AI Perceptron & DSS-ES-KBS Flashcards
Vad är en perceptron?
En perceptron är den enklaste typen av artificiellt neuralt nätverk som består av en enda neuronnod som tar emot flera inputsignaler, summerar dem och genererar en output baserat på om summan överstiger ett visst tröskelvärde.
Hur fungerar artificiella neurala nätverk (ANN)?
ANN fungerar genom att skapa ett nätverk med randomiserade vikter, skicka data genom nätverket, och justera vikterna baserat på om nätverket korrekt klassificerar data eller inte. Detta upprepas tills nätverket kan klassificera data korrekt.
Vad är målet med att träna ett neuralt nätverk?
Målet är att nätverket ska lära sig att klassificera bilder eller data det inte tidigare har sett genom att använda en stor mängd träningsdata.
Hur är en perceptron uppbyggd?
En perceptron består av flera inputnoder som summerar inkommande signaler, vikter som justerar signalernas påverkan, och en tröskelvärde som bestämmer outputen.
Vad är funktionen av vikterna (W) i en perceptron?
Vikterna används för att justera nätverket så att det ger önskat resultat, vilket kallas att träna nätverket.
Hur fungerar ett perceptron?
Om de summerade signalerna som kommer in till huvudnoden
överstiger ett visst, förutbestämt tröskelvärde ➜ Output blir 1
Om de summerade signalerna understiger värdet ➜ Output blir 0
Beskriv en enkel träningsalgoritm för en perceptron.
Om outputen är korrekt, ändras inget. Om outputen är 1 men skulle vara 0, sänks vikterna för alla aktiva inputs. Om outputen är 0 men skulle vara 1, höjs vikterna för alla aktiva inputs.
Vad är supervised learning?
Supervised learning innebär att nätverket tränas med träningsdata som redan har svar (labels) och därefter testas med testdata för att mäta noggrannheten innan det används för att klassificera ny data.
Vad handlar AI-teknologi om enligt presentationen?
AI-teknologi handlar om maskinautomation av intellektuella uppgifter kopplade till beslutsfattande och åtgärder.
Vilka nivåer av organisation finns inom ett företag och vilka typer av beslut fattas på varje nivå?
Strategisk nivå: Långsiktiga mål och strategier (t.ex. marknadspositionering, expansion, investeringar).
Taktisk nivå: Implementering av strategier (t.ex. resursallokering, målsättning, samordning).
Operativ nivå: Dagliga aktiviteter (t.ex. produktionsscheman, kundservice, kvalitetskontroll).
Vilka är de tre typerna av beslut baserat på struktureringsgrad?
Ostrukturerade beslut: Engångsbeslut utan standardprocedur, hög intuition.
Semistrukturerade beslut: Delvis strukturerade med stöd av informationssystem.
Strukturerade beslut: Kan automatiseras, har väldefinierad procedur.
Vilka är faserna i en logisk beslutsfattandeprocess enligt H. Simon?
Intelligence Phase: Insamling och bearbetning av data.
Design Phase: Generering av alternativ och kriterier.
Choice Phase: Val av bästa alternativ.
Implementation Phase: Implementering och uppföljning.
Vilka är de tre stegen i det pragmatiska tillvägagångssättet för beslutsfattande och vad innebär det?
Problem Initiation and Ideal Solution
Feasibility Analysis and Evaluating
Choice and Action.
Ett pragmatiskt tillvägagångssätt betonar att identifiering av problem, lösning och handling är sammanflätade och påverkar varandra.
Vad är ett beslutstödsystem/decision support systems (DSS)?
Ett interaktivt informationssystem designat för att hjälpa beslutsfattare i en organisation. Det består av hårdvara, mjukvara, data och matematiska/statistiska modeller.
Vilka är de fyra typerna av beslutstödsystem (DSS)?
Communication-driven DSS
Data-driven DSS
Document-driven DSS
Knowledge-driven DSS
Vad är ett Communication-driven DSS och vad är dess syfte?
Ett Communication-driven DSS fokuserar på att underlätta kommunikation och samarbete bland beslutsfattare inom en organisation. Det inkluderar verktyg som videokonferenser, snabbmeddelanden och plattformar för gemensam dokumentredigering. Syftet är att förbättra delningen av information, idéer och insikter bland intressenter involverade i beslutsprocessen.
Vad är ett Data-driven DSS och hur fungerar det?
Ett Data-driven DSS använder stora mängder data för att stödja beslutsfattandeprocesser. Det utnyttjar olika dataanalystekniker, såsom data mining, statistisk analys och prediktiv modellering, för att extrahera värdefulla insikter från datakällor. Det hjälper beslutsfattare att identifiera mönster, trender och relationer i data, vilket gör att de kan fatta informerade beslut baserat på bevis och analys.
Vad är ett Document-driven DSS och vad är dess fokus?
Ett Document-driven DSS fokuserar på att hantera och analysera ostrukturerad information som lagras i dokument, rapporter och andra textuella källor. Dessa system använder text mining, naturlig språkbehandling och dokumenthanteringstekniker för att extrahera relevant information från dokument och ge insikter till beslutsfattare.
Vad är ett Knowledge-driven DSS och hur fungerar det?
Ett Knowledge-driven DSS är designat för att utnyttja expertkunskap och domänspecifika regler för att stödja beslutsfattandeprocesser. Dessa system inkorporerar vanligtvis expertsystem, regelbaserat resonerande och kunskapsrepresentationstekniker för att fånga och formalisera kunskap från mänskliga experter. Knowledge-driven DSS hjälper beslutsfattare genom att tillhandahålla rekommendationer, råd och förklaringar baserade på etablerade regler och expertis inom ett specifikt område.
Vilka är huvudkomponenterna i ett DSS?
Database: Innehåller intern och extern data.
Model base: Innehåller matematiska och statistiska modeller.
User interface: Används av användarna för att komma åt DSS.
DSS engine: Hanterar och koordinerar de stora komponenterna.
Vilka funktioner inkluderar DSS för att stödja beslutsfattande?
What-if analysis
Goal-seeking
Sensitivity analysis
Exception/Ad hoc reporting analysis
Other funktioner: Graphical analysis, forecasting, simulation, statistical analysis, and modeling
analysis
Vad är Business Intelligence (BI) och vad är dess syfte?
BI är en gren av DSS designad för att tillhandahålla information relaterad till organisationens kritiska framgångsfaktorer. Det hjälper beslutsfattare att identifiera trender och potentiella problem genom att integrera information från flera källor och presentera den i en enhetlig och förståelig form.
Vad är ett expertsystem?
Ett datorbaserat system som efterliknar en mänsklig experts beslutsfattande förmåga. Det är en typ av kunskapsbaserat system där kunskapen har hämtats från en expert inom ett specifikt område.
Vilka är huvudkomponenterna i ett expertsystem?
Knowledge base: Innehåller domänspecifik kunskap.
Inference engine: Drar slutsatser från kunskapsbasen.
User interface: Användargränssnittet
Databas
Ge exempel på tidiga expertsystem och deras användningsområden.
MYCIN: Medicinsk diagnos av sjukdomar.
DENDRAL: Användes inom kemisk masspektrometri för att identifiera kemiska komponenter.
PROSPECTOR: Geologisk dataanalys för mineraler.
XCON/R1: Konfigurering av datorsystem.
Hur används expertsystem i verkliga scenarier?
Cancer Decision Support Tool: Används i medicinsk sektor för tidig diagnos av sjukdomar.
Rules-Based Expert System in Agriculture: Diagnoserar olika typer av skadedjur som kan skada grödor.
Intelligent Tutoring System: Erbjuder skräddarsydda lärandeupplevelser för studenter.
Vilka är begränsningarna med expertsystem?
Kan inte generalisera genom analogi för att resonera om nya situationer.
Kunskapsanskaffningsflaskhals på grund av den tidskrävande och arbetsintensiva processen att bygga ett expertsystem.
Vilka två grundläggande aspekter är viktiga i design och utveckling av system som hjälper beslutsfattande?
De två grundläggande aspekterna är Kunskapsrepresentation och Resonerande/Inferens, båda nära sammankopplade med artificiell intelligens (AI).
Varför är ett “välfungerande system” utan innehåll (kunskap) inte värt mycket?
Utan meningsfullt innehåll eller kunskap saknar systemet förmåga att effektivt analysera data, fatta informerade beslut eller tillhandahålla värdefulla resultat.
Vad är resonerandets (reasoning) roll i intelligenta system?
Resonerande fungerar som den kognitiva kärnan (hjärnan) i intelligenta system. Precis som hjärnan bearbetar information och fattar beslut i biologiska organismer, tillåter resonerande algoritmer AI-system att tolka data och göra informerade val.
Varför är kunskapsrepresentation viktig i designen av intelligenta system?
Effektiv representation av kunskap är grunden för att dessa system ska fungera effektivt och erbjuda värdefullt stöd till beslutsfattare genom att korrekt fånga och organisera relevant kunskap. Genom att exakt fånga och organisera relevant kunskap kan systemen erbjuda insikter, rekommendationer och lösningar som är i linje med expertis och domänspecifika regler.
Hur säkerställer man att dessa system kan effektivt utnyttja tillgänglig information för att underlätta informerade beslutsfattandeprocesser?
Genom att prioritera kunskapsrepresentation säkerställs det att dessa system kan effektivt utnyttja tillgänglig information för att underlätta informerade beslutsfattandeprocesser.
Ge ett exempel på hur kunskap kan representeras i ett expertsystem.
Kunskap i ett expertsystem kan representeras på flera sätt, inklusive IF-THEN regler, till exempel: “IF du är hungrig THEN ät.”
Vad är produktionssystem och hur representeras kunskap i dem?
Produktionssystem är regelbaserade expertsystem (populära idag) där kunskap representeras som flera regler som specificerar vad som bör eller inte bör dras för slutsatser från olika situationer. Reglerna kan uttryckas i IF-THEN-format.
Vad är inferens reasoning och varför är det viktigt i beslutsstödsystem?
Inferens innebär att dra logiska slutsatser och göra deduktioner baserat på tillgänglig information och kunskap. Det är viktigt för att dessa system ska kunna behandla input, bedöma situationer och generera meningsfulla utdata eller rekommendationer.
Vilka är de två huvudsakliga metoderna för inferens?
Forward chaining (data-driven): Resonerar från fakta till slutsatser.
Backward chaining (goal-driven): Resonerar bakåt från en hypotes till de fakta som stödjer hypotesen.
Vilka är de tre kategorisystemen för beslutsfattande?
Decision Support Systems (DSS)
Expert Systems (ES)
Knowledge-Based Systems (KBS)
Vilka två grundläggande aspekter är viktiga i design och utveckling av system som hjälper beslutsfattande, och hur är de sammankopplade med AI?
Kunskapsrepresentation
Resonerande/Inferens
Dessa aspekter är nära sammankopplade med artificiell intelligens (AI).
