|
|
|
Sisteme expert
1. Inteligenta artificiala si sistemele expert
Inteligenta artificiala reprezinta un domeniu al informaticii care are drept scop transpunerea comportamentului inteligent uman la masini, in speta la calculatoare. Dorinta de a dispune si de a folosi masini inteligente reprezinta un vechi deziderat al omului, perfect justificabil tinand cont de faptul ca asemenea masini pot fi, in principiu mai simplu de utilizat si mai productive.
Constituirea ca domeniu stiintific autonom, cu obiect de studiu propriu, cu metode si tehnici de lucru specifice s-a realizat la inceputul anilor '50, ca urmare a sprijinului oferit de inteligenta artificiala din partea unor domenii conexe, precum matematica, psihologia, fiziologia, logica etc.
Obiectul de studiu al inteligentei artificiale il reprezinta comportamentul inteligent si
posibilitatea de emulare al acestuia la masini.
Prin comportament inteligent se intelege, in general, acel comportament care implica realizarea unor activitati ce reclama calitati intelectuale deosebite: posibilitatea de abstractizare, flexibilitate, adaptare la situatii noi (incomplet cunoscute), creativitate etc. De exemplu, intelegerea limbajului natural, practicarea matematicii, rezolvarea unor probleme practice dificile, acordarea de semnificatie diferitelor forme (de exemplu vizuale) sunt considerate drept activitati ce reclama inteligenta si deci caracterizeaza un comportament inteligent. Realizarea acestor activitati de catre masina, deci automatizarea, lor poate fi extrem de dificila. Chiar si activitatile pe care omul le realizeaza curent, de exemplu intelegerea limbajului natural, pot fi extrem de dificil de automatizat. Informatica conventionala, bazata pe algoritm drept paradigma a calculului (a automatizarii sarcinilor) nu a reusit sa transfere aceste activitati inteligente spre masina.
Paradigma care a dominat domeniul inteligentei artificiale, la inceputul constituirii
sale, poate fi considerata cea desemnata prin general problem solver, denumirea proiectului lansat in anii '60, care a avut drept obiectiv identificarea acelor mecanisme abstracte ale gandirii ce permit omului desfasurarea activitatii "inteligente". Initiatorii acestui proiect - H.Simon , A. Newell, B.Shaw - considerau ca la baza comportamentului intelligent stau o serie de mecanisme generale, universale de gandire ce sunt utilizate in rezolvarea oricarei probleme, in desfasurarea oricarei activitati. Odata descifrate aceste mecanisme si transpuse in programe de calcul, masina poate executa orice sarcina.
Esecul proiectului a demonstrat ca activitatile ce reclama inteligenta trebuie
abordate diferential tinand cont de marea lor varietate si ca esentiale in realizarea acestor activitati sunt cunostintele (knowledge). Sfarsitul anilor '70 a marcat momentul lansarii unei noi paradigme in cadrul inteligentei artificiale si anume cea de cunostinte.
2. Conceptul de sistem bazat pe cunostinte
Inteligenta artificiala considera ca posibila emularea comportamentului inteligent
la masini prin memorarea cunostintelor si asigurarea conditiilor pentru prelucrarea lor automata.
Toate sistemele de inteligenta artificiala sunt sisteme care poseda si utilizeaza cunostinte fiind denumite sisteme bazate pe cunostinte (sau sisteme cu baza de cunostinte). Aceste sisteme sunt specializate in desfasurarea diferitelor activitati.
Sistemele de inteligenta artificiala dispun de o baza de cunostinte precum si de
mecanisme de utilizare a acestora (mecanisme rezolutive, inferentiale sau de rationament), in scopul efectuarii in mod automat a diferite activitati (taskuri) descrise cu ajutorul unor fapte, reunite in componenta baza de fapte.
In sens informatic cunostintele reprezinta informatii dobandite care servesc la realizarea diferitelor activitati. Desi aspectul pragmatic este esential in definirea conceptului de cunostinte, exprimarea acestora trebuie realizata relativ independent de modul lor de utilizare. Aceasta, deoarece unele si aceleasi cunostinte pot fi utilizate in mod diferit pentru rezolvarea diferitelor probleme sau chiar pentru aceeasi problema in circumstante diferite.
Spre deosebire de informatica conventionala care s-a bazat pe o reprezentare implicita a cunostintelor si o reprezentare explicita a modului de utilizare a acestora in rezolvarea unei anumite probleme (algoritmul fiind de fapt o schema de aplicare a unor cunostinte care nu sunt mentionate in mod explicit) inteligenta artificiala a adoptat solutia reprezentarii explicite a cunostintelor, a enuntarii lor intr-un mod relativ independent de modurile de utilizare. Realizarea unui sistem de inteligenta artificiala are sarcina de a identifica si a exprima (reprezenta) cunostintele necesare efectuarii unor activitati si de a inregistra sistemul cu mecanisme care sa permita aplicarea acestor cunostinte. Responsabilitatea deciziilor privind modul efectiv de utilizare a cunostintelor revine sistemului insusi care la momentul executiei va lua in mod automat decizii privind:
ce cunostinte sunt necesare
cum si cand sa fie utilizate acestea pentru realizarea respectivelor activitati.
3. Metode si tehnici de inteligenta artificiala
Realizarea unui sistem de inteligenta artificiala reclama deci aplicarea unor metode si tehnici de achizitionare, reprezentare si utilizare a cunostintelor.
A) Achizitionarea cunostintelor
Metodele si tehnicile de achizitionare a cunostintelor (fig.1.24) precizeaza modul in care se construieste baza de cunostinte intr-un sistem SIA.
Invatarea teoretica permite construirea primei forme a bazei de cunostinte
(BC). Limitele metodelor teoretice (bazate pe calcul simbolic) au facut ca procesul de automatizare a achizitionarii cunostintelor sa fie foarte lent si rezultatele putin convingatoare. Calculul simbolic nu este un bun instrument pentru emularea proceselor de invatare, deoarece majoritatea sunt bazate pe procese inductive, de natura preponderent intuitiva.
Completarea fazei de invatare teoretica cu o invatare empirica este posibila prin convertirea cunostintelor din BC sub forma unei retele neuronale, cunoscuta in acest caz sub numele de retea neuronala bazata pe cunostinte. Instruirea acestei retele se realizeaza pe baza exemplelor de instruire, cu ajutorul unuia dintre algoritmii de instruire ai retelelor neuronale aplicabile acestui tip de retea. Rezultatele instruirii, reprezentate sub forma valorilor parametrilor de retea sunt convertite in cunostinte reprezentate simbolic (adaugate la BC) cu ajutorul unor algoritmi de extragere a cunostintelor din retelele neuronale.
Dintre cele mai cunoscute metode si tehnici de invatare simbolica se pot aminti:
- rnetode si tehnici de invatare 'pe de rost' (rote learning)
- rnetode si tehnici de invatare prin instruire (learning by being told);
-metode si tehnici de invatare inductiva (din exemple, prin descoperire, prin observare).
B) Reprezentarea cunostintelor
Metodele si tehnicile de reprezentare a cunostintelor definesc structurile de reprezentare a cunostintelor, structuri ce trebuie sa satisfaca o serie de cerinte (fig. 1.28) si anume:
adecvarea reprezentationala, adica posibilitatea de reprezentare a tuturor categoriilor de cunostinte din cadrul domeniului respectiv
adecvarea achizitionala, schema de reprezentare fiind obligata sa favorizeze procesul de achizitionare a cunostintelor
adecvarea informationala, in sensul ca structurile de reprezentare trebuie sa permita definirea unor operatori, sa fie prelucrabile
eficacitatea inferentiala, in sensul ca structurile de reprezentare trebuie sa faca posibile prelucrarile nu in orice conditii ci numai in conditiile de eficienta.
O schema de reprezentare poate fi caracterizata cu ajutorul unor caracteristici dintre care se pot aminti
gradul de granularitate al reprezentarii, dat de nivelul de detaliere al primitivelor reprezentationale
gradul de modularitate al constructiilor (structurilor) de reprezentare ce exprima nivelul de independenta relativa a acestor structuri.
gradul de compilare al reprezentarii, exprima masura in care reprezentarea favorizeaza anumite scheme de utilizare a cunostintelor. Teoretic gradul de compilare trebuie sa fie zero, insa necesitatea asigurarii unei eficiente impune facilitarea unor prelucrari, deci asigurarea unui grad de compilare mai mare sau mai mic.
gradul de nedeterminare se refera la numarul de solutii alternative de reprezentare din care se poate face reprezentarea unei anumite piese de cunoastere.
Metodele si tehnicile de reprezentare a cunostintelor se pot grupa in
metode si tehnici de reprezentare simbolica (calculul predicatelor, regulile de productie, cadre-frame, grafuri etc)
metode si tehnici de reprezentare neuronala (retele neuronale)
metode si tehnici de reprezentare genetica (cromozomi).
C) Utilizarea cunostintelor.
Metodele si tehnicile de utilizare a cunostintelor sunt in stransa legatura cu cele de
reprezentare in sensul ca posibilitatile de utilizare depind, in mod direct de structurile de reprezentare. Utilizarea cunostintelor poate fi interpretata drept un proces de aplicare a unui set de operatori definiti asupra structurilor de reprezentare a cunostintelor prin metode "slabe" si metode "tari".
Fiecare schema de reprezentare are correspondent in ansamblul metodelor si
tehnicilor de rationament. Este insa important de mentionat faptul ca indiferent de categoria de metode si tehnici de rationament considerata se definesc variante de rationament
in conditii de completitudine a cunostintelor si certitudine
in conditii de incompletitudine si incertitudine
4. Domeniile inteligentei artificiale
Domeniile inteligentei artificiale reprezinta zone majore de aplicatii ale inteligentei artificiale: prelucrarea limbajului natural, modelarea rationamentelor, probleme de perceptie, jocuri, roboti, sisteme expert.
Prelucrarea limbajului natural cuprinde atat intelegerea mesajelor exprimate in limbaj natural cat si generarea mesajelor. Se considera cel mai reprezentativ si totodata cel mai dificil domeniu al inteligentei artificiale. De prelucrarea limbajului natural sunt legate si o serie de alte tipuri de aplicatii de inteligenta artificiala, precum traducerea automata si programare automata.
Modelarea diferitelor forme de rationament reprezinta un domeniu mai abstract cu aplicare in cadrul mai multor domenii teoretice si practice: modelarea rationamentului inductiv si modelarea rationamentului incert.
Problemele de perceptie se refera la domenii precum vederea si vorbirea artificiala, cu aplicare deosebita in extinderea capacitatilor de interactiune om-masina.
Jocurile cu partener-calculator reprezinta probleme combinatoriale pentru care incetinirea sau chiar impiedicarea exploziei combinatoriale a calculelor reprezinta aspectul teoretic si practic cel mai important de solutionat.
Robotii inteligenti reprezinta acea clasa de sisteme fizice autonome care pot realiza planificarea actiunilor intr-un mediu necunoscut sau numai partial cunoscut.
Sistemele expert reprezinta domeniul inteligentei artificiale cel mai bine reprezentat in mediul social-economic si simuleaza comportamentul expertului uman intr-un domeniu bine precizat.
5. Sisteme expert - definire si arhitectura
Sistemele expert reprezinta sisteme de inteligenta artificiala destinate rezolvarii unor probleme dificile, de natura practica, la nivelul de performanta a expertilor umani.
Expertii
rezolva respectivele probleme practice dificile pe baza de
expertiza. Sistemele expert realizeaza deci o automatizare a
expertizei dintr-un anumit domeniu. Caracteristicile expertizei (fig. 1.27)
si conceptele asociate in cadrul sistemelor expert sunt:
a. Domeniul de expertiza se caracterizeaza prin ansamblul de cunostinte necesare rezolvarii diferitelor probleme ce se manifesta in acest domeniu. Cunostintele pot fi de cultura generala, de specialitate si cunostinte expert.
Cunostintele expert reprezinta elementul esential al sistemului de cunostinte servind la identificarea si descrierea (formalizarea) problemelor. Aceste cunostinte sunt proprietatea expertului, fiind obtinute de acesta in special prin experienta si calitati individuale deosebite ce il disting de ceilalti specialisti in domeniu ce poseda doar cunostinte comune de specialitate.
Cunostintele asociate domeniului de expertiza servesc rezolvarii problemelor din acest domeniu, probleme in general omogene ca tip deci putand fi considerate drept apartinand unei clase de probleme. Descrierea unei anumite probleme specifice se realizeaza prin prezentarea starii de fapt a domeniului la un moment dat.
b. Conceptele asociate expertizei intr-un SE sunt legate de BC: cum este construita (axhizitionarea), cum se rezolva rationamentul, cum se explica utilizatorului.
Caracteristicile si conceptele expertizei conduc spre arhitectura unui sistem expert (fig. 1.28) de unde rezulta componentele sale:
Baza de cunostinte reprezinta ansamblul cunostintelor din domeniul de expertiza ce permit rezolvarea diferitelor probleme din darul acestui domeniu. Cunostintele sunt reprezentate sub forma unor anumite structuri (formule din calculul predicatelor, reguli de productie, ierarhii cadre etc.)
Baza de fapte contine descrierea problemei ce trebuie rezolvata. Aceasta descriere se obtine prin interactiune cu utilizatorul sau contactul direct (prin mecanisme de tipul senzorilor) cu domeniul de expertiza. Structurile reprezentationale asociate faptelor sunt in general simple, de forma tripletelor <obiect, atribut, valoare> sau chiar perechilor <atribut, valoare>.
Mecanismele rezolutive asigura producerea (utilizarea) cunostintelor. Aceste mecanisme permit implementarea unui ansamblu de operatori, definiti asupra structurilor de reprezentare a cunostintelor.
Spatiul de lucru este constituit din ansamblul rezultatelor intermediare si setarilor parametrilor de functionare ai sistemului.
Interfata de realizare reprezinta ansamblul instrumentelor cu care este posibila realizarea diferitelor componente ale sistemului. O componenta importanta a interfetei de realizare este reprezentata de mecanismele de achizitionare automata a cunostintelor care permit prelucrarea "on-line" a surselor de cunostinte in scopul identificarii si exprimarii cunostintelor.
Interfata utilizator asigura comunicarea intre sistem si utilizator in scopul oferirii de catre utilizator a descrierii problemei si obtinerii de catre acesta a rezultatelor si a explicatiilor referitoare la modul de obtinere a acestor rezultate.
6. Metode de reprezentare si utilizare a cunostintelor in cadrul sistemelor expert
6.1. Calculul predicatelor de ordinul intai
Limbajul formal al calculului cu predicate reprezinta atat un limbaj de reprezentare a cunostintelor cat si un ansamblu de reguli de inferenta, reguli ce impreuna cu limbajul formeaza sistemul logic al calculului cu predicate.
Sistemul logic al calculului cu predicate ofera deci atat structurilor de reprezentare cat si mecanismelor de utilizare a acestor cunostinte.
Constructia de baza a limbajului calculului de predicate este atomul. Cu ajutorul
conectivelor si cuantificatorilor se construiesc constructiile compuse. Atat constructiile de baza cat si cele compuse poarta numele de formule (formule bine formate).
Semantica limbajului calculului cu predicate reprezinta definirea adevarului respectiv
falsitatii cu ajutorul interpretarii formulelor (punerea lor in corespondenta cu elemente ale domeniului real).
Reprezentarea cunostintelor cu ajutorul limbajului calculului cu predicate (fig. 1.28).
In scopul reprezentarii cunostintelor cu limbajul calculului cu predicate se parcurg o serie de etape si anume:
In urma celor doua etape e obtine reprezentarea in calculul propozitional a cunostintelor prin introducerea unor variabile propozitionale care sa desemneze propozitiile logice.
Utilizarea cunostintelor. Probleme ale automatizarii rationamentelor.
Sistemul logic al calculului cu predicate poseda o serie de reguli de inferenta c permit obtinerea unor noi formule bine formate pe baza celor de care se dispune initial (axiome). Ca exemple de reguli de inferenta se pot cita modus ponens, modus tollens, silogismul, specializarea universala etc.
In procesul automatizarii rationamentelor in cadrul calculului cu predicate, formulele initiale se numesc axiome, formulele derivate poarta numele de teoreme iar procesul derivarii lor este cunoscut sub numele de demonstrare automata de teoreme.
Astfel, pentru rezolvarea unei probleme este necesar sa se asigure
reprezentarea cunostintelor sub forma de formule (axiome)
descrierea starii initiale a problemei sub forma de formule (axiome)
descrierea solutiei (starii scop) sub forma de formule (teorema)
aplicarea regulilor de inferenta in scopul demonstrarii teoremei.
Automatizarea rationamentelor din calculul predicatelor indica o serie de probleme dificile dintre care se pot aminti:
1.problema decidabilitatii. Decidabilitatea desemneaza posibilitatea de a decide daca o anumita formula este sau nu o teorema in raport de un set dat de formule (axiome). Ca sistem logic, calculul predicatelor este un sistem semidecidal, in sensul ca sistemul calculului cu predicate garanteaza proceduri de demonstrare a unei teoreme in raport de un set de axiome, dar nu garanteaza proceduri care sa permita stabilirea faptului ca o anumita formula nu e teorema in raport cu un set de axiome.
2.problema eficientei procedurilor de demonstrare a teoremelor. Timpul de aplicare a
procedurilor de demonstrare trebuie sa fie acceptabil. In general, realizarea interfetelor implica operatii extrem de dificile si de costisitoare in termenii resurselor reclamate, de exemplu: operatiile de pregatire a formulelor in vederea aplicarii regulilor de inferenta. De asemenea, numarul pasilor de prelucrare in demonstrare este foarte mare ("castigul" realizat in fiecare caz de prelucrare este minim). In acelasi timp factorul de ramificare in procesul de demonstrare este semnificativ, ceea ce face ca procesele de decizie ce insotesc demonstratia sa fie dificil de rezolvat.
Rezolvarea dificultatilor de automatizare se realizeaza in general prin
restrangerea sistemului logic al calculului cu predicate la subsisteme logice decidale, de exemplu subsistemul logic bazat pe clauze HORN
omogenizarea formulelor si reducerea numarului de tipuri de reguli de inferenta utilizate (de exemplu utilizarea numai a formei clauzale a formulelor ce au asociat un singur tip de inferenta si anume regule de inferenta a rezolutiei).
Nota: Calculul predicatelor de ordinul intai este utilizat ti in calculul relational pe care se bazeaza unele limbaje de programare din sistemele de baze de date relationale.
6.2. Reguli de productie
Regulile de productie au fost utilizate si de alte domenii (teoria automatelor, teoria limbajelor formale etc.). In cadrul inteligentei artificiale, regulile de productie sunt utilizate pentru exprimarea asocierilor empirice dintre descrierile de stare ale problemei si actiunile de intreprins in cazul in care problema se afla intr-o anumita stare. Regulile de productie servesc la reprezentarea cunostintelor de natura procedurala sub forma unor constructii modulare de tipul
Nu orice constructie conditionala reprezinta o regula de productie ci numai acele constructii definite in mod modular. Regulile formeaza un ansamblu pe care nu exista definita nici o relatie de ordine. Acest ansamblu de reguli poarta numele de baza de reguli.
Tratarea (executarea) activitatilor conditionate de premize este independenta de modul de incarcare (organizare) a bazei de reguli. Sistemele de inteligenta artificiala bazate pe reguli sunt constituite din
baza de reguli
ansamblul de fapte (contextual sau memoria de lucru) ce contine descrierea problemei de rezolvat. O fapta este de obicei reprezentata sub forma de triplet <obiect, atribut, valoare> sau pereche <atribut, valoare>
interpretorul de reguli (mecanismul de rationament pe reguli sau mecanismul de inlantuire a regulilor).
6.3. Frame-uri si retele de cunostinte
Un cadru (frame) reprezinta o unitate de informatii care grupeaza un anumit numar de rubrici (sloturi).
O rubrica de frame poate contine informatii despre obiectul prezentat su informatii de legatura cu late frame-uri (este o, apartine).
Intr-o rubrica poate figura de asemenea, un apel la o procedura externa de calcul, caz in care se vorbeste de atasare procedurala. Utilizarea acestui tip de reprezentare permite regasirea rapida a anumitor agregate informationale (de exemplu, firmele ce apartin unei anumite ramuri). La fiecare rubrica sunt declarate conditiile in care trebuie sa se realizeze gestionarea valorii rubricii (fatetele de frame). Astfel, pentru fiecare frame se pot declara valorile situate in alte frame-uri care trebuie modificate la schimbarea unei dintre rubricile sale. Fiecare rubrica poseda de asemenea demon ih-needed, if-added, if-removed pentru descrierea comportamentului frame-ului la citire, adaugare sau stergere a valorii din rubrica respectiva.
Frame-urile asigura o schema simpla si eficienta de lucru cu valorile implicite. Utilizarea frame-urilor (rationamentul pe baza de frame-uri) consta in modificarea din aproape in aproape a continutului memorat in structura de frame-uri pe baza procedurilor atasate rubricilor. Uneori, sistemele pe baza de frame-uri introduc si reguli (fie in forma clasica, fie simulate ca frame-uri).
Plecand de la reteaua de frame-uri se poate generaliza repartizarea pe baza de grafuri a cunostintelor sub forma retelelor de cunostinte. La inceput, retelele de cunostinte au fost utilizate in prelucarrea limbajului natural (retele semantice) pentru a exprima dependentele dintre conceptele desemnate prin faze in limbajul natural.
7. Evolutia sistemelor informatice spre SE si SSD
Prelucrarea nealgoritmica, descriptiva a cunostintelor in cadrul sistemelor expert a determinat extinderea ariei de aplicare a tehnologiilor informatice. Se poate vorbi de o extindere pe orizintala, in sensul cuprinderii unor noi domenii economico-sociale, cum ar fi: activitatile educationale, juridice, politice in care procesele de prelucrare informationala se algoritmizeaza cu greu sau chiar nu se pot algoritmiza. Informatiile specifice acestor activitati au o natura preponderant calitativa, necuantificabila. Pe de alta parte, se poate vorbi de o extindere pe verticala, in sensul cuprinderii in actuala tehnologie a noi prelucrari, procese informationale precum: evaluarea calitativa, rationamentul in sens general. Acest lucru poate influenta in mod semnificativ procesul informational-decizional economic, prin prelurea de catre tehnologiile informatice a unui segment al deciziilor economice-sociale, in speta a acelora de rutina.
Sistemele expert reprezinta alaturi de sistemele orientate obiect un mijloc important pentru stapanirea complexitatii informationale. S-a sperat ca odata cu definirea unui algoritm si detinerea unui procesor de mare putere practic orice algoritm poate fi utilizat pentru rezolvarea unei probleme concrete. Atat dezvoltarile teoretice (teoria matematica a complexitatii) cat si dificultatile efectiv intampinate in rezolvarea unor probleme de dimensiuni mari au aratat insa ca in lupta impotriva complexitatii informationale calea algoritmica are limite clare. In special, in domeniul economic sunt cunoscutedificultatile care apar la cresterea scarii problemei. Un principiu metodologic util in lupta pentru demararea complexitatii informationale este cel al complementaritatii relevantei ti preciziei in analiza sistemelor complexe si asigurarea unui bun echilibru intre relevanta si precizie in rezolvarea unor probleme complexe. In cazul analizei unui sistem complex, pe masura descompunerii tot mai fine in subsisteme se incepe de la o relevanta mare si precizie mica (descompunere in putine sisteme si se ajunge la o precizie mare cu multe subsisteme) si la o relevanta mica (in sensul pierderii aspectelor importante, definitorii pentru sistemul initial). Doar un anumit raport intre relevanta si precizie permite analiza corecta a rezolvarii unor probleme complexe. Primele sisteme expert pun in evidenta capacitatea rationamentului artificial de a prelua aspectele relevante din practica rezolvarii problemelor, asa cum algoritmul preia aspectele precise ale acesteia.
Prelucrarea nealgoritmica a informatiei in cadrul sistemelor expert poate oferi solutii mai productive unor probleme abordate si rezolvate deja si in maniera conventionala (algoritmica).
In domeniile in care datele si cerintele informationale se modifica frecvent, solutiil algoritmice se adapteaza cu dificultate la aceste schimbari, uneori cu un efort de reproiectare si programare foarte important. Tehnologiile nealgoritmice utilizate in cadrul
sistemelor expert permit o adaptare perfecta la schimbarile intervenite in volumul si structura cunostintelor, a cerintelor informationale etc.
O adaptare deosebita o prezinta sistemele expert si la situatiile cu informatie incompleta si/sau imprecisa. Solutiile obtinute cu ajutorul sistemelor expert sunt de o calitate deosebita prin faptul ca se ofera posibilitatea utilizarii in cadrul rationamentului automat a regulilor euristice validate de practica , ce concura uneori cu succes abordarii formale.
Expertii umani se exprima cel mai adesea "de obicei este adevarat ca","se poate spune ca". Adesea, dificultatile constau nu in luarea decizie ci in obtinerea informatiei de fundamentare a deciziilor. Cunostintele expertului constau in principal in metodele de obtinere a datelor si metodei de analiza a acestor date.
In situatiile perfect cunoscute (cu informatie completa si precisa) este posibil de realizat selectarea celei mai bune variante decizionale )daca numarul alternativelor nu este foarte mare). In practica insa, informatiile sunt cel mai adesea incomplete si incerte, presiunea in luarea deciziei este mare (pericol iminent de pierderi semnificative, uneori dramatice).
In management, sistemele expert au dobandit o larga utilizare. In orice functie manageriala exista probleme decizionale complexe, neintelese, dinamice, multicriteriale etc.
Aceste probleme decizionale reclama utilizarea sistemelor expert. Pentru a
exemplifica sa consideram domeniul bancar.
Folosirea calculatoarelor in programe complexe se extinde tot mai mult in sfera bancara. Aceste sisteme sunt utilizate pe larg pentru a ierarhiza conditiile si premisele economico-sociale ale deciziei de creditare. Din toate sursele de informare se desprinde faptul ca aceste sisteme sunt folosite mai ales pentru formularea unui suport obiectiv, cuprinzator si multilateral al deciziei.
In marea majoritate a cazurilor decizia revine omului, in toata plenitudinea raspunderilor ce si le asuma, mai ales cand fundamentele sunt exprimate, prin aceste metode, fara echivoc.
Bibliografie
1.M.Velicanu - "Sisteme expert pentru fundamentarea unor decizii economice",
teza de doctorat, ASE, 1994
