Sistemi za podrku odluivanju i ekspertni sistemi 1.

2 Podrka odluivanju u organizacijama Podrka odluivanju je potrebna iz najmanje tri razloga: U skoro svim situacijama odluivanja postoji velika koliina podataka koju treba obraditi Vreme za odluivanje je uvek ogranieno, tj postoji vremenski period u kome je potrebno doneti odluku Postoji potreba donosioca odluke da donese ispravnu odluku Poslovna inteligencija se definie kao: Skup informacionih tehnologija, organizacionih pravila kao i znanja i vetina zaposlenih u organizaciji udruenih u generisanju, zapisivanju, integraciji i analizi podataka sve sa ciljem da se doe do potrebnog znanja za donoenje odluka. Odluke koje se donose u organizacionom okruenju mogu biti: Operativne najee izvravane odluke koje karakterie mogunost dovoenja do perfekcije izvravanja, zbog uestalosti izvravanja i zbog strukturiranosti (bitna je efikasnost) Taktike predstavljaju sponu izmeu operativnih i stratekih, slue za prevoenje stratekih u operativne (bitna je efektivnost) Strateke najsloenije koje treba doneti, za njihovo donoenje i realizacuju potrebno je najvie vremena 1.3 Strukturiranost problema Po Simon u strukturiranost se mooe izjednaiti sa njegovom definisanou, a pod potpuno strukturiranim problemom se podrazumeva da: je problem jasan su precizno definisani ulazni podaci su poznati naini na koji se vri analiza i dolazi do reenja Problemi koje je potrebno reavati sa stanovita odluivanja mogu biti strukturirani, polustrukturirani i nestrukturirani. 1.4 Sistemi za podrku odluivanju Turban definie SPO preko veeg broja definicija: SPO treba da bude pomo DO u smislu poveavanja njihovih sposobnosti, a nikako kao zamena njihovih procena. SPO je sistem baziran na raunaru koji daje podrku reavanju klase polustrukturiranih ili nestrukturiranih problema u procesu donoenja odluka. upi et, al. daju sledeu definiciju SPO: Sistemi za podrku odluivanju su informacioni sistemi, koji su slini i komplementarni standardnim informacionim sistemima i imaju za cilj da podravaju, uglavnom, poslovne procese donoenja odluke. Predstavljaju simbiozu informacionih sistema, primene niza funkcionalnih znanja i tekueg procesa donoenja odluka. Svaki sistem za podrku odluivanju se sastoji iz tri podsistema: Podsistem baze podataka predstavlja deo SPO u kome se uvaju ulazni i izlazni podaci organizacije, ova baza se razlikuje od klasinih relacionih baza podataka Podsistem baze modela komponenta SPO koja se sastoji od poslovnih modela odluivanja, svaki model reava odreeni problem kod odreenog poslovnog procesa. Njihov zadatak je da na osnovu ulaznih podataka i modela odluivanja generiu izlazne podatke na osnovu kojih DO donosi odluku. Kljune osobine SPO u podsistemu modela ukljuuju sledee sposobnosti: 1. Ukljuivanje novih modela u sistem 2. Pristupanja i integraciji blokova modela radi dobijanja novog modela 3. Katalogiziranja i odravanja irokog opsega modela za razliite korisnike 4. Povezivanje ovih modela sa odgovarajuim vezama u bazi podataka 5. Upravljanje bazom modela Podsistem korisnikog interfejsa treba da omogui komunikaciju izmeu SPO i korisnika, i razloga to DO nisu specijalisti za odreeni model, te je s toga ovaj podsistem i najvaniji. U veini sluajeva podsistem korisnikog interfejsa se sastoji iz tri dela: 1. Jezik akcije: ta korisnik moe da uini u komunikaciji sa sistemom 2. Jezik prikazivanja ili prezentacije: ta korisnik vidi 3. Baza znanja: ta korisnik mora znati Struktura SPO po Turbanu: Upravljanje podacima Upravljanje modelima Komunikacijski podsistem Osnovne predsnosti SPO, koje je naveo Keen 1981.: 1. Poveavanje broja razmatranih alternativa u procesu donoenja odluka 2. Bolje razumevanje problema koji treba da se rei 3. Bri odgovor na nepredviene situacije 4. Sposobnost sprovoenja ad-hoc analiza 5. Bolje sagledavanje problema i uenje 6. Poboljana komunikacija meu lanovima tima koji uestvuju u donoenju odluke 7. Poboljana kontrola odluivanja 8. Uteda u trokovima 9. Bolje odluke 10. Efikasniji timski rad 11. Uteda u vremenu 12. Bolje iskorienje raspoloivih podataka Osnovni nedostatak SPO se ogleda u problemu izbora i korienju modela iz baze modela. DO se esto susree sa sledeim problemima: koji model izabra ti, kako koristiti izabrani model, kako kombinovati vie modela? Dodatan problem se javlja kod baze modela kada se pojavi novi problem za ije reavanje ne postoji model u bazi modela. Savremeni sistemi za podrku menadmentu Danas dve vrlo popularne tehnologije su se izdvojile sa ciljem da pruaju podrku odluivanju na razliitim nivoima upravljanja: Poslovna inteligencija slui za podrku odluivanju za polustrukturirane i nestrukturirane situacije odluivanja, tj kao podrka odluivanju na stra tekom i taktikom nivou. Upravljanje resursima preduzea (ERP) slui za podrku odluivanju na operativnom i taktikom nivou, kao i za strukturirane i polustrukturirane situacije odluivanja. Slojevi koji ine strukturu jednog sistema poslovne inteligencije su sledei: Analitiki sloj odgovoran je za pravljenje izvetaja za DO, u njega su ukljueni alati za izvetavanje kao i razliiti modeli iz baze modela, iji je zadatak da na osnovu zahteva korisnika i podataka iz baze ree zahtev DO. Ovaj sloj u dobroj meri zavisi od sposobnosti analitiara, a potrebna je i odreena koliina vremena za sastavljanje izvetaja. Da bi sistem PI mogao da funkcionie u realnom vremenu neophodno je znanja analitiara automatizovati i formalizovati. Integrativni sloj predstavlja sponu izmeu modela i podataka poslovanja. On treba da obezbedi kvalitetne podatke za analitiki sloj. Da bi ovaj sloj funkcionisao u realnom vremenu treba da se omogui: 1. Jednostavan pristup podacima poslovanja kroz definisano skladite podataka 2. Definisan tok uitavanja podataka iz poslovanja u skladite podataka 3. Sistem za upravljanje kvalitetom podataka i reavanje problema nekvalitetnih podataka kod procesa uitavanja podataka u skladite Transakcioni ili operativni sloj generie podatke poslovanja. Sistem PI treba da bude vezan za ovaj sloj i to dvostruko. Sve to se deava u tekuem poslovanju organizacije treba da se oitava u skladitu podataka, i sa druge strane odluke donete na osnovu izvetaja iz analitikog sloja treba da se odraze u operativnom sloju i povratno kroz sam sistem PI. Da bi ovo bilo mogue, potrebno je ukljuiti sledee funkcionalnosti u sistem PI:

1. 2.

Organizacioni procesi treba da budu snimani konstantno i podaci iz tog procesa uitavani u skladite podataka Odluke koje donosi DO treba da utiu na sam poslovni proces

Da bi modeli za odluivanje postali efikasni neophodno je: Efikasno korienje postojeih algoritama i njihovih delova Jednostavno korienje novih modela odluivanja objavljenih u naunim asopisima u organizacijama Mogunost kombinovanja prednosti razliitih algoritama Bre prihvatanje algoritama u privredi i razliitim disciplinama Razvoj standarda u oblasti OZP 1.5 Ekspertni sistemi Ekspertni sistemi mogu da se definiu kao programi koji koriste ljudsko znanje radi reavanja problema koji zahtevaju ljudsku inteligenciju. Ekspertni sistemi su inteligentni raunarski programi koji upotrebljavaju znanje i procedure zakljuivanja da bi reili probleme koji su dovoljno teki te zahtevaju znaajnu ljudsku strunost i vetinu. Znanje sa dodatkom mehanizama zakljuivanja za reavanje tog problema mogu se smatrati modelom koji simulira najboljeg strunjaka u toj oblasti. Po Turban & Carlson ES je mogue pridodati i kao posebnu komponentu SPO. Do sada je razvijeno nekoliko mogunosti ove vrste integracije: 1. Izlaz ES kao ulaz u SPO ovaj pristup je naroito interesantan za poetne faze svakog procesa odluivanja, kada se DO upoznaje sa prirodom problema koji reava. ES koristi SPO da bi se upoznao sa problematikom koju reava. 2. Izlaz SPO kao ulaz u ES ovaj pristup je posebno popularan i korien, jer ES omoguuje korienje rezultata razliitih kvantitativnih analiza, obavljenih od strane SPO, koji su u tom domenu, jo uvek znaajno bolji od ES. Ovde ES slui da pomogne korisniku da protumai rezultate koje je dobio iz odreenog SPO. 3. Povratna sprega predstavlja kombinaciju prva dva pristupa, s tim to ne mora da se koristi samo jedan ES, ve je mogue da ih bude vie. 1.2 Baze podataka Podaci u bazama podataka predstavljaju sliku poslovanja jedne organizacije. Preko njih se prati ta je uraeno, kada je uraeno i kako je uraeno. Baze podataka predstavljaju sjajnu osnovu za odluivanje u preduzeima, iz njih se mogu dobiti informacije, ali i znanje za donoenje upravljakih akcija. Osnovne karakteristike OLTP sistema su: Visok stepen normalizacije podataka Paralelena obrada podataka Visok integritet podataka Visoka konzistentnost podataka Namenjeni su auriranju podataka Podravaju operativno i delimino taktiko donoenje odluka Najvei nedostaci BP su: Neefikasnost pri kreiranju sloenih upita Zahtevaju angaovanje osoba sa naprednim IT znanjem za poslove modifikacije i kreiranje novih upita i izvetaja Pri izvravanju kopleksnih upita naruava se paralelnost u obradi podataka, jer su resursi za izvravanje kompleksnog upita zauzeti due vreme Analitiki upiti se sporo izvravaju jer je baza normalizovana i potrebno je spajanje mnogo tabela da bi se dobio rezultat. 1.4 Analitika obrada podataka OLAP sistemi (DW kao nosilac podataka za analitiku obradu i OLAP kocka kao alat za pravljenje analitikih izvetaja), predstavljaju svojevrstan SPO koji nestrukturirane podatke iz BP transformie u strukturiran oblik potreban za podrku najviem rukovodstvu. OLAP sistemi uspostavljaju sponu izmeu BP (OLTP sistema) i programa za analizu podataka (Excel, SPSS). BP su odline za uvanje podataka, ali su slabe u analizi podataka, dok su programi za analizu jaki za dobijanje znanja, ali nedostatak se ogleda u uvanju i upravljanju podacima. Cilj OLAP sistema je da korisniku da na raspolaganje sve podatke iz BP koje su zanimljive za analizu, a da na njima moe da radi sloene analize i upite u prijatnom okruenju. Osnovne karakteristike OLAP sistema su: Visok stepen agregacije podataka Visok stepen denormalizacije podataka Podaci su namenjeni za itanje Obezbeena je konzistentnost podataka Podaci su namenjeni za analizu Prednosti OLAP sistema su: Bolje performanse u izvravanju sloenih upita Mogu je paralelan rad nad OLAP sistemom Nezavisnost od BP Moe da objedinjuje podatke iz razliitih BP Poseduje jezik specijalno dizajniran za pravljenje upita nad multidimenzionom strukturom (MDX)

Otkrivanje zakonitosti u podacima Data mining je proces automatskog traganja u velikoj koliini podataka za paternima koristei alate klasifikacije, asocijativnih pravila, klasterovanja, itd. OZP je nauna disciplina koja ima za cilj da u podacima otkrije odreena pravila, modele i zakonitosti na osnovu kojih mogu da se donose odluke. OZP je namenjen za analizu vee koliine podataka (u BP ili OLAP kockama) te uvodi niz novih algoritama koji mogu da rade sa velikim obimom podataka, ali koji u odreenij meri automatizuju proces dolaska do znanja. OZP predstavlja odlinu podrku procesu otkrivanja znanja. OZP ne predstavlja zamenu za klasinu statistiku analizu, ve njenu dopunu. 3.3 CRISP DM metodologija Najpoznatija metodologija za efikasno voenje OZP je CRISP-DM. reenja/znanja. CRISP-DM metodologija se sastoji iz sledeih faza: Razumevanje poslovnog problema Razumevanje podataka Priprema podataka Modelovanje reenja Evaluacija reenja Primena reenja Razumevanje poslovnog problema je faza u kojoj se analitiar upoznaje sa problemom koji treba da rei. U ovoj fazi se definiu ciljevi i hipoteze istraivanja, a takoe se opisuju poslovni pojmovi iz oblasti u kojoj se radi analiza. Razumevanje podataka je faza koja treba da pomogne analitiaru da upozna podatke sa kojima treba da radi da bi odredio koje algoritme i metode za rad ima na raspolaganju. Takoe se dobijaju znanja o kvalitetu, formatu i upotrebljivosti podataka za analizu. Priprema podataka slui da bi podatke stavila u oblik nad kojim mogu da se sprovode OZP analize. Podrazumeva ienje podataka od nepravilnosti i umova, transformaciju podataka, formatiranje podataka, kao i eliminisanje nekih neeljenih osobina poput korelacije atributa. Metodologija CRISP-DM je iterativnog karaktera, tj. cirkularan proces dolaska do najprihvatljivijeg

Modelovanje reenja je aktivnost u kojoj DO gradi razliite OZP modele. Evaluacija reenja je aktivnost koja treba da ispita validnost (upotrebljivost i ispravnost, tj. tanost i primenljivost) dobijenog OZP reenja. Ova faza se sastoji iz validacije (da li je otkriveno znanje korisno za DO) i verifikacije (u kojoj meri je otkriveno znanje znaajno) otkrivene zakonitosti. Primena reenja je proces iz koga se saznaje koliko je otkrivena zakonitost zaista upotrebljiva i ispravna jer se reenje primenjuje nad realnim okruenjem. 3.3.1 Razumevanje poslovnog problema Ovo je prva faza u okiru CRISP-DM metodologije i ima za cilj da analitiar dobro razume poslovni problem, da shvati koji je cilj koji treba da ostvari anali zom, te da tokom celog procesa OZP nikad ne izgubi iz vida ta je zapravo potrebno uraditi. Da bi se bolje razumeo poslovni problem, bitno je znati da svaki OZP projekat moe da ima za cilj ispunjavanje jednog ili vie OZP zadataka. Postoji nekoliko zadataka koje tehnike, metode i algoritmi OZP-a treba da ostvare. Poslovni zadaci koje reava OZP su: Redukcija Procena (Estimacija) Klasifikacija Klasterovanje Otkrivanje asocijativnih pravila Predvianje Redukcija je zadatak koji se izvodi sa ciljem da podaci svedu na dimenzije koje mogu da se analiziraju na efikasan nain. Reducija se sprovodi jer su problemi koji se analiziraju najee prevelikim brojem atributa i redova, a algoritmi i tehnike za OZP rade bolje sa manjom koliinom podataka. Redukcija je znaajna zbog toga to moe da otkrije manji obim podataka sa kojima algoritmi bolje rade, a da ne izgubi mnogo od tanosti dobijenih rezultata. Modeli redukcije imaju ulogu da pripreme tj.struktuiraju podatke za analizu. Redukcija moe biti redukcija atributa i redukcija sluajeva. Pri redukciji atributa mogue je napraviti dve greke: Uzeti atribute koji ne utiu na reenje Ne uzeti atribute koji utiu na reenje Da bi se izvrila redukcija sluajeva koriste se metode uzorkovanja podataka. Potrebno je nai uzorak koji na verodostojan nain reprezentuje pretpostavljenu populaciju. Procena (regresija) ima za cilj da otkrije zakonitost koja postoji izmeu ulaznih atributa (koji mogu biti numerikog i kategorikog tipa) i izlaznog atributa (koji je po pravilu numerikog tipa). Algoritmi OZP koji se koriste za reavanje zadatka procene: Linearna regresija Stablo odluivanja CART Vetake neuronske mree Procene su zadaci koji se reavaju korienjem linearnih modela (linearna regresija), ali i sloenijih modela (vetake neuronske mree). Linearni modeli su aproksimacija nekog realnog, nelinearnog modela. Klasifikacija ima za cilj da otkrije zakonitost koja postoji izmeu ulaznih atributa (koji mogu biti numerikog i kategorikog tipa) i izlaznog atributa (koji je po pravilu kategorikog tipa). Najpopularniji algoritmi klasifikacije su: Stabla odluivanja (ID3, C4.5, CHAID, CART, QUEST) Logaritamska regresija Diskriminaciona analiza Asocijativna pravila Klasterovanje ima za cilj da otkrije zakonitost po kojoj se podaci grupiu prema odreenoj slinosti u klase koje nisu unapred poznate, tj. klastere. Ne postoji izlazni atribut. Zadatak klasterovanja je da pronae pravilo po kome se objekti grupiu. Klasterovanje je proces otkrivanja klastera takvih da su ojekti unutar klastera meusobno slini, a da su, pritom, prilino razliiti od objekata drugih klastera. Algoritmi klasterovanja su: K-means X-means MPC K-means Hijerarhijski klaster algoritmi DB Scan Kohonen SOM Postoje razne mere slinosti koje mogu da se koriste za raunanje slinosti, a najpopularnija je Euklidsko rasrojanje. Klasterovanje se sprovodi iz sledeih razloga: Klasterovanje se sprovodi kada nisu unapred poznate klase za razvrstavanje objekata Klasterovanje prua vie informacija o prirodi grupisanja objekata Klasterovanje omoguuje da se redukuje broj skuajeva koji se analiziraju dovoljno je analizirati predstavnika klastera Otkrivanje asocijativnih pravila ima za cilj da otkrije zakonitost u formi ako-tada pravila koje postoje u podacima. Asocijativna pravila su oblika IF uzrok THEN posledica. Algoritmi su osposobljeni da sami trae pravila koja zadovoljavaju odreene kriterijume. OZP analitiar ili DO zadaju samo parametre pretrage za odreenim pravilima. Najpoznatiji algoritam za otkrivanje asocijativnih pravila je A priori. Predvianje ima za cilj da otkrije zakonitosti u podacima koji sadre vremensku dimenziju i na osnovu podataka iz prolosti izvri ekstrapolaciju odreenih zakonitosti. Predvianje ukljuuje sve ostale zadatke OZP. 3.3.2 Razumevanje podataka Osobine koje su bitne za analizu podataka: Tip podataka (kategoriki, ordinalni, intervalni, numeriki) Smer podataka (ulazni i izlazni) Korelacija meu podacima (meri se stepenom korekacije Pirsonov r2 koji moe biti u rasponu [-1, 1], korelacija se ispituje izmeu parova ulaznih, izlaznih, ulaznih i izlaznih atributa) Distribucija podataka (pokazuje kako su podaci rasporeeni, veina algoritama podlee normalnoj raspodeli) Nedostajue vrednosti podataka (treba odluiti da li redove sa nedostajuim podacima izbaciti iz analize ili koju tehniku za imputaciju koristiti) Ekstremne vrednosti podataka (treba odluiti da li ih uzeti u obzir ili proglasiti izuzecima) Broj atributa (to je vie atributa, vie je redova i tee je doi do zakonitosti, treba odluiti koje podatke zadrati u analizi a koje izbaciti) Broj redova (veina algoritama bolje radi sa manjim dimenzijama) 3.3.3 Priprema podataka Osnovni zadatak priprema podataka je da se podaci za analizu smeste u tabelarni oblik (kolone predstavljaju atribute, a redovi sluajeve) nad kojim je mogue sprovesti algoritme OZP i otkriti zakonitosti. Moe se rei da je aktivnost pripreme funkcija koja podatke iz nestrukturiranog oblika pretvara u strukturiran oblik za algoritme. 3.3.4 Modelovanje reenja OZP koji mogu da ree OZP zadatke su podeljeni na sledee tipove:

Redukcioni algoritmi: imaju zadatak da pomognu DO da uspostavi pravu meru izmeu dimenzije tabela podataka i kvaliteta podataka; Stabla odluivanja: reavaju zadatak klasifikacije i procene, a struktuiraju znanje dobijeno iz podataka u obliku drveta; Algoritmi za otkrivanje asocijativnih pravila: shodno postavljenim pragovima podrke i validnosti pravila otkrivaji ako-tada pravila odluivanja; Algoritmi za klasterovanje: imaju zadatak da u podacima otkriju klastere; Regresioni algoritmi: otkrivaju zakonitosti izmeu ulaznih i izlaznih podataka koristei regresione modele; Vetake neuronske mree: otkrivaju zakonitosti izmeu ulaznih i izlaznih podataka koristei model neuronskih mrea. Redukcioni algoritmi To su analiza glavnih komponenti (Principal Component Analysis PCA) i faktorska analiza (Factor Analysus FA). Oba algoritma rade sa numerikim podacima i imaju cilj da se u podacima kovarijansa (zavisnost) meu atributima ukloni, a da se povea varijansa otkrivenih komponenti i faktora tj. da se varijabilitet koji postoji u podacima prebaci u same komponente i faktore, a ne izmeu njih. Kada se misli na redukcione algoritme, uglavnom se misli na algoritme za redukciju atributa, dok se problem redukcije redova najee reava metodama uzorkovanja, koje mogu isto da se shvate kao jedan vid redukcionih algoritama. Stabla odluivanja Znanje koje se predstavlja u formi stabla odluivanja ima svojstva hijerarhijske ureenosti, preglednosti i jednostavnosti u tumaenju. Svako stablo predstavlja hijerarhijski ureen skup asocijativnih pravila. Stabla odluivanja koja se koriste u OZP su induktivna stabla. Sva induktivna stabla se sastoje iz korena, vorova i listova. Koren je poetni vor po kome se skup podataka iz koga ui stablo prvo grana. Listovi predstavljaju vorove odluke, tj. oni predstavljaju krajnje vorove u stablu odluivanja. Najkorienija stabla odluivanja su: ID3, C4.5, CHAID, CART, i QUEST. C4.5 i ID3 reavaju zadatak klasifikacije. ID3 koristi kriterijum informacione dobiti da bi granao stablo, tj. da odlui koji atribut treba da se koristi kao vor pri grananju stabla. Ovaj proces se radi iterativno dok se ne ispuni neki kriterijum zaustavljanja rasta stabla. ID3 moe da radi samo sa kategorikim atributima. Algoritam C4.5 predstavlja unapreenje ID3 jer moe da radi i sa ulaznim numerikim podacima, dok izlazni atribut i dalje moe da bude samo kategoriki. C4.5 koristi kriterijum racia informacione dobiti za grananje vora. Pogodnosti C4.5 su: Koristi kriterijum racia informacione dobiti (gain ratio) koji uzima u obzir i broj katrgorija koji poseduje odreeni atribut za raunanje mere za izbor atributa vorova. Time se omoguava da se nepristrasnije izabere vor za stablo. Rad sa nedostajuim vrednostima. Orezivanje stabla. To je proces koji se radi nakon rasta stabla sa ciljem da se nae stablo manjih dimenzija koje je ili povealo tanost ili je u minimalnoj meri izgubilo tanost klasifikacije originalnog stabla. C4.5 grana numerike atribute koji su izabrani kao vorovi binarno, na dva jednaka dela, dok se kategoriki atributi granaju i kod ID3 i kod C4.5 na onoliko delova koliko postoji kategorija u atributu voru. Sva stabla odluivanja za klasifikaciju imaju jednostavnu meru kvaliteta stabla, a to je stepen tanosti klasifikacije koji se meri kao osnos tano klasifikovanih sluajeva u odnosu na ukupan broj sluajeva iz tabele odluivanja koje je klasifikovalo stablo. Stabla odluivanja su pogodna za reavanje klasifikacionih problema, otkrivanje asocijativnih pravila, kao i redukciju jer poredak vorova u stablima govori i o odreenom znaaju atributa za klasifikaciju ili regresiju. Clementine: NeuralNet, C5.0, C&R Tree, Logistics Asocijativna pravila Sva pravila imaju odreene mere kvaliteta, pravila na osnovu kojih analitiar, u saradnji sa DO, odluuje da li su pravila prihvatljiva ili ne. Osnovni pokazatelji kvaliteta pravila su podrka i poverenje. Podrka govori koliko su procentualno odreena kategorija, klasa ili pravilo zastupljeni u skupu podataka. Poverenje predstavlja meru kvaliteta pravila koja predstavlja odnos izmeu zastupljenosti celog pravila i zastupljenosti uzroka, ili izmeu podrke celog pravila i podrke uzroka pravila. Poverenje predstavlja uslovnu verovatnou P(TADA deo pravila|AKO deo pravila). Clementine: C5.0 i ostala stabla osluivanja, GRI, A priori, Sequence Klaster algoritmi K-means je algoritam koji u podacima trai K, korisniki definisanih klastera. Poto je teko odrediti kkoji je pravi broj klastera u podacima, najee se sprovodi vie puta, pa se na osnovu mere kvaliteta klastera ili na osnovu potvrde kvaliteta klasterovanja DO odluuje da li je dolo do zadovoljavajueg rezultata. K-means na poetku procesa klasterovanja iz skupa podataka iz kojih ui bira K centroida (sredina) i to najee sluajnim putem. Svi sluajevi iz tabela odluivanja se zatim dodeljuju najbliim centroidima, pri emu se nakon dodeljivanja sluajeva centroidima raunaju nove vrednosti centroida. Proces dodeljivanja sluajeva najbliim centroidima i raunanja novih vrednosti centoida se ponavlja dok sa ne dostigne stabilno reenje, tj. reenje u kome ne dolazi do pomeranja sluajeva iz jednog klastera u drugi klaster, u dve uzastopne iteracije. K-means radi samo sa numerikim podacima. Centroidi su sumarni pokazatelji (statistike) koji opisuju karakteristike odreenog klastera. Da bi se algoritam opisao pomou algoritama OZP, mogue je nakon sprovedenog klasterovanja svakom sluaju dodeliti izlazni atribut tako da u tumaenju otkrivenih zakonitosti mogu da se koriste razni algoritmi za klasifikaciju. Klasterovanje omoguava bolje razumevanje i ralanjivanje podataka. Klasterovanje omoguava deljenje velikog skupa podataka na manje celine ime se jedostavnije moe upravljati velikim koliinama podataka. Moe da se koristi i kao predproces za druge algoritme OZP. U Microsoft dodatku za OZP algoritam za klasterovanje je osposobljen da radi i sa numerikim i sa kategorikim podacima. On automatski transformie kategorike u numerike podatke, pri emu se ne zna na koji nain je izvrena transformacija. Ovo je neto to brine analitiara, koji je svestan da razliite vrste transformacije mogu da pomognu otkrivanju razliitih zakonitosti, pri emu ne postoji jedna univerzalna transformacija koja je najbolja za sve podatke i sve algoritme. Clementine: K-means, Two Step, Kohonen Regresioni modeli Koriste se za reavanje zadataka procene. Model linearne regresije radi samo sa numerikim podacima. Vetake neuronske mree Vetake neuronske mree mogu da rade i sa numerikim i sa kategorikim podacima, mogu da rade sa podacima koji imaju razliite osobime podataka, mogu da imaju vie izlaznih podataka itd. Odline su za modeliranje nelinearnih zavisnosti koje postoje u podacima. Otpornije su od veine metoda za rad sa nedostajui m vrednostima, na korelaciju meu atributima itd. Imaju odline karakteristike kada je u pitanju OZP, mogu da se koriste i za reavanje zadataka redukcije, procene, klasifikacije, klasterovanja i predvianja. One predstavljaju za DO crnu kutiju jer DO zadaje samo odreeni ulaz, a VNM mu vraa eljene rezultate. Softver RapidMiner ima ovaj algoritam i mrea koja se dobija ima onoliko ulaznih vorova koliko atributa odredi DO, ima srednji (skriveni) sloj i izlazni vor (ili vie). vorovi su povezani vezama (sinapsama) a od debljine sinapse zavisi i jaina veze koja postoji meu odreenim vorovima. Clementine koristi NeuralNet za zadatak predvianja. 3.3.5 Ocena OZP reenja Proces OZP nije zavren dok se ne izvri analiza dobijenog znanja, tj dok se ne vidi koliko su otkrivene zakonitosti validne. Faza ocene i modelovanje zakonitosti se prepliu i zapravo se i rade paralelno u procesu OZP. Faza ocene treba da pokae koli ko je otkrivena zakonitost znaajna. Na osnovu rezultata o znaajnosti otkrivene zakonitosti DO odluuje da li je otkrivena zakonitost zanimljiva i da li moe da se koristi u unapreenju poslovnog procesa. MS OZP dodatak i RapidMiner imaju integrisanu funkcionalnost za ocenu modela OZP. Kod MS OZP dodatka rezultati analize mogu da se dobiju na tri naina: Grafik pouzdanosti prikazuje odnos izmeu idealnog modela klasifikacije i grafika stvarnog predvianja izabrane klase. Matrica klasifikacije predstavlja u tabelarnoj formi rezultat klasifikacije celog modela sa informacijom o broju tano i netano klasifikovanih sluajeva. Grafik profita prikazuje predpostavljeni profit koji organizacija moe da ostvari uzimajui u obzir cenu jednog uzorka koji treba da plati d a bi dola do tabele sluajeva nad kojom radi OZP analizu.

RapidMiner sa druge strane nudi u okviru analize OZP modela 24 razliita modela za analizu performansi modela. Ako otkrivena zakonitost ne pokae eljene karakteristike, analitiar ima mnotvo opcija da unapredi model. U RapidMiner moe da: Testira vei broj algoritama za reavanje problema Ponovo podesi parametre za rad algoritma Moe bolje da pripremi podatke za OZP. Sa druge strane MS OZP dodatak, nudi korisniku informaciju o ispravnosti modela, ali mu ne nudi velike mogunosti u poboljavanju otkrivenih zakonitosti. Proces ocene reenja je kljuan proces u OZP. Ocena reenja omoguava DO da sazna da li je otkriveno znanje verodostojno, da li moe da se upotrebljava u poslovnom procesu i da li od otkrivenog znanja moe da se oekuje korist. Za sprovoenje analize podataka potrebno je raspolagati podacima za testiranje. Poeljno je da se analiza kvalitteta modela ne radi nad sluajevima koji su korieni za generisanje modela. Kada se radi analiza uvek se odreeni broj sluajeva obelei kao sluajevi za testiranje i njihova uloga je da se nad njima proveri ispravnost modela. Ipak, tek kada se otkriveno znanje ukljui u poslovni proces, videe se koliko je znanje zaista validno. DO meutim nee dozvoliti upotrebu znanja u poslovnom procesu dok mu proces analize ne da valjane rezultate. 3.3.6 Primena OZP reenja Pored kvaliteta koji otkrivena zakonitost treba da poseduje, potrebno je ispuniti dodatne predpostavke. To su: 1. Podrka top menadmenta ukoliko ona ne postoji nemogue je primeniti OZP reenja u organizaciji. 2. Razuman obim projekata OZP ukoliko je projekat suvie ambiciozan, teko e biti prihvaen 3. Sklad izmeu kadrova iz menademnta i informacionih sistema ukoliko meu njima vladaju razmirice novo reenje ne moe da zaivi 4. Detaljno razraen plan uvoenja reenja u organizaciju koji treba da vodi rauna o tome da novo reenje donosi: Nov nain rada Potrebu za obukom zaposlenih Potrebu za novim izvetajima Podrka cele organizacije 3.5 Zablude u OZP OZP daje odgovore na naa pitanja. Algoritmi automatski pronalaze reenja za probleme. OZP je nezavisan od DO, automan je i ne zahteva uee ljudi. Poslovanje se brzo unapreuje uz pomo OZP alata, i brzo se isplati. OZP alati, tehnike i algoritmi su intuitivni i jednostavni za korienje. OZP otkriva poslovne probleme. OZP moe da radi sa nesreenim podacima i da ih ispravi, dovede u red. Menadment znanja ine ljudi, tehnologija i poslovni proces. Menadment znanja ima sledee procese: snimanje, organizovanje, prerada i deljenje. Projektovanje sistema za menadment znanja podrazumeva: Snimanje znanja od eksperta Razvoj prototipa Ponavljanje sesije sa ekspertom i prilagoavanje modela dok ekspert ne bude zadovoljan sistemom. Projektovanje sistema za menadment znanja: Semantike mree Tabele odluivanja Drva odluivanja AKO-TADA pravila Fazi pravila Sluajevi... Upotreba sistema za menadment znanja: Dijagnoza Obuka Planiranje Predvianje Zakljuivanje na osnovu sluajeva ZOS je disciplina koja koristi podatke iz prolosti (sluajeve) radi podrke odluivanju pri reavanju novih problema u poslovnom procesu. ZOS je nauna disciplina i proces koji reava nove probleme koristei reenja starih problema. Proces ZOS je jednostavan i prirodan. Proces se odigrava sledeim tokom: Javlja se novi problem koji treba reiti. Potrebno je pretraiti bazu prethodnih sluajeva da bi se pronala reenja slina novom problemu. Iskoristiti staro reenje za reavanje novog problema. Ako ima potrebe, prilagoditi staro reenje novom problemu i sauvati novo (modifikovano staro) reenje u bazi sluajeva. S vremena na vreme proveriti da li je baza sluajeva postala redudantna da je mogue izvr iti redukciju baze sluajeva i time podii efikasnost rada. Sistemi ZOS imaju dosta slinosti sa ekspertnim sistemima, s tim to mogu da se posmatraju kako posebna grupa ekspertnih sistema koja ima jasno definisan proces korienja i odravanja sistema. ZOS je baziran na odreenim pretpostavkama: Svet funkcionie po principu reda, a ne haosa. Situacije u svetu (problemi) se ponavljaju pa ih vredi pamtiti. Slini problemi imaju najee slina reenja. ZOS se sastoji iz 6 aktivnosti: 1. Pronalaenje sluajeva koji su slini novom problenmu- pronalaenje 2. Izbor korisnih sluajeva od slinih sluajeva- adaptacija 3. Prilagoavanje korisnih sluajeva novom problemu (ako ima potrebe)- revizija 4. Merenje korisnosti novoreenog sluaja (odreivanje da li je novi sluaj vredan pamenja u bazi)- pregledanje 5. Pamenje novog sluaja- zadravanje 6. Periodino preiavanje baze sluajeva ako se tokom vremena unapreivala- rafinisanje Ove aktivnosti mogu da se rasporede u 4 faze odluivanja: 1. Strukturiranje sluajeva 2. Normalizacija indeksa 3. Agregacija sluajeva 4. Analiza sistema (evaluacija) Problemi kod ZOS: Indeksiranje sluajeva uvanje sluajeva (znanja) Pronalaenje sluajeva

Adaptacija sluajeva

4.3 Strukturiranje sluajeva Da bi sluajevi mogli da se koriste u ZOS i da se uvaju u bazi moraju da imaju jasno definisanu strukturu. Strukturiranje podrazumeva definisanje tabela, skupa atributa i tipova atributa koji e se uvati u bazi podataka. Sluaj je jedan od naina predstavljanja znanja. Sluaj je red tabele odluivanja. Sastoji se od skupa atributa ije vrednosti nose informacije o problemu i skupa atributa koji nose informacije o njegovom reenju (izlazni atributi). Sluaj ne mora imati izlazne atribute. U vrednostima atributa mogu biti smeteni i tekstualni zapisi, fotografije, video zapisi... odreeni podaci nisu pogodni za mainsku analizu, ve moraju da ih analiziraju ljudi. Skup atributa za pretraivanje se kod ZOS naziva skup indeksa. Svaki sluaj se sastoji od indeksa i skupa atributa koji nisu indeksi. Neindeksirani atributi slue za uvanje semantikog bogatstva sluajeva i mogu se koristiti za donoenje odluka kada indeksi ne sadre dovoljno informacija. Najpoznatiji modeli za organizovanje sistema ZOS su: Dinamiki memorijski modeli Model kategorijskih sluajeva 4.4 Normalizacija sluajeva Indekse je potrebno normalizovati iz sledeih razloga: Da bi svaki sluaj u bazi mogao da se uporeuje sa traenim sluajem Da bi mogla da se izrauna odreena mera slinosti naenog sluaja sa traenim Za normalizaciju numerikih podataka se koriste L1, L2 (svi podaci jedne kolone se dele korenom zbira kvadrata vrednosti te kolone) i L metrike. Da bi se kategorijski podaci pripremili za pretraivanje, analitiar treba da vodi rauna o: Broju kategorikih atributa Broju kategorija koje postoje u atributu Distribuciji kategorija u atributu 4.5 Agregacija sluajeva To je ocenjivanje kvaliteta sluajeva u bazi sluajeva. Kod ZOS se koristi koncept slinosti (udaljenosti) kojim se rauna slinost sluaja za koji se trai reenje i sluajeva u bazi sluajeva. Svakom sluaju se tokom procesa pretraivanja baze sluajeva dodeljuje mera koji govori koliko je sluaj blizak traenom sluaju. Najpoznatije metode koje se koriste za pronalaenje sluajeva su: Metoda najblieg suseda Indukcija- ID3 (kad su podaci kategoriki i kad postoji samo jedan izlazni atribut) Indukcija voena znanjem Otkrivanje paterna Metoda najblieg suseda To je metoda za validaciju sluajeva (proces koji govori koliko je odreeno znanje korisno za reavanje novog problema). Ona odreuje slinost postojeeg sluaja sa novim sluajem na osnovu teinskog zbira indeksa. Nedostaci su to je teko odrediti teine i sporost pronalaenja reenja.

Euklidsko rastojanje Koristi se za funkciju slinosti numerikih podataka. S(A,B)=SQRT((ai-bi)2) 4.6 Analiza reenja Najee je potrebno korisne sluajeve koji su pronaeni u bazi sluajeva prilagoditi novom problemu ime moe da nastane nov sluaj. Kod ZOS, u tu svrhu postoje mehanizmi koji prilagoavaju staro reenje novom problemu. Prilagoavanje se zasniva na uoavanju bitnih razlika starog i novog problema i izmeni starog reenja da bi se odgovorilo zahtevima novog problema. Uopteno, postoje dve vrste adaptacija: Strukturno prilagoavanje gde postoje precizno definisana pravila prilagoavanja starog reenja novom problemu Derivaciono prilagoavanja koji koristi formalne metode i tehnike koja su generisala originalno reenje za reavanje novog problema. Derivaciono prilagoavanje je jedino mogue kada moe formalno da se definie nain na koji se reava odreeni sluaj. Neke od tehnika koje se koriste u ZOS za adaptaciju korisnih sluajeva novom sluaju su : Nulta adaptacija najjednostavnija tehnika jer ne vri nikakvu adaptaciju. DO dobija sluajeve sortirane po slinosti sa novim problemom. Koristi se za probleme koji imaju sloeno zakljuivanje, ali jednostavno reenje. Parametarsko usklaivanje strukturalna adaptivna tehnika koja uporeuje specifine parametre otkrivenog i novog sluaja da bi modifikovala reenje u skladu sa defifnisanim pravilima. Kritiki-zasnovana tehnika u kojoj ekspert trai kombinaciju osobina sluajeva koji mogu da ree problem. U fazi analize, DO treba da odlui da li korisni sluajevi mogu da ree problem odluivanja. Ukoliko ne, potrebno je generisati novo reenje sluaja. Novo reenje je zasnovano na postojeim reenjima i esto DO stoje na raspolaganju tehnike koje pomau pri adaptaciji novog reenja. Nakon razvijenog reenja, analitiar odluuje da li je novi sluaj vredan pamenja ili ne, ako jeste sluaj se pamti u bazi. Vetake neuronske mree 5.2 Neuronske mree: inspiracija iz prirode Problemi predvianja, procene, klasifikacije i tome slino su veoma esti, a metode reavanja nisu uvek zadovoljavajue. Kako je ovek i sam evoluirao da upravo reava takve probleme, dobra reenja za te probleme se sigurno mogu nai u nainu funkcionisanja ljudskog mozga. Naime, nioloke neuronske mree su jedno reenje koje priroda koristi kada treba da rei probleme predvianja, procene, ili klasifikacije, za ije reavanje je potrebno iskustvo i znanje. Vetake neuronske mree VNM je model koji emulira (imitira) bioloke neuronske veze (BNM). Na dananjem nivou, neuronsko raunanje koristi veoma ogranien skup koncepata iz biolokih neuronskih sistema. Koncepti koji se koriste za primenu VNM ukljuuju elemente procesiranja (vetake neurone) meusobno povezane u arhitekturu mree. Vetaki neuron prima ulaze koji su analogni elektro-hemijskim impulsima koje dendroni biolokih mrea primaju od ostalih neurona. Izlaz vetakog neurona korespondira se signalom poslatim iz biolokog neurona kroz njegove ose. Ti vetaki signali se mogu menjati slino promenama koje se deavaju u sinapsama. 5.3 Zadaci neuronskih mrea Zadaci neuronskih mrea, kako biolokih tako i vetakih, su da povezivanjem neurona naprave model neke pojave za koje postoji odreeno iskustvo. Takvi iskustveno bazirani modeli se mogu nadalje koristiti za predvianje ishoda i samim tim donoenje odluka. Uenje kao proces ukljuuje nekoliko elemenata: Iskustvo - skup sluajeva iz prolosti vezanih za pojavu koja je od interesa Model - kondenzovan nain predstavljanja pojave, kojim se moe objasniti iskustvo, ali kojom se mogu objasniti i budui sluajevi

Metod(algoritam) uenja - nain na koji se induktivno gradi model na osnovu iskustva

Neuronske mree su iroko upotrebljiv koncept jer se njima mogu graditi razliiti modeli, meu kojima i : 1. Modeli klasifikacije 2. Modeli procene 3. Modeli klasterovanja 4. Modeli asocijativne memorije 5. Modeli aproksimacija funkcije Za vetake neuronske mree se kae da su univerzalni aproksimatori, zato to mogu da modeluju proizvolju funkciju zavisnosti, bilo ona linearna ili nelinearna. tavie, za bilo koji problem i zadatu dozvoljenu greku se moe napraviti neuronska mrea koja ima manju greku od zadate. 5.4 Definicije pojmova Neuroni. VNM je sastavljena od vetakih neurona (na dalje samo neuroni) i oni predstavljaju elemente precesiranja. Svaki od neurona prima ul aze, procesira ih i proizvodi jedan izlaz. Ulaz moe biti sirovi podatak ili izlaz nekog drugog neurona. Izlaz moe biti finalni proizvod ili ulaz u drugi neuron. Ulazi. Svaki ulaz korespondira jednom atributu. Na primer, ako je problem da li treba odobriti ili odbiti zajam, atribut moe biti nivo prihoda korisnika, starost ili vlasnitvo nad kuom. Neuronsko raunanje moe procesirati samo brojeve. Ako problem ukljuuje kvalitativne atribute ili slike, oni moraju biti procesirani na numerike ekvivalenci je pre nego to mogu biti tretirani od strane VNM. Vaan poetni korak je pravljenje pogodnog sistema kodiranja, tako da se podatak moe predstaviti neuronskoj mrei, uobiajeno jao skupovi jedinica i nula. Izlazi. Izlaz iz mree je reenje problema. U primeru zajma to moe biti ''odobriti'' ili ''odbiti'' kreditni zahtev. VNM dodeljuje numerike vrednosti, recimo +1 za ''odobriti'' i 0 za ''odbiti''. Svrha mree je da izrauna vrednost izlaza, koji su upotrebljivi za probleme iz oblasti za koje se VNM upotrebljava. Teine. Kljuni elemenat jedne VNM je teina, koja izraava relativnu snagu ulaznog podatka u odreen neuron. Drugim reima, teina predstavlja relativnu znaajnost svakog ulaza u neuron. Funkcija sumiranja. Funkcija sumiranja rauna teinsku sumu svih ulaznih elemenata koji ulaze u svaki neuron. Funkcija sumiranja mnoi svaku ul aznu vrednost Xi sa njegovom teinom Wi i sabira ih radi dobijanja teinske sume Y. Funkcija aktivacije (transfera). Funkcija sumiranja rauna internu stimulaciju,ili nivo aktivacije, neurona. Zavisno od tog broja neuron moe ili ne mora da p roizvede izlaz (reakciju neurona). Veza izmeu nivoa interne aktivacije i izlaza moe biti linearna ili nelinearna. Ta veza se izraava funkcijom transfera i postoji vie razliitih tipova te funkcije. Izbor specifine funkcije daje mrei specifina svojstva. Jedna popularna nelinearna funkcija transfera naziva se sigmoidnom, ili funkcijom logistike aktivacije : Gde je Yt transformisana vrednost od Y koja moe uzimati vrednost od nule do jedan. Neuronska mrea. VNM je kolekcija neurona, meusobno povezanih sinapsama. Mree se mogu razlikovati po strukturi, po osobinama neurona, po veliini, po nainu prostiranja signala i po nainu uenja. Struktura mree. Slino biolokoj mrei, VNM moe biti organizovana na vie razliitih naina(tipologija), tj. Neuroni mogu biti meusobno povezani na raliite naine. Zbog toga se VNM pojavljuje u mnogim konfiguracijama. U procesiranju informacije, mnogi neuroni obavljaju ,,svoje raunanje,, u isto vreme. To paralelno procesiranje podsea na nain kako mozak radi i razlikue se od seriskog procesiranja kod konvencionalnog raunanja. 5.5 Topoloigje (strukture) neuronskih mrea Kako su pojedinani neuroni jednastavne jedinice procesiranja, oni se uvezuju u neuronske mree koje mogu modelovati sloene procese. Nain na koji se pojedinani neuroni uvezuju definie topologiju ili strukturu mree. Tipine topologije neuronskih mrea, pored ostalih, su: Vieslojni perceptroni VNM sa funkcijama radijalne osnove (RBF) Samo-organizujue mape(SOM) Hopfildove mree Linearni asocijatori Vieslojni perceptroni Ova struktura je daleko najpopularnija,a kod nje su neuroni grupisani u slojevima, tako da su neuroni jednog sloja povezani samo sa neuronima susednog sloja. Slojevi se lele na ulazni sloj, skrivene slojeve i izlazni sloj. Problemi koji se reavaju strukturom vieslojnih perceptrona su klasifikacija, procena i aproksimacija funkcija. VNM sa funkcijama radijalne osnove(RBF) RBF mree su zapravo perceptroni sa jednim skrivenim slojem, iji neuroni skrivenog sloja koriste funkciju transfera koja je funkcija sa radijalnom osnovom. Ulaz u svaki neuron (u radijalnu funkciju) je zapravo udaljenost konkretnog sluaja od centra radijalne funkcije, a nejee euklidska udaljenost. Na ovaj nain, svaki skriveni neuron predstavlja hiper-sferu sa svojim centrom u nekoj taki, a ulazni podaci se razlikuju po tome koliko su udaljeni od tih centara. U svojoj sutini, ovi centri se mogu protumaiti kao centri klastera, mada namena ovakvih mrea nije da izvre klasterovanje, ve klasifikaciju ili procenu, a na osnovu bliskosti ulaznih podataka definisanim centrima. Njihova snaga je u tome to na jednostavan nain mogu da modeluju nelinearan proctor, tj. da ga pretvore u linearan. Samo-organizujue mape Kohonen (SOM) Samo organizujue mape su topologija VNM kojom se mogu reavati problem klasterovanja. U ovoj strukturi neuroni su takoe uraeni u slojeve, I to najee dva sloja, ulazni i izlazni. Za razliku od preceptrona, izlazni sloj je dvodimenzionalna I sainjava mapu neurona Hopfildova mrea Hopfildova mrea je jedan oblik rekurentne structure neuronske mree. Rekurentna mrea je onaj tip kod koga se izlazni signal vraa barem jednom kao ulaz u neuron pre nego to se proizvede izlaz. Rekurentna struktura koristi povratne signale neurona za podeavanje parametara, kao to je pravi broj neurona, teine veza, stopa uenja ili broj izlaznih neurona. Na taj nain se mogu reavati zadaci klasterovanja sa nepoznatim brojem klastera. Rekurentne mree su se pokazale dobre I za reavanje ,,dinamikih,, vremenskih zavisnih problema (analiza procesa, sekvencijalno prepoznavanje, vremenske serije i sl.) . Takoe, ovakve mree se esto koriste za zadatke asocijativnih memorija, naroito sa izraenim umom u podacima. Linearni asocijator Linearni asocijator je vrsta mree namenjena pravljenju asocijativne memorije. Asocijativna memorija je sistem koji povezuje dva kompleksna stimulus koji su se u isto vreme pojavljivali. Na taj nain, poznajui jedan stimulus, moe se ,,prizvati,, drugi povezani (asocirani) stimulus. Ovakvi sistemi, pored reprodukovanja nauenih stimulus, mogu da daju rezultujui izlazni stimulus ak I kada je ulazni stimulus blago izmenjen (u sluaju prisustva uma) Osobine razliitih struktura neuronskih mrea

Posmatrajui razliite strukture, mree moemo razlikovati po sledeim osobinama: Prostiranje signala Razlikuju se mree sa prostiranjem unapred i prostiranjem unazad. Kod mrea sa prostiranjem unapred, signal se prenosiod ulaznih ka izlaznim neuronima. Mree sa prostiranjem unazad se jo zovu I rekurentne mree, a kod njih se signal koji je procesiran vraa kao ulaz u mreu kako bi uestvovao u daljem procesiranju signala. Broj neurona I broj slojeva Premalo neurona moe biti loe kada su ulazno-izlazne zavisnosti sloene, pa ne mogu sasvim biti obuhvaene malim brojem neurona. Sa druge strane, preveliki borj neurona moe prouzrokovati da se izgradi suvie kompleksna mrea za jednostavnu pojavu, to takoe rezultuje loom tanou modela mree. Vrste funkcija transfera Funkcije transfera svih neurona takoe odreuju I ograniavaju svrhu mree. Neke mree preferiraju funkcije transfera sa diferencijabilnim osobinama(vieslojni perceptroni), dok drugi koriste esto linearne funkcije (linearni asocijatori). Povezanost neurona Nain urazivanja neurona takoe je jedan od aspekata structure neuronskih mrea. Veze mogu postojati izmeu svakog para neurona, izmeu neurona I susednih slojeva ili izmeu pojedinih neurona. 5.6 Uenje i validacija Uenje je zapravo sticanje znanja kroz prilagoavanje na iskustvo iz koga se ui. Uenje se postie analogijom, otkriem, pos matranjem ili analiziranjem sluajeva. Uenje je induktivan process, a najee zahteva ponavljanje nekog stimulus kroz iskustvo. Neuronske mree ue se iz iskustva zapisanog u obliku sluajeva (najee tabelarno). Proputajui sluajeve kroz mreu, algoritam uenja menja teine mree, tako da mrea postane to ,,slinija,, iskustvu. Sinapse su zapravo objekat uenja I one ,,nose,, naueno znanje koje mrea nosi. Nain na koji se teine podeavaju I prilagoavaju sluajevima se razlikuju meu algoritmima uenja. Proces uenja VNM se moe predstaviti u tri faze: 1. Raunanje izlaza 2. Uporeivanje izlaza VNM sa eljenim izlazom 3. Podeavanje teina i ponavljanje procesa U nastavku e biti opisano nekoliko naina uenja koji se upotrebljavaju za razliite topologije neuronskih mrea. Backpropagation jedan od najpoznatijih i najvie korienih algoritama za uenje je algoritam sa irenjem greke unazad (backpropagation). Ovaj algoritam slui za obuavanje mrea struktura vieslojnog perceptrona ili mrea sa funkcijama radijalne osnove. Process uenja poinje postavljajui teine ili o nekom pravilu ili na sluajan nain. Sa postavljenim teinama, pomou ulaznih atributa rauna se izlaz iz mree i uporeuje sa oekivanim izlaznim atributom. Razlika tih veliina naziva se greka klasifikacije (ili procena) i praktino ocenjuje koliko mrea dobro predvia. Nedostatak ovoh algoritma je to on pronalazi lokalni minimu funkcije greke, to znai da u optem sluaju reenje nije optimalno, ali je dovoljno dobro. Hebovo uenje najea primena ovog uenja je u mreama za asocijativnu memoriju. Pored topologije linearnog asocijatora, Hebovo uenje se moe koristiti I za treniranje Hopfildove mree.

Kompetitivno uenje kompetitivno uenje predstavlja paradigm gde jedan sluaj iz iskustva ne modifikuje celu mreu, ve samo izabrani neuron koji ,,pobedi,,. Izabrani neuron je zapravo najblii represent ulaznom sluaju, pa je zato kandidat za dalje pribliavanje ulaznom sluaju. Algoritmi kompetitivnog uenja su pored ostalog nali svoju primenu za treniranje samo-organizujuih mapa, prilikom reavanja zadatka klasterovanja. U koraku 1 prikupljaju se podaci koji se koriste za trening i testiranje mree. Vana napomena je da posmatrani problem mora biti ''podloan'' reavanju sa neuronskom mreom i da adekvatni podaci uopte postoje. Prikupljanje visoko kvalitetnih podataka podrazumeva brigu o minimiziranju nejasnoa (dvosmislenosti), greaka i sluajnosti u podacima. Podaci moraju biti prikupljeni tako da pokriju najiri opseg domena problema; podaci moraju pokriti ne samo rutinske operacije, ve i izuzetke, kao i uslove na granicama domena problema. U koraku 2 moraju se identifikovati podaci za trening i za test, a mora se napraviti i plan za testiranje performansi mree. Sluajevi za treniranje se koriste za podeavanje teina, dok suajevi za testiranje se koriste za validaciju mrea. U koracima 3 i 4 se biraju struktura i metod uenja. Raspoloivost odreenim razvojnim alatom ili sposobnost projektanata mogu odrediti tip neuronske mree. Izbor strukture mree (npr. broj vorova i slojeva), kao i izbor poetnih uslova mree, odreuju duinu vremena za trening. Zbog svega to je reeno, ovi izbori su veoma znaajni i zahtevaju paljiva razmatranja na poetku procesa. Postojei modeli VNM imaju parametre koji podeavaju mreu na nivo poeljnih performansi. Deo procesa u koraku 5 je inicijalizacija teina i parametara mree koju sledi ispravljanje parametara kada se izmere performanse. U mnogim sluajevima, poetne vrednosti teina utiu na kvalitet konanog reenja i na ukupno trajanje treniranja mree. Sledea procedura, korak 6, je transformacija ulaznih podataka u tip i format koji zahteva neuronska mrea i algoritam uenja. Takoe, nain kako su aplikacioni podaci prezentovani i poreani esto determinie efikasnost i moguu tanost rezultata dobijenih korienjem mree. Ovaj korak pretprocesiranja moe biti jako bitan, jer izvorni podaci esto nisu prikupljeni za ovakvu analizu, ve su inicijalno prilagoeni za druge namene. U koracima 7 i 8, trening i testiranje se vode kao iterativni proces prezentiranja ulaznih i eljenih izlaznih podataka mree. Mrea rauna izlaze i podeava teine, sve dok izlazi iz mree ne dostignu eljeni kvalitet. U koraku 9 procesa je dobijen stabilan skup teina. Sada mrea moe proizvoditi eljene izlaze za date ulaze, kao to je raeno pri treningu. Mrea je spremna za korienje kao samostalan sistem ili kao deo nekog drugog softverskog sistema. Stalno kontrolisanje i povratna sprega ka projektantu su preporueni radi poboljanja sistema i dugoronog uspeha. Vaan aspekt je stei poverenje korisnika i menadmenta to pre, kako bi sistem bio prihvaen i korien pravilno. Pri izgradnji VNM, projektant mora doneti mnoge odluke: Obim podataka za trening i testiranje Topologija :broj neurona i njihova konfiguracija(ulazi, slojevi, izlazi) Funkcija transformacija (transfera) koja e se koristiti. Algoritam uenja i parametri algoritma Metod dijagnoze i validacije Specifina konfiguracija definisana na osnovu navedenih odluka se naziva paradigmom mree. 5.8 Prednosti i ogranienja neuronskih mrea Prednosti neuronskih mrea Vrednost neuronskih mrea se ogleda u korisnosti njene primene reavanju problema prepoznavanja oblika, uenja I memorisanja, klasifikacije, klasterovanja, generalizacije I apstrakcije, kao I u interpretiranju nekompletnih ulaza sa umom. Prirodno preklapanje sa tradicionalnim aplikacijama vetake inteligencije se deava u oblasti prepoznavanja oblika za karaktere, govor, I vizuelno prepoznavanje. Neuronske mree imaju potencijal da obezbede I neke ljudske karakteristike reavanja problema, koje je teko simulirati logikim, analitikim tehnikama ekspertskih sistema I drugih standardnih softverskih tehnologija. Neuronske mree imaju I druge prednost: 1. Tolerancija oteenja: Poto u mrei postoji mnogo vorova procesiranja, od kojih svaki ima primarnu lokalnu vezu, oteenje na nekoliko vorova nee dovesti do zastoja celog sistema.

2. 3. 4.

Generalizacija : Kada se neuronskoj mrei prezentuju nekompletni ulazi, ulazi sa umom ili oni koji predhodno nisu vieni, ne uronska mrea generie razuman odgovor. Adaptivnost: Mrea se moe dotrenirati sa novim sluajevima, ak I kada su znaajno razliiti od predhodnih. Masovni paralelizam: raunanje sa VNM je logiki lako razdvojiti na nezavisne zadatke, to omoguava da se napravi paralelna implementacija sa puno procesorskih jedinica.

Ogranienja neuronskih mrea Ogranienja i trokovi trenutne tehnologije paralelnih hardvera ograniavaju veinu aplikacija na softverske simulacije. Sa trenutnim tehnologijama, vremena za treninig mogu biti jako dugaka, pa zbog toga potreba za estim ponavljanjima treninga moe uiniti aplikacije neupotrebljivim. Na kraju, neuronsko raunanje uobiajeno zahteva veliki broj podataka za trening i testiranje. Jo jedan nedostatak VNM je to je rezultujui model teko interpretirati. Naime, sistem uvezanih neurona i teina izmeu njih nema oiglednu interpretaciju u domenu gde se VNM primenjuje. 5.9 Oblasti primene Primena u prepoznavanju signala(govora, oblika i slika) - kod mobilnih telefona primenu nalazi u pozivanju kontakta,kod raunara se koristi za potrebu diktacije. Primena u menadmentu i marketing - segmentaciju trita, mogue je reiti neuronskim mreama, klasterovanjem. Primena u finanskijskom poslovanju - banke koriste neuronske mree, prilikom odobravanja kredita klijentima. Primena na problemu vremenske prognoze Primena u medicine - prednost korienja neuronskih mrea u medicine je taj to kod njih ne utiu faktori kao to su umor, radni uslovi i emotivno stanje, prilikom davanja dijagnoza. Primena u ekologiji - koriste se za procenu zagaenosti ivotne sredine, precizno utvruje prisutnost ugljenika i ostalih jedinjenja koja pokazuju stepen zagaenosti sredine.

Sistemi za podrku rada grupe

6.2 Uvod Podrka grupnom radu gde lanovi tima mogu biti na razliitim mestima i da rade u razliito vreme naglaava vane aspekte komunikacije, kompjuterskih tehnologija i metodologija rada. Efikasni kompjuterski alati za podrku rada grupe (groupware) su razvijeni da bi smanjili trokove i omoguili efikasnu razmenu miljenja, informacija, podataka, znanja, dokumenata i drugih resursa koji su potrebni za rad razdvojenih grupa i/ili pojedinca. Ovi alati mogu podrati process poslovnog odluivanja: Indirektno obezbeuju efikasnu kolaboraciju uz pomo tehnologija kao to su imejl, et, deljenje datoteka itd. Meutim ovi alati ne obezbeuju modele odluivanja, kao ni struktuiran process donoenja odluka. Direktno obezbeuju struktuiran i usmeren process donoenja odluka i integrisane modele I metode odluivanja ime se omoguuje generisanje reenja za konkretan problem (GSPO) 6.3 Kolaborativni alati za indirektnu podrku odluivanju Kolaboracija ili saradnja, predstavlja komunikaciju i koordinaciju jedinica unutar grupe radi postizanja zajednikog cilja. Jedinice mogu biti ljudi koji ine tim, povezane organizacije, zemlje, zajednice, raunari, roboti, itd. Isto vreme/isto mesto(npr.soba za odluivanje) - uesnici se nalaze u isto vreme, na istom mestu, kao na tradicionalnim sastancima ili sobi za odluivanje. Ovaj vid rada grupe i dalje ima veoma vanu ulogu jer je esto potrebno da zaposleni napuste svoje kancelarije, kako bi obezbedili maksimalnu koncentraciju na konkretan problem. Isto vreme/razliito mesto (npr.telekonferencija) - uesnici se nalaze na razliitim mestima ali komuniciraju u isto vreme(videokonferencija) Razliito vreme/isto mesto(npr.lokalna raunarska mrea) - uesnici rade u smenama. Jedna smena ostavlja informacije narednoj. Razliito vreme/razliito mesto(npr.udaljeno odluivanje) - uesnici se nalaze na razliitim lokacijama i dele informacije u razliito vreme. Ovakav vid se koristi kada uesnici putuju ili ne mogu da usklade vreme sastanaka. Tehnologije komunikacije, zavisno od prirode problema koji pomau,mogu se klasifikovati na: Sinhrone i asinhrone Trajne(perzistentne) i privremene Sa kardinalnou 1-1, 1-M, M-M Sinhroni oblici komunikacije zahtevaju od svih uesnika da istovremeno budu prisutni dok se komunikacija odvija. U tu klasu spadaju: IM, auto/video konferencije, etovi, itd. Prednost ovog oblika je to to se komunikacija odvija brzo, naruito kada je ona dvosmerna ili viesmerna, tj.kada zahteva odgovore I reakcije na predhodne poruke. Asinhroni oblici omoguavaju uesnicima sa u razliito vreme alju i primaju poruke. Ovo dosta olakava komunikaciju, jer se zaobilazi problem ,,okupljanja,, tj.problem da svi uesnici odvoje isto vreme za vrenje komunikacije. Sa druge strane, to e zasigurno produiti trajanje komunikacije. U ove oblike se mogu svrstati: veb sajtovi, i mejl, forumi, implementacije Delfi metoda grupnog odluivanja itd. Perzistentni oblici komunikacije uvaju podatke na due vreme lako dostupnim. Razlog tome je to se procenjuje da takve poruke noste svoju vrednost dui period vremena. To se najee odnosi na znanja, dok su informacije, diskusije, komentari najee privremenog karaktera. Od tehnologija za prenos trajnih poruka mogu se koristiti veb i viki strane, deljeni dokumenti itd; dok za privremene poruke mogu da se koriste forumi, e-grupe, et, imejl ,itd. Dodatno, problem komunikacije moemo podeliti na one koji prenose poruke izmeu dva lana; izmeu jednog i vie lanova; ili poruke koje vie lanova prenosi do vie primaoca te poruke. Respektivno, kardinalnosti su: 1-1, 1-M, M-M. kada se radi o kardinalnosti M-M, sama struktura komunikacija moe biti organizovana u vie oblika, pa postoje oblici tipa prstena, zvezde, toka, drveta, sae, itd. Ako se komunikacija vri izmeu dva lana (1-1), ponuene tehnologije su:imejl, IM, deljeni dokumenti i aplikacije itd. Za kardinalnost 1-M karakteristini su veb sajtovi kao oblik komunikacije. Takoe, u poslednje vreme su popularni tzv.blog sajtovi, gde pojedinci mogu da kreiraju veb sadraje iz svog linog iskustva, tako da su oni dostupni irokom krugu ljudi. Dalje se organizuju skupovi blog sajtova o istoj temi, ime se stvara e-zajednica ljudi koji se bave reavanjem slinih problema. Za komunikaciju izmeu vie lanova (M-M) mogu se koristiti e-grupe, deljeni dokumenti i aplikacije, etovi, forumi, viki sajtovi, itd. 6.4 Grupni sistemi za podrku odluivanju Grupni sistemi za podrku odluivanju su interaktivni sistemi bazirani na upotrebi informacione tehnologije i preciznog algoritma odluivanja, a izgraeni su na ideji individualnog (pojedinanog) SPO-a. Njihov osnovni zadatak je da olakaju reavanje polustrukturiranih i nestrukturiranih problema zajednikim radom grupe (koju u najveem broju ine donosioci odluka). Prema (Theireuf,1989) GSPO ima za cilj da pobolja grupno odluivanje, uklanjanje uobiajenih komunikaci onih barijera, pruanje tehnika za strukturiranje analize odluivanja i sistemsko odreivanje naina, vremena i sadraja diskusije u cilju dobijanja veeg kvaliteta odluke. Bitne karakteristike GSPO, prema (DeSanctis, Gallupe) su : GSPO je posebno dizajniran sistem, a ne samo sklop postojeih sistema GSPO je projektovan sa ciljem da pomae donosiocima odluka u njihovom radu, i kao takav unapreuje proces donoenja odluka i/ili rezultata odluivanja. GSPO usklauje znanja razliitih korisnika, te uz primenu raunara, omuguuje bolju podrku odluivanju. GSPO moe biti specifian (dizajniran za jedan tip ili klasu problema) ili opti (dizajniran za razliite odluke koje se donose na nivou grupe). GSPO sadri ugraene mehanizme koji obeshrabruju razvoj negativnih ponaanja u grupi kao to su destruktivni konflikti, nespo razumi, loa alternativna reenja, itd. Unapreenje procesa GO prema (Liam) upotrebom GSPO su sledee: lanovi tima rade paralelno, tako da je mogue dobiti mnogo ideja Zahvaljujui anonimnoj identifikaciji, lanovi tima su neoptereeni moi i statusom pojedinih lanova Poveanu efikasnost grupe zbog strukturiranog i kontrolisanog procesa odluivanja Sistem daje na raspolaganje lanovima tima lepezu metoda, modela i tehnika za reavanje problema Otvorenost sistema omoguava konstantan protok novih informacija Sistem omoguava skladitenje podataka na svakom nivou procesa odluivanja Poveava se produktivnost rada pogotovu zbog skraenog vremena trajanja sastanka

Grupne sisteme za podrku odluivanju, prema (ODonell) adekvatno je uvoditi ako unapreuje bar jedan od sledeih elemenata: Poveanje efikasnosti i efektivnosti rada grupe (posebno se odnosi na smanjenje vremena sastanaka) Poveanje kvaliteta donetih odluka (odnosi se na broj predloenih ideja, njihovom kvalitetu, stepenu podrke predloene ideje u odnosu na preostale lanove sesije) Poboljanju procesa voenja sastanka (odnosi se na paralelno I udaljeno odluivanje) 6.4.1 Osnovne komponente grupnih sistema za podrku odluivanju Bez obzira na razliite konfiguracije GSPO, njegove osnovne komponente su: hardver, softver, ljudi I procedure. 6.4.2 Vrste aplikacija grupnih sistema za podrku odluivanju Soba za odluivanje, slina je sali za sastanke. Oprema sa ureajima koji podravaju grupno donoenje odluka. Svaki uesnik sedi za stolom u obl iku (najee) potkovice, okrenut ka velikom ekranu. U jednostavnim konfiguracijama GSPO, samo moderator direktno komunicira sa raunarom. U sloenijim konfiguracijama GSPO, svaki uesnik ima terminal ispred sebe. Komunikacija se uspostavlja verbalno, ili slanjem poruka preko raunara. Zajedniki veliki ekran se koristi za beleenje ideja, sumiranje i analizu podataka. Verbalna interakcija lica se kombinuje sa formalizacijom pomou tehnologije kako bi se sastanak uinio efikasnijim. Izmeu l anova grupe postoji stalna interakcija, kako verbalna, tako i preko komunikacione mree. Koristi se softver za modelovanje, koji moe da se izmeni kako bi se prilagodio zahtevima grupe. Alternative se testiraju uz pomo modela I o njima se raspravlja pre nego to se donese konana odluka. Lokalna mrea za odluivanje se primenjuje, kada se najee fiksni broj donosilaca odluka, koji rade u neposrednoj blizini, redovno susreu sa odreenim problemima koje treba reavati. Tada se formira lokalna mrea za odluivanje (local decision network, LDN), koji koriste donosioci odluka u svojim kancelarijama. Svaki donosilac oduke na svom stolu ima radnu stanicu. Uobiajeno je da se na serveru nalazi instaliran softver za GSPO, zajeno sa bazom podataka I bazom modela. Ovaj pristup omoguava veu fleksibilnost, od pristupa opisanog u prvom scenariju. Telekonferencija je potrebna za grupe iji su lanovi meusobno udaljeni, pri emu imaju zadatak da donesu adekvatnu odluku u cilju reavanja evidentiranog problema. U ovom sluaju se jedna ili vie sala za odluivanje povezuju vizuelnim i/ili komunikacionim ureajima. Ovaj scenario je slian prvom scenariju, kome je praktino dodata komunikaciona komponenta GSPO. Utede u vremenu, kao i velika fleksibilnost i vizuelizacija tokom trajanja sastanka najvee su prednosti ovog scenario. Daljinsko (udaljeno) odluivanje danas je praktino potpuni izazov razvojanja aplikacije GSPO. Posebno je iniciran razvojem globalne raunarsek mree- Interneta. Isti predstavlja fuziju informacionih tehnologija i algoritama procesa grupnog odluivanja. Njegova osobina je neprekidna komunikacija izmeu udaljenih lanova tima, koji imaju potrebu permanentnog rada, u cilju donoenja zajednike odluke. 6.4.6 Uloga i zadatak grupe u formiranju GSPO Glavni ciljevi grupe su: Generisanje ideja i alternative (kreativni zadaci zahtevaju generisanje novih ideja, dok planski zadaci zahtevaju generisanje planova orjentisanih na alternative) Izbor alternativa (reavanje i primena preenja podrazumeva izbor najprihvatljivije alternative) Pregovaranje o alternativama (saznajno-konfliktni zadaci podrazumevaju pribliavanje suprotstavljenih gledita, dok zadaci meovitih pitanja podrazumevaju pribliavanje suprotstavljenih motiva ili interesa) Osnovne karakteristike GSPO, zavise od vrste, tipa i zadatka grupe koji ona treba da izvri. Prednosti primene GSPO u reavanju pomenutih zadataka: Olakavaju i pojednostavljuju unos i prikaz ideja svih lanova grupe, Poveavaju brzinu procene ideja Obezbeuju tehniku podrku za aktivnosti kreativnog miljenja, Poseduju mogunost izbora ispravnog reenja Poveavaju efektivnost reenja u zadacima pregovaranja, pogotovu tamo gde su interesi lanoova grupe suprotstavljeni. Znanje u poslovnoj inteligenciji 7.3 Vrste znanja Definicija znanja u poslovnoj inteligenciji po Tiwana: informacija sa akcijom raspoloiva u pravom formatu, u pravo vreme i na pravom mestu za odluivanje. Znanje je uvek vezano za kontekst, a to znai da znanje koje vai u odreenom kontekstu ne mora da vai u drugom. Kada se javi odreeni problem koji treba da se rei, bitan je kontekst u kome se javlja, jer on zajedno sa problemom odreuje reenje koje se trai. Znanje predstavlja trojku problema, konteksta i reenja. Reenje predstavlja predlog akcije, koji predlae DO. Kontekst treba shvatiti kao ogranienja koja postoje u sistemu, dok problem definie cilj koji je potrebno sprovesti. Zapravo, znanje je model koji predlae reenje odreenog problema u odreenom kontekstu. U realnim primenama znanja u poslovnoj inteligenciji se dodaje jo jedan zahtev da znanje treba da proe iskustvenu proveru. Za znanje vai da: Posedovanje znanja je preduslov donoenja ispravnih upravljakih poslovnih odluka Znanje u sebi sadri komponentu akcije Znanje je vezano za kontekst Znanje moe da se predstavi trojkom problem, kontekst i reenje Znanje predstavlja prihvatljivo reenje odrenog problema koje najee nije optimalno Svako znanje trai empirijsku potvrdu. Znanje moe da se podeli na: 1. Proceduralno znanje objanjava proceduru reavanja problema. Karakteristika ovog znanja je da ono objanjava kako se reava problem. Ovo znanje odgovara na pitanje Kako?, ali ne i Zato? Znanje predstavljeno u vidu proceduralnog znanja onemoguava korisnika sistema da bude kreativan u unapreenju odreenog znanja i da razmilja zato se neto radi, ve korisniku iskljuivo pomae da rei odreeni problem. (primer uputstvo za popravku kola) 2. Deskriptivno znanje - opisuje sa vie detalja odreeni problem sa ciljem da se objasne pojmovi vezani za konkretnu problematiku. Ovom znanju nedostaje organizacija znanja u obliku problem, kontekst, reenje. Ovo znanje, ipak, moe da pobolja proceduralno. Kao deskriptivno znanje mogu da se smatraju nestrukturirana, nesistematizovana, uputstva za reavanje odreenog problema. 3. Semantiko znanje znanje kod koga su uoene veze i zavisnosti koje vladaju izmeu delova problema, konteksta i reenja. Ovom znanju nedostaje komponenta reenja. Predstavlja nadogradnju deskriptivnog znanja, jer se jasno uoavaju veze i meuzavisnosti komponenti znanja. Semanticko znanje, ide korak dalje od deskriptivnog znanja, ali ipak se oblik znanja pogodan za odluivanje postie tek u epizodnom znanju. 4. Epizodno znanje sastavljeno je iz niza povezanih iskustvenih zapisa, tj sluajeva. Ovi sluajevi mogu se zvati scenarija ili epizode. Epizode su odreena iskustvena znanja, a izmeu njih postoji odreena organizacija. Epizodno znanje sadri komponentu akcije i predstavlja zapravo niz (sekvencu) epizoda izmeu koji postoji odreeni redosled, pri emu svaka epizoda u sebi sadri reenje odreenog malog problema. Iz epizodnog znanja mo e da se sazna ta uraditi, ali i zato to uraditi. Epizodno znanje je najupotrebljivije za donoenje poslovnih odluka. Cilj je da svako znanje pree put od proceduralnog i deskriptivnog do epizodnog, da bi se na kraju problem koji zahteva epizodno znanje, mogao reavati na proceduralan nain. Deskriptivno znanje slui kao polazna osnova, iz njega se uoava semantiko znanje, da bi se na kraju dolo do epizodnog znanja, koje treba da bude u formi proceduralnog. Iz epizod nog znanja moe da se dobije proceduralno znanje, koje je bolje od prvobitnog proceduralnog. Normalno je da sva znanja nastaju iz epizodnog znanja, a ne obrnuto. Jedna od najpoznatijih podela znanja u svetu menadmenta je podela na eksplicitno i preutno znanje. Ova definicija je korisna jer naglaava razliku izmeu ljudske i raunarske komponente znanja. Eksplicitno znanje je znanje sadrano u knjigama, dokumentima, izvetajima, tabelama i sl. Ovo znanje moe jednostavno da se formalizuje, predstavi i sauva u elektronskoj formi. Eksplicitno znanje organizacije uvaju u BP ili sistemima za uvanje znanja. Zapravo je eksplicitno znanje ono znanje koje moe da se formalizuje. Preutno znanje je onaj deo znanja pojedinaca koji se tee formalizuje. To je znanje koje je prolo iskustvenu proveru. Teko je reavati odreene probleme tako to se proita knjiga ili uputstvo za rad. Ako odreeni pojedinac ne poseduje praktinu stranu reavanja problema, njegova znanja su manje upotrebljiva. Najzanimljiviji deo preutnog znanja je, zapravo, ekpertsko znanje koje ima veliku vrednost i koje organizacije esto pokuavaju da uskladite u svoje baze podataka. Meutim, ekspertsko znanje je nekada teko zapisati i trenutno je nemogue celokupno znanje jednog eksperta smestiti u raunar. Verujemo ipak da preutno znanje moe da se zapie pomou paterna.

10

Da bi se jo bolje shvatilo znanje, dobro je uporediti znanje sa podacima i informacijama. Podatak je osnovni gradivni element informacije i znanja. Podatak nije previe sloen u strukturnom smislu, a njegovo razumevanje je znaajno sa stanovita donoenja odluka. Informacija je struktura (organizovani podatak) koja je sloenija od podatka, a podaci su osnovni elementi te strukture. Informacije su podaci organizovani na nain da predstavljaju izvetaj za odreenog DO. Znanje ima sloeniju strukturu od informacije, jer sadri i komponentu reenja odreenog problema. Npr. ako DO eli izvetaj o starosnoj strukturi svojih zaposlenih u odreenom sektoru, on dobija informaciju, meutim ako se DO pored informacije preporui i odreena odluka na osnovu podataka koji se nalaze u izvetaju tada se radi o znanju. Znanje sadri komponentu akcije. To omoguava podrku odluivanju, znanje je zbog toga, osnovna pdrke poslovnom odluivanju. Jedan oblik predstavljanja znanja jeste patern. Patern je nosilac znanja, ali je i gradivni element znanja. Bitno je uspostaviti razliku izmeu paterna i sluaja. Sluaj iz prolosti (transakcija) predstavlja jedan vid uvanja znanja. Ipak, sluajevi nemaju sve osobine paterna, u smislu, da ne mogu da se lako iskoriste za gene risanje novih reenja kao to mogu paterni. Na slici je prikazan odnos sluajeva i paterna. Sluajeva za reavanje odreenog problema je mnogo, dok je pate rn sluaj koji se istie u odnosu na druge sluajeve zbog svojih osobina, razumljivost, abstrakcije, jednostavnosti koje nudi svojim reenjem, a ipak sloenou koju reava. 7.4 Patern i patern pokret Po Delibaiu, paterni predstavljaju iskustveno dokazana reenja za probleme u odreenom kontekstu. Mogu da se predstave trojkom (problem, kontekst, reenje). Za razliku od sluajeva i drugih oblika znanja koji imaju slinu formu, paterni su proli iskustvenu validaciju. Znanje eksperta moe da se modelira preko paterna. Svaki ekspert je tokom svog procesa uenja savladao odreeni broj paterna koji ga ine ekspertom u toj oblasti. Danas se paterni prouavaju najvie u softverskom inenjerstvu gde se generiu velike koliine koda i grade veliki sistemi. Sama primena paterna kao nosioca znanja je poela da se razvija kao disciplina u arhitekturi, ali se koristi i u softverskom inenjerstvu, telekomunikacionim organizacijama, upravljanju projektima. Zapravo su paterni svojevrsna podrka odluivanju projektantima sistema i mogu da se koriste kao nosioci znanja u najrazliitijim oblastima. Paterni imaju i dublje znaenje. Ideja tvorca patern pokreta Kristofera Aleksandera je da nae fundamentalne zakonitosti po kojima priroda i ljudi stvaraju. Aleksander smatra da u prirodi postoje zakonitosti do kojih ljudi sve tee dolaze, a koje su potrebne za projektovanje sistema koji su efikasni. Poto je Aleksander arhitekta, njegove mere za uspenost sistema su estetika, harmonija, sklad, izazivanje oseanja mira. Aleksander je prouavao graevine irom sveta i utvrdio da neke u ljudima izazivaju bolja oseanja od drugih. Tragajui za odgovorom zato je to tako, shvatio je da zapravo trai zakonitosti koje su fundamentalne u prirodi. Dva pojma su kljuna za shvatanje Aleksanderove teorije, a to su celina i patern. Celina je okruenje u kome se razvija reenje tj patern. Svaka celina je sastavljena od paterna. Aleksander izvodi sledee zakljuke: Paterni sadre ivot (ivotno reenje) Paterni se nadopunjuju: postojanje i funkcionisanje jednog paterna utie na drugi patern Paterni su sastavljeni od paterna Celina dobija svoju ivotnost s obzirom na gustinu i intenzitet paterna koji postoje unutar nje. Svako reenje je sastavljeno od skupa paterna izmeu kojih postoji odreena organizacija, kao kod epizodnog znanja. Ta struktura moe biti linearna, ali je najee i mnogo sloenije. Skup paterna koji ine jedno reenje jednog problema naziva se patern jezik. Svaki patern je istovremeno i patern jezik, ali tako e moe da se koristi za gradnju drugih patern jezika. Predlau se sledee osobine koje treba da ima patern: Treba da bude alat namenjen za reavanje odreenog problema Treba da povezuje razliite nivoe apstrakcije reenja Sadri i funkcionalne i nefunkcionalne osobine Prepoznatljivost u reenju Reava bitne odluke kod projektovanja reenja Predstavlja deo patern jezika Iskustveno je proveren Vezan je za odreeni domen Predstavlja znaajnu ideju 7.5 Paterni odluivanja Veina algoritama za podrku odluivanju napravljena je od strane naunika koji ne poznaju veinu zahteva korisnika i da su onda takvi algoritmi upotrebljivani u praksi. Za zapisivanje paterna mogu da se koriste razliite forme, Aleksanderova, Portlandova, Koplienova. Za poetnike u pisanju paterna se preporuuje Koplienova forma pisanja paterna, preko ove forme moe da se zapie sledei patern: Ko ispadne iz stroja, ostaje van stroja. 1. Kontekst: Patern se koristi u redno vezanim sistemima. 2. Problem: Kako da sistem ostane efikasan kada jedan lan koi ceo sistem? 3. Sile: Snaga redno vezanog sistema jednaka je snazi najslabijeg objekta Jedan objekat uslovljava neefikasnost sistema Objekat na kraju reda ne utie na efikasnost celog sistema 4. Reenje: Izbaciti objekat iz sistema, vratitit ga na kraj reda, kako ne bi uticao na efikasnost sistema. 5. Rezultujui kontekst: Izbacivanjem objekta koji usporava sistem, sistem funkcionie efikasnije; objekat koji je usporio sistem je kanjen. etiri paterna odluivanja i proces otkrivanja znanja etiri paterna koji se javljaju u procesu odluivanja su: Divide et impera (podeli pa vladaj) je jedan od najrasprostranjenijih paterna u prirodi. Ljudi ovaj patern primenjuju od davnina u svim sferama ivota. Svaki problem koji se javlja u ivotu, obino je takav da treba da se rastavi na manje delove da bi bio savladiv. Ovaj patern se primenjuje u politici, ratovanju. Kod podrke odluivanju i PI, ovaj patern ima veliku ulogu u definisanju strukture problema koja je upravljiva. Naime obino je problem nestrukturiran. Da bi se napravio strukturiranim treba problem definisati preko skupa atributa i odgovarajuih teina. Ova struktura definie nain na koji e podaci biti prikupljani i uvani u bazi podataka. U Koplienovoj formi patern moe da se zapie kao: Divide et impera 1. Kontekst: Treba reiti odreeni problem. 2. Problem: Problem ne moe da se opie preko samo jednog opteg atributa, postoji vie kriterijuma koji su razliitog intenziteta koji definiu problem. 3. Sile: Rastavljanjem problema na kriterijume dolazi se do mogunosti reavanja problema Nije jasno koliko koji atribut utie na reenje problema, teine se ne odreuju jednoznano Moe se desiti da se u sistem ne ukljui kriterijum koji ima uticaj na reenje ili da se ukljui kriterijum koju nije bitan Tek kada se problem rei mogue je nai zadovoljavajuu strukturu, ipak ve na poetku reavanja problema treba definisati istu, jer predstavlja preduslov poetka reavanja problema 4. Reenje: Problem se rastavlja na kriterijume, tako da se dobija struktura problema. Svakom kriterijumu se dodeljuje odreena teina koja predstavlja znaajnost kriterijuma u modelu. 5. Rezultujui kontekst: Dobijena je struktura kriterijuma i odreene su teine kriterijuma. Teine kao i atributi, imaju veliki uticaj na krajnje reenje. Ne moe se znati da li e izabrana struktura i podeene teine reiti problem. Patern Dodeli zajedniku vrednost je iroko rasprostranjen. Paterni se najlake uoavaju u organizacijama koje traju veoma dugo. Verovatno one ne bi ni trajale toliko dugo da svoje znanje i sistem nisu gradile od paterna. Zato i jeste cilj da se koriste paterni u reavanju problema, jer reenja koja mogu da se ponude imaju veu trajnost od reenja koja nisu paterni. Organizacije grade svoju organizacionu kulturu upravo iz razloga da bi podstakli jedinstvo ka postizanju ciljeva organizacije i lake upravljali kadrovima. Ovim paternom koji se esto zove i normalizacija, svim podacima se dodeljuju zajednika obeleja. Sa druge strane se gubi na kvalitetu podataka, ali se stie mogunost efikasnog upravljanja istim. Svi podaci koji ine bazu podataka za odluivanje dobijaju zajedniku meru preko kojih svi podaci mogu da se izraze. Ovo je potrebno radi ostvarivanja mogunosti da se uporeuju podaci ime se ostvaruje mogunost za donoenje odluke. Patern moe da se zapie ovako: Dodeli zajedniku vrednost 1. Kontekst: Prikupljeni su podaci (sluajevi) shodno strukturi problema koja je odreena paternom Divide et impera 2. Problem: Neki podaci su kvalitativnog, a neki kvantitativnog karaktera. Podaci u optem sluaju nisu uporedivi tj ne poseduju zajedniki imenioc koji bi omoguio analizu i uporeivanje podataka. 3. Sile: Dodeljivanjem zajednikog imenioca podacima, sistem postaje jednostavan za analizu Gubi se odreena koliina informacija

11

Nekada se transformacijom podataka, omoguava da se u podacima otkrije neka zanimljiva zakonitost Nije mogue znati na poetku reavanja problema koji nain transformacije je najbolji Tek kada se nae prihvatljivo reenje, moe da se nae i prihvatljiv nain da se normalizuju podaci Bez ove transformacije iz sistema ne mogu da se dobiju reenja 4. Reenje: Transformisati podatke tako da sistem odluivanja moe da funkcionie 5. Rezultujui kontekst: Podaci su spremni za dobijanje odreenog reenja. Transfromacija koja je sprovedena nudi samo prihvatljivo, a nikada optimalno reenje. Kada je svim podacima dodeljena zajednika vrednost, mogue je izvlaiti agregacije i zakonitosti iz podataka. Svi kao jedan (agregacija) predstavlja patern koji predstavlja funkciju koja iz podataka izvlai agregacije, tj reenje na osnovu kojih moe da se donosi odluka. Ovo je u stvari sintetika faza dobijanja znanja, dok je Divide et impera analitika faza, a Dodeli zajedniku vrednost zapravo povezuje analitiku i sintetiku fazu procesa otkrivanja znanja. Ovaj patern moe da se zapie u sledeem obliku: 1. Kontekst: Podaci su meusobno uporedivi i spremni za izvlaenje reenja 2. Problem: Kako dobiti reenje? 3. Sile: U podacima postoji obino vie reenja koja je mogue dobiti, tj ne postoji jedinstveno reenje Svaka agregacija samo prikazuje jedan pogled na podatke Ne moe se znati koja je agregacija ili agregacije najbolje reavaju problem dok se reenje netestira Ipak ni testiranje ne moe da se sprovede ukoliko nema reenja 4. Reenje: Izraunati agregaciju na osnovu koje moe da se rei problem 5. Rezultujui kontekst: Reenje za problem odluivanja je generisano. Radi se najee o reenju koje nije optimalno za odreeni problem. Reenje tek treba da se proveri da bi se dolo do saznanja koliko je upotrebljivo. Poslednji ali moda i najvaniji patern odluivanja, je patern Analiza. Predstavlja patern koji unpreuje sistem odluivanja. Jedan je od kljunih paterna u odluivanju jer pokazuje koliko je otkriveno reenje dobro ili ne. Ovaj patern se naziva evaluacija reenja. Patern moe da se zapie ovako: 1. Kontekst: Generisano je reenje. Postoji sumnja da li je reenje zaista najbolji nain da se problem rei. 2. Problem: Kako oceniti i unaprediti reenje? 3. Sile: Nemogue je tano utvrditi na kom mestu procesa otkrivanja znanja je otkrivena greka Uvek se predpostavlja da je neto u redu kada se testira druga stvar Mogue je analizom doi do odluka koje mogu da poboljaju otkriveno znanje preko bolje strukture problema, bolje normalizacije i bolje agregacije 4. Reenje: Izvesti analizu reenja i doneti odluke koje mogu da unaprede otkrivanje znanja. Sistem se unapreuje iterativno. 5. Rezultujui kontekst: Donesene su odluke koje mogu da poboljaju proces otkrivanja znanja, ipak ni ove odluke ne mogu da garantuju da e novo reenje biti bolje. 7.6 Tumaenje otkrivenih zakonitosti Alati poslovne inteligencije, a pre svega alati OZP, korisnicima otkrivaju zakonitosti na osnovu kojih se donose odluke. Sledi prikaz zakonitosti dobijeni od: 1. Algoritama za klasterovanje postavlja se pitanje ta je znanje u sluaju klasterovanja? Ako se poe od definicije po kojoj je znanje informacija sa dodatkom akcije, u rezultatima modela klasterovanja nedostaje komponenta akcije. Tu komponentu najee definie DO i to da bi se bolje prilagodio razliitim vrstama svojih klijenata. Kada DO za svaki klaster definie akciju koja se sprovodi kada se klijent (sluaj) nae u odreenom klasteru tada moe da se kae da postoji znanje za donoenje odluke. Pre nego to DO moe da definie akcije za klastere prethodno treba da bude zadovoljan otkrivenim klasterima. Tek kada se otkrije zadovoljavajue klasterovanje podataka, mogue je razmiljati o dodeljivanju akcija za svaki klaster. 2. Asocijativna pravila ovaj algoritam moe da otkrije zakonitosti koje klaster algoritam nije mogao. Poto asocijativna pravila imaju oblik AKO TADA koji se koristi za pravljenje BP moemo da kaemo da imaju oblik koji odgovara definiciji znanja. Uz svako asocijativno pravilo, uobiajeno se dobijaju i podaci o podrci (support), poverenju (confidence) i neoekivanosti (lift) pravila. Ove mere koje obino prate svako asocijativno pravilo govore o kvalitetu otkrivene zakonitosti, te stoga bacaju dodatno svetlo na zakonitosti koje se nalaze u podacima. 3. Stablo odluivanje ovde su otkrivene zakonitosti ureene hijerarhijski, te postoji jasan redosled korienja pravila. Poto je svako stablo odluivanja zapravo skup hijerarhijski ureenih AKO TADA pravila, i one potpadaju pod definiciju znanja. Dodatna pogodnost stabla jeste to podravaju proces odluivanja bolje od asocijativnih pravila jer pruaju i jasan redosled korienja pravila. 4. Neuronske mree one mogu da se shvate kao tzv crne kutije u kojima im se zadaju podaci, a one vraaju odreeni izlaz, tj reenje. Tumaenje rezultata neuronskih mrea je teko, ali imaju sposobnost da postiu visok nivo kvaliteta odreenih zakonitosti. Neuronske mree mogu da otkriju zakonitosti s tim to su ograniene mogunosti eksplicitnog izraavanja tih zakonitosti. Zakonitosti koje otkriva neuronska mrea mogu da se koriste za pravljenje BP. Naime, ako se svakom problemu dodeli reenje koje predlae neuronska mrea, tada se takva tabela moe sauvati i koristiti kao baza znanja. Rezultati otkriveni neuronskom mreom mogu da se prevedu u oblik koji odgovara znanju. Ne moe jasno da se objasni zato je odreeni sluaj klasifikovan u odreenu klasu, ali je ipak znanje dobijeno na ovaj nain korisno. 5. Histogram ovo je jo jedan nain dobijanja znanja, putem raznih tabela i grafikona koji mogu da prue DO vie od klasinih izvetaja koji se dobijaju SQL upitima. Tip zakonitosti koji se otkriva preko grafikona je izuzetno koristan, s tim da algoritmi OZP mogu nekada bre da uoe ove zakonitosti od analitiara. 7.7 Zakljuak: Model poslovne inteligencije Model poslovne inteligencije koji se razvija od strane Centra za poslovno odluivanje na FON-u. Osnovni cilj DO je da odreeni problem koji se javlja u poslovnom procesu organizacije rei u to kraem vremenu na to bolji nain. To moe da uradi ukoliko poseduje znanje za donoenje odluke. Centralni deo slike predstavlja proces otkrivanja znanja koji je opisan preko 4 fundamentalna paterna odluivanja. Model PI prua podrku DO u procesu dolaska do znanja koristei ekspertsku i raunarsku pomo. Sa ekspertske strane, DO stoji na raspolaganju ili podrka grupe ili ekspertska podrka. Svaki put kada grupa ili ekspert ree odreeni problem oni time znanje koje poseduju unapreuju. Otuda linija od reenja do eksperta. Sa druge strane, raunarska podrka se zasniva na podacima koji se prikupljaju u bazama i skladitima koja sadre najzanimljivije podatke za analizu i bazama znanja koje uvaju uskladiteno znanje eksperta u odreenoj oblasti. Nad skladitem podataka je mogue izgraditi OLAP kocku. Nad OLAP kockom je mogue sprovoditi OZP, izgraditi sistem ZOS. Nad BP i SP je mogue razviti sistem ZOS ili sprovoditi OZP. Nad bazom znanja je mogue razviti ekspertni sistem. SPO je mogue razviti nad nekim modelima koje je otkrio ZOS ili nekim drugim iskustveno proverenim modelima koje je mogue koristiti u organizaciji. PI bi trebala da bude integralni deo svakog informacionog sistema organizacije. Iz tog razloga bi sve odluke koje se sprovode trebalo uvati u odgovarajuim bazama. Ovo bi omoguilo da se znanje efikasno koristi i da organizacija koristi pun potencijal svojih kadrova i svojih podataka.

12