utilizarea unei anumite tehnici de învățare trebuie să fie aleasă cu grijă astfel încât modelele învățate să nu fie foarte specifice datelor de antrenare. Relațiile învățate trebuie să fie reprezentative pentru sarcina economică în general, și nu să reflecte doar proprietățile conținute în datele de antrenare care pot fi nereprezentative din punct de vedere statistic.
Două domenii importante în care rețelele neuronale sunt utilizate cu succes sunt cel al vânzărilor și cel financiar. Astfel, în probleme de segmentare a pieței, de analiză a pieței, măsurare a comportamentului și delicvenței consumatorilor, cumpărături încrucișate, dar și în detectarea fraudelor cu cărți de credit sau a predicției ratingurilor pentru obligațiunile emise de diferite companii, rețelele neuronale sunt net superioare altor tehnici.
Rețelele neuronale oferă o modalitate facilă de modelare și prognoză a sistemelor neliniare. Acest lucru le oferă un avantaj față de metodele statistice uzuale din economie și finanțe care sunt în principal liniare. De asemenea, rețelele neuronale sunt foarte eficiente în învățarea modelelor pornind de la date incomplete sau contradictorii. Capacitatea de învățare și de prelucrare a datelor constituie un avantaj în procesarea informațiilor economico-financiare. Principalul dezavantaj îl constituie capacitatea de explicare, rețelele neuronale neputând oferi detalii asupra modului în care s-a ajuns la un anumit rezultat.
De aceea, rețelele neuronale trebuie utilizate în aplicații care necesită recunoașterea de modele pornind de la date imprecise sau incomplete, precum și în cazul în care experții umani nu sunt disponibili sau nu pot fi formulate reguli simple și clare.
I.2.2. Algoritmi genetici
Algoritmii genetici constituie mecanisme eficiente de rezolvare a problemelor, fiind inspirate din mecanismele evoluției biologice. Acestea promovează soluțiile candidat care contribuie la rezolvarea unei probleme și elimină soluțiile care nu oferă perspective de rezolvare.
Ideea de bază a unui algoritm genetic este inițierea unei populații de soluții pentru o problemă, care vor constitui baza pentru noile generații de soluții. Aceasta este o consecință directă a principiului lui Darwin conform căruia supraviețuiesc doar speciile cele mai puternice, sau, în cazul nostru, soluțiile cele mai adecvate.
În figura I.2. este prezentat ciclul de operare a unui algoritm genetic[Goonatilache95].
Fig. I.2. Ciclul de operare al unui algoritm genetic
Punctul de plecare în cazul unui algoritm genetic îl constituie crearea unei populații de membri reprezentată de soluțiile candidat la rezolvarea unei probleme. Membrii populației (regulile) sunt inițializați cu valori aleatoare din setul unei variabile date. În această etapă, regulile nu sunt de foarte potrivite pentru rezolvarea problemei date.
În etapa următoare sunt selectați o serie de membri care vor contribui la generarea unor „vlăstare”. Procesul de selecție este efectuat în funcție de problema specifică de rezolvat. În etapa de reproducere, sunt creați noi membri sau reguli, prin aplicarea operatorilor genetici de încrucișare și mutație. Operatorul de încrucișare acționează asupra a 2 membri prin interschimbarea unor părți constituente a acestora, rezultatul fiind un nou membru. De exemplu, partea de condiție a unei reguli poate fi înlocuită cu partea de condiție a altei reguli pentru a crea o nouă regulă care va rezolva mai bine problema dată. Operatorul de mutație acționează asupra unui singur membru prin modificarea unor caracteristici.
Pasul următor îl constituie evaluarea noilor reguli, adică măsura în care aceste reguli sunt capabile să rezolve problema dată. Această evaluare stă la baza selecției membrilor din viitoarea generație de soluții. În ultima etapă, populați actuală este eliminată ș înlocuită cu o nouă populație formată din noi vlăstare. Acest ciclu este reluat până la obținerea unei soluții satisfăcătoare pentru problema dată.
Câteva din domeniile de aplicabilitate a algoritmilor genetici sunt piața de capital, evaluarea creditelor, detectarea fraudelor, precum și previziunea falimentelor companiilor sau alocarea bugetară.
Algoritmii genetici și-au dovedit eficacitatea în căutarea seturilor foarte mari de date. Un succes deosebit a fost înregistrat în optimizarea problemelor foarte mari caracteristice programării târgurilor de muncă, programării și optimizării portofoliului, etc. Algoritmii genetici pot învăța relații complexe din seturi de date incomplete și pot fi utilizați ca instrumente pentru descoperirea de modele. O altă caracteristică este adaptabilitatea la modificările de mediu și asigurarea de explicații pentru deciziile luate.
Unul din dezavantajele utilizării algoritmilor genetici este faptul că configurarea parametrilor cum ar fi rata de încrucișare și de mutație este specifică fiecărei probleme și este mare consumatoare de timp pentru încercări și pentru procesare a erorilor.
I.2.3. Sisteme fuzzy
Logica fuzzy a fost definită pentru abordarea conceptelor „lingvistice” de genul mic, mare, ridicat, scăzut, etc. Sistemele bazate pe logica fuzzy sunt foarte flexibile și și-au dovedit eficacitatea într-o serie de sarcini de control și recunoaștere de modele de la recunoașterea scrisului și până la evaluarea creditelor. Există la momentul actual mai multe produse de larg consum care utilizează logica fuzzy în mecanismele lor de control. Printre acestea amintim mașini de spălat, cuptoare cu microunde sau aparate de fotografiat cu focalizare automată, Japonia fiind țara cu cele mai multe aplicații bazate pe tehnica logicii fuzzy, existând de asemenea un program național de cercetare.
Elementul central care stă la baza flexibilității logicii fuzzy îl constituie noțiunea de set fuzzy. În teoria seturilor convenționale, un articol are o delimitare sau margine clară. De exemplu, într-o aplicație de marketing putem clasifica prețul unei perechi de pantofi în două seturi distincte: ieftin (pentru un preț mai mic de 400.000 lei) și scump (pentru un preț mai mare de 400.000 lei). Această delimitare este foarte clară și foarte abruptă în același timp, o pereche care costă 399.500 lei fiind considerată ieftină, în timp ce una care costă 400.500 lei este considerată scumpă, deși diferența este numai de 1000 lei. Această abordare nu mai corespunde realităților prezentului.
O reprezentare mai realistă este dată cu ajutorul unui set fuzzy, în care se remarcă o scădere a intensității în setul „ieftin” și o creștere în setul „scump” odată cu creșterea prețului.
Intervalul de valori ale unei variabile reprezentat pe axa orizontală a diagramei îl constituie universul discursului. Valoarea de apartenență fuzzy reprezintă măsura în care un anumit articol aparține la 2 seturi fuzzy și este reprezentată pe axa verticală. Intervalul valorilor de apartenență fuzzy este de obicei între 0 și 1. De exemplu, dacă prețul pantofilor ar fi 1 leu, atunci valoarea în setul fuzzy „ieftin” ar fi 1,00, iar în setul „scump” ar fi 0,00.
De obicei, formele și intervalele de apartenență fuzzy sunt stabilite de experți umani. După definirea funcțiilor de apartenență, noile articole pot fi clasificate pe baza valorilor fuzzy corespunzătoare. Datele care au fost convertite în funcții de apartenență fuzzy sunt referite sub numele de date fuzzificate. Regulile de inferență fuzzy specifică relațiile dintre variabilele fuzzy și sunt de forma regulilor de producție „Dacă / Atunci”.
Raționamentul 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 inferenței fuzzy sunt activate toate regulile din baza de reguli fuzzy, pentru care potrivirea parțială sau integrală a condițiilor va contribui la rezultatul final. Deci, rezultatul final este o consecință a agregării tuturor ipotezelor regulilor dintr-un sistem. Procesul de agregare rezultat este principiul cheie care stă la baza flexibilității în tratarea datelor incomplete sau inconsistente.
Sisteme fuzzy se pretează foarte bine la regăsirea informațiilor din bazele de date foarte largi, deoarece oferă un mecanism de regăsire a articolelor care corespund chiar parțial condițiilor, spre deosebire de sistemele clasice unde sunt regăsite doar articolele pentru care toate condițiile sunt îndeplinite.
Unul din avantajele logicii fuzzy în comparație cu alte tehnici de tratare a datelor inconsistente, îl constituie bazele de cunoștințe sub formă de reguli, ușor de examinat și de înțeles.
Unul din dezavantajele logicii fuzzy este faptul că funcțiile de apartenență și regulile trebuie introduse manual. Determinarea funcțiilor de apartenență este mare consumatoare de timp, iar acumularea cunoștințelor de la experți poate avea costuri ridicate. În plus, aceste sisteme nu se pot adapta la modificările de mediu, noile reguli trebuind introduse manual dacă condițiile de mediu se modifică.
1.2.4. Sisteme expert
Sistemele expert reprezintă categoria cea mai utilizată a sistemelor inteligente. După cum le spune și numele, sistemele expert încearcă să încorporeze cunoștințele unui expert uman în cadrul unui program de calculator. Cunoștințele sunt acumulate în cadrul procesului de achiziție, acestea fiind apoi reprezentate într-un format car poate fi manipulat de calculator. Printre cele mai răspândite metode de reprezentare a cunoștințelor se numără regulile de producție, formele și rețelele semantice.
Principalele componente ale unui sistem expert sunt reprezentate în figura I.4[Goonatilache95].
Figura I.3 Organizarea unui sistem expert
Baza de cunoștințe conține regulile iar memoria de lucru conține faptele cunoscute de sistem. Motorul de inferență controlează procesul de raționare a sistemului. Dacă condițiile regulilor de producție sunt îndeplinite de faptele din memoria de lucru, regulile sunt activate. Execuția acțiunilor unei reguli determină actualizarea datelor din memoria de lucru.
Punctul forte al sistemelor expert îl constituie sistemul de reprezentare a cunoștințelor astfel încât cunoștințele conținute în aplicații sunt ușor de înțeles. De asemenea, sistemele expert oferă explicații referitoare la modul în care s-a ajuns la o anumită concluzie.
Câteva din domeniile în care sistemele expert sunt aplicate cu succes sunt evaluarea împrumuturilor, managementul portofoliului, sau previziuni asupra piețelor financiare.
Un dezavantaj al sistemelor expert îl constituie lipsa unor mecanisme de învățare automată pe baza regulilor utilizate. De asemenea, acestea nu se pot adapta la modificările condițiilor din mediul în care operează.
I.2.5. Sisteme inteligente hibrid
Sistemele inteligente descrise mai sus sunt aplicate cu succes pentru rezolvarea multor sarcini, dar există probleme economice complexe care nu pot fi rezolvate cu o singură abordare. Fiecare tehnică inteligentă are puncte tari dar și limitări care concură la aplicabilitatea tehnicii respective pentru anumite aplicații. De exemplu, rețelele neuronale sunt eficiente la recunoașterea de modele, dar nu pot explica modul de luare a deciziilor, iar sistemele fuzzy pot explica deciziile, dar nu pot achiziționa automat regulile care să ducă la luarea deciziilor. Aceste limitări au dus la apariția sistemelor inteligente hibrid, prin combinarea mai multor tehnici.
Sistemele inteligente hibrid sunt deosebit de utile având în vedere natura diversificată a aplicațiilor economice. Cele mai complexe domenii pun probleme diferite, fiecare necesitând un tip de procesare diferit. De exemplu, problema bugetării și planificării pentru o companie se poate descompune în 3 probleme distincte: previziune, optimizare și raționare serială. Problema poate fi rezolvată prin utilizarea a 3 tehnici inteligente diferite: o rețea neuronală, un algoritm genetic și un sistem expert. Fiecare dintre aceste sisteme inteligente comunică rezultatele astfel încât să se poată genera soluția finală.
Sistemele inteligente hibrid realizează nu doar combinația dintre diferitele tehnici inteligente, dar și integrarea acestora cu mijloacele tradiționale de calcul, cum ar fi tabeloarele și bazele de date. O astfel de metodă de integrare o constituie programarea orientată obiect care oferă liantul pentru legarea diferitelor tehnici de procesare, definite ca obiecte care comunică printr-un set comun de mesaje.
Sistemele inteligente hibrid constituie o clasă foarte puternică de mijloace de calcul care pot asigura soluții la probleme care nu pot fi rezolvate de nici o tehnică inteligentă utilizată individual. Ca și dezavantaj ar fi lipsa instrumentelor și mijloacelor de dezvoltare în comparație cu celelalte metode inteligente cum ar fi sistemele expert sau rețelele neuronale. De asemenea, se poate pune și o problemă educațională. Pentru a dezvolta un sistem hibrid, un specialist trebuie să aibă cunoștințe temeinice despre mai multe tehnici inteligente și nu doar despre o anumită tehnică. Aici apare problema personalului care trebuie calificat pentru astfel de sarcini. Pentru a beneficia de avantajele considerabile oferite de aceste sisteme hibrid, este necesară o viziune nouă, pragmatică, pentru a utiliza toate mijloacele necesare la rezolvarea unor probleme.
În următorii ani, sistemele inteligente vor juca un rol deosebit de important în multe sectoare ale analizei economico – financiare. Aceste tehnici asigură o alternativă pentru metodele tradiționale de analiză a datelor, cum ar fi regresia liniară, precum și pentru metodele de cercetări operaționale, cum ar fi programarea liniară. Sistemele inteligente aduc un plus de corectitudine precum și capacitatea de generare de modele de decizie ușor de înțeles de către personalul tehnic.
I.3. Locul sistemelor expert în cadrul sistemelor inteligente
I.3.1. Situația utilizării sistemelor expert pe plan mondial
De-a lungul anilor, câmpul și comunitatea sistemelor expert au avut o dezvoltare deosebită în lumea întreagă. Odată cu maturizarea acestui câmp, sistemele expert sunt dezvoltate în cadrul unei largi game de aplicații.
În cadrul primului congres mondial pentru sisteme expert, au fost evidențiate principalele sisteme expert utilizate în lumea întreagă. Domeniul de utilizare a sistemelor expert variază de la controlul furnalelor sau al ascensoarelor în Japonia și până la managementul strategic din Germania, de la gestiunea reproducerii oilor în Australia sau asistența pentru distrugerile uraganelor din Caraibe și până la educarea tinerilor în probleme de planificare familială, abuzul de droguri sau alcool.
Câteva din concluziile trase în urma primelor 3 congrese mondiale sunt[Liebowitz98]:
Aplicațiile bazate pe sisteme expert sunt cele mai întâlnite în următoarele domenii:
inginerie / producție: 35%
economie: 29%
medicină: 11%
mediu / energetic: 9%
agricultură: 5%
guvernamental: 4%
juridic: 3%
transporturi: 1%.
Dintre aplicațiile economice, cele mai răspândite sunt, în ordine, în următoarele domenii:
finanțe
managementul producției
management general
contabilitate / audit
marketing / vânzări
comerț electronic
relații internaționale
managementul resurselor umane.
Tendințele remarcate sunt următoarele:
economie: creștere importantă (29 – 41%);
inginerie / producție: creștere constantă;
agricultură: descreștere (7 – 4 );
medicină: creștere (7 – 21%);
mediu / energetic: creștere importantă (2 – 13%);
telecomunicații: stabilitate;
transporturi: stabilitate;
juridic: descreștere (în jur de 3%);
guvernamental: descreștere (în jur de 5%).
I.3.2. Tehnologia sistemelor expert
O idee majoră în cercul specialiștilor în sisteme expert, o constituie integrarea sistemelor expert cu tehnologiile noi și cu cele convenționale. Astfel, câteva dintre tehnologiile cu care sistemele expert pot fi integrate sunt: raționarea pe bază de cazuri, programarea orientată obiect, multimedia interactive și rețelele neuronale. Prezentăm în continuare câteva dintre concluziile trase în urma celui de al doilea congres mondial pentru sisteme expert:
sistemele expert sunt tot mai mult răspândite în lumea întreagă, fiind utilizate într-o gamă largă de aplicații;
sistemele hibrid, tehnologia cunoștințelor, logica fuzzy, automatizarea proceselor economice și multimedia interactivă sunt termenii cei mai des întâlniți;
sistemele expert în timp real, sistemele expert de planificare și cele de diagnoză câștigă popularitate și sunt din ce în ce mai utilizate;
producătorii și managerii nu acordă atenția necesară gestiunii tehnologiei sistemelor expert și implicațiilor legale ale utilizării sau non-utilizării sistemelor expert;
țările în curs de dezvoltare sunt tot mai interesate de tehnologia sistemelor expert și a agenților inteligenți, prin utilizarea shell – urilor de dezvoltare a sistemelor expert.
Capitolul II
Sisteme expert
II.1. Noțiuni privind sistemele expert
II.1.1. Definirea sistemelor expert
Sistemele expert (Expert Systems – ES) constituie o clasă particulară de sisteme informatice care se bazează pe inteligența artificială. Ele au drept scop reproducerea cunoștințelor și raționamentelor experților umani și pot decide la un moment dat care este cea mai bună variantă de acțiune într-o situație dată.
În general, sistemele expert pot fi definite ca fiind programe bazate pe tehnicile inteligenței artificiale, care înmagazinează cunoștințele experților umani dintr-un domeniu bine definit și apoi le utilizează la rezolvarea problemelor din acel domeniu.
Sistemele expert sunt deci un ansamblu de aplicații care, într-un domeniu de specialitate foarte bine delimitat oferă servicii de expert (consultanță), rezolvă probleme complexe independent sau în colaborare cu utilizatorul. În ciuda propagandei comerciale, ele nu sunt înlocuitorii magici, atotcuprinzători ai omului, ci pachete de programe rulate pe calculatoare, cu limitele și avantajele lor. Răspunsurile oferite de sistemele expert sunt întotdeauna comprehensibile, accesibile și relativ ieftine.
II.1.2. Caracteristicile sistemelor expert
Se poate pune întrebarea de ce este nevoie de sisteme expert, când există atâția experți umani care ar putea rezolva problemele. Ființele umane au o serie de caracteristici diferite de cele ale sistemelor expert: sunt de obicei foarte solicitate și ocupate, serviciile lor sunt costisitoare și de multe ori sunt chiar răutăcioase. Sistemele expert încearcă să imite în principal raționamentele experților umani prin raționamente artificiale. Mai mult, după preluarea unor cunoștințe ale experților umani, sistemele expert le multiplică și explicitează experiența acestora. Este cunoscut faptul că un expert uman într-un domeniu se formează greu și necesită, pe lângă pregătirea și experiența personală, și calități native.
Pentru efectuarea unei expertize putem apela fie la un expert uman, fie la un sistem expert. Dacă acesta oferă o expertiză calitativă bună și ieftină, va fi atractiv și va supraviețui în contextul concurențial.
Sistemele expert oferă unele avantaje față de expertul uman:
este disponibil în orice moment și asigură permanent același nivel de expertiză;
are acces direct și instantaneu la bazele de date necesare;
este rațional, obiectiv și consistent, nefiind afectat de motivații emoționale;
nu uită și nu face erori matematice;
poate fi tratat cu un anumit grad de încredere, în sensul că nu va trece neobservat nici un eveniment pe care sistemul trebuie să-l monitorizeze;
deciziile sistemului sunt obiective, neluând în considerare influența pe care aceste decizii le pot avea asupra promovării sau măririi salariului angajaților;
permit derularea rapidă a procesului de luare a deciziei;
pot încorpora cunoștințele mai multor experți;
constituie un depozit pentru stocarea cunoștințelor experților umani, o bancă de cunoștințe cu valoare considerabilă și prin urmare un activ permanent al firmei.
Desigur că există și unele dezavantaje față de un expert uman:
expertul uman poate înțelege și exploata anumite cunoștințe obținute de la factori externi, inaccesibile unui sistem expert;
experți umani sunt conștienți de limitele lor, spre deosebire de sistemele expert care „nu știu ce nu știu”;
dacă apare o soluție nouă, expertul uman poate oferi o soluție nouă, originală, datorită creativității sale. Procesul de raționare a unui SE este limitat la baza de cunoștințe inițială;
expertul uman este mai flexibil, se caracterizează prin intuiție, inteligență și experiență.
Deficiențele SE sunt însă contracarate de facilitățile pe care le oferă. Astfel sistemele expert rezolvă probleme utilizând informații incomplete, fără să aibă la dispoziție timp suficient pentru o analiză completă. Aceste sisteme sunt utilizate în calitate de asistent, de ajutor pentru expertul uman, care prin recomandările oferite ajută la rezolvarea problemei.
Principala caracteristică a sistemelor expert este derivată din baza de cunoștințe împreună cu un algoritm de căutare specific metodei de raționare. Un sisteme expert tratează cu succes probleme pentru care o soluție algoritmică clară nu există.
Încercând să imite expertul uman, sistemul expert posedă următoarele caracteristici:
Cunoștințele sunt independente de mecanismul de raționament, se introduc global, nu depind unele de altele, iar modificarea unui element nu influențează raționamentul;
Spre deosebire de programarea clasică, unde trebuia să fie descrise explicit toate prelucrările într-o manieră statică, sistemele expert se caracterizează printr-o abordare declarativă în care se specifică cunoștințele care vor fi exploatate în mod dinamic de mecanismul de raționament;
Sistemele expert trebuie să fie capabile să explice raționamentele efectuate și să argumenteze soluțiile obținute, într-o manieră asemănătoare expertului uman;
Cunoștințele manipulate de sistemele expert sunt în principal de natură simbolică, spre deosebire de programele clasice care utilizează preponderent date numerice;
Sistemele expert trebuie să fie capabile să gestioneze baze de cunoștințe de volum mare și să trateze cunoștințe inexacte și incomplete;
Sistemele expert utilizează metode empirice, bazate pe experiență, care conduc la soluțiile cele mai bune;
Sistemele expert sunt specializate într-un anumit domeniu și nu în rezolvarea unei probleme, cum sunt sistemele informatice clasice.
În ce privește problema raportului dintre relevanță și precizie, este cunoscut din teoria generală a sistemelor că un sistem descompus într-un număr mic de subsisteme are o relevanță mare și o precizie mică, și invers. Prelucrarea algoritmică se caracterizează printr-o precizie mare, iar sistemele expert printr-o relevanță mare, pe care o preia din practica rezolvării problemelor, ceea ce face ca ele să fie un mijloc important de dominare a complexității.
Dacă avem în vedere scopul pentru care un sistem expert este realizat, acesta trebuie să îndeplinească anumite cerințe funcționale, care vor fi prezentate în continuare[Lițoiu98]:
Performanță ridicată. Sistemul trebuie să fie capabil să răspundă la un nivel de competență cel puțin egal cu cel al unui expert în domeniul respectiv.
Timp de răspuns adecvat. Sistemul trebuie să fie capabil să răspundă într-un timp rezonabil, cel puțin comparabil cu timpul necesar unui expert să ia o decizie în aceeași problemă.
Nivel ridicat de încredere. Sistemul nu trebuie să dea răspunsuri greșite care să producă pagube.
Capacitatea de a fi ușor de înțeles. Un sistem expert trebuie să poată explica pașii raționamentului său în timpul execuției. Aceasta înseamnă că sistemul trebuie să aibă capacitate de explicare, ca și un expert uman.
Flexibilitate. Datorită unei mari cantități de informații pe care un sistem expert o are, este important ca acesta să dețină un mecanism eficient pentru manipularea cunoștințelor, respectiv pentru adăugarea, ștergerea și modificarea acestora.
Caracteristicile unui sistem expert ideal:
identificarea celor mai relevante date pentru o problemă dată;
eliminarea datelor inutile;
filtrarea secvențială a alternativelor posibile;
adresarea întrebărilor cele mai pertinente;
„backtracking” ori de câte ori este necesar;
recunoașterea limitelor sale și reflectarea influenței incertitudinii;
obținerea concluziilor și în cazul în care se dispune de informații parțiale;
descompunerea problemelor complexe în altele mai mici și mai simple;
căutarea analogiilor;
acceptarea unei soluții satisfăcătoare ( nu neapărat optime).
II.1.3. Utilizarea sistemelor expert
Sistemele expert pot fi utilizate de sine stătător, sau pot fi integrate în alte sisteme în funcție de necesități. O clasă specială de sisteme informatice în care sistemele informatice pot fi integrate ușor din punct de vedere funcțional o constituie sistemele interactive de asistare a deciziilor (SIAD).
Un sistem informatic de asistare a deciziilor este un sistem informatic care utilizează cunoștințele dintr-un domeniu de aplicație pentru a ajuta decidentul în rezolvarea unor probleme slab structurate, respectiv greu de algoritmizat și programat (de exemplu, în educație, juridic, învățământ).
În figura II.1. este prezentată structura unui SIAD[Lițoiu98].
Figura II.1. Structura unui sistem interactiv de asistare a deciziilor
Elaborarea în bune condiții a unui sistem expert necesită o bună înțelegere a întregului ciclu de dezvoltare, unde în primul rând trebuie să se determine exact expertiza unui specialist uman și modul ei de utilizare. Confruntat cu probleme dificile, expertul trebuie să fie capabil să restructureze în mod pertinent informațiile pentru a înțelege problema, să dividă problema în părți mai ușor de rezolvat, să utilizeze regulile când trebuie, să determine informațiile relevante, să obțină soluții fără resurse excesive și să explice rezultatul și raționamentul utilizat.
Dezvoltarea sistemelor expert cere noi specialiști pentru captarea și exprimarea acestora sub formă de reguli. Devine necesară o nouă specializare numită „inginer de cunoștințe”, un intermediar între calculatoare și experții umani.
Un aspect major relativ la utilizarea sistemelor expert îl constituie oportunitatea acestora pentru rezolvarea unor probleme. La identificarea problemelor care pot fi rezolvate cu ajutorul sistemelor expert trebuie să se aibă în vedere cel puțin următoarele aspecte:
profitul obținut prin utilizarea sistemului, comparativ cu cel rezultat în urma utilizării unor soluții alternative;
fezabilitatea sistemului, adică măsura în care există timpul, capitalul, personalul și echipamentul necesar dezvoltării sistemului expert
aprobarea managementului pentru construirea unui SE.
Atributele problemelor posibil de soluționat prin utilizarea unui SE ar fi:
o diferență semnificativă și cuantificabilă între concluziile experților umani și non-experților, la care se adaugă imposibilitatea acceptării deciziilor non-experților;
lipsa experților pentru rezolvarea problemei și costul ridicat al angajării, respectiv al antrenării unui nou expert;
existența expertizei, concretizată în cunoștințele unui expert uman sau în exemple documentate de fundamentare corectă a deciziilor;
un domeniu relativ stabil și restrâns de expertiză;
un domeniu în care sunt preponderente procedurile euristice;
preponderența atributelor având ca valori simboluri, deci nenumerice;
nevoia unei baze de cunoștințe transparente, existența unei liste a regulilor formulate într-un limbaj natural;
necesitatea luării deciziilor în condiții de incertitudine, prin utilizarea unor atribute cu valori necunoscute.
Sistemele expert își găsesc aplicabilitatea îndeosebi dacă:
există o cantitate foarte mare de date de prelucrat;
gradul de complexitate a deciziilor este ridicat;
crește nivelul de specializare;
pentru monitorizarea activității manageriale;
pentru analizarea informațiilor zilnice;
pentru identificarea trendului în afaceri;
pentru luarea unor decizii majore.
II.1.4. Tipuri de sisteme expert
Principalele clase de aplicații ale sistemelor expert sunt[Lițoiu98]:
SE de configurare: asamblează componentele unui sistem (de exemplu, XCON pentru configurarea calculatoarelor unei firme).
SE de diagnoză: efectuează operații de diagnosticare în domenii precum cel medical, industrial, sau financiar-contabil (de exemplu, MYCIN – pentru boli infecțioase bacteriene).
SE de învățare (instruire): sisteme de învățare inteligente, în care cei care se instruiesc pot pune întrebări (de exemplu, GUDON – pentru medicină, SEAMER – pentru operațiile dintr-I uzină, CADHELP – pentru proiectare asistată).
SE de interpretare: explică datele observate (de exemplu, DENDRAL – pentru structura moleculară).
SE de monitorizare: compară datele observate cu cel așteptate pentru a analiza performanțele unor sisteme (de exemplu, YES/MVS).
SE de planificare: planifică acțiunile pentru a produce anumite efecte așteptate).
SE de prognoză: prognozează rezultatele într-o anumită situație.
SE de control: sunt sisteme d reglare și control al unui proces; includ interpretare, diagnoză, monitorizare, planificare, prognoză și remediere.
În activitățile economice, principalele clase de aplicații ale SE sunt:
diagnoză;
planificare;
prognoză;
control.
Domeniul bancar ocupă o pondere însemnată în cadrul sistemelor expert aflate în exploatare cu bune rezultate. Printre sistemele expert cele mai utilizate sunt cele de asistare a deciziilor de creditare, cele care fac recomandări în privința plasamentelor, cele care efectuează diagnoze cu privire la evoluția unor firme, instituții financiar-bancare sau a unor segmente de piață, etc. Un alt domeniu îl reprezintă bursele de valori și bursele de mărfuri.
II.2. Arhitectura unui sistem expert
În practică, componentele unui sistem expert se realizează cu diferite mijloace informatice și cu nuanțe de la o realizare la alta. O arhitectură generală cuprinde 3 componente principale: baza de cunoștințe, mecanismul de inferență și baza de fapte.
Baza de cunoștințe este reprezentată de o structură de date ce conține ansamblul cunoștințelor specializate introduse de către expertul uman. Cunoștințele stocate în baza de cunoștințe sunt în principal descrieri de obiecte în conjuncție cu relațiile dintre acestea. Baza de cunoștințe face parte din sistemul cognitiv, cunoașterea fiind memorată într-un spațiu special organizat.
Forma de stocare a informațiilor trebuie să asigure căutarea pieselor de cunoaștere specificate direct prin simboluri identificatoare sau indirect prin proprietăți asociate sau valori atribuite acestora, căutarea pieselor de cunoaștere prin inferențe sau lanțuri inferențiale ce pornesc de la alte piese de cunoaștere sau de la alte proprietăți asociate acestora, menținerea bazei de cunoștințe în concordanță cu evoluția domeniului de expertiză.
Motorul de inferență este principala componentă a SE. El reprezintă ceea ce au adus nou sistemele expert, preluând cunoștințele necesare la construirea raționamentului din baza de cunoștințe. Mecanismul de inferență urmărește o serie de obiective majore cum sunt: alegerea strategiei de control în funcție de problema curentă de rezolvat, elaborarea planului de rezolvare, comutarea de la o strategie de control la alta, efectuarea acțiunilor prevăzute în planul de rezolvare, constituirea informațiilor de control pentru mecanismele de inferență.
Procesul de prelucrare debutează cu verificarea bazei de date în scopul determinării dacă ipoteza sau condiția introdusă există. Dacă ipoteza există și e acceptată ca un fapt dovedit, atunci nu mai este necesară o prelucrare ulterioară. În caz contrar, este examinată fiecare regulă din baza de cunoștințe pentru a căuta aspecte similare cu detaliile stocate în baza de date curentă. După ce fiecare regulă est analizată, pot fi adăugate noi fapte în baza de date. Procesul de verificare a regulilor continuă până la găsirea unei concluzii.
Baza de fapte este reprezentată de o memorie auxiliară ce conține toate datele utilizatorului (faptele inițiale ce descriu enunțul problemei de rezolvat), și rezultatele intermediare produse pe parcursul procesului de deducție. Conținutul bazei este păstrat într-o memorie RAM și poate fi conservată la cererea utilizatorului.
Pe lângă aceste module, un sistem expert mai conține o serie de module care asigură comunicarea cu operatorul și expertul uman. Modulul de comunicație este destinat furnizării interfețelor specifice pentru utilizatorii sistemului expert cât și pentru achiziția de cunoștințe. În componența acestuia, intră procesoare specifice pentru limbajele de comunicare înglobând limbaje de comunicare cu utilizatorul, limbaje pentru achiziția cunoștințelor, procesoare pentru comunicarea internă între SE și echipamentele auxiliare pentru stocarea cunoașterii, procesoare speciale pentru intrări și ieșiri grafice, achiziția senzorială și instrumentală a cunoașterii, comanda elementelor de execuție.
Interfața utilizator este cea care asigură dialogul între utilizator și sistem. De asemenea, aceasta comunică mecanismului de inferență cererile utilizatorului, rezultatul acestora fiind furnizat utilizatorului. În egală măsură, interfața facilitează achiziția enunțului problemei inițiale și comunicarea rezultatului. Există situații în care interfața utilizator este mai complexă, prin integrarea unor dicționare care asigură analize lexico-sintactice, verificări semantice, corecții ortografice, etc.
Modulul de achiziție a cunoștințelor preia cunoștințele specializate furnizate de expertul uman sau de inginerul de cunoștințe într-o formă c nu este specifică reprezentării interne. O serie de cunoștințe pot fi furnizate prin fișiere specifice bazelor de date sau alte programe externe. Acesta recepționează cunoștințele, verifică validitatea acestora și generează în final o bază e cunoștințe coerentă.
Modulul de explicații permite trasarea drumului urmat în raționare de către sistemul rezolutiv și emiterea justificărilor pentru soluțiile obținute, evidențiindu-se în acest mod cauza greșelilor sau motivul eșecului. El ajută expertul să verifice consistența bazei de cunoștințe.
În figura II.2. este prezentată arhitectura generală a unui sistem expert[Liebowitz98].
Figura II.2. Arhitectura generală a unui sistem expert
II.3. Ciclul de viață al unui sistem expert
Calitatea și utilitatea unui sistem expert depind, în mod esențial, de cunoștințele pe care le încorporează și utilizează. Din această cauză, efortul principal în realizarea unui sistem expert este orientat spre cunoștințe, începând cu identificarea structurilor corespunzătoare domeniului de expertiză și continuând cu colectarea, reprezentarea, validarea și utilizarea acestora. Corespunzător acestei caracteristici definitorii, ciclul de viață al unui sistem expert se compune din următoarele etape:
analiza preliminară;
modelarea conceptuală;
colectarea cunoștințelor;
reprezentarea cunoștințelor;
validarea sistemului;
introducerea în exploatare și menținerea în funcțiune.
Conceperea și realizarea unui sistem expert, necesită în principal 2 categorii de personal:
experții umani, ale căror cunoștințe urmează a fi colectate și difuzate către utilizatori prin intermediul sistemului expert;
inginerii de cunoștințe, care asigură transpunerea cunoștințelor și strategiilor de raționament ale expertului uman în structurile specifice metodei de reprezentare a cunoștințelor și a instrumentelor informatice utilizate.
Alături de aceștia, vom regăsi și participanții la o asemenea activitate:
utilizatorii finali, care vor exploata sistemul valorificând cunoștințele încorporate în el;
proiectanții și programatorii, car vor asigura rezolvarea problemelor informatice implicate de realizarea sistemului expert, conceperea și programarea comunicației cu utilizatorul, transferul de informații de la și câtre aplicațiile informatice extinse, etc.
II.3.1. Analiza preliminară
Analiza preliminară urmărește definirea activității care va face obiectul sistemului expert și alegerea instrumentelor informatice necesare.
În ceea ce privește problema sau lucrarea care urmează să fie abordată prin tehnologia sistemelor expert, se consideră că aceasta trebuie să răspundă cel puțin următoarelor cerințe[Lițoiu98]:
să facă apel la cunoștințe aparținând unui domeniu bine delimitat;
să aibă un nivel mediu de complexitate;
să fie structurabilă, adică să utilizeze elemente identificabile și formalizabile, atât în privința conceptelor și cunoștințelor utilizate, cât și a raționamentelor;
să reprezinte o lucrare repetitivă în timp;
să fie bine cunoscută de către experții disponibili;
să nu facă apel la tipuri de cunoștințe care nu pot fi tratate prin una din metodele de reprezentare existente.
Urmează o analiză mai detaliată, menită să verifice oportunitatea rezolvării sale printr-un sistem expert. În acest scop, se au în vedere 4 categorii de factori: natura problemei sau a activității, rezultatele previzibile, expertiza disponibilă, utilizatorii finali.
Din punct de vedere al naturii problemei, evaluarea se bazează pe măsura în care aceasta răspunde criteriilor următoare:
lucrarea solicită într-o măsură preponderentă analiză, sinteză sau decizie;
implică raționamente sau cunoștințe simbolice;
face apel la un număr ridicat de parametri;
utilizează reguli și metode euristice;
trebuie rezolvată deseori pe baza unor date incomplete;
solicită prezentarea de explicații și justificări ale rezultatelor sau raționamentelor;
nu poate fi rezolvată cu metode informatice convenționale.
Din punct de vedere al rezultatelor, evaluarea se bazează pe raportarea efectelor previzibile ale SE la următoarele criterii:
conduce la creșterea semnificativă a cifrei de afaceri;
conduce la reducerea costurilor;
determină îmbunătățirea calității produselor sau serviciilor oferite;
asigură difuzarea expertizei existente către personalul lipsit de experiență sau către debutanți;
prin utilizare, antrenează creșterea calificării profesionale:
poate fi realizat cu un efort minim de programare.
În ce privește expertiza disponibilă, sunt luate în considerare următoarele criterii:
există unul sau mai mulți experți disponibili în domeniu;
performanțele expertului în rezolvarea problemei sunt net superioare în raport cu cele ce pot fi obținute de către alte persoane;
experții sunt disponibili pe o perioadă suficientă de timp;
experții sunt de acord să elaboreze cazuri pentru testarea sistemului și să participe la evaluarea lui.
Din punct de vedere al utilizatorilor finali, pot fi avute în vedere următoarele criterii:
resimt necesitatea sistemului;
nu formulează cerințe și nu așteaptă servicii nerealiste din partea sistemului expert;
au aproximativ același nivel de expertiză.
Sub aspectul instrumentelor informatice, se poate opta între 2 posibilități:
realizarea unui motor de inferențe propriu, scris într-un limbaj adecvat, cum ar fi LISP sau PROLOG;
utilizarea unui generator de sisteme expert care are încorporat motorul de inferență, utilizatorul trebuind să-și însușească modul de funcționare al acestuia și să modeleze cunoștințele expertului uman în concordanță cu posibilitățile oferite de generator.
II.3.2. Modelarea conceptuală
Această etapă urmărește definirea structurii conceptuale a cunoștințelor utilizate de către expertul uman în domeniul de activitate care formează obiectul viitorului sistem expert. În cadrul său, expertul definește, în colaborare cu inginerul de cunoștințe, noțiunile de bază utilizate, relațiile esențiale existente între acestea, lucrările principale de efectuat și restricțiile generale care intervin în cursul rezolvării problemelor.
Acest efort de conceptualizare este necesar pentru a delimita mai exact domeniul de expertiză al viitorului sistem expert și pentru a fundamenta formularea cunoștințelor în cadrul viitoarei baze de cunoștințe.
Modelarea conceptuală se axează pe evidențierea următoarelor aspecte:
identificarea principalelor „obiecte”, concepte sau entități din domeniul de expertiză;
definirea atributelor necesare pentru descrierea obiectelor, conceptelor și entităților;
identificarea celor mai importante corelații care există între acestea;
examinarea restricțiilor care guvernează sau intervin în relațiile dintre obiecte;
specificarea tipurilor de probleme la care urmează să răspundă viitorul sistem;
definirea cadrului general de utilizare a sistemului expert, atât sub aspectul manierei de comunicare a problemelor de rezolvat (prin dialog la terminal, prin consultarea unor baze de date existente, etc.), cât și al interacțiunii cu utilizatorul final.
Aceste obiective sunt considerate atinse dacă cunoștințele acumulate pot servi la construirea unui model al realității, al domeniului analizat, model schematic dar suficient de detaliat pentru a servi ca bază faptelor următoare din ciclul de viață.
II.3.3. Achiziția cunoștințelor
II.3.3.1. Problema achiziției cunoștințelor
Achiziția cunoștințelor reprezintă procesul de extragere, structurare și organizare a cunoștințelor din mai multe surse, în special experții umani, astfel încât expertiza de rezolvare a problemelor să poată fi captată și reprodusă cu ajutorul calculatoarelor. Cunoștințele constituie partea cea mai importantă a unui sistem expert, iar capturarea acestora formează baza procesului de raționare a sistemului. Fără cunoștințe reprezentate explicit, un sistem expert nu valorează mai mult decât un program obișnuit[Liebowitz98].
Complexitatea tot mai mare a aplicațiilor necesită colectarea expertizei de rezolvare a problemelor de la un grup de experți. Acest proces nu este întotdeauna ușor datorită diferențelor în strategiile d rezolvare a problemelor adoptate de diverși experți, datorită barierelor de comunicare între experți și inginerii de cunoștințe, etc. Facilitarea achiziției cunoștințelor de la mai mulți experți reprezintă o provocare importantă pentru inginerii de cunoștințe.
Există 3 elemente majore în sarcina de achiziție a cunoștințelor:
personal corespunzător;
tehnici corespunzătoare de achiziție;
o abordare structurată pentru achiziția cunoștințelor.
Identificarea experților de domeniu și implicarea personalului corespunzător în procesul de achiziție a cunoștințelor reprezintă puncte critice ale acestuia. Personalul implicat în achiziția cunoștințelor este format din:
experți de domeniu cu experiență în domeniul de aplicare;
ingineri de cunoștințe cu abilități de achiziție și reprezentare a cunoștințelor, respectiv de implementare a sistemului expert;
utilizatori și manageri.
Atributele luate în considerare la selectarea experților de domeniu sunt următoarele:
expertiza de domeniu, experiența și reputația. Experții selectați trebuie să aibă experiență în domeniul respectiv, precum și să aibă o reputație care să confere credibilitate;
caracteristicile personale și atitudinea. Nu este suficient ca un expert să aibă aptitudini într-un domeniu, ci acesta trebuie să aibă și abilități de comunicare pentru a putea transmite cunoștințele, raționamentul și experiența proprie. De asemenea, acești experți trebuie să aibă simț al umorului, să fie buni ascultători, să aibă un spirit de angajare, cooperare, să fie sinceri.
disponibilitate. Experții trebuie să aibă timp pentru a se putea pune la dispoziție în acest proces de achiziție a cunoștințelor.
Achiziția cunoștințelor de la mai mulți experți de domeniu și nu de la unul singur are o serie de efecte benefice asupra procesului de achiziție a cunoștințelor, printre care enumerăm:
baza de cunoștințe poate fi mult mai completă;
se asigură posibilitatea de a obține cunoștințe specializate în subdomenii ale problemei;
crește calitatea cunoștințelor captate;
în baza de cunoștințe vor fi incluse numai cunoștințele relevante;
se îmbunătățește înțelegerea cunoștințelor prin discuții, dezbateri și schimb de păreri între membrii echipei de experți;
încurajează interacțiunile dintre experți, cunoștințele de grup achiziționate fiind mai complexe decât o sumă de cunoștințe individuale.
Inginerii de cunoștințe sunt responsabili cu structurarea și construirea sistemelor expert. Câteva din responsabilitățile unui inginer de cunoștințe ar putea fi:
conducerea proiectului;
definirea domeniului problemei;
selectarea resurselor hard/soft;
achiziția și reprezentarea cunoștințelor;
implementarea sistemului expert;
comunicarea cu utilizatorii și managerii;
pregătirea documentației tehnice;
verificarea și validarea sistemului;
pregătirea utilizatorilor;
punerea în funcțiune și întreținerea sistemului;
asigurarea asistenței.
Utilizatorii și managerii pot fi implicați în achiziția de cunoștințe în special în etapa de planificare, unde se iau deciziile de realizare a sistemului, precum și în etapa de validare în care este evaluat sistemul.
II.3.3.2. Tehnici de achiziție a cunoștințelor
Tehnica abordată la achiziția cunoștințelor afectează în mare măsură performanțele sistemului expert și resursele necesare dezvoltării acestuia. Acordarea unei importanțe tot mai mari procesului de achiziție a cunoștințelor a determinat dezvoltarea unor diverse tehnologii, metodologii și instrumente pentru achiziția automată a cunoștințelor. Fiecare tehnică are avantajele și limitele sale.
Vom prezenta în continuare principalele tehnici „manuale” de achiziție a cunoștințelor[Nițchi98].
Interviul liber: constă într-o serie de sesiuni întrebare-răspuns între inginerul de cunoștințe și expert. De obicei prima întrebare este „Cum puteți rezolva această problemă?”. Urmează apoi alte întrebări pentru explicarea sau clarificarea unor răspunsuri.
Interviul structurat: are un scop precis, înlăturând astfel ambiguitatea de la interviul liber. Această tehnică înlătură distorsionarea subiectului de către expert, forțând o abordare sistematică. Este o tehnică des utilizată în situația expertizei multiple.
Observația: inginerul de cunoștințe se implică direct în observarea expertului de domeniu, înregistrând activitatea acestuia prin note d mână sau prin înregistrare video sau audio.
Analiza protocolului: cunoscută și sub numele de „gândire cu voce tare”, provine din psihologia clinică. Expertul vorbește în timp ce își desfășoară activitatea, descrie obiectele cu care operează, relațiile dintre obiecte, reacțiile sale și ale obiectelor la acțiunile sale.
Analiza grilei de repertoriu: constă în 2 etape, un interviu inițial pentru identificarea unor obiecte din domeniul de expertiză, urmat de o evaluare a acestora. Această tehnică este utilă pentru extragerea unor date abstracte, în Data Mining, analiza segmentelor de piață, analiza comportamentului consumatorilor, etc.
În cazul achiziției cunoștințelor de la mai mulți experți, aplicarea metodelor prezentate anterior duce la o mare pierdere de timp, putând apărea și conflicte între strategiile de rezolvare a problemelor utilizate de experții chestionați. De aceea, în acest caz se utilizează unele metode specifice, descrise în continuare.
Brainstorming: se bazează pe dezvoltarea unor idei și exploatarea sensurilor acestora. Funcționează prin lansarea de întrebări, fiind făcute apoi afirmații sau scenarii de probleme care se supun discuției.
Nominal Group Technique: este utilizată în grupuri mici de experți atunci când există soluții contradictorii sau incerte, fiind foarte utilă la identificarea problemelor, explorarea soluțiilor și stabilirea priorităților. Principalii pași ai acestei tehnici sunt: generarea în scris a ideilor; înregistrarea ideilor prin rotire; discutarea serială a problemelor și votarea.
DELPHI: utilizează o serie de chestionare pentru agregarea cunoștințelor, raționamentelor și ideilor experților, de obicei anonimi. Aceste idei sunt dezbătute în grup și stau la baza rundei următoare. Această tehnică este utilă în probleme de previzionare, la identificarea țintelor sau obiectivelor, la generarea soluțiilor alternative, la stabilirea priorităților sau a valorilor de grup.
Interviul de grup: e condus de un moderator și se realizează în 3 pași: stabilirea raportului cu grupul (determinarea obiectivelor și a regulilor de interacțiune în grup); provocarea discuției și analiza discuției. Este utilizat îndeosebi în marketing, în probleme de analiză a pieței.
Votarea: este utilă la definirea țintelor problemei, la identificarea soluțiilor alternative și la solicitarea unor soluții corespunzătoare.
Analiza grilei de repertoriu a grupului: este o variantă a grilei de repertoriu pentru achiziționarea cunoștințelor de la un singur expert. Poate fi utilizată împreună cu tehnica brainstorming și cu o serie de instrumente de evaluare a grupului (Group Matrix Tools).
Group Support Systems: reprezintă sisteme informatice care facilitează comunicarea, coordonarea și luarea deciziei în cadrul unui grup. Acestea includ celelalte tehnici de achiziție a cunoștințelor de grup în general, și necesită o serie de componente hard, soft, proceduri, facilități și resurse umane.
II.3.3.3. Metodologia de achiziție a cunoștințelor
De multe ori ceea ce lipsește unei achiziții eficiente a cunoștințelor este organizarea. Este foarte important să fie realizate planuri detaliate pentru conducerea activității de achiziție a cunoștințelor. Prezentăm în continuare metodologia generală pentru achiziția cunoștințelor.
Planificarea achiziției cunoștințelor
Înțelegerea domeniului problemei.
Identificarea experților de domeniu și a utilizatorilor.
Definirea domeniului problemei.
Identificarea tipului aplicației.
Dezvoltarea modelelor de procesare.
Planificarea sesiunilor de achiziție a cunoștințelor.
Extragerea cunoștințelor
Explicarea abordării achiziției de cunoștințe.
Discutarea obiectivelor sesiunii de achiziție a cunoștințelor.
Conducerea sesiunii de achiziție a cunoștințelor.
Consultarea experților.
Analiza cunoștințelor
Analiza rezultatelor sesiunii de achiziție a cunoștințelor.
Transferul cunoștințelor în reprezentări.
Verificarea cunoștințelor
Dezvoltarea scenariilor de testare.
Verificarea cunoștințelor cu ajutorul experților.
Fără îndoială că achiziția cunoștințelor reprezintă un proces dificil și mare consumator de timp. Totuși, prin identificarea corectă a experților de domeniu și utilizarea unor tehnici corespunzătoare și a unei metodologii structurate, acest proces poate fi îndeplinit mai ușor și mai eficient decât se desfășoară în realitate.
II.3.4. Reprezentarea cunoștințelor
Această etapă urmărește să asigure formalizarea și reprezentarea cunoștințelor în structura adecvată înregistrării lor în baza de cunoștințe și exploatării de către motorul de inferențe. Realizarea sa este facilitată de unele generatoare de sisteme expert și instrumente informatice de achiziționare automată a cunoștințelor.
Metodele create pentru reprezentarea cunoștințelor depind de natura problemelor de rezolvat și de limbajul utilizat și pun la dispoziție instrumente pentru reprezentarea cunoștințelor formate din reguli, fapte, cadre, rețele semantice, obiecte, scripturi și altele[Sâmbotin97].
Reprezentarea cunoștințelor prin logică este realizată în formă de fapte și reguli definite direct și disponibile pentru rezolvarea problemelor de tip diagnostic, clasificare, predicție, etc. Cunoștințele sunt formate din reguli, fapte, întrebări și concluzii, acestea fiind derivate din fapte cunoscute și din reguli. Regulile sunt decizii logice de forma:
dacă <condiție> atunci <concluzie>.
Regulile de producție sunt des utilizate pentru construirea sistemelor expert și reprezintă relațiile dintre fapte. Acestea sunt rezolvate elegant de PROLOG datorită interpretării logice cu calculul predicatului. PROLOG reprezintă cunoștințele sub forma:
dovedirea concluziei dacă
dovedirea concluziei 1 și
dovedirea concluziei 2.
Regulile de producție asigură reprezentarea ierarhică a cunoștințelor, formă frecvent utilizată la construirea sistemelor expert. Regulile de producție sunt scrise ușor pentru că au o structură simplă, au formă aproape naturală, sunt dinamice și ușor de modificat.
Cu ajutorul PROLOG – ului, regulile de producție pot fi reprezentate sub o formă logică, sistemului fiindu-i indicată ordinea în care trebuie parcurse regulile. Operațiile logice care leagă condițiile sunt ȘI/SAU.
O altă reprezentare a cunoștințelor este arborescența taxiconomică. O taxiconomie este o arborescență de clasificare, în care există proprietăți de moștenire. Construcția unei taxiconomii permite sistemului să se știe că un element al clasificării posedă, în afara propriilor proprietăți, proprietățile tuturor predecesorilor din graf.
Reprezentarea cunoștințelor prin cadre (frames) și scenarii (scripts), concept lansat de Minsky în anul 1980, pentru a regrupa în mod adecvat informații numeroase și legate între ele. Un frame este o unitate de informație care regrupează un anumit număr de rubrici (slots). Metoda stă la baza multor dezvoltări de sisteme expert complexe în care reprezentarea cunoștințelor se realizează pe categorii, în tabele ce conțin numeroase locații de memorare cu valori, unele implicite, stabilite la început, ce descriu în detalii factorii despre un obiect.
Cadrele sunt legate ierarhic și indică relațiile cu alte cadre. Slot-urile se manipulează ușor și pot schimba valorile altor slot-uri din alte cadre cu care sunt în relație ierarhică.
Proiectarea unui cadru începe cu o schiță ce definește câmpurile unde sunt memorate cunoștințe generale care conțin numele cadrului la care se referă, nivelul de ierarhie al cadrului. Fiecare cadru are locații de memorie care nu sunt limitate; slot-ul poate avea câmpuri sau atribute care-i definesc și descriu valoarea.
De exemplu:
Nume: ELF
ESTE O: firmă
FACE PARTE DIN: PETROL și CHIMIE
Randament:
Creștere CA:
Slot-urile se pot completa direct, fie cu ajutorul unei proceduri de calcul, fie prin apelul unui alt frame, fie prin moștenire.
Cuvintele cheie care exprimă relația sunt, după caz: ESTE O, FACE PARTE DIN. Reprezentarea prin cadre permite mai multă flexibilitate și mai multă accesibilitate la cunoștințe și este utilizată pentru gestionarea structurilor complexe. Prin asigurarea de slot-uri specifice, sistemele care procesează cadre pot recunoaște și cere informațiile care lipsesc din baza de cunoștințe.
Sistemele cu cadre pot avea o structură similară cu cea a unei structuri arborescente de date. Cadrele simplifică gestionarea valorilor implicite pentru informații care nu au o stare explicită. Locațiile din cadre se referă la adesea la alte cadre, ceea ce referă o mare flexibilitate în reprezentarea cunoștințelor și permite să se descrie un sistem complex cu subsisteme și componente.
Reprezentarea cu ajutorul frame-urilor prezintă un dublu avantaj: primul avantaj este că ea organizează o rețea de dependență între fapte având în vedere că frame-urile de apelează unele pe altele, permit fărâmițarea abstractizărilor de nivel superior, ceea ce duce la abordarea top-down în teoria cunoașterii, abordare fundamentată în construirea bazei de cunoștințe; al doilea este că determină o partiționare între aceste fapte, adică o compartimentare a bazei de reguli sau de fapte, compatibilă cu natura problemei.
Scenariile, spre deosebire de forme care descriu obiecte, descriu structura obiectelor și mai ales structura descrierii cunoștințelor despre evenimente. Scenariile descriu lanțuri de evenimente într-un context dat. Acestea sunt foarte utile pentru tratarea limbajului natural, pentru rezumate și pentru algoritmi de învățare.
Scenariile, ca și frame-urile, se bazează pe slot-uri, numai că aici sunt umplute. Aceste slot-uri sunt interdependente, ceea ce înseamnă că conținutul unui slot poate influența alt slot. Scenariile se consideră complete atunci când toate slot-urile sunt umplute.
Scenariile se aplică de obicei situațiilor stereotipe și nu se pot aplica obiectelor ale căror proprietăți sunt moștenite.
Reprezentarea cunoștințelor prin rețele semantice concepută de Minsky în anul 1983, este o metodă mai generală unde cunoștințele sunt reprezentate printr-o rețea formată dintr-un set de noduri, care simbolizează obiectul sau situația, și din arce care simbolizează relația dintre 2 obiecte. Rețeaua este pusă într-un graf direcționat și poate să fie reprezentată prin fapte logice sau sub formă de cadre.
Reprezentarea orientată obiect aparține clasei metodelor cu transfer succesoral. Domeniul de expertiză este reprezentat aici sub forma unui ansamblu de obiecte. Fiecare obiect încapsulează un ansamblu de informații și de operații permise asupra acestora și care definesc un comportament specific. Informațiile nu sunt direct accesibile, ele pot fi modificate sau consultate numai prin intermediul unor acțiuni predefinite, denumite metode.
Obiectele comunică între ele prin mesaje. Un mesaj este compus, în esență, din identificatorul obiectului căruia I se adresează, urmat de numele uneia din metodele acesteia și de parametrii corespunzători. La recepționarea mesajului, obiectul apelat execută metoda și returnează un mesaj obiectului apelant.
Inferența este realizată aici fie prin intermediul metodelor, fie prin inserarea separată a unui ansamblu de reguli care pot fi invocate de către metode și care, la rândul lor, pot invoca metode ale obiectelor.
Alegerea metodei de reprezentare a cunoștințelor pentru o bază de cunoștințe particulară reprezintă o importantă problemă având în vedere diversitatea tehnicilor utilizate. La construirea reprezentării cunoștințelor este necesară îndeplinirea unor cerințe, cum ar fi necesitatea urmăririi achiziției inițiale a cunoștințelor și modul lor de modificare, caracterul bazei d cunoștințe, dinamic sau static, structura cunoștințelor sub aspectul relevanței, corectitudinii, fiabilității, etc.
II.3.5. Testarea și evaluarea
Testarea și evaluarea reprezintă sarcini curente în construirea de modele și în programarea calculatoarelor .Un program de calculator este un model al unui fenomen real, ale cărui concepte și relații sunt reprezentate cu ajutorul matematicii și logicii. Înainte ca acesta să fie operațional, trebuie să ne asigurăm că programul funcționează corect și generează rezultatele așteptate.
Construirea unui sisteme bazat pe cunoștințe reprezintă un proces incremental în care funcționalitatea sistemului evoluează odată cu experiența câștigată. La punerea în funcțiune a unui prototip, specificațiile de definire sunt testate, revizuite, fiind adăugate altele noi pentru îndeplinirea unor cerințe apărute pe parcurs. Procesul de dezvoltare constă într-o serie de cicluri înainte ca sistemul să poată fi pus în funcțiune și poate fi descris sub forma unei spirale [Klein90].
Componentele verificării și validării
La apariția sistemelor expert, o muncă importantă era depusă pentru definirea cerințelor funcționale ale sistemului și a specificațiilor pentru comportamentul așteptat al sistemului. Cerințele funcționale captează natura interacțiunilor dintre sistem și mediu, altfel spus ceea ce sistemul trebuie să facă. Acestea pot fi exprimate în 2 moduri:
abordarea declarativă: descrie ceea ce trebuie să facă sistemul, fără indicații asupra modului de efectuare;
abordarea procedurală: descrie ceea ce trebuie să facă sistemul oferind și modalitățile de efectuare.
Pe lângă cerințele funcționale, trebuie luate în calcul și cerințele nefuncționale, numite și restricții, cum ar fi siguranța, securitatea, performanțele, restricțiile de operare și costurile. Aceste cerințe la nivel de sistem sunt transpuse la nivelul bazei de cunoștințe în cerințe nefuncționale, cum ar fi consistența logică a cunoștințelor, redundanța, eficiența sau utilitatea.
Prezentăm în continuare câteva din componentele majore ale etapei de verificare și validare.
Competența: se referă la calitatea cunoștințelor sistemului, relativ la abilitățile umane. Acest lucru poate fi stabilit prin compararea acestei surse cu alte surse de expertiză.
Completitudinea: măsura în care au fost implementate cerințele în sistem, asigurarea faptului că toate cunoștințele sunt referite și nu sunt accesate cunoștințe care nu există.
Consistența: nu trebuie să existe, de exemplu, două reguli care, plecând de la aceeași condiție să specifice concluzii diferite.
Corectitudinea: toate cunoștințele din baza de cunoștințe trebuie să fie 100% corecte.
Testabilitatea: sistemul trebuie să fie astfel definit încât să permită formularea unui plan de testare.
Relevanța
Utilitatea
Gradul de încredere: determină numărul de eșecuri privind ajungerea la soluția corectă a unei probleme.
Definirea de modele pentru ciclul de viață în construcția unui sistem expert a determinat asocierea activităților de validare și verificare la etape specifice ale procesului de dezvoltare. Este important de menționat că țintele acestor activități sunt diferite în funcție de obiectivele fiecărei etape:
analiza cerințelor;
achiziția cunoștințelor;
reprezentarea și rafinarea cunoștințelor;
implementarea.
II.4. Definirea și utilizarea facilităților de explicare
II.4.1. Considerații asupra procesului de explicare
Abilitatea de a oferi explicații privind modul de funcționare și recomandările făcute a fost recunoscută ca și componentă a sistemelor expert. Ideea general acceptată este că facilitățile de explicare trebuie să asigure 3 tipuri de cunoștințe corespunzătoare următoarelor etichete: De ce, Cum și Strategice. Explicațiile de tip De ce justifică motivele care au stat la baza efectuării unei acțiuni. Explicațiile de tip Cum asigură clarificarea structurii de inferență și descrierea conținutului. Explicațiile strategice clarifică strategiei de rezolvare a problemelor și structura de reprezentare.
Deși este recunoscut faptul că facilitățile de explicare reprezintă o componentă de bază a unui SE, totuși s-a acordat mai puțină importanță procesului de dezvoltare a acestora. Unul din motivele care au condus la această stare de fapt este concepția conform căreia cunoștințele necesare în scopul explicării, altfel spus baza de explicații, pot fi derivate din baza de cunoștințe, care constituie produsul final al procesului de dezvoltare a unui SE. Astfel, baza de cunoștințe ar putea fi reprezentată și implementată în așa fel încât să faciliteze explicarea.
Însă nu întotdeauna pot fi derivate din baza de cunoștințe toate cunoștințele necesare pentru explicare. De aceea, trebuie depuse eforturi pentru îmbogățirea bazei de explicații în special cu cunoștințe necesare furnizării explicațiilor de tip De ce și Strategice. De asemenea, nu pot fi anticipat întotdeauna toate tipurile de utilizatori finali, corespunzătoare scopului sistemului expert (rezolvare de probleme sau învățare), experienței acestora (experți sau începători), etc. Astfel, o dezvoltare individuală a facilității de explicare ar include caracteristici ale interfeței utilizator în funcție de destinatarii explicațiilor.
Câteva din implicațiile dezvoltării individuale ale capacității de explicare sunt:
achiziția explicațiilor poate necesita tehnici și instrumente diferite față de cele utilizate la achiziția cunoștințelor;
validarea explicațiilor poate necesita teste și proceduri diferite față de cele utilizate la validarea cunoștințelor;
pot exista dificultăți în planificarea și coordonarea comună a achiziției de explicații, respectiv cunoștințe;
achiziția explicațiilor poate avea o importanță mai mare decât achiziția cunoștințelor în cazul unor anumite categorii de utilizatori, de exemplu începătorii care au nevoie de mai multe justificări și cunoștințe strategice;
achiziția explicațiilor poate avea o importanță mai mare decât achiziția cunoștințelor în cazul unor anumite sarcini, de exemplu învățarea asistată de calculator care pune accentul pe învățarea prin explorare, precum și sarcini cu mai multe soluții posibile.
De-a lungul timpului au fost sugerate mai multe clasificări ale diverselor tipuri de explicare care ar trebui furnizate de către sistemele expert. Aceste clasificări pot fi grupate în 2 clase principale, în funcție de unul din următoarele criterii:
natura interogărilor. De exemplu, explicațiile pentru interogările care încep cu următoarele cuvinte Cum, De ce, Când, Ce și Unde;
natura răspunsurilor. De exemplu, explicațiile care furnizează cunoștințe de terminologie, cunoștințe de descriere de domeniu, cunoștințe privind rezolvarea problemelor, sau informații despre proceduri, modul de raționare, obiective, control, etc.
Totuși nu există o bază teoretică pentru aceste clasificări, acestea nefiind definite în mod consistent și cuprinzător. S-a ajuns la un consens în ce privește rolurile pe care cunoștințele le joacă în explicațiile furnizate de un sistem expert. Astfel, în funcție de rolul privind structura, suportul sau strategia, diferențiem următoarele tipuri de explicare[Liebowitz98]:
explicații care descriu conținutul și modul de raționare (structura);
explicații detaliate care justifică motivele care stau la baza acțiunilor și stărilor în funcție de model (suport);
explicații strategice care clarifică strategia de rezolvare a problemelor și metacunoștințele (strategia).
Ultimele cercetări au fost axate pe maniera în care explicațiile ar trebui furnizate drept componentă a interacțiunii utilizator – sistem expert. Astfel, explicațiile sistemului expert pot fi prezentate utilizatorilor în 2 forme distincte pentru a facilita înțelegerea utilizatorului pe parcursul utilizării sistemului: explicații furnizate înainte și explicații furnizate înapoi. Astfel avem:
Explicațiile De ce – înainte (Feedforward Why): justifică importanța și necesitatea utilizării informațiilor de intrare, precum și adoptarea unei anumite proceduri.
Explicațiile Cum – înainte (Feedforward How): detaliază maniera în care informațiile de intrare vor fi utilizate, precum și procedurile care vor fi efectuate.
Explicațiile Strategice – înainte (Feedforward Strategic): clarifică maniera generală în care sunt organizate și structurate informațiile de intrare care vor fi utilizate, precum și maniera în care fiecare dintre aceste informații se încadrează în planul total de aserțiuni care vor fi aplicate.
Explicațiile De ce – înapoi (Feedback Why): justifică importanța și clarifică implicațiile unei anumite concluzii la care a ajuns sistemul.
Explicațiile Cum – înapoi (Feedback How): prezintă o listă cu evaluările și inferențele intermediare efectuate pentru a ajunge la o anumită concluzie.
Explicațiile Strategice – înapoi (Feedback strategic): clarifică structura generală a obiectivului utilizată de către sistem pentru a ajunge la o anumită concluzie, precum și maniera în care fiecare aserțiune individuală care conduce la concluzie se încadrează în planul total de aserțiuni care au fost aplicate.
O idee importantă ar fi aceea ca cei care dezvoltă sistemele expert să acorde o importanță deosebită relației foarte strânse între tipurile de explicații și strategiile de furnizare a explicațiilor (înainte sau înapoi).
II.4.2. Factorii care influențează procesul de definire a facilității de explicare
Caracteristicile sarcinii
Contextul în care este utilizat sistemul expert determină scopul în care va fi utilizată facilitatea de explicare. Deosebim astfel 3 contexte majore pentru utilizarea facilității de explicare a SE:
de utilizatorii finali în contextul rezolvării problemelor;
de inginerii de cunoștințe la activitățile de depanare a bazei de cunoștințe;
de experții de domeniu și/sau inginerii de cunoștințe la activitățile de validare a SE.
Astfel, apar deosebiri între utilizarea explicațiilor pe parcursul procesului de dezvoltare a sistemului și utilizarea acestora de către utilizatorii finali datorită obiectivelor diferite. Este deci de așteptat ca utilizatorul final să utilizeze explicațiile în mod diferit față de modul în care acestea sunt utilizate la depanarea sistemului, sau la alte activități de dezvoltare a SE. Iată câteva dintre contextele de utilizare a facilității de explicare de către utilizatorii finali:
de manageri, la formularea problemelor și modelelor de analiză în luarea deciziilor;
de utilizatori experimentați, la verificarea corectitudinii cunoștințelor și modului de raționare a sistemului;
de utilizatori începători, la instruirea privind modul de utilizare a cunoștințelor sistemului expert la rezolvarea problemelor.
În concluzie, pot fi identificate multe contexte diferite care pot influența utilizarea facilității d explicare a SE.
Caracteristicile explicațiilor
Informațiile explicative furnizate de un SE pot fi clasificate din 2 puncte de vedere: tip și conținut. Din punct de vedere al tipului explicațiilor, clasificarea acestora a fost discutată în secțiunea anterioară. Informațiile pot diferi însă și în funcție de conținut, după cum urmează:
conținutul informațional, sub forma numărului de indicații încorporate;
nivelul de abstractizare;
granularitatea și specificitatea (de exemplu, nivelul de la bază va conține cele mai multe detalii și invers);
axarea pe anumite grupuri (de exemplu, ingineri de cunoștințe, experți de domeniu, utilizatori finali);
accentuarea diferitelor aspecte ale elementelor explicate.
Definirea interfeței și strategiile de furnizare
Elementele de definire ale interfeței utilizate pentru furnizarea explicațiilor pot influența de asemenea modul de utilizare a facilității de explicare a sistemului expert. Iată câteva din aceste elemente:
efortul depus de utilizatori pentru accesul la explicații. Deosebim aici strategia activă, unde SE prezintă explicații fără o cerere prealabilă din partea utilizatorului, și strategia pasivă, unde explicațiile sunt obținute în urma unor cereri exprese ale utilizatorului, materializate prin accesarea unor elemente de control prezentate în formulare;
modul de comunicare utilizat pentru prezentarea explicațiilor (de exemplu, modul audio și/sau vizual);
formatul de prezentare a explicațiilor (de exemplu, sub formă de text sau sub formă grafică).
Un rol important îl au, de asemenea, și strategiile de furnizare a informațiilor prezentate într-o secțiune anterioară.
Caracteristicile utilizatorului
Pot fi identificate aici 3 categorii de caracteristici ale utilizatorilor care pot influența utilizarea explicațiilor oferite de un SE:
expertiza utilizatorului și familiarizarea sa cu sistemele expert, este poate cea mai importantă caracteristică pentru definirea și utilizarea SE;
diferențele individuale, referitoare la cunoștințele teoretice care trebuie să fie coerente și adecvate;
nivelul de acceptare a concluziilor SE, care trebuie să fie cu atât mai mare cu cât utilizatorul are o experiență mai mare și un nivel de expertiză mai ridicat.
Utilizarea facilităților de explicare reprezintă o modalitate de înțelegere a modului de operare a unui sistem expert. Având în vedere fragilitatea expertizei și dificultățile întâlnite la modelarea și întreținerea cunoștințelor ar putea fi luată în considerare posibilitatea de a declara explicațiile furnizate ca rezultat principal, deoarece soluțiile experților umani nu sunt întotdeauna corecte, dar aceștia pot furniza explicații raționale, relevante și legate de context care stimulează învățarea.
II. 5. Luarea deciziei de dezvoltare a sistemelor expert
II. 5. 1. Întrebări utile pentru luarea deciziei
Înainte de decide elaborarea unui sistem expert, este necesar să răspundem la câteva întrebări:
Cine?
Cine este interesat?
Cine este implicat în luarea deciziei?
Cine va construi sistemul? (experți, ingineri de cunoștințe, utilizatori, informaticieni, organizatori)
Cine va fi desemnat sa îl utilizeze? (apartenență, funcție, nivel); cine va fi îndreptățit să îl consulte, să îl îmbogățească, să îl dezvolte?
Ce?
La ce va servi sistemul?
Care este finalitatea sa?
Care este garanția atașată răspunsurilor pe care le va furniza? Securitatea persoanelor sau a celor care depind de ea?
Pe lângă funcția principală are și una secundară?
Este destinat să înlocuiască operatorii umani sau să le valorifice munca prin asistarea sarcinilor, de exemplu, le furnizează tot ceea ce ei știu și le prezintă informațiile de care au nevoie la un moment dat, ajutându-i să înțeleagă mai bine tot ce este legat de domeniul lor, ameliorându-le deciziile?
Care sunt consecințele previzibile asupra personalului și asupra organizației?
Unde?
Unde va fi utilizat sistemul?
Un număr mare de exemplare va fi difuzat în afară sau va fi utilizat doar local?
Va fi utilizat în interiorul companiei sau în exterior, prin reprezentanții și clienții săi?
În ce fel de structură organizațională se va situa? Cum va fi inclus în structură, ce poziție va ocupa?
Cum?
Cum va fi exploatat sistemul?
Va fi exploatat de către oricine sau doar de persoane autorizate?
Va funcționa autonom?
Va fi utilizat de către experți în vederea ameliorării performanțelor?
Va fi utilizat de către non-specialiști în mod ghidat?
Va fi destinat pentru înlocuirea unor specialiști sau pentru ajutorarea acestora?
Va fi destinat utilizatorilor multipli, funcționând pe diferite terminale?
Dacă va funcționa în timp real, care trebuie să fie caracteristicile calculatorului?
În ce mediu?
Care sunt legăturile cu alte module sau sisteme (baze de date, algoritmi de calcul, generatoare de rapoarte, etc.)?
Există probleme de confidențialitate a datelor?
Va funcționa și în alte medii tradiționale concomitent?
Când?
În cât timp se dorește realizarea sistemului?
Când va fi utilizat, frecvent sau episodic?
Cât?
Cât va costa (studii, încercări, întreținere, hardware, costul achiziției cunoștințelor)?
Care vor fi beneficiile? Se vor estima în termenii productivității, ameliorării condițiilor de lucru și a calității produselor? Va rezulta o ameliorare a serviciilor pentru clienți sau utilizatori?
II. 5. 2. Ce fel de sistem?
Răspunsul la această întrebare îl va da specialistul în inteligență artificială desemnat să elaboreze sistemul. Totuși, este recomandabil să fie discutate principalele funcțiuni ale proiectului și să fie stabilită împreună soluția care va fi pusă în lucru.
Există mai multe soluții care pot fi alese:
un sistem specific în întregime specializat pentru compania doritoare (motorul de inferență și utilitarele);
un sistem elaborat cu ajutorul unui instrument simplu, ușor de înțeles, dar care să poată fi pus în lucru de neinformaticieni;
un sistem care poate să evolueze și să se dezvolte;
un sistem realizat având în vedere un prim contact cu tehnologia sistemelor expert;
un sistem realizat pe calculatoare clasice, care aparțin sau nu companiei;
un sistem care va putea fi extins pentru alte aplicații din interiorul sau exteriorul companiei;
un sistem pentru utilizatori multipli, în rețea sau nu.
Criteriile de alegere a răspunsurilor la aceste întrebări sunt legate de[Benchimol93]:
tipul de aplicație considerat;
organizația în care sistemul va funcționa;
mijloace disponibile;
modalități de utilizare finală.
II. 5. 2. 1. Criterii legate de aplicație
O aplicație este caracterizată prin:
cunoștințele pe care le utilizează, care pot fi mai mult sau mai puțin structurate, mai mult sau mai puți calitative, de tip declarativ sau procedurale, mai mult sau mai puțin certe și/sau precise, etc.
tipul de raționament utilizat: depinde de natura cunoștințelor, de tipul problemei de rezolvat și de raționamentele utilizate de către expert;
calitatea cunoștințelor experților;
timpul de reacție necesar;
gradul de interactivitate scontat;
capacitatea de învățare a sistemului;
necesitatea de apelare a modulelor exterioare sistemelor: baze de date, programe, etc.
Dintre acestea, cele mai importante criterii sunt timpul de reacție și timpul de răspuns. Logica sistemului expert nu conduce la înlocuirea factorilor de decizie, dar permite asistarea și ameliorarea calității unei decizii, care trebuie luată într-un timp foarte scurt și care face apel la un număr mare de parametri dependenți de împrejurări. Un sistem expert care lucrează suficient de rapid și în timp real poate da soluții pertinente în cele mai dificile împrejurări.
II. 5. 2. 2. Criterii legate de organizare
Locul ocupat de informatică în întreprindere, afirmarea dorinței de introducere a inteligenței artificiale, sunt factori care pot influența și orienta alegerea unei soluții. Climatul existent în companie, implicarea în realizarea proiectului a diferitelor nivele ierarhice, politica de formare sunt factori esențiali care trebuie luați în considerare.
II. 5. 2. 3. Criterii legate de mijloace
Mijloacele disponibile trebuie specificate la începutul proiectului, deoarece ele condiționează realizarea sa. Dintre acestea amintim:
mijloace umane: există o echipă de informaticieni? Dacă da, aceștia cunosc metodele și limbajele inteligenței artificiale?
mijloace hardware: care sunt mijloacele hardware disponibile? Există rețele locale? Cum sunt organizate bazele de date?
mijloace financiare: care este valoarea rezervată pentru realizarea proiectului?
mijloace temporale: care este timpul disponibil?
II. 5. 2. 4. Criterii legate de utilizatorul final
Este important să se precizeze cine va fi desemnat să utilizeze sistemul: personalul companiei, clienți, alți parteneri; nivelul de calificare al utilizatorilor trebuie să fie omogen.
La nivelul achiziției și reprezentării cunoștințelor, interfețele trebuie să ajute expertul sau inginerul de cunoștințe să introducă cunoștințele în sistem în conformitate cu structura dorită, într-un format apropiat de tipul aplicației.
Dialogul dintre sistem și utilizator trebuie să fie prietenos, iar limbajul utilizat trebuie adaptat la tipul de problemă re rezolvat și utilizator, să urmeze nivelul și rolul jucat de acesta.
În general, construirea sistemului expert se va face în mod diferit, în funcție de destinația și de funcțiunile îndeplinite. Astfel, există 2 căi de elaborare:
în mod interactiv legat de expertiza domeniului, specializat sau nu, cu posibilitatea de a-și defini problemele, sau de nonexpertiza domeniului care necesită o asistență în definirea acelorași probleme;
în mod autonom, legat de captatori și instrumente de realizare sau de un modul care face parte dintr-un program mai vast. În acest ultim caz, sistemul expert poate fi integrat aproape în totalitate în cadrul unui program informatic existent.
II. 5. 3. De ce nu un sistem informatic clasic?
Punctul forte al programării declarative este lizibilitatea bazelor de cunoștințe. Acest concept se bazează pe posibilitatea de scriere a regulilor, așa cum dorim și a le organiza într-o manieră care să conducă la o bază de cunoștințe să corespundă la o structurare coerentă a cunoștințelor din domenii. Astfel, baza de cunoștințe devine accesibilă specialiștilor din domeniu, care nu sunt neapărat informaticieni. Mai mult, sintaxa acestor reguli este simplă și permite o lectură facilă.
Un sistem expert este deci un sistem informatic în care modificarea, actualizarea și întreținerea cunoștințelor trebuie să se realizeze ușor și să poată fi efectuată în afara serviciilor informatice de către și sub controlul persoanelor care au cunoștințe în domeniu.
Capitolul III
Utilizarea sistemelor expert în aplicații economice și de afaceri
III.1. Finanțe și investiții
Lumea finanțelor se confruntă cu problema creării unei legături între informațiile vechi și informațiile viitoare. Luarea deciziilor pe piața obligațiunilor, a acțiunilor, sau a monedelor, precum și a deciziilor legate de investiții în condițiile restricțiilor financiare, reprezintă sarcini complexe de prevedere și clasificare care necesită experiență și expertiză din partea decidenților. Deseori este greu de ajuns la o consistență în privința luării unor decizii eficiente și sigure.
Un instrument important utilizat la luarea deciziilor financiare îl reprezintă sistemele expert. Aplicațiile economice sub forma sistemelor expert au început să ia amploare la sfârșitul anilor ’70, cu o dezvoltare majoră la mijlocul anilor ’80.
Există mai multe motive pentru care domeniul finanțelor este un domeniu atât de popular pentru aplicațiile de sisteme expert. Majoritatea problemelor din domeniul finanțelor pot fi descompuse în părți cantitative și părți calitative, iar într-o anumită măsură acestea pot fi formulate sub formă de reguli, fapte, cazuri forme sau rețele semantice. Astfel, domeniul finanțelor poate beneficia de aplicațiile care utilizează tehnologia sistemelor expert[Liebowitz98].
III.1.1. Aplicații pentru piața de capital
AESOP
Sistemul AESOP este o încercare de aplicare a metodologiei sistemelor expert în domeniul cotării acțiunilor la Bursa de valori americană (American Stock Exchange). AESOP integrează modelul matematic Black – Scholes pentru evaluarea cotațiilor cu un model simbolic sub forma unui sistem expert. Partea simbolică a sistemului reprezintă strategia cotării preluată de la specialiști ai American Stock Exchange Market (AMEX).
AESOP utilizează reguli pentru reprezentarea cunoștințelor, acestea fiind considerate un mijloc firesc de reprezentare deoarece American Stock Exchange lucrează cu o serie de reguli care se aplică opțiunilor de cotare. De asemenea, s-a observat că euristica utilizată de specialiști urmează structura dacă – atunci.
Modelul simbolic este reprezentat cu ajutorul a peste 3000 de linii scrise în PROLOG, cu 200 de predicate constând în 400 de clauze și aproape 1500 de termeni. Unele predicate captează regulile de cotare utilizate de specialiști și constituie baza de cunoștințe a sistemului, în timp ce alte predicate sunt utilizate la controlul execuției sistemului, în special la stabilirea priorității regulilor în strategia generală de cotare. Aceste reguli sunt în conformitate cu regulile ordinelor la termen, cu regulile AMEX și cu regulile de arbitraj.
La validarea sistemului s-a testat legătura dintre deciziile dezvoltate de sistem și deciziile la care au ajuns experții umani. Prețurile recomandate au fost comparate cu prețurile specificate de către experți în mai multe zile de utilizare a sistemului la bursă. Utilizatorul poate modifica orice recomandări, poate cere explicații asupra modului de raționare și/sau poate modifica parametrii și să ruleze din nou sistemul.
Utilizatorii interacționează cu sistemul prin intermediul interfeței utilizator sub formă de meniuri, gestionată de către modulul de control al sistemului. AESOP furnizează următoarele funcții:
introducerea și procesarea ordinelor la termen;
actualizarea contractelor, pozițiilor, etc.;
modificarea parametrilor din modelul Black – Scholes sau a diferențelor între prețul cerut și prețul oferit;
explicarea raționamentului pentru fiecare cotație individuală;
avertizarea utilizatorului asupra posibilităților de arbitrare;
modificarea manuală a oricărui preț recomandat;
afișarea valorii de prag sau modificarea acesteia pentru aplicarea regulilor de poziție;
urmărirea interacțiunii cu sistemul;
rularea modelului Black – Scholes.
Experimentul AESOP a demonstrat că integrarea modelelor matematice și simbolice oferă o perspectivă largă pentru asocierea de modele unor domenii specifice de probleme.
SIGNAL – cotații de piață în timp real pentru marii investitori
SIGNAL este unul din produsele firmei Data Broadcast Corporation, liderul mondial în furnizarea cotațiilor de piață și a altor date similare. Firma oferă informații legate de piața de capital investitorilor privați din întreaga lume. În acest scop utilizează produsele proprii: SIGNAL, QuoTreck, Shark și altele.
SIGNAL este o aplicație a inteligenței artificiale care oferă servicii multiple cum ar fi analize bursiere, programe de tranzacționare, identificarea posibilităților de arbitraj și valorificarea lor. Asigură avantaje considerabile față de un expert uman:
funcționează 24 de ore din 24;
permite efectuarea unor analize rapide
poate prelucra un volum mare de date, urmărind evoluția a peste 65000 de valori mobiliare, cotate la bursele din America de Sud;
toate serviciile sunt realizate în timp real, decalajul dintre momentul la care s-au obținut datele oferite și momentul la care ajunge la dispoziția investitorului fiind minim;
este confortabil, investitorul are posibilitatea de a gestiona singur valorile mobiliare deținute, utilizând calculatorul personal;
acoperă o arie geografică întinsă, putând fi utilizat de investitorii de pe tot continentul american.
Facilități specifice SIGNAL:
permite fixarea de praguri pentru prețul minimal sau maxim de tranzacție, respectiv pentru volumul tranzacționat, pentru fiecare valoare mobiliară sau contract;
va atenționa investitorul prin semnale audio sau video, în momentul în care se va încălca pragul setat pentru o valoare mobiliară;
oferă o serie de rapoarte zilnice care conțin sfaturi pentru investitori, știri și noutăți despre piață, comentarii.
Stock Investor Plus Fast Answer
Produs de firma Villagesoft, este o aplicație cu grafică puternică destinată celor care doresc să investească în acțiuni sau obligațiuni, precum și fondurilor mutuale. Oferă asistență în luarea deciziilor de vânzare sau cumpărare, prin afișarea valorii unor indicatori, grafice reprezentând evoluția prețului respectiv analize tehnice. Clarifică elementele componente ale ordinului: preșul de cumpărare sau de vânzare, data efectuării tranzacției, simbolul și descrierea valorii tranzacționate, comisionul perceput și câștigurile impozabile.
Stock Investor Plus Fast Answer este un sistem integrat format din modulele de gestiune a portofoliului și consultanță în plasamente. Referitor la gestiunea portofoliului, aplicația permite evaluarea și întreținerea acestuia, precum și crearea de noi portofolii, proces la care se ține cont de rata de rentabilitate a portofoliului, stabilită pe baza dividendelor, distribuției anterioare și a creșterilor. Se pot reprezenta grafic datele (volum, preț) referitoare la portofoliu, în ansamblu, precum și la fiecare valoare mobiliară din portofoliu. Prin utilizarea mouse-lui se pot mări porțiuni din grafic pentru o studiere mai detaliată.
Sarcinile utilizatorului se rezumă la actualizarea datelor utilizate. În acest sens, datele vechi trebuie șterse, trebuie introduse noile date care vor fi salvate. Avantajele produsului:
instalare ușoară;
ghidarea utilizatorului prin butoane;
se poate lista orice din program;
atenționarea utilizatorului prin alarme de vânzare sau cumpărare;
help contextual.
Integrative Stock System (ISS)
Elaborat de Yamaichi Securities. ISS reprezintă un sistem de gestiune a investițiilor în acțiuni, capabil să efectueze analize de piață multidimensionale. Ca intrări folosește resursele bazei de date centrale, date legate de piață obținute de la furnizorii de informații, precum și propriile baze de date dedicate. Are acces la rapoartele bursiere internaționale. ISS stabilește prețul corect al acțiunilor luând în considerare microfactori, macrofactori și alți factori legați de piață.
O caracteristică a pieței japoneze este prezența unor directive guvernamentale care specifică parametrii industriali individuali. Sistemul utilizează modele bazate pe aceste directive în vederea predicției comportamentului viitor al acțiunilor. Modelele permit efectuarea unor experimente, iar rezultatele acestora vor fi decisive pentru gestionarea portofoliilor. Modelele identifică posibilele anomalii și ajută tranzacționarea, în cazul în care consilierul financiar consideră că este necesară reorganizarea portofoliului.
ISS se poate aplica numai pe piața japoneză și pe cea americană.
Integrative Expert System (IES)
IES reprezintă o implementare euristică la Yamaichi Securities, care oferă utilizatorului sfaturi relativ la investițiile în valori mobiliare. Cuprinde 2 părți:
sistem de alarmă
proces de raționare
Sistemul de alarmă are rolul de a da semnale de vânzare sau cumpărare atunci când există indici că vor avea loc schimbări pe piață .Acest model clasifică toate companiile cotate în prima secțiune a bursei din Tokyo în 65 de sectoare industriale și ține cont de sensibilitatea fiecărui sector în raport cu indicatorii macroeconomici.
Procesul de raționare aplică reguli de inginerie fuzzy asupra celor mai recente date disponibile, folosind figuri geometrice pentru previziune.
Regulile sunt organizate pe 4 nivele:
1. macroreguli: vizează standarde referitoare la trendurile economiei generale care afectează piața de capital, aspecte privind alegerea industriei și acțiunii. Utilizează variabile cum ar fi: prețul mărfurilor, evoluția ratei dobânzii.
2. reguli privind ramura industrială: reflectă evoluția unor indicatori care caracterizează ramurile industriale.
3. microreguli: permit dezvoltarea standardelor necesare pentru selectarea acțiunilor individuale, indiferent de datele referitoare la industrie. Variabile folosite: abaterea cursului acțiunii față de media mobilă, riscul nediversificabil.
4. reguli individuale: arată preferințele individuale și restricțiile impuse de investitori și autorități.
Se determină o medie ponderată a semnalelor de vânzare sau cumpărare care va reflecta viziunea investitorului asupra pieței.
IES utilizează un subsistem pentru gestiunea regulilor care analizează structura regulilor, sensibilitatea lor și poate adăuga noi reguli. Structura regulilor se evaluează prin determinarea consistenței lor pe baza echilibrării. Sensibilitatea regulilor se determină prin studierea efectelor pe care le are modificarea regulii asupra semnalelor de vânzare sau cumpărare.
IES se poate utiliza și pentru evaluarea portofoliilor existente în vederea maximizării ratei venitului proprie acestuia.
Investment Advisor System
Sub această denumire se ascunde un sistem de consultanță în plasamente elaborat și dezvoltat de Nomura Securities. Particularitatea acestei firme de investiții japoneze constă în strategia sa de popularizare a produselor și serviciilor sale printr-o largă distribuire a informațiilor economice și financiare. Folosind calculatorul de acasă, investitorul poate utiliza acest sistem expert online și interactiv.
Primul model al sistemului este un analizator al profilului clientului care adresează întrebări de genul:
motivul pentru care clientul dorește investiții orientate spre economii este: cumpărarea unei mașini, case, pentru căsătorie, etc.
planuri pentru retragere, pensionare, anuități, etc.
mărimea cheltuielilor cu consumul;
câștigul lunar al clientului;
vârsta;
existența unor obligații financiare;
dacă utilizează serviciile financiare ale altor societăți de valori mobiliare;
ce valori mobiliare deține, venitul acestora, maturitatea;
ritmul dorit de creștere;
venitul dorit.
Întrebările sunt adresate interactiv, prin chestionare scurte și simple, sau mai complexe cu explicații care pot fi trimise prin fax clienților dacă este nevoie.
Sistemul online prezintă toate produsele financiare oferite de Nomura. Utilizatorul va selecta produsul pe care îl consideră cel mai adecvat scopului său investițional. Apoi unul din modulele sistemului expert, integratorul de portofoliu, oferă sugestii pe baza sumei pe care utilizatorul dorește să o investească. În funcție de răspunsul clientului, sistemul interactiv se va orienta spre acțiuni sau obligațiuni convertibile (portofoliu agresiv) sau către produse Nomura mai conservative (ex. Obligațiuni de stat).
Intelligent Trading Assitants (ITA)
ITA reprezintă un sistem menit să simplifice activitatea traderilor, prin executarea automată a unor operații de rutină, efectuarea calculelor complexe necesare, respectiv prin atenționarea traderului asupra pericolelor care apar odată cu modificările condițiilor de pe piață. O cerință esențială pentru ITA este să lucreze în timp și spațiu real. ITA preia o parte din sarcinile traderului, le rezolvă și raportează, întocmai ca un asistent. Acesta oferă propuneri privind:
numărul și tipul valorilor mobiliare care trebuie vândute și cumpărate, respectiv prețul optim;
unde sunt necesare „stopuri”;
care sunt limitele de preț sub care afacerea nu poate fi încheiată;
administrația financiară, întreținerea pozițiilor deschise.
De asemenea, ITA cuprinde:
modele pentru monitorizarea prețului și volumului mișcărilor pentru toate acțiunile, obligațiunile, metalele prețioase și alte mărfuri pentru care investitorul prezintă interes;
module care ilustrează părerea expertului relativ la rezultatele obținute în modulul anterior.
ITA trebuie să identifice cea mai bună cerere și ofertă pentru o anumită valoare mobiliară, să compare prețurile utilizând grafice, astfel încât traderul să fie scutit de consultarea statisticilor. Concomitent trebuie să permită investitorului să experimenteze cu date reale provenite de la furnizorii de informații financiare. ITA permite automatizarea completă a activității de tranzacționare.
ZETA – „Real Time Securities Trading Assistant”
Strategia acestui sistem destinat asistenței în tranzacții constă în determinarea acțiunilor care se mișcă în sens contrar grupei din care face parte, la bursa unde este cotată. Această mișcare trebuie să se refere la un volum mare de acțiuni pentru a fi semnificativ din punctul de vedere al trendului.
Se reprezintă modificarea prețului valorilor mobiliare:
în trecutul apropiat ( cu 2 minute înainte);
de la deschiderea ședinței de tranzacționare.
ZETA aplică un set de reguli bazate pe cunoștințe asupra unui flux de date legate de piață obținute în timp real (ex. cursul, volumul tranzacțiilor, indicatori financiari).
Dacă volumul tranzacționat dintr-o valoare mobiliară este mai mare decât media, se analizează modificarea prețului în perioada imediat precedentă. Dacă în urma analizei de indică luarea unei poziții long (de cumpărare) sau a uneia short (de vânzare), se analizează modificarea prețului față de prețul de deschidere pentru a determina fermitatea recomandării (puternic mediu, slab).
Prin urmare, dacă se detectează o modificare considerabilă în volumul tranzacționat dintr-o acțiune, ZETA va examina modificarea prețului în minutele precedente. Dacă prețul a crescut, sistemul expert va sugera o poziție long, propunere care va apărea în fereastra utilizator. În caz contrar se recomandă o poziție short.
În cazul în care analiza va indica existența unor oportunități de investiție în anumite valori mobiliare, în prealabil se verifică media prețurilor precedente ale valorii în cauză, în comparație cu prețurile existente în sectorul de activitate din care face parte firma în emitentă. Dacă prețul se modifică în sens contrar sectorului, se verifică și modificarea față de prețul de deschidere. Dacă mișcarea este contrară sistemul propune din nou luarea poziției recomandate, menționând faptul că propunerea se bazează doar pe o modificare a cursului pe termen scurt. Sistemul monitorizează mișcările care au loc în vederea detectării imediate a unei modificări radicale a situației, ceea ce presupune retragerea propunerii anterioare.
În prezent ordinele se execută automat, iar modificările pe care le cauzează sunt aduse la cunoștința investitorilor în câteva secunde.
MIRI – Mitsubishi Research Institute
Cercetătorii de la MIRI au dezvoltat un sistem expert pentru tranzacționare, care permite stabilirea trendului pieței pentru ziua următoare. Sistemul se bazează pe construirea unui model. Odată obținut, modelul este comparat cu realitatea. Astfel se examinează acțiunile și obligațiunile, pentru a determina în ce măsură se încadrează în model. La construirea modelului se apelează la reprezentarea prin reguli a cunoștințelor, considerând că sunt insuficiente cunoștințele unui expert uman.
Mitsubishi a dezvoltat și un alt sistem expert, destinat clasificării obligațiunilor și identificării celor mai eficiente dintre acestea. În acest scop identifică principalele caracteristici ale fiecărei obligațiuni în parte, subliniază punctele tari și cele slabe, după care le compară.
Construirea regulilor se bazează mai puțin pe cunoștințele specialiștilor, cât pe răspunsurile din chestionarele completate de clienții băncii, ceea ce reprezintă o particularitate.
III.1.2. Aplicații privind împrumuturile comerciale
Sistemele de aprobare a împrumuturilor reprezintă aplicații deosebit de populare ale sistemelor expert. Acestea sunt de obicei sisteme de luare a deciziilor în mai mulți pași. Un sistem expert poate efectua primul pas, de obicei consistența logică a aplicării împrumutului, rentabilitatea creditării, etc. Atunci când nu poate fi luată o decizie de respingere sau o decizie majoră, aplicația poate fi transmisă unui expert pentru o trecere în revistă ulterioară. Această separare a luării deciziilor de rutină sau a deciziilor mai complexe poate fi deosebit de benefică, în special în cazul în care deciziile d rutină reprezintă cea mai mare parte a procesului de luare a deciziilor.
Dun & Bradstreet Expert System (D&B)
Sistemul D&B de regularizare a creditelor asigură analiza riscului pentru producători, vânzătorii cu ridicata, intermediari, și marketerii în industria îmbrăcămintei. Sistemul întreține și actualizează o bază de date de ratinguri pentru creditare pentru peste 200.000 de activități din Statele Unite, pe care o utilizează pentru a face recomandări în privința valorii creditelor către clienți.
Dificultățile în actualizarea datelor și inconsistența recomandărilor au condus la dezvoltarea acestui sistem expert de analiză a creditelor. Sistemul tratează peste 90% din cererile de creditare, și constă dintr-o bază de cunoștințe de peste 100 de reguli și alte baze de date asociate.
Avantajele imediate ale sistemului au fost:
reducerea timpului de răspuns de la peste 3 zile la mai puțin de 1 minut;
îmbunătățirea consistenței recomandărilor efectuate.
CREDEX
Sistemul ajută la evaluarea riscurilor ce apar la acordarea creditelor. Obiectivul acestuia este acela de a asista analiștii responsabili cu creditele bancare la evaluarea companiilor care solicită creditare, efectuând o asociere între nivelul riscului și cererea de creditare, împreună cu explicațiile necesare.
CREDEX utilizează date economice, financiare și sociale referitoare la companie și domeniul în care aceasta operează, precum și date referitoare la politica bancară în domeniul împrumuturilor. Sistemul furnizează o diagnoză pentru fiecare funcție a companiei, evidențiind punctele forte și cele slabe, și pune accentul pe nivelul parțial al riscului asociat fiecărei dintre aceste funcții. Mai mult decât atât, sistemul evaluează nivelul general al riscului care rezidă în acordarea creditului și furnizează recomandări privind acceptarea împrumutului.
Modelul
Sistemul CREDEX este constituit dintr-un meta – expert, experți de domeniu și experți de evaluare. Meta – expertul distribuie controlul între diferiții experți și monitorizează procesul de rezolvare a problemei. Experții de domenii sunt activați în ordinea importanței. Atunci când un expert de domeniu își îndeplinește sarcina, meta – modelul selectează unul din experții de evaluare pentru a trata sarcina curentă.
Experții de domenii cuprind expertul comercial, expertul financiar, expertul producției și operațiilor și expertul de gestiune. Acești experți deduc importanța caracteristicilor subdomeniului lor și efectuează o primă evaluare a punctelor forte și a celor slabe, precum și a riscurilor elementare asociate. Expertul comercial analizează calitatea funcției comerciale. Expertul financiar evaluează datele financiare și contabile. Expertul producției și operațiilor tratează datele referitoare la producție, la cercetare și dezvoltare, iar expertul de gestiune evaluează echipa de manageri și structura capitalului.
Experții de evaluare cuprind expertul de regularizare, expertul lexicografic, expertul disjunctiv și expertul conjunctiv. Aceștia conțin modele cognitive generale de procesare a informațiilor și efectuează analize mai complexe. Experții de evaluare examinează riscurile elementare și importanța lor, și le combină într-un risc parțial prin intermediul unor reguli generale de decizie lexicografice, de regularizare sau conjunctive.
b) Reprezentarea cunoștințelor și mecanismul de raționare
CREDEX este construit pe baza motorului de inferență și a formalismului SNARK. Cunoștințele sunt reprezentate în logica predicatelor de ordinul I și, în unele cazuri, în logica predicatelor de ordinul II. Sistemul conține peste 300 de reguli. Euristica de raționare este formalizată în sistemul clasic al regulilor de producție.
În memoria de lucru, proprietățile obiectelor, legăturile dintre acestea și declarațiile sunt reprezentate prin triplete asociative de forma <obiect relație valoare>, unde relațiile și valorile pot fi de asemenea obiecte structurate.
Strategia de control a sistemului este orientată atât către obiective, cât și către date.
c) Performanțele sistemului
Sistemul operează în 2 moduri:
diagnoză: oferă un raport final după fiecare proces de diagnoză a funcțiilor companiei;
evaluare: cu ajutorul unei anumite euristici, sistemul poate ajunge mai rapid la concluzii prin omiterea unor funcții de la diagnoză.
La inițializare, sistemul pune utilizatorilor următoarele întrebări:
Modul de operare: diagnoză sau evaluare;
Elementul care va fi evaluat: nume, tip, domeniu;
Perioada de evaluare: inițială sau la sfârșit de an;
Metoda de ponderare pentru funcțiile companiei: prestabilită sau precizată de utilizator.
Este inițializat apoi procesul de raționare; sistemul ghidează utilizatorul cu ajutorul unei secvențe logice de întrebări, asigură diagnoză pentru fiecare funcție a companiei, afișează o evaluare calitativă și recomandă acțiunile care ar trebui efectuate pentru îmbunătățirea calității respective. La final, sistemul tipărește o evaluare calitativă globală privind riscul de companie.
COMPASS
COMPASS a fost dezvoltat de Banca Națională a Scoției pe parcursul unei perioade de 7 ani, intrând efectiv în funcțiune în anul 1994. Inițial a fost aplicat în cazul tuturor împrumuturilor comerciale care depășeau 375.000 USD. Costurile de producție au fost recuperate pe parcursul etapei de validare, iar de la introducerea în funcțiune a sistemului, banca nu a mai suferit pierderi asociate împrumuturilor nou acordate de aceste dimensiuni.
COMPASS a fost scris în C++ și rulează atât în mediul WINDOWS, cât și în mediul OS/2. Definirea modulară a sistemului permite înlăturarea datelor și informațiilor specifice Băncii Naționale a Scoției, și adaptarea shell – ului generic rămas pentru orice bancă de pe orice piață pentru efectuarea unor evaluări similare a împrumuturilor. De la mijlocul anului 1995, COMPASS a fost testat și utilizat de mai multe bănci din Marea Britanie, Irlanda, din unele țări europene, precum și de bănci de pe alte continente.
Modelul
COMPASS este un sistem bazat pe reguli. Baza de cunoștințe încorporează expertiza responsabilului care conduce evaluarea împrumuturilor. Sistemul este destinat să fie utilizat de către ofițerii de împrumuturi, care pot accepta sau nu recomandările propuse de sistem.
Pe parcursul unei consultări, COMPASS accesează informațiile centrale stocate referitoare la client și la acordurile existente cu clientul respectiv, și utilizează datele contabile ale clientului de-a lungul a 7 ani: 3 ani anteriori, anul curent și 3 ani următori.
Sistemul cuprinde 3 module cheie:
VIABILITATE: capacitatea clientului de a îndeplini activitatea propusă;
SIGURANȚĂ: evaluarea modului de restituire a împrumutului;
CREDIBILITATE: modul în care clientul este cunoscut de către bancă, pe baza unor factori calitativi, cum ar fi stilul de conducere.
Astfel, sistemul filtrează informațiile specifice calitative și cantitative ale clientului, ajustează corespunzător valorile contabile și prezintă recomandările sale ofițerului de împrumuturi, acesta putând apoi să explice recomandările clientului într-un mod relevant și informativ.
Sistemul oferă posibilitatea de asistare a procesului, prin elaborarea câte unui raport în limbaj natural la sfârșitul fiecărui proces de consultare, raport care conține recomandările propuse ofițerului de împrumuturi la cererea de împrumut a clientului. Întregul proces de consultare durează 5 minute și jumătate, în comparație cu un timp de o săptămână necesar sistemului utilizat anterior.
b) Validarea
Primul prototip a fost finalizat în 1988, iar primul sistem complet supus testării a fost în 1992. Testarea inițială a fost efectuată de personalul băncii. În 1993, acestora li-i sau alăturat contabili de la una din marile companii internaționale de contabilitate.
c) Implementarea
La mijlocul anului 1994, sistemul era instalat la 20% din sucursalele băncii de pe cuprinsul Marii Britanii, acoperind 80% din portofoliul de împrumut al băncii. În decurs de 1 an, sistemul a fost instalat complet și a fost extins pentru a fi utilizat în cazul tuturor împrumuturilor care depășeau 15.000 USD.
CUBUS
CUBUS furnizează o evaluare a bilanțului anual a clienților comerciali. Testarea în peste 1000 de cazuri a demonstrat că sistemul este la fel de bun ca și un specialist cu experiență, indicând capacitatea financiară a unei companii.
Sistemul a fost scris în ART-IM și efectuează o analiză completă a bilanțului contabil într-un timp de doar 3 minute.
PARMENIDE
PARMENIDE a fost dezvoltat de către Banca Italiană din Napoli. Sistemul trece în revistă împrumuturile pe baza predicției poziției viitoare a companiei care cere împrumutul. La analiză sunt luate în calcul managementul, bazele companiei și piața de care dispune. De asemenea, sistemul utilizează informațiile oferite de diferitele agenții privind poziția pe piață a companiei.
Sistemul orientează ofițerul de împrumuturi pe parcursul întregului proces, dar necesită introducerea unei expertize generice a riscului de către expertul în împrumuturi al băncii și nu de către ofițerul de împrumuturi.
KABAL
KABAL este un sistem expert de autorizare a împrumuturilor bancare dezvoltat de Banca Comercială Troms din Norvegia. Sistemul efectuează analiza declarațiilor financiare, luând în calcul și garanțiile, piața companiei și structura de organizare și de conducere a companiei. Utilizatorul este orientat pe parcursul evaluării, dar există și puncte unde ofițerul de împrumuturi trebuie să dețină o expertiză destul de complexă.
EVENT
Împrumutul unor bani reprezintă una din activitățile principale ale oricărei bănci. O bancă trebuie să decidă dacă acordă sau nu un împrumut pe baza evaluării capacității clientului de a restitui împrumutul în condițiile impuse de bancă. Această sarcină se repetă des și către diferiți clienți, necesitând personal bancar care să efectueze aceleași operații de rutină la procesarea cererilor de împrumut. EVALOG, o bancă franceză, a dezvoltat sistemul EVENT pentru evaluarea credibilității și performanțelor unei companii, cu scopul de a face recomandări referitoare la acordarea de credite. Sistemul ia în calcul o serie de factori, cum ar fi structura financiară, mărimea, performanțele echipei de conducere, atunci când evaluează riscul acordării unui împrumut unei companii.
Sistemul a condus la micșorarea costurilor procesării cererilor de împrumut de peste 10 ori, a crescut capacitatea totală de evaluare și a micșorat riscul expunerii băncii.
III.1.3. Aplicații privind investițiile de capital
Management Advisor
Sistemul este utilizat la luarea deciziilor care implică investiții financiare în noi oportunități de afaceri, fiind destinat a fi utilizat de către directori și manageri. Sistemul ia în calcul elementele financiare, riscul, perioada de timp, concurența și impactul asupra organizației. Printre elementele financiare luate în calcul se numără prețurile, cota de piață, deprecierea și taxele.
Utilizatorii pot personaliza sistemul expert în funcție de terminologia proprie, de prezumțiile financiare și de preferințe.
Sistemul conține în jur de 200.000 de linii de cod scrise în PSL, un limbaj bazat pe LISP.
AFFIN
Sistemul este utilizat de către managerii băncilor la evaluarea proiectelor industriale de investiții. Acesta determină fezabilitatea și oportunitatea economică a proiectului propus. Sunt luate în calcul considerații legate de producție, cum ar fi amplasarea clădirii și aspecte tehnologice, precum, evaluarea structurii companiei, angajați și conducere, și elementele financiare ale companiei.
AFFIN efectuează o analiză de piață luând în considerare descrierea produsului, mărimea și segmentarea pieței, precum și previziunile asupra vânzărilor.
Sistemul a fost scris în limbajul C și utilizează atât reguli, cât și rețele semantice.
Cash Flow Profiler
Sistemul a fost scris cu ajutorul shell-ului de sisteme expert Leonardo Level III, este bazat pe reguli și include legături cu pachete externe – un SGBD și un tabelor.
Sistemul efectuează o estimare a fluxului de numerar a proiectelor de capital, luând o decizie în privința acceptării sau respingerii proiectului. Estimările sunt efectuate la 3 nivele: cea mai bună soluție, limita inferioară și limita superioară. Baza de cunoștințe a fost construită utilizând fluxurile de numerar ale unui număr de 76 de proiecte, și de asemenea pe baza interviurilor cu 4 experți în domeniu. Odată cu noile proiecte evaluate de sistem, rezultatele sunt adăugate în baza de date, iar parametrii sunt ajustați în mod corespunzător.
PROJECT
PROJECT este utilizat de către autoritățile locale din Franța la testarea impactului financiar a unui portofoliu de proiecte. Baza de cunoștințe include informații privind aspectele legislative ale impozitării locale și informații referitoare la costurile de operare asociate investițiilor generice, de exemplu în cazul școlilor.
III.1.4. Predicting Stock Market Behaviour
Prototipul sistemului dezvoltat de Braun și Chandler (1987) pe baza inducerii regulilor, reprezintă o încercare de a pune la dispoziția analiștilor de pe piața acțiunilor un instrument care să combine atât mărimi cantitative, cât și de clasificare.
Modelul
Metoda inducerii regulilor se bazează pe învățarea din exemple. A fost utilizat un sistem ACLS (Analog Concept Learning System) pentru analiza exemplelor date și pentru formularea regulilor de decizie. Regulile au fost generate pe baza expertizei furnizate de către un specialist cu 12 ani de experiență pe piața acțiunilor.
Reprezentarea cunoștințelor
Cunoștințele au fost reprezentate sub forma unor reguli induse. Expertul a identificat cele mai relevante 20 de sugestii, care împreună cu rezultatele au constituit baza de exemple. Pentru clasificarea recomandărilor săptămânale au fost utilizate 3 categorii de rezultate: „taur” (bullish – predicția unui tendințe crescătoare), „urs” (bearish – predicția unei tendințe descrescătoare) și neutră (indicând un risc ridicat). Baza de exemple include datele de la momentul închiderii pentru un anumit număr de săptămâni. Pentru prototip, de exemplu, au fost utilizate datele de la momentul închiderii în ziua de vineri a fiecăreia din cele 108 săptămâni din perioada 20 martie 1981 – 9 aprilie 1983, date luate din Wall Street journal.
III.1.5. Probleme de cercetare și tendințe
Problemele de cercetare pot fi clasificate în 3 categorii[Liebowitz98]:
Statistice, de dezvoltare de modele și de validare: În majoritatea cazurilor aceste probleme sunt asociate nu numai sistemelor expert, dar și oricărei proceduri statistice. De exemplu, pentru a fi folositor într-o aplicație, un sistem comercial trebuie validat cu ajutorul unei funcții obiectiv specifice strategiei comerciale și obiectivului (ex. maximizarea profitului). Un alt element îl constituie compararea rezultatelor unui sistem expert cu rezultatele rețelelor neuronale, a modelelor statistice clasice și a experților umani. Evaluarea diferitelor sisteme necesită, desigur, mijloace și mărimi diferite, dar, în final, comparația trebuie să releve modul în care un sistem sau altul conduce la obiectivele stabilite.
Probleme cognitive: O metodă de dezvoltare a sistemelor inteligente este de a obține un sistem care să rezolve corect probleme, indiferent dacă sistemul reproduce sau nu inteligența umană. Desigur că înțelegerea abilității oamenilor de rezolvare a problemelor și de efectuare a unor judecăți de valoare este și va fi benefică la definirea sistemelor. O problemă importantă pentru dezvoltarea sistemelor o reprezintă înțelegerea caracteristicilor diferitelor sarcini și a caracteristicilor expertizei umane, rezultată în asocierea corespunzătoare a diferitelor tipuri de sisteme inteligente care dețin caracteristicile de achiziție și reprezentare a cunoștințelor, respectiv de raționare, cele mai potrivite pentru sarcina în cauză.
Acceptarea utilizatorului: Dezvoltarea sistemelor trebuie să fie privită întotdeauna din punct de vedere al utilizatorilor, utilitatea, ușurința în utilizare și capacitatea de explicare reprezentând ingredientele cheie pentru ca un sistem inteligent să aibă succes.
Este nevoie de o cercetare minuțioasă pentru a identifica abordarea cea mai potrivită a problemelor financiare cu ajutorul sistemelor inteligente. De exemplu, sistemele expert și rețelele neuronale au împreună capacitatea de a furniza soluții pe care nici una din cele 2 tehnologii nu le pot furniza în mod individual. Viitorul va aduce o integrare mai pronunțată a diverselor tipuri de sisteme de inteligență artificială pentru a maximiza punctele forte și a minimiza slăbiciunile acestora. De asemenea, este necesară o documentare empirică privind acceptarea sistemelor inteligente drept instrumente suport de decizie viabile pentru profesioniștii din finanțe și din alte domenii.
III.2. Contabilitate și audit
Utilizarea sistemelor expert drept mijloace de asistare a deciziilor și de rezolvare a problemelor contabile a cunoscut o creștere tot mai mare în ultimul timp. Următoarele firme internaționale de contabilitate utilizează în mod curent sisteme expert:
Arthur Andersen & Company;
Coopers & Lybrand;
Deloitte & Touche;
Ernst & Young;
KPMG Peat Marwick;
Proce Waterhouse.
Aceste companii utilizează sisteme expert la efectuarea diverselor sarcini care aparțin practicilor contabile privind taxele, auditul, planificarea și consulting-ul. În figura III.1. sunt prezentate principalele domenii în care sunt utilizate sistemele expert. Domeniile conexe sunt legate prin linii întrerupte[Vasarhely95].
Figura III.1. Domeniile contabile în care sunt utilizate sisteme expert
III.2.1. Aplicații
Audit
Dezvoltare programe de lucru. Aceste sisteme planifică programe de audit complexe pentru anumiți clienți de audit. Programele de audit elaborate de către aceste sisteme expert includ proceduri și teste specifice care vor fi utilizate în procesul de audit. Există aici 2 direcții de dezvoltare urmate:
sisteme expert elaborate în limbaje tradiționale care duc la o îmbunătățire a capacității de tratare a elementelor complexe;
un sistem expert care controlează planificarea procesului de audit.
Exemple:
Expertest (Cooper & Lybrand): utilizează informații privind activitatea clientului și identifică deciziile strategiei de audit pentru a indica un program de audit corespunzător clientului respectiv din cele 19 programe generale de audit introduse în baza sa de cunoștințe.
Audit Planning Advisor (Deloitte & Touche): este un sistem de planificare a auditului bazat pe reguli; cuprinde peste 1000 de întrebări referitoare la domenii de interes general sau particular, grupate în funcție de zona de audit; rezultă o primă schiță detaliată a programului de audit.
COMPAS – Computerized Planning Advisory System (Price Waterhouse): a fost definit pentru asistența auditorilor la selecția combinației de proceduri de audit care să asigure o eficiență maximă din punct de vedere al costurilor, precum și din punct de vedere al adresării corespunzătoare a evaluărilor de audit.
Evaluare control intern. Aceste sisteme asistă auditorii în evaluarea credibilității activității de control intern al unui client. Unele sisteme asigură asistență pentru evaluarea unor medii particulare, în timp ce altele sunt mai generale.
Exemple:
Internal Controls Expert (Deloitte & Touche): asistă auditorii la documentarea și evaluarea controlului intern, elaborând o părere privind gradul de risc al angajamentului. Sistemul integrează complet standardele de audit pentru companii, precum și alte standarde de audit general acceptate.
Detailed Planning Practice Aid (Price Waterhouse): a fost creat pentru a ajuta auditorii la documentarea privind punctele de control existente, precum și la locurile unde acestea ar trebui să existe; de asemenea, sistemul este util pentru a evalua acuratețea controlului intern și a propune locuri suplimentare pentru control.
Analiza riscului. Aceste sisteme estimează riscul auditului pe baza unei evaluări a controlului intern efectuate independent, sau pe baza unei combinații între evaluarea controlului intern și analiza riscului.
Exemple:
Risk Advisor (Coopers & Lybrand): este un sistem expert creat pentru interpretarea informațiilor financiare și non – financiare ale unui client, cu scopul de identificare și cuantificare a riscurilor potențiale. Sistemul accesează o bază de date on – line pentru obținerea informațiilor industriale utilizate la comparare.
Risk Assesment (Price Waterhouse): a fost destinat inițial clienților din producție și distribuție, urmând ca o versiune ulterioară să fie destinată băncilor.
Acumulare taxe. Aceste sisteme asistă auditorii la calcularea acumulărilor impozitului pe venit al unui client, precum și calcularea sumelor amânate la plată.
Exemple:
ExperTAX (Coopers & Lzbrand): sistemul utilizează peste 3000 de reguli sub forma unui chestionar inteligent care asistă auditorii și profesioniștii din domeniul fiscal la colectarea și trecerea în revistă a datelor pentru acumularea taxelor și pentru scopuri de planificare a taxelor. ExperTAX a dus la îmbunătățirea productivității personalului contabil, a calității informațiilor și la accelerarea procesului de instruire a personalului. De asemenea, ExperTAX a determinat îmbunătățirea funcțiilor de analiză prin relevarea și descrierea elementelor și alternativelor privind acumularea și planificarea taxelor.
FAS96 (Deloitte & Touche): este un sistem expert utilizat la determinarea acumulărilor de taxe pe baza Declarației 96 a standardelor privind conturile financiare.
Concordanță publicare. Auditorii sunt asistați în procesul de verificare ca toate declarațiile fiscale obligatorii să fie făcute publice.
Exemplu:
Financial Disclosures (Arthur Anderson & Company): Rthur Anderson a dezvoltat un sistem expert care să asiste auditorii să determine dacă toate declarațiile obligatorii sunt făcute publice de către un anumit client.
Elemente speciale legate de audit. Aceste sisteme includ sisteme expert elaborate pentru asistarea auditorilor cu o serie de subiecte contabile, cum ar fi estimarea provizioanelor pentru pierderi din împrumuturi sau tratarea tranzacțiilor în monedă străină.
Exemple:
ExempTAX (Coopers & Lybrand): este un sistem expert de diagnoză pentru organizațiile scutite de taxe, expuse plății impozitului pe venit și dificultăților în menținerea statutului de scutire de taxe.
SFAS80 – Accounting for Foreign Currency Transactions & Hedges (KPMG Peat Marwick): a fost dezvoltat pentru a asista contabilitatea tranzacțiilor în monedă străină. Sistemul servește la instruirea informală și ca referință pentru auditori.
Loan Probe (KPMG Peat Marwick): sistemul abordează problema analizei împrumuturilor bancare de către auditori, prin utilizarea unei baze de cunoștințe de peste 8500 de reguli. Sistemul înmagazinează cunoștințele experților bancari ai companiei, precum și statistici și proiecții din peste 170 de ramuri industriale.
Suport tehnic. Aceste sisteme asistă auditorii cu diferite aspecte contabile ale procesului de audit.
Exemplu:
Sample Sizer (Cooper & Lybrand): sistemul face recomandări privind dimensiunea optimă a eșantioanelor și redă intervalul corespunzător al erorii tolerabile, pe baza informațiilor numerice și a estimărilor privind calitatea și eroarea procesului de audit.
Taxe
Planificarea generală a taxelor unei companii. Asistă contabilii la structurarea tranzacțiilor și la alegerea metodelor contabile care să determine minimizarea taxelor datorate. Sistemele care asigură asistență pentru elemente individuale ale planificării taxelor unei companii se încadrează în categoria elementelor speciale.
Exemplu:
Corporate Tax Analysis Tool (KPMG Peat Marwick): instrumente de proiectare și analiză pentru planificarea taxelor unei companii. Varietatea și complexitatea domeniului a determinat efectuarea unor analize minuțioase în vederea stabilirii obiectivelor și structurii sistemului.
Planificarea generală a taxelor internaționale. Aceste sisteme asigură asistență la structurarea organizațiilor și a tranzacțiilor internaționale în vederea minimizării taxelor totale datorate. Sunt avute în vedere atât legile fiscale interne ale diferitelor țări cât și tratatele internaționale privind taxele. Sistemele care asigură asistență pentru un element individual sunt incluse în categoria elementelor speciale.
Exemple:
World Tax Planner (Deloitte & Touche): este un sistem de asistență pentru optimizarea taxelor internaționale.
International Tax Advisory System (Price Waterhouse): asigură asistență în recunoașterea elementelor privind taxele internaționale. Sistemul monitorizează situația curentă a unui client și acordă asistență la planificarea anumitor tranzacții ale acestuia.
CLINTE (Coopers & Lybrand): sistemul optimizează situația pe plan internațional a unei companii, din punct de vedere fiscal, pe baza unor restricții definite de utilizator. Sistemul utilizează 2 modele de bază: un model al corporației, constând într-o ierarhie de companii, și un model internațional bazat pe aplicarea legilor fiscale în cazul companiilor multinaționale.
Planificarea generală a impozitului pe venit individual. Aceste sisteme asigură planificarea impozitului pe venit. Sistemele care asigură asistența în cazul unor elemente specifice ale impozitului pe venit, cum ar fi determinarea statului de rezidență, sunt incluse în categoria elementelor speciale.
Exemple:
AAFINPLAN (Arthur Anderson & Co.): reprezintă noua versiune a sistemului PLANMAN creat pentru a furniza planificarea financiară a personalului, atât pentru persoane fizice, cât și pentru membrii unor asociații de angajați.
Personal Financial Analysis (Price Waterhouse): reprezintă un pachet de servicii furnizat de o familie de sisteme expert, disponibil pentru companiile client pentru Price Waterhouse.
Verificare concordanță. Aceste sisteme determină respectarea reglementărilor fiscale de către o anumită companie. Procesul de verificare a concordanțe consistă în interpretare și clasificare, informațiile privind o anumită situație fiind interpretate în comparație cu un set de reguli pentru ca situația analizată să poată fi clasificată. De exemplu, au fost dezvoltate sisteme care să determine dacă o companie client este în concordanță cu cerințele pentru scutirea de taxe, în conformitate cu regulile COBRA (legea americană privind asigurările medicale ale angajaților) sau reglementările privind taxa pe valoarea adăugată din Marea Britanie. Aceste sisteme reprezintă primul răspuns la noile legi fiscale, noile reglementări guvernamentale sau standarde de raportare financiară.
Exemplu:
VATIA – Value Added Tax Inteligent Assistant (Ernst & Young): asigură asistență auditorilor la trecerea în revistă a procedurilor unui client în scopul de a asigura respectarea legilor privind taxa pe valoarea adăugată.
Elemente speciale. Aceste sisteme tratează elemente particulare legate de taxe, de exemplu, dacă o persoană este rezident străin.
Exemplu:
COBRA Expert (Price Waterhouse): sistemul a fost astfel dezvoltat încât să fie utilizat atât de către experții companiei Price Waterhouse), cât și de către firmele client pentru asistență în tratarea corespunzătoare a beneficiilor angajaților pe baza regulilor COBRA (legea americană pentru asigurări medicale ale angajaților).
Consulting
Sisteme expert contabile. Acestea sunt sistemele expert dezvoltate de către firmele de contabilitate pentru clienți.
Exemplu:
PRA – Passanger Revenue Accounting (Arthur Anderson & Co): integrează mai multe sisteme expert într-un sistem de procesare a imaginilor, care verifică automat prețul de vânzare al fiecărui bilet, introduce tranzacția în Cartea Mare și verifică dacă comisionul și taxa pe vânzări sunt corect calculate și plătite.
Ashell (Coopers & Lybrand): este utilizat pentru dezvoltarea și întreținerea sistemelor expert în audit, și reprezintă un sistem general care acoperă întregul proces de audit: planificarea, execuția și generarea automată a documentelor și a rapoartelor de audit.
Planificare financiară personală. Elaborează planuri financiare generale pentru persoane individuale sau pentru familii. Aceste sisteme sunt cuprinse în categoria Consulting deoarece sunt utilizate de către firmele de contabilitate publice pentru furnizarea serviciilor de planificare financiară către angajații companiilor client ca și beneficii.
Exemple:
AAFINPLAN;
Personal Financial Analysis.
Sisteme suport
Dezvoltare soft pentru sisteme expert contabile. Această categorie include shell-uri pentru sisteme expert definite special pentru aplicații contabile.
Exemplu:
Oshell (Coopers & Lybrand): este un shell pentru sisteme expert care a fost utilizat pentru dezvoltarea sistemului ExperTAX. A fost construit un sistem de întreținere a bazelor de cunoștințe (KBMS) pentru sistemele dezvoltate cu ajutorul acestui shell.
Selectare soft. Această categorie include sisteme care acordă asistență în selectarea soft-ului corespunzător.
Transfer informații. Aceste sisteme acordă asistență pentru conversia fișierelor dintr-un format în altul sau pentru achiziția informațiilor din calculatoarele clienților.
Exemplu:
Micro DataCentre (Ernst & Young): furnizează asistență privind modul optim de obținere a datelor din calculatoarele clienților.
III.2.2. Probleme de cercetare și tendințe
Care sunt efectele sistemelor expert contabile în cazul sarcinilor, a utilizatorilor și a organizațiilor?
Sunt necesare analize suplimentare asupra efectelor, în special în subdomeniile contabilității în care utilizarea sistemelor expert s-a răspândit rapid în ultimii ani, cum ar fi fiscalitatea și contabilitatea de gestiune. O astfel de cercetare este necesară pentru organizațiile contabile, pentru dezvoltatori și pentru utilizatori. Organizațiile trebuie să știe dacă decizia strategică de implementare a sistemelor expert a condus la rezultatele așteptate. Dezvoltatorii trebuie să cunoască efectele utilizării unui anumit sistem pentru a putea modifica sau îmbunătăți proiectele următoare. Utilizatorii sunt de obicei reticenți la schimbările tehnologice. De aceea, o mai bună înțelegere a efectelor sistemelor expert va înlătura anxietatea și posibilele nemulțumiri[Vasarhely95].
Ce facilități de explicare sunt necesare pentru maximizarea utilității unui anumit sisteme expert?
Facilitatea de explicare a sistemelor expert este îndeosebi necesară atunci când utilizarea SE va influența dezvoltarea expertizei utilizatorilor. Studiul diverselor tipuri de explicații va ajuta la identificarea interfeței optime de explicare pentru un anumit tip de sistem, dar, mai mult decât atât, va ilustra modul în care facilitățile de explicare alternative vor influența performanțele și percepția utilizatorilor.
Până acum există destul de puține studii asupra explicării cunoștințelor contabile. Sarcinile contabile, incluzând sarcinile de contabilitate financiară, de taxe și de audit, reprezintă sarcini deosebit de complexe care necesită cunoștințe extinse asupra principiilor, reglementărilor și legilor, domeniu în care facilitatea de explicare suferă.
Care este rolul sistemelor expert în automatizarea sarcinilor contabile?
Automatizarea proceselor economice implică utilizarea tehnologiilor informatice moderne pentru îmbunătățirea performanțelor. De multe ori este nevoie de o redefinire radicală a unor procese, de exemplu în mediul instabil al legislației auditului, unde este necesară o automatizare pentru a putea ține pasul cu schimbările legislative și tehnologice din acest domeniu. De asemenea, cu ajutorul unor studii de caz complexe s-ar putea obține informații detaliate asupra altor subdomenii contabile.
Cum pot fi rezolvate contradicțiile și ambiguitatea cunoștințelor contabile?
Există dificultăți în reprezentarea cunoștințelor din acest domeniu, mai ales în subdomeniul fiscal, al taxelor și în alte subdomenii, unde nu numai că elementele sunt complexe și deseori ambigue, dar se și schimbă frecvent. Cercetarea trebuie să găsească metode de rezolvare a contradicțiilor și ambiguității din legile și reglementările fiscale pentru a fi incluse în baza de cunoștințe. În plus, întreținerea unor astfel de sisteme trebuie să cuprindă actualizări frecvente ale bazei de cunoștințe, caracterizate printr-un nivel ridicat al complexității.
Care ar fi piedicile puse cercetării asupra sistemelor expert în contabilitate?
Unul din obstacole este natura privată a multor sisteme expert, mai ales a celor utilizate de firmele de contabilitate. Din această cauză, este deseori dificil de obținut informații complete în acest domeniu.
În viitor, sistemele expert se vor îndrepta către o integrare mai pronunțată cu sistemele informatice și tehnologiile tradiționale. Astfel, sistemele expert contabile vor câștiga treptat un rol mai important, dar mai puțin vizibil. De exemplu, un sistem expert de planificare a auditului va face parte dintr-un sistem suport mai vast, care va conține atât elemente specifice sistemelor expert, cât și elemente tradiționale, cum ar fi module pentru modele statistice sau pentru alte teste de audit. În domeniul impunerii, integrarea va duce la micșorarea numărului de sisteme expert specializate pe anumite probleme, respectiv la majorarea numărului de sisteme informatice fiscale inteligente care vor efectua sarcini mult mai vaste și mai complexe.
Sistemele expert contabile vor deveni tot mai modularizate pentru a permite întreținerea și actualizarea mai ușoară a bazei de cunoștințe. În domeniul impunerii fiscale, de exemplu, este cu atât mai necesar acest lucru, cu cât rata de modificare a legislației este mai mare, ducând la modificare frecventă a faptelor și cunoștințelor necesare rezolvării problemelor.
O altă tendință este presiunea crescândă asupra firmelor de contabilitate și a departamentelor contabile ale corporațiilor de a îmbunătăți rata costuri – rezultate a serviciilor, ceea ce va duce la o dezvoltarea de sisteme expert. Serviciile informaționale contabile și de audit vor trebui livrate mai eficient și cu costuri mai mici, lucru perfect posibil prin utilizarea tehnologiilor avansate.
III.3. Alte aplicații economice ale sistemelor expert
Un alt mod de abordare a domeniilor în care sunt aplicate sistemele expert este de a examina elementele și componentele sistemului economic pentru aspecte orientate spre cunoștințe[Liebowitz98]:
Consumatori
analiza pieței și a concurenței
nevoile și orientarea consumatorilor
cumpărături încrucișate
Produse
informații privind funcționalitatea produselor
asocierea nevoilor consumatorilor la produsele disponibile: asistarea consumatorilor la optimizarea funcționalității, calității și costului produselor
configurarea, personalizarea și stabilirea prețului produselor
monitorizarea performanțelor produselor
optimizarea livrărilor și programarea și logistica reparațiilor
Proces
controlul tehnic de calitate
modelarea și simularea proceselor
gestiunea, controlul și monitorizarea fluxurilor de lucru
Management
supravegherea mediului cu ajutorul asistenților inteligenți
optimizarea fluxurilor de lucru: timp, calitate și costuri
Personal
suport de decizie
asignare lucru: potrivirea abilităților, performanțelor, disponibilităților și preferințelor
rezolvarea structurată a problemelor
evaluarea automată
asistenți personali
sistem suport integrat: ajutor, instruire, testare, exemple
Expertiză
reprezentarea și structurarea cunoștințelor
depozitarea cunoștințelor
achiziția cunoștințelor
descoperirea cunoștințelor
sisteme de instruire inteligente
sisteme expert consultative
Capitolul IV
Aplicația informatică
IV.1. Prezentarea aplicației informatice
Sistemul expert de analize bursiere este implementat în Microsoft Visual FoxPro 5.0., sub Windows ’95. Caracteristicile mai noi și mai vechi ale acestui limbaj îl recomandă pentru realizarea aplicațiilor din domeniul bazelor de date. Câteva dintre aceste caracteristici sunt: utilizarea programării orientate obiect, colecția de „vrăjitori” și de generatoare, posibilitatea creării kiturilor de instalare pentru aplicațiile realizate.
Produsul se prezintă sub forma unui kit de instalare, care instalează programul pe hard-disk-ul calculatorului.
Sistemul oferă o interfață prietenoasă, ușor de utilizat, utilizatorul putând efectua operații de intrare, de prelucrare și de ieșire. Operațiile de intrare se referă la introducerea datelor, operațiile de prelucrare sunt utilizate la obținerea situațiilor, iar cele de ieșire la afișarea acestora.
Ferestrele de intrări cer utilizatorului introducerea unor date, care vor fi utilizate la calcularea unor indicatori, iar ferestrele de ieșire vor afișa o serie de situații și grafice referitoare la poziția unei societăți și a acțiunilor acesteia pe piață.
Sistemul manipulează o serie de informații complexe referitoare la poziția pe piață a diferitelor societăți tranzacționate pe piața de capital, pornind de la informațiile generale, nume, adresă, număr de acțiuni, și până la structura acționariatului, bilanțuri contabile, indicatori economici și bursieri, precum și alte informații provenite din presă sau din diferite comunicate care permit realizarea profilului societăților respective.
IV.2. Arhitectura sistemului
La lansare, aplicația va afișa un formular din care se vor putea apela opțiunile aferente operațiilor de efectuat, după cum urmează:
Actualizări
Actualizare Știri
Actualizare Acționari
Actualizare Indici
Actualizare Societăți
Actualizare Bilanțuri
Societăți Neactualizate
Vizualizări
Vizualizare după Simbol
Vizualizare Știri
Vizualizare Acționari
Vizualizare Indici
Cotații după Data
Vizualizare Bilanțuri
Grafice
Prelucrări
Evoluție săptămânală
Recalcul variații
Reindexare baze
Situații
Profil
Statisitici
Cotații interval
Grafic
Profit și pierdere
Repartizare profit
Bilanț
Indicatori economici
Indicatori bursieri
Configurări
Ieșire
IV.3. Proiectarea modulelor
Actualizare Știri – se cere introducerea de noi informații referitoare la o anumită societate. Pentru aceasta, se introduce data noii știri, simbolul societății, cuvântul cheie (după care va fi identificată știrea) și sursa știrii respective (cotidian, televiziune, comunicat, raport, etc.). Prin alegerea butonului Salvare știrea va fi salvată în baza de știri. Cuvântul cheie se poate alege dintr-o listă derulantă, la fel ca și sursa știrii. Prin alegerea butonului Actualizare Surse și Cuvinte cheie, este afișat un formular în care sunt listate sursele și cuvintele cheie, utilizatorul având posibilitatea de a șterge valori existente sau de a adăuga altele noi.
Actualizare Acționari – permite modificarea structurii acționariatului. Astfel, prin introducerea simbolului societății, a numelui acționarului, a numărului de acțiuni deținute și a datei la care este valabilă noua configurație, se poate introduce un nou acționar pentru o anumită societate. Prin alegerea butonului Salvare modificările sunt salvate în baza de date a acționarilor. La introducerea numărului de acțiuni definite, sistemul verifică numărul maxim de acțiuni existente și nu permite introducerea unui număr superior acestuia.
Actualizare Indici – permite actualizarea indicilor bursieri. Se introduce data la care se efectuează modificarea și apoi se introduc valorile indicelui BET, indicelui BET-C și indicelui Rasdaq, sistemul calculând și completând automat câmpurile referitoare la variațiile acestor indici. De asemenea trebuie introdusă valoarea tranzacțiilor la Bursa de Valori. Dacă pentru o dată introdusă există deja informații introduse în sistem, atunci sistemul completează automat câmpurile formularului cu valorile corespunzătoare din baza de date. De asemenea, dacă este introdusă o zi în care nu sunt efectuate tranzacții (sâmbătă sau duminică), sistemul afișează un avertisment. Prin alegerea butoanelor Salvare sau Modificare se va trece la efectuarea salvării sau modificării informațiilor introduse.
Actualizare Societăți – permite introducerea unor noi societăți care va fi gestionată de către sistemul de analize bursiere. Se cere introducerea simbolului și denumirii societății, adresa, numărul total de acțiuni, valoarea nominală (aleasă dintr-o listă derulantă). De asemenea, trebuie specificat dacă societatea este cotată la bursă sau pe piața secundară de capital, Rasdaq. Dacă societatea este cotată pe Rasdaq, atunci trebuie specificat registrul din care face parte (de exemplu Registrul independent Transilvania). În plus, trebuie precizat dacă societatea este tranzacționabilă sau dacă este suspendată de la tranzacționare, în acest ultim caz fiind necesară introducerea datei și motivului opririi de la tranzacționare. Prin alegerea butonului Salvare, informațiile sunt salvate în baza de date corespunzătoare.
De asemenea, sistemul permite actualizarea informațiilor despre o anumită societate, prin specificarea simbolului societății respective, sistemul completând automat o parte din câmpurile formularului pe baza informațiilor din baza d date.
Actualizare Bilanțuri – permite introducerea bilanțurilor pentru o anumită societate. La început, se cere introducerea simbolului și denumirii societății, urmând ca apoi să se treacă la introducerea datelor propriuzise. Se introduce luna și anul pentru care se introduc datele, iar apoi se introduc datele referitoare atât la bilanțul propriuzis, cât și cele referitoare la contul de profit și pierdere, respectiv repartizarea profitului.
Societăți Neactualizate – permite identificarea societăților care necesită actualizare.
Vizualizare după simbol – la început, sistemul solicită introducerea simbolului și denumirii societății pentru care se dorește vizualizarea informațiilor existente. În continuare este afișată o machetă care cuprinde 8 formulare, din care se poate alege vizualizarea pentru:
profilul societății;
datele societății: simbol, denumire, adresă, număr de acțiuni, valoare nominală, piața pe care se tranzacționează, etc.
știri: toate informațiile referitoare la societatea aleasă;
structura acționariatului;
graficul acțiunilor tranzacționate sau a prețului mediu;
indicatorii economici, în funcție de bilanțul selectat: valoare nominală, valoare contabilă, rotație creanțe, rotație stocuri, rotație active, lichiditate, solvabilitate, rentabilitatea activelor, etc.;
indicatorii bursieri: preț mediu, rentabilitate acțiune, capitalizare bursieră, minim absolut, maxim absolut, PER, etc.;
cotațiile acțiunilor societății selectate: data, prețul mediu, valoarea tranzacțiilor, numărul tranzacțiilor, prețul de închidere, prețul de deschidere, prețul maxim, prețul minim, etc.
Vizualizare Știri – permite vizualizarea știrilor pentru o anumită societate. Pe baza informațiilor introduse, se realizează un filtru astfel: simbolul societății, codul fiscal, data știrilor (se poate specifica perioada anterioară sau perioada ulterioară datei introduse, sau chiar pentru data în sine), sursa știrilor și cuvântul cheie. Prin alegerea butonului Căutare se va efectua căutarea știrilor în conformitate cu filtrul introdus, iar prin alegerea butonului Vizualizare se va trece la afișarea știrilor găsite. Aici, utilizatorul poate proceda la ștergerea, selectarea, deselectarea sau tipărirea știrilor respective.
Vizualizare Acționari – efectuează vizualizarea structurii acționariatului pentru o anumită societate. Prin alegerea butonului Aplică filtru se realizează o filtrare a acționarilor în funcție de simbolul societății, data (sau perioada anterioară sau ulterioară), respectiv un anumit acționar. Prin alegerea butonului Vizualizare rezultat se trece la afișarea informațiilor găsite, unde utilizatorul poate șterge, modifica și salva modificările efectuate asupra structurii acționariatului.
Vizualizare Indici – permite vizualizarea indicilor BET, BET-C și Rasdaq, precum și a cursului dolarului american. La început, sistemul solicită introducerea unui filtru pe o dată sau o perioadă (anterioară sau ulterioară datei specificate). Se trece apoi la vizualizarea rezultatelor, utilizatorul având posibilitatea ștergerii de înregistrări din baza de date prin alegerea butonului Ștergere înregistrare din baza de date.
Cotații după data – permite vizualizarea cotațiilor din data calendaristică specificată de utilizator. În formularul afișat, utilizatorul are posibilitatea definirii unui nou filtru, respectiv poate opta pentru vizualizarea cotațiilor de la Bursa de Valori, de pe Rasdaq sau de pe ambele piețe.
Vizualizare Bilanțuri – utilizatorul va introduce simbolul și denumirea societății pentru care dorește să vizualizeze bilanțurile. În continuare, utilizatorul poate șterge sau modifica un bilanț existent, sau poate introduce unul nou.
Grafice – sistemul execută o serie de grafice care pot da utilizatorului o vedere de ansamblu asupra evoluției anumitor indicatori sau asupra situației unei societăți. La început trebuie selecționat simbolul și denumirea societății. De asemenea, se poate opta pentru efectuarea graficului pentru o anumită variație a volumului cotațiilor. În continuare, se poate opta pentru cotațiile dintr-o anumită perioadă, sau implicit pentru toate cotațiile. Utilizatorul va selecta în continuare unul sau mai multe elemente dintre cele afișate, pentru care se va construi graficul:
preț mediu;
preț deschidere;
preț închidere;
preț minim;
preț maxim;
ask;
bid;
volum acțiuni;
valoare;
variație medie;
variație valoare;
număr tranzacții.
Evoluție Săptămânală – sistemul realizează o evidență a tranzacțiilor din săptămâna care începe cu data specificată la început, și anume valoarea tranzacțiilor, numărul acțiunilor tranzacționat, prețul minim și prețul maxim atins în săptămâna corespunzătoare.
Recalcul Variații – se calculează variațiile de volum și de acțiuni în cazul tranzacțiilor de cotare ale acțiunilor societăților gestionate de către sistem.
Reindexare Baze – se realizează o reindexare a bazelor de date utilizate de către sistem.
Situații – sistemul efectuează și tipărește o serie de situații. Se selectează simbolul societății, perioada pentru care se doresc situațiile respective, perioada luată în calcul pentru bilanțuri, și pentru indicatorii economici și bursieri. Apoi se vor selecta, individual sau mai multe, situațiile necesare, după cum urmează:
profil: tipărește profilul societății selecționate;
statistici pe o perioadă precizată:
coeficient Sigma
coeficient Beta:
indice BET
indice BET-C
indice Rasdaq
evoluție cantitativă:
numărul ședințelor de listare
numărul ședințelor efective de tranzacționare
numărul ședințelor de tranzacționare
acțiuni tranzacționate în medie pe ședință
valoarea tranzacțiilor în medie pe ședință
cotațiile din intervalul precizat
data
prețul mediu
variația prețului mediu
valoarea totală tranzacționată
variația valorii tranzacțiilor
număr tranzacții
acțiuni tranzacționate
variația volumului tranzacțiilor
prețul de cumpărare
prețul de vânzare
prețul minim
prețul maxim
graficul societății tranzacționate
profit și pierdere
repartizare profit
bilanț
indicatori economici
indicatori bursieri
Configurări – permite o serie de configurări asupra mediului de lucru, de exemplu, directorul în care sunt bazele de date.
IV.4. Proiectarea bazelor de date
Principalele baze de date utilizate au următoarea structură:
Stiri.dbf Simbol Character(8) cheie de indexare
CAEN Character(10) cheie de indexare
Cuvcheie Character(30) cheie de indexare
Data Date cheie de indexare
Codi Numeric(8)
Stirea Memo
Sursa Character(15)
Actionari.dbf Simbol Character(8)
Data Date
Nume Character(25)
Numaract Numeric(7)
Indec.dbf Simbol Character(9)
An Numeric(4)
Luna Character(2)
Nominala Numeric(13)
Valcont Character(15)
Rotcr Character(5)
Rotstoc Character(6)
Rac Character(6)
Ra Character(4)
Rcp Character(6)
Lichid Character(6)
Lich_imed Character(6)
Solvab Character(4)
Mn Character(17)
Mb Character(17)
Roa Character(4)
Roe Character(6)
Bet.dbf Data Date Cheie de indexare
Bet Numeric(7.2)
Varbet Numeric(7.2)
Bet_c Numeric(7.2)
Varbet_c Numeric(7.2)
Usd Numeric(7)
Varusd Numeric(7.2)
Rasdaqi Numeric(7.2)
Varrasdaqi Numeric(7.2)
Valtrbvb Numeric(13)
Valtrotc Numeric(13)
Nominala.dbf Nominala Character(10) Cheie de index.
Simbol.dbf Piata Numeric(1) Cheie de index.
Simbol Character(9) Cheie de index.
Denumire Character(50) Cheie de index.
Adresa Character(50)
Nr_act Numeric(13)
Ppm Numeric(13)
Nominala Character(10)
Caen Character(6) Cheie de index.
Status Character(20)
Explicatii Character(30)
Reg Character(10)
Cotate.dbf Simbol Character(8) Cheie de index.
Anul Numeric(4) Cheie de index.
Luna Character(2)
Caen Numeric(10) Cheie de index.
Codi Numeric(8) Cheie de index.
Nr_act Numeric(12)
Val_nomin Numeric(9)
Ca Numeric(19)
Vt Numeric(19)
Ct Numeric(19)
Pb Numeric(19)
Pn Numeric(19)
Pierd Numeric(19)
Ai Numeric(19)
Cladiri Numeric(19)
Terenuri Numeric(19)
Ac Numeric(19)
Stocuri Numeric(19)
Clienti Numeric(19)
Disponibil Numeric(19)
Altcr Numeric(19)
Cr_a Numeric(19)
Prime Numeric(19)
Ta Numeric(19)
Cp Numeric(19)
Cs Numeric(19)
Proviz Numeric(19)
Datorii Numeric(19)
Imprum Numeric(19)
Furniz Numeric(19)
Altdat Numeric(19)
Cr_p Numeric(19)
Tp Numeric(19)
Divid Numeric(19)
Fd Numeric(19)
Sp Numeric(19)
Denumire Character(59) Cheie de index.
Localitate Character(16) Cheie de index.
Cotatii.dbf Piata Numeric(1) Cheie de index.
Data Date Cheie de index.
Simbol Character(8) Cheie de index.
Medie Numeric(12.2)
Var_med Numeric(8.2)
Valoare_tr Numeric(19)
Var_val Numeric(8.2)
Nr_tr Numeric(5)
Act_tr Numeric(19)
Var_vol Numeric(8.2)
Cump Numeric(8)
Vanz Numeric(8)
Min Numeric(8)
Max Numeric(8)
Desch Numeric(8)
Inch Numeric(8)
Denumire Character(59) Cheie de index.
IV.5. Eficiența sistemului informatic propus
Etimologic, eficiența sistemelor informatice proiectate poate și trebuie să fie evaluată prin compararea efectelor obținute cu valoarea resurselor alocate pentru realizarea lor.
Conceptul de eficiență economică a unui sistem informatic presupune cuantificarea și realizarea lui, precum și cuantificarea efectelor economice reale obținute în urma aplicării sale.
Aprecierea efortului depus la proiectarea, realizarea și implementarea unui sistem informatic se poate face prin cumularea cheltuielilor în funcție de etapele de proiectare parcurse și de categoria de cheltuieli implicate.
Efectele economice sunt datorate unor factori de bază, dintre care amintim[Avornicului99]:
modernizarea procesului de conducere tactică, strategică, și operativă;
furnizarea automată a unor variante de decizii pentru conducere;
alegerea soluțiilor optime de decizie cu ajutorul modelelor matematice;
minimizarea timpului de răspuns pentru noul sistem informatic și mărirea gradului de informatizare a activităților principale și auxiliare.
Efectele economice pot fi maximizate în cazul în care noul sistem informatic utilizează rețele de calculatoare, prelucrări în timp real și prelucrări distribuite.
Pentru sistemele informatice economice eficiența se calculează ca raport între rezultatul util (adică efectul noului sistem în procesul de conducere) și cheltuielile (adică efortul sistemului) avansate pentru obținerea efectului dorit.
Eficiența economică este dependentă de îndeplinirea următoarelor condiții:
conducerea beneficiarului primește informații pertinente, reale, care corespund cantitativ și calitativ, fundamentării riguroase și operative a deciziilor tactice, strategice și curente;
asigurarea unui necesar optim de informații pentru conducerea compartimentelor funcționale implicate și pentru partenerii cu care are relații beneficiarul sistemului;
utilizarea unui volum minim de resurse financiare, umane și materiale pentru atingerea parametrilor proiectați ai sistemului.
Stabilirea eficienței economice are la bază următorul sistem de indicatori:
Indicatorii efectelor economice directe: sunt efectele obținute ca urmare a introducerii noului sistem informatic. Aceste efecte se datorează influenței exercitate asupra optimizării sistemului informațional global al beneficiarului, cu repercursiuni directe asupra principalilor indicatori economico – financiari (de exemplu, sporul total de profit obținut, sporul total de valoare adăugată obținut prin introducerea noului sistem informatic).
Indicatorii efectelor economice indirecte: reflectă sporul fizic și valoric al activității, reducerea costurilor, etc.
Indicatorii sintetici: cuantifică eficiența economică obținută prin exploatarea noului sistem și a investițiilor alocate pentru dotarea cu tehnică de calcul:
coeficientul eficienței economice pentru fiecare subsistem informatic;
coeficientul eficienței economice la nivelul sistemului informatic;
termenul de recuperare a cheltuielilor totale aferente întregului sistem;
coeficientul eficienței economice comparate, este calculat între sistemul proiectat și sistemul etalon.
Dacă în trecut costurile resurselor hard erau preponderente în costul total al unui sistem, acestea s-au redus considerabil pe măsura dezvoltării tehnicii de calcul. Odată cu aceasta, s-a modificat și raportul resurselor hard/soft, astăzi ponderea cheltuielilor de elaborare a produselor program ajungând să constituie 90% din costul total al sistemului. Acest lucru s-a datorat creșterii complexității programelor elaborate și adaptarea acestora la cerințele reale.
Preocupările pentru creșterea eficienței muncii în programare au adus, pe rând, o serie de idei noi[Goron98]:
stăpânirea complexității acestui fenomen;
creșterea calității și fiabilității produselor program;
crearea unui cadru organizatoric corespunzător;
crearea unui cadru metodologic corespunzător, care să aducă norme, standarde și metode unitare;
formalizarea și verificării corectitudinii și testării produselor program;
abordarea sistemică a elaborării produselor program, etc.
Pentru a rezolva o problemă cu ajutorul calculatorului trebuie parcurse următoarele etape:
precizarea cerințelor beneficiarului;
specificare problemei;
proiectarea algoritmului de rezolvare a sistemului;
programarea propriuzisă (implementarea);
testarea produsului obținut;
exploatarea și întreținerea programului.
Cheltuielile necesare pentru a achiziția unui sistem se constituie în cheltuieli de investiții, necesare analizei, proiectării, programării și implementării sistemului informatic, și cheltuieli de exploatare care includ cheltuielile de întreținere a sistemului.
Eficiența unui astfel de sistem informatic constă în faptul că este mult mai rapid în luarea deciziei decât un expert uman. De asemenea, trebuie menționat că achiziția și utilizarea unui astfel de sistem expert este mult mai puțin costisitoare decât angajarea unui expert în domeniu, lucru care reiese din următorul calcul al cheltuielilor necesare în vederea construirii sistemului care face subiectul lucrării de față:
cheltuieli curente de salarizare a membrilor echipei: 4.000.000 lei/lună x 3 luni x 2 membri = 24.000.000 lei
cheltuieli cu procurarea echipamentelor de calcul necesare: 10.000.000 lei (costul estimat al unui calculator cu dotări medii) x 2 buc. = 20.000.000 lei
cheltuieli cu pregătirea personalului pentru utilizarea calculatoarelor și a sistemului: 2.000.000 lei.
Total cheltuieli de investiții: 46.000.000 lei.
Conform legii, produsele informatice trebuie amortizate în 3 ani de la punerea în funcțiune, ceea ce duce la o amortizare lunară calculată de 1.277.778, ceea ce este mult sub nivelul salariului lunar ce ar reveni unui analist financiar în cazul în care nu s-ar pune problema elaborării unui sistem informatic, sistemul putând înlocui de multe ori o echipă de analiști.
Având în vedere domeniul, piața de capital, care este în continuă mișcare și transformare, un astfel de sistem este deosebit de necesar pentru a putea lua decizii operative pe baza informațiilor prezentate de către sistem. De asemenea, o versiune următoare a programului ar putea include noi facilități, cum ar fi preluarea directă a cotațiilor de pe site-urile Bursei de Valori din București și a pieței secundare de capital Rasdaq, nemaifiind necesară introducerea manuală a acestora.
Din punct de vedere al utilizatorului, programul dispune de o interfață prietenoasă, pe bază de ferestre, permite lucrul cu mouse-ul și prezintă caracteristicile oricărei aplicații Windows.
Sistemul necesită următoarea configurație minimă: calculator 586 (sau PENTIUM I), 8 MB RAM (recomandat 16 sau 32 MB RAM, pentru a putea prelucra bazele mari de date utilizate pentru înregistrarea cotațiilor), WINDOWS ’95 sau WINDOWS ’98, Visual Fox Pro instalat pe hard-disk sau doar ODBC-ul (Open Database Connectivity), și un spațiu liber pe hard-disk care să permită depozitarea bazelor de date și rularea în bune codiții a programului.
IV.6. Concluzii și propuneri
Piața de capital este, prin excelență, un spațiu al incertitudinii, al aproximării și al mizei. Ca atare, valoarea de piață nu se poate determina cu certitudine prin simpla aplicare a unei formule. Orice estimare favorabilă privind activitatea unei firme duce la creșterea cursului acțiunilor, după cum orice veste negativă are un efect contrar. Valoarea de piață nu este determinată numai de raționalitatea economică, ci și de o serie de factori de subiectivi, extraeconomici, de atitudinea subiectivă a indivizilor, de manevrele speculative, etc.
Sistemele expert pot reprezenta și procesa informațiile într-o formă superioară, de înalt nivel, prin cunoștințe formate din fapte și reguli, constituite din declarații simbolice din realitate, ca structuri de relații logice apropiate gândirii și vorbirii umane, și pot replica procesele de gândire ale experților umani dintr-un domeniu particular, printr-un raționament flexibil de deducere a noi cunoștințe din cele adevărate, stocate într-o bază de cunoștințe.
Sistemele expert pot cere pentru rezolvarea unei probleme numai o simplă declarare a cunoștințelor achiziționate din expertiza umană, fără a specifica un algoritm, și por furniza răspunsuri cu soluții la nivelul expertului sau la cel mai înalt grad de competență din domeniu, în urma specificării unor întrebări de către utilizator, devenind asistență sau decidenți inteligenți, care explică raționamentul și prelucrează cunoștințe chiar incerte.
Sistemele expert dispun de calități superioare în raport cu sistemele informatice convenționale, de natură procedurală, care atunci când sunt confruntate cu probleme de raționament sunt puse în dificultate, deoarece prelucrează o problemă minoră cu ajutorul unor algoritmi complecși și cu un volum mare de date, aproape în totalitate numerice, codifică cu greutate programele datorită instrucțiunilor de nivel scăzut, aplică expertiza în mod rigid, inflexibil, nu dau răspunsuri și nu explică raționamentul.
Introducerea sistemelor expert în utilizare în cadrul unei companii, poate avea efecte diverse asupra organizației respective. Organizația și „persoanele implicate” pot fi refractari la apariția sistemelor expert. Reticențele legate de introducerea unei noi tehnologii pot fi înlăturate printr-o muncă eficientă de informare și de sensibilizare a personalului.
În mod paradoxal, unele dificultăți sunt legate de informaticienii tradiționali. Într-adevăr, problemele tratate de informatica clasică și de sistemele expert sunt foarte diferite. Introducerea inteligenței artificiale a fost resimțită de serviciile informatice clasice ca o concurență primejdioasă, iar denigrarea sau ignoranța apare ca o strategie de ripostă adaptată. Pe măsură ce sistemele expert se adaptează la serviciile informatice, acest gen de reacție va dispărea.
Eventualele probleme ridicate prin schimbările de calificare sau ale posturilor de lucru, pot fi abordate începând cu etapa de informare și sensibilizare a organizației. Este important de arătat că sistemele expert sunt, mai presus de orice, sisteme de asistare a deciziei, ele putând aduce o îmbogățire a sarcinilor și o calificare mai bună.
Pentru realizarea unui sistem trebuie să se înceapă cu o identificare corectă a sarcinilor și a utilizatorilor. De asemenea, sistemul trebuie să fie bine integrat în organizație, în rețelele de informare și în mediul său uman. Dacă sistemul face să scadă importanța unei activități, atunci el trebuie să poată automatiza complet această muncă prin integrare, să creeze posibilitatea de utilizare a sistemului de către persoane care provin din partea de jos a ierarhiei cunoașterii și pentru care sistemul va aduce totodată o nouă calificare.
O altă problemă ar fi motivarea managementului, prin convingerea că sistemul va fi rentabil într-un termen scurt sau lung.
În definitiv, dacă avem un management motivat, care propune realizarea unui sistem operațional, cu o echipă de realizatori competențe și experimentați, utilizatori bine aleși și motivați, și cu o dorință generală de a face un sistem practic, convenabil și rentabil, atunci obiectivul propus are toate șansele de reușită.
Bibliografie
[Avornicului99] Avornicului Constantin, Tomai Nicolae – Proiectarea sistemelor informatice economice și utilizarea Internetului în diverse domenii, Editura Risoprint, Cluj-Napoca, 1999
[Benchimol93] Benchimol G., Levine P., Pomerol J.C. – Sisteme expert în întreprindere, Editura Tehnică, București, 1993
[Goron98] Goron Sabin – Elemente de ingineria produselor program, Editura Risoprint, Cluj-Napoca, 1998
[Goonatilache95] Goonatilache S., Treleaven P.H. – Intelligent Systems for Finance and Business, Willey&Sons Ltd., 1995
[Klein90] Klein M., Methlie L.B. – Expert Systems – A Decision Support Approach, Addison-Wesley Publishers Ltd., 1990
[Jeffery92] Jeffery K. – Expert Database Systems, Academic Press Limited, London, 1992
[Liebowitz98] Liebowitz J. – The Handbook of Applied Expert Systems, CRC Press LLC, 1998
[Lițoiu98] Lițoiu V., Bădică A., Tarbujaru V. – Sisteme expert – finanicar – bancare Curs, Reprografia Universității din Craiova, 1998
[Nițchi98] Nițchi Ștefan – Inteligență artificială – Note de curs, 1998
[Marshall90] Marshall G. – Advanced Students Guide to Expert Systems, Heinemann Newnes, 1990
[O’Leary95] O’Leary D.E., Watkins P.R. – Expert Systems and Artificial Intelligence in Internal Auditing, Markus Wiener Publishers, Princeton, USA, 1995
[Sâmbotin97] Sâmbotin C. – Sisteme expert cu PROLOG, Editura Tehnică, București, 1997
[Vasarhely95] Vasarhelyi M.A. – Artificial Intelligence in Accounting and Auditing; Using Expert Systems, Markus Wiener Publishers, Princeton, USA, 1995
[Warwick91] Applied Artificial Intelligence, printed at Peter Peregrinus Ltd. on behalf of the Institution of Electrical Engineers, 1991
ANEXE
Copyright Notice
© Licențiada.org respectă drepturile de proprietate intelectuală și așteaptă ca toți utilizatorii să facă același lucru. Dacă consideri că un conținut de pe site încalcă drepturile tale de autor, te rugăm să trimiți o notificare DMCA.
Acest articol: Utilizarea Sistemelor Expert In Aplicatii (ID: 149272)
Dacă considerați că acest conținut vă încalcă drepturile de autor, vă rugăm să depuneți o cerere pe pagina noastră Copyright Takedown.