Presentasjon lastes. Vennligst vent

Presentasjon lastes. Vennligst vent

10.07.2014111 MS del IV - Systemer for å håndtere kunnskap.

Liknende presentasjoner


Presentasjon om: "10.07.2014111 MS del IV - Systemer for å håndtere kunnskap."— Utskrift av presentasjonen:

1 MS del IV - Systemer for å håndtere kunnskap

2 Del IV: Oversikt kap Beslutningsstøtte kap Systemer for å understøtte gruppearbeid kap Kunnskapsarbeid kap. 15 – Opportunities and Challenges Ahead

3 MS kap Belslutningsstøttesystemer Decision Support Systems (DSS) Data mining Executive Information Systems (EIS) Expert Systems (ES)

4 Systemer for beslutningstøtte DBMS – Data base Management System MBMS – Model Based Management System (modeller for å beskrive virkeligheten) DGMS – Dialog Generation and Management System

5 Bakgrunn Fra beslutningssystemer til beslutningsstøtte Gi grunnlagsinformasjon for å kunne ta beslutninger: Regnskapstall Salgstall Lagerbeholdning Innkjøpsdata osv. Online prosesser gir mer informasjon, og bedre oppdatert informasjon Gis i form av rapporter, tekst, tall, visualisering - statiske og dynamiske og ved muligheter til å spørre systemet

6 Case: Oshaug Metall Enkle oversikter over ordre- og produksjonsdata Fordelt på forskjellige tidsperioder I NOK og kg. Gir grunnlag for beslutninger OM2000 (det adm. systemet) lager tabeller, tabellene importeres automatisk til Excel som lager diagrammer m.m.

7 Oversikt kunde

8 Visualisering kunde

9 Detaljer kunde

10 Komponenter (”structual capital”) Dialog Enkle spørrespråk (”Query-by-example”, visuell spørring) Fleksibilitet i standardrapporter Data Internt og eksternt Record og dokumentbasert ”Data mining” Modeller Analysedelen (f.eks. gjennom matematiske modeller)

11 Case: Oshaug Metall Et sett av forskjellige rapporter Bruker velger datagrunnlag med å oppgi datointervall og å krysse av sjekkbokser I tillegg: En kompetent bruker kan lage sine egne spørringer med QBE systemet i Access.

12 Problemer Analysemodellene er et problemområde: Er modellen relevant for dagens situasjon? Er data tilgjengelig - i riktig form? Forstår brukerne hvordan den komplekse modeller fungerer? Er brukerne klar over de begrensninger som gjelder? Forklarer modellen hvordan den arbeider? I dag, mer vekt på å: framskaffe relevante data presentere disse på en måte slik at de gir informasjon for brukerne (f.eks., alarmsystemer) brukerne tar beslutningene, ikke systemet

13 Eksempel - Finanskrisen Komplekse modeller for å beregne risiko for lån Modellene forutsatte fortsatt prisstigning, og at et prisfall i et område ikke påvirket et annet Da blir nesten alle boliglån sikre Igjen et eksempel på at formaliseringen (modellen) bare dekker en del av virkeligheten Et tilleggsproblem er at når hele lånebehandlingen går over data, i flere ledd, blir det mindre personlig kontakt mellom aktørene. Men, en sentral årsak til krisen var at de fleste aktørene hadde mye å tjene personlig på boblen Se Stiglitz: Freefall

14 Risikoanalyse i Norge Brukes for å vurdere risiko i en låneportefølje. Mye å tjene på gode analyser. De banker som klarer dette selv kan operere med lavere egenkapitaldekning enn andre (Basel 2 krav til finansnæringen) To systemer: 1. Et avansert system som bruker komplekse matematiske modeller for å vurdere risiko. 2. Et enklere system som bruker mer tradisjonelle metoder Det viser seg at system 2 er foretrukket. Det er enklere, men brukerne forstår hva systemet gjør. Det har også den fordelen at brukerne forstår begrensningene.

15 ”Data Warehousing” & ”Data mining” Bakgrunn: Data blir en viktig ressurs Data kan utnyttes bedre Eksempel: På norske universiteter og høgskoler bruker vi store summer på å gi karakterer Karakterdataene lagres og tas ut for å lage vitnesbyrd Brukes bare i liten grad ellers men her kunne vi tenke oss rapporter: for å fortelle faglærer bakgrunnen til årets studenter sammenligning mellom fag (gode kurs/dårlige kurs, lette/vanskelige, snill/streng karaktersetting) sammenligne bakgrunn fra videreg. og karakterer på universitetet (opptakssystemer, studieveiledning) osv.

16 Case: DOE studie Studerte artikkelsamlinger i en 30-års periode innen fysikk for Department of Energy i USA. Så på utvikling av språk, hvordan nye ord ble innført, hvordan de fikk en spesialisering, etc. Eksempler: Laser  krypton laser/ion beam laser  Det opprinnelige order ”Laser” fikk en stadig økene bruksfrekvens, inntil det fikk en topp i 70-årene for så å bli brukt mindre og mindre (i de vitenskapelige artiklene) Kort levetid for ord i slike ”sub språk”

17 Case: Utnytte Web Heter det ”we live in the West Coast”, skal vi si ”on …” eller kanskje bruke ”at”? Søker i Google ”we live at the west coast” – 2 occurrences ”we live on the west coast” – 4,240,000 occurrences ”we live in the west coast” – 7,680,000 occurrences

18 Korrekturlesing Vi har utviklet et system som kan utføre korrektur basert på denne metoden Kan finne feil som ”at London”, ”I have a red far”, ”we had ice ctream for desert”, ”Mount Everst is 1000 meter high”… Ide, å sammenligne med hva andre har skrevet Bruke data på Web til å lage en tekstsamling (et data ”warehouse”)

19 ”Data warehousing” Metadata (”data om data”), standardiserte elementer. Høyt formaliseringsnivå for record-baserte data, lavere for dokument. XML kan være nyttig her. Kvalitet. Problemer: Data er samlet inn for ett formål kan ikke alltid utnyttes for ett annet Data kan være svært kontekstavhengig (f.eks. ) Data blir tolket forskjellig til forskjellig tid (eks.: penger og inflasjon, karakterer,..) Endringer (tall til bokstavkarakterer) Data blir representert på forskjellige måte (papir, forskjellige elektroniske formater)

20 Executive IS (EIS) Brukt til å gi: Data om organisasjonen (salg, produksjon, fortjeneste, budsjetter, markedsutvikling…) Intern kommunikasjon (organisering av personlig korrespondanse, rapporter, møter) Data om omgivelsene (lovgiving, konkurrenter, teknologi,…) Funksjonalitet: Tilgang til overordnede aggregerte tilstands (performance) data Visualisering Muligheter til analyse Komplekse eller enkle systemer Mange bedrifter nøyer seg med å bruke regneark i analysefasen

21 EIS Når ting endrer seg raskt er det viktig å ha oppdaterte, relevante data Gode datakilder er viktig Kunnskap om kilder og søking er viktig Det er sentralt å kunne bruke data fra systemet sammen med annen, ofte ”mykere” informasjon Systemet gir ikke løsningene, bare en del av de nødvendige grunnlagsdata I dag kan vi få online data

22 Benyttes til: Finansoversikt Markedsoversikt Salg Planlegging Personelloversikt

23 Problematisk implementering Noen gir opp Mange får problemer Viktig å ha en ”executive sponsor”, en i ledelsen som er fast bestemt på at prosjektet skal lykkes Viktig å ha gode data..og realistiske forventninger

24 EIS systemet: Fleksibelt (verden endrer seg) Godt brukergrensesnitt Gode vedlikeholdsrutiner Pålitelige systemer Kompatibelt med andre systemer

25 Case: Regnskapssystem for Molde kommune Kommuneregnskapet gir aggregerte tall, for generelle til å følge med i enkeltprosjekter Poster identifisert med kontostreng, som gir informasjon om konto og detaljinformasjon Tilleggsregnskap, som inkluderer: Egen database med detaljkontoer Oversikt over hvilke kontostrenger som inngår i hver konto Delprosjektregnskap Data hentes fra det overordnede regnskapssystemet Innlegging av preliminære utgifter

26 Case: Energiregnskapssystem for Molde kommune Idé: For å spare energi må en ha data om forbruk Et enkelt system for å gi oversikt Systemet har: Alle virksomhetssteder Grunndata (areal m.m.) Energiforbruk (strøm, olje) Rapportering Analyse i forhold til temperatur

27 Case: Turbokforlaget System som håndterer: leveringer fakturering regnskap skatt Tar ut data til Excel for analyse av markeder, salgstall, opplagstall, m.m.

28 Case: Høgskolen i Molde Sentrale data vil være: Studentopptak (antall, studier, karakterer fra videregående, faglig bakgrunn) Studentgjennomføring Arbeidsmarkedet Student-tilfredstillelse Ansatt-tilfredstillelse Viktig å sammenligne med andre institusjoner, f.eks.: Gjelder utviklingen bare oss? Eller er dette en generell trend?

29 Ekspertsystemer Dekkes i andre kurs (overfladisk her) Gjenskape menneskelig kunnskap og beslutninger Stor interesse og stor innsats fra 60-tallet og utover Mindre i dag (få/ingen suksesser) Teknologi: En kunnskapsdatabase (ofte i form av regler eller som neurale nettverk) En interferensmotor (som kan trekke slutninger) Et brukergrensesnitt

30 Case: American Express Autorizer’s assistant Formål, å oppdage bedrageri 2600 regler Oppgave, å detektere tilfeller som kan være bedrageri Godt egnet: Delvis åpen oppgave, ikke helt formalisert Ideen er mer å vise mulighet for bedrageri enn å detektere dette med 100% sikkerhet I de tilfeller der det er et mulig bedrag kan mer data innhentes Understøtte mennesker Problemer: Kan bli kostbart å nekte kortbruk, om det er en reell transaksjon utført av en god kunde De fleste godkjenninger skjer i dag elektronisk og online, vanskelig å involvere et menneske. Systemene må da bli sikrere. Ofte viser det seg at ekspertsystem virker bedre og blir enklere å vedlikeholde om systemene formaliseres


Laste ned ppt "10.07.2014111 MS del IV - Systemer for å håndtere kunnskap."

Liknende presentasjoner


Annonser fra Google