Sistem expert - diagnosticare boală pentru pești de apă dulce (acvariu)

1. Introducere

1.1 Locul sistemelor expert în cadrul sistemelor inteligente

În cazul multor probleme economice, forma algoritmizată este suficientă şi deseori cea mai potrivită pentru rezolvarea acestor probleme. Teoria matematică a complexităţii a permis să se demonstreze că, dacă pentru dimensiuni şi complexitate scăzute abordarea algoritmică este corespunzătoare, în dominarea complexităţii informaţionale această abordare are limite clare.

Un principiu metodologic util în efortul pentru dominarea complexităţii informaţionale este cel al complementarităţii relevanţei şi preciziei în analiza sistemelor complexe. Conform acestui principiu, în analiza şi rezolvarea unor probleme concrete trebuie asigurat un bun echilibru între relevanţă şi precizie. Doar un anumit raport între relevanţă şi precizie permite o analiză corectă în vederea rezolvării unei probleme complexe.

Cunoştinţele utilizate sub formă algoritmizată preiau în special aspectele precise, exacte, cele relevante fiind legate de cunoştinţe sub formă nealgoritmizată. Aceste 2 maniere de reprezentare a cunoştinţelor sunt deci complementare şi trebuie îmbinate corespunzător în rezolvarea problemelor economice complexe.

Informatica economică tradiţională utilizează doar cunoştinţe sub formă algoritmizată. Inteligenţa artificială oferă avantajul valorificării şi altor forme de reprezentare a cunoştinţelor, 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 ştiinţific prin metode şi 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 şi relaţii 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 şi financiare complexe. Aplicaţiile au trecut din industriile cheie în sectorul serviciilor, unde metodele utilizate conduc la o productivitate sporită şi la o reducere a costurilor.

În figura I.1. sunt prezentate câteva din domeniile majore de aplicabilitate a sistemelor inteligente.

Figura I.1. – Domenii de aplicare a sistemelor inteligente

Principalele avantaje ale sistemelor inteligente pentru mediul economic şi de afaceri sunt:

a) învăţarea;

b) adaptarea;

c) flexibilitatea;

d) explicarea;

e) descoperirea.

1.2 Scurtă prezentare a principalelor sistemelor inteligente

A. Reţele neuronale

Reţelele neuronale sunt mijloace de calcul care copiază structura celulelor nervoase ale creierului uman. Acestea sunt compuse din mai multe unităţi de calcul paralele, interconectate. Fiecare unitate de calcul efectuează operaţii simple şi comunică rezultatul unităţilor învecinate. Spre deosebire de programele tradiţionale unde trebuie descrise instrucţiunile de la fiecare pas pentru a putea îndeplini o sarcină, reţelele neuronale pot învăţa să efectueze sarcini pe baza unui proces de antrenare cu ajutorul mai multor tipuri de exemple.

Valoarea ponderilor asociate nodurilor (unităţilor de calcul) determină tipul modelului pe care o reţea neuronală îl poate recunoaşte. Un algoritm de învăţare reprezintă un procedeu utilizat pentru găsirea valorilor acestor ponderi pentru o anumită sarcină. Utilizarea unei anumite tehnici de învăţare trebuie să fie aleasă cu grijă astfel încât modelele învăţate să nu fie foarte specifice datelor de antrenare. Relaţiile învăţate trebuie să fie reprezentative pentru sarcina economică în general, şi nu să reflecte doar proprietăţile conţinute în datele de antrenare care pot fi nereprezentative din punct de vedere statistic.

Două domenii importante în care reţelele neuronale sunt utilizate cu succes sunt cel al vânzărilor şi cel financiar. Astfel, în probleme de segmentare a pieţei, de analiză a pieţei, măsurare a comportamentului şi delicvenţei consumatorilor, cumpărături încrucişate, dar şi în detectarea fraudelor cu cărţi de credit sau a predicţiei ratingurilor pentru obligaţiunile emise de diferite companii, reţelele neuronale sunt net superioare altor tehnici.

Reţelele neuronale oferă o modalitate facilă de modelare şi prognoză a sistemelor neliniare. Acest lucru le oferă un avantaj faţă de metodele statistice uzuale din economie şi finanţe care sunt în principal liniare. De asemenea, reţelele neuronale sunt foarte eficiente în învăţarea modelelor pornind de la date incomplete sau contradictorii. Capacitatea de învăţare şi de prelucrare a datelor constituie un avantaj în procesarea informaţiilor economico-financiare. Principalul dezavantaj îl constituie capacitatea de explicare, reţelele neuronale neputând oferi detalii asupra modului în care s-a ajuns la un anumit rezultat.

De aceea, reţelele neuronale trebuie utilizate în aplicaţii care necesită recunoaşterea de modele pornind de la date imprecise sau incomplete, precum şi în cazul în care experţii umani nu sunt disponibili sau nu pot fi formulate reguli simple şi clare.