1.6. Uwzględnienie macierzy zmiennych (przykład uprawy i hodowli
1.7. Zastosowanie zmiennych binarnych (przyk ład przydział u zadań pracownikom)
1.8. Budowa modelu marketingowego (pokazującego wpł yw reklamy na wielkość sprzedaż y).
1.9. Asortyment produktów dający największy zysk
1.10. Optymalna obsada stanowisk.
1.11. Zagadnienie transportowe
5. Iteracyjna optymalizacja parametrów w wybranych modelach
5.1. Uogólniony model Holta .
5.2. Modele wyrównywania wyk ładniczego w programie WinQSB
5.3. Zastosowanie dodatku Solver Excela .
6. Podejście do problemu komiwoja ż era
6.1. Wprowadzenie.
6.2. Problem komiwoja żera w publikacjach.
6.3. Zastosowanie Solvera do rozwią zania symetrycznego problemu komiwoja żera .
6.4. Zastosowanie moduł u Programowanie liniowe i całkowitoliczbowe
7. Optymalizacja marszrutyzacji z zastosowaniem funkcji Excela
7.1. Wprowadzenie.
7.2. Model zadania klasy VRP
7.3. Określenie danych wejściowych i formuł do realizacji Solverem
7.4. Skorzystanie z metody optymalizacji LP simpleks w Solverze
8. Marszrutyzacja przewozów z zastosowaniem
8.1. Wstęp
8.2. Model matematyczny zadania decyzyjnego klasy VRP
8.3. Założenia do testowania modelu programem WinQSB
8.4. Procedura sformułowania zadania decyzyjnego w WinQSB
8.5. Rozwią zanie problemu decyzyjnego o zmiennych mieszanych
9. Zastosowanie wybranych programów do optymalizacji
9.1. Wstęp
9.2. Skorzystanie z oprogramowania R
9.3. Zastosowanie dodatku Solver Excela
9.4. Uż ycie moduł u LP-ILP pakietu WinQSB
Wstęp
10.2. Instalowanie R
10.3. Uruchomienie programu
10.4. Instalowanie edytora Tinn-R
10.5. Uruchomienie RGui w programie R
10.6. Rozwią zanie problemu za pomocą programu Tinn-R
11. Wykorzystanie wersji aplikacji PROMETHEE-GAIA
11.1. Wprowadzenie
11.2. Zdefiniowanie problemu w PROMETHEE-GAIA
11.3. Podejście do prezentacji graficznej przy wykorzystaniu dodatku programowego GAIA
11.4. Wprowadzenie funkcji Linear
11.5. Uwzględnienie progów wed ł ug istotności róż nic
12. Zastosowanie formu ł Excela w optymalizacji wielokryterialnej metod ą PROMETHEE II
12.1. Wstęp .
12.2. Zbudowanie macierzy decyzyjnej.
12.3. Normalizacja wartości dla kryteriów
12.4. Róż nice poszczególnych wariantów i określenie funkcji preferencji.
12.5. Wa żone róż nice poszczególnych funkcji preferencji
12.6. Ranking potencjalnych kursów e-learingowych szkolenia BI
13. Wst ę p do formu ł owania rankingu atrakcyjno ś ci akwenów turystyki morskiej
13.1. Wprowadzenie
13.2. Zainicjowanie struktury trzypoziomowej ocen
13.3. Skorzystanie z aplikacji PROMETHEE-GAIA
14. Implementacja procedury optymalizacji us ług logistycznych
14.1. Wstęp
14.2. Założenia teoretyczne modelu liniowego optymalizacji kosztów usł ug logistycznych
14.3. Budowa tablic w Excelu na danych umownych
15. Sztuczna inteligencja
15.1. Wstęp
15.2. Termin i obszar zastosowania sztucznej inteligencji
15.3. Dostęp do programu ChatGPT
15.4. Niepokoje zwią zane z zastosowaniem techniki AI
Bibliografia
Wprowadzenie
W ostatnich czasach wzrosło zainteresowanie studentów kierunków Zarządzanie oraz Logistyka rozwią zywaniem zadań decyzyjnych z zastosowaniem metod komputerowych. Bazują one głównie na algorytmie simpleks. Część sł uchaczy przedmiotów badania operacyjne, optymalizacja decyzji gospodarczych na studiach niestacjonarnych, prowadzących swoje małe firmy, dostrzegła szansę na uzyskanie dodatkowych przychodów poprzez odpowiedni dobór asortymentu produkcji czy też usł ug. Jest to szczególnie istotne w trudnych czasach inflacji i ostrej konkurencji, blokowania niektórych rynków zbytu.
Na szczególną uwagę zasł uguje, w wymienionym względzie, dodatek Solver do arkusza kalkulacyjnego Excel. Przy okazji przypomniano sobie o zastosowaniach pakietu WinQSB oraz o innych nowszych aplikacjach, często ju ż komercyjnych stanowiących oprogramowanie procedur optymalizacyjnych.
Stosunkowo łatwo podaje się dane wejściowe do Solvera oraz parametry definiujące funkcję celu, ograniczenia dostępnych zasobów oraz warunki brzegowe dotyczące zmiennych, których wartości poszukujemy. Z tego względu, otwierając się na potrzeby potencjalnych odbiorców, w niniejszym opracowaniu dokonano implementacji i zestawienia swoich wcześniejszych rozwią zań zadań decyzyjnych z zastosowaniem Solvera, WinQSB, modułów pakietu R oraz aplikacji PROMETHEE-GAIA. Zaprezentowano również przyk łady, począwszy od tych stosowanych w dydaktyce przedmiotu optymalizacja decyzji gospodarczych, po rozwią zania typu marszrutyzacja przewozów, iteracyjna optymalizacja parametrów w wybranych modelach prognozowania, w tym modelu Holta.
Elementem końcowym niniejszej pracy jest rozdział Sztuczna inteligencja, w którym pokazano, jak skorzysta ć z nowej aplikacji wspomagają cej badacza, jak ą jest CzatGPT, opracowanej przez firmę OpenAI. Występuje tu tzw. asystent, który pomaga zebrać materiał y internetowe na zadany temat, np. z zakresu rozwią zywania problemu przy wykorzystaniu określonego programu komputerowego.
Autorzy
Iteracyjna optymalizacja parametrów w wybranych modelach
5.1. Uogólniony model Holta
Zagadnienie doboru najlepszych parametrów równań modeli wyrównywania wyk ładniczego przewija się w róż nych publikacjach. Jest przedmiotem zarówno ustaleń przez specjalistę, obliczenia wedł ug określonego wzoru, czy też postępowań iteracyjnych zarówno manualnych, jak i komputerowych. W niniejszym materiale zwrócono uwagę na modele Holta, Wintersa, Holta-Wintersa oraz modele stanowiące uogólnienia rozwią zań tzw. klasycznych. Tematykę tę rozpatrzono w uk ładzie przeglądu literaturowego, włączając w to ź ród ła internetowe. Realizacje komputerowe bazujące na module prognozowania programu WinQSB oparto na danych statystycznych dotyczących konsumpcji piwa przez jednego mieszkańca w latach 1989–2010.
W modelu Holta do wygładzania szeregu czasowego stosuje się średnią ruchomą z odpowiednim parametrem. Szeregi takie cechuje występowanie wahań przypadkowych oraz trend, czyli tendencja rozwojowa badanego zjawiska. Model Holta jest jedną z metod wygładzania (wyrównywania) wyk ładniczego. Oprócz omawianego modelu m.in. stosowany jest tak że prosty model wyrównywania wyk ładniczego, model Wintersa, model Holta-Wintersa, a tak że do prognoz d ł ugoterminowych model trendu tł umionego z uwzględnieniem sezonowości addytywnej i multiplikatywnej. Zagadnienie optymalizacji iteracyjnej parametrów uogólnionego modelu Holta, ka żdorazowo w odniesieniu do kolejnych okresów prognozowania spotykamy w publikacji Romana Szostka1, który proponuje modyfikację metody Holta polegającą na: –nieograniczaniu przedział u parametrów oraz do [0, 1]; –ustalaniu najlepszych wartości tych parametrów kolejno dla okresu prognozowanego [n + 1], [n + 2], …, [n = T ], przy czym n to liczba obserwacji, a T ostatni z okresów prognozowania.
1 R. Szostek, Uogólniony model Holta na przyk ładzie prognozowania liczby pasa żerów w transporcie lotniczym w Polsce, „Ekonometria”, 2(36) 2012.
Umożliwia to stosowanie omawianego modelu Holta również do bardziej odległ ych okresów czasowych, przy czym model ten dla okresu t bazuje na równaniu:
gdzie: t = 2, …, n – 1; Ft – wygładzona wartość szeregu czasowego; St – wygładzona wartość przyrostu trendu na okres t; , – parametry modelu; przy czym: xo, x1, …, xn – 1 – wartości empiryczne prognozowanego szeregu; F1 = x1; S1 = x1 – x0.
Prognozy na kolejne okresy k = 1, 2, 3, przy założeniu okresu początkowego t = 0 obliczamy rekurencyjnie wedł ug wzoru 2: x FkS nknn111 (3)
Wygasłe prognozy dla okresów t = 2, 3, …, n – 1 obliczamy wedł ug wzoru:
Pozwala to nam na obliczenie błędów prognoz, a do oceny jakości stosować możemy średnią liniową lub średnią kwadratową J2 o postaci: J n FSx ttt t n 211 2 2 1 1 2 () (5)
W kolejnych krokach dobieramy parametry oraz tak, aby otrzymać najmniejszą optymalną wartość błędu, na przyk ład wed ł ug miary J2. Roman Szostek proponuje nieprzestrzeganie założenia, że3:
[,][,] 0101 oraz
Dla przyjętych dwóch miar jakości (liniowej, kwadratowej) oraz obliczeń ze skokiem 0,0001 dla parametrów oraz przy wykorzystaniu specjalnego programu w języku (C++) uzyskano optymalne wartości tych parametrów. Dla miary kwadratowej = 1,5676 a = 0,1720, przy czym zwróćmy uwagę, że > 1. Umożliwia to sporządzenie wykresu punktowego na podstawie wzorów (1), (2), (4) modelu Holta obejmującego:
Xt – kolejne obserwacje zmiennej, Ft – wygładzone wartości szeregu czasowego, St – wygładzone wartości przyrostu trendu na okres t,
X * t – dok ładnie wyznaczone wygasłe prognozy.
2 Ibidem, wzory zaczerpnięto z podanego wyżej artyku ł u.
3 Ibidem, s. 18.
Natomiast przy zachowaniu ograniczenia przedział u [0, 1] i przyjętej przyk ładowo miary kwadratowej parametrów oraz wynoszą: = 1, = 0,3057.
Przy ustalaniu prognoz wygasł ych krok prognozy (k = 1). Jeśli chcemy jednak, aby przy pomocy modelu Holta ustalać prognozy na k okresów do przodu, to również musimy tak samo obliczać prognozy wygasłe oraz odpowiednio dobrać (przyk ładowo na podstawie miary kwadratowej) optymalne wartości parametrów oraz . W takim przypadku minimalizujemy miarę jakości o następującej postaci:
gdzie: k = 1, 2, 3, ...
Badania Szostka wykazał y, że dzięki modyfikacji postępowania ze swobod ą wartości parametrów oraz , jak również ich odniesienia do liczby okresów prognozowania przy ustalaniu prognoz wygasł ych doprowadzono do większej wiarygodności prognoz. Przez analogię moż na opracować kod programu dla przyk ładu danych spoż ycia piwa w przeliczeniu na 1 mieszkańca Polski zamieszczonych dalej w tabeli 5.14. Skorzystajmy jednak ze standardowego moduł u w ramach pakietu WinQSB.
5.2. Modele wyrównywania wyk ładniczego w programie WinQSB
Dostępne oprogramowanie WinQSB w Internecie, pracujące pod Windows XP, umożliwia dla danego szeregu czasowego danych zastosowanie kolejno kilku modeli wyrównywania wyk ładniczego, a mianowicie5:
W zakresie SEST istnieje w programie WinQSB opcja okre ślenia najlepszych wartości parametrów. Po zainstalowaniu WinQSB postępowanie sprowadza się do:
–wywołania programu z dysku; –wyboru moduł u FC, a następnie wywołania z menu głównego kolejno: File (zbiór), New problem (nowy problem), Problem type (typ problemu) i wybór w ramach niego: Time Series Forecasting (szereg czasowy);
4 Ibidem, zob. s. 22–23.
5 W. Wornalkiewicz, Dobór metod i parametrów w budowaniu modeli ekonometrycznych, monografia, Ekonomiczno-spo łeczne problemy współczesnego zarzą dzania i komunikacji, M. Duczmal, T. Pokusa (red.), Wyższa Szko ła Zarządzania i Administracji, Opole 2008.
Sztuczna inteligencja
15.1. Wstęp
Marzeniem wielu in ż ynierów jest stworzenie robota, który miałby w przybliżeniu inteligencję człowieka: potrafił widzieć, sł yszeć i wykazywać zdolności w określonym obszarze. Jesteśmy świadkami szybkiego postępu nauk, zwłaszcza w zakresie zachowań ludzkich, biologii mózgu czy też rozwoju i wprowadzania techniki cyfrowej.
Zagadnienie, które poruszono w tym materiale, to tzw. sztuczna inteligencja (AI). Zainteresowania nasze skupił y się na programach komputerowych, które upodobniają się swoimi relacjami do zachowań operatora. Posł ugują się zwrotami osób stosowanymi w codziennym ż yciu i działalności zawodowej. Mogą wymieniać między internaut ą a sobą róż ne uprzejmości. Doświadczono to podczas próby skorzystania z oprogramowania klasy OpenAI. Czasami odnosi się wra żenie, że odpowiadający na moje pytanie, skierowane przez Internet, jest istot ą ludzką i to znacznie inteligentniejszą. Jednak bł yskotliwy rozwój programów z obszaru AI, czyli upodobniających się do reakcji człowieka, budzi niepokój wielu specjalistów z zakresu socjologii, psychologii a nawet teologii. Wydaje mi się, że w okresie tworzenia tzw. społecze ń stwa informacyjnego nadchodzi era redukowania stanowisk, gdzie z powodzeniem pracownika zastępuje czatbot, czyli inteligentny komputer.
W tym miejscu warto jeszcze wyja śnić czę sto u ż ywany termin chatbot. Jest to program komputerowy, którego zadaniem jest prowadzenie konwersacji z udziałem komputera, który replikuje zachowania ludzkie, np. automatyzują c odpowiedzi na powtarzalne pytania. Najprostsze tzw. boty wykorzystują schematy blokowe. Zadaniem chatbota jest automatyzacja powtarzalnych i przewidywalnych zada ń i procesów w dużej skali. Chatboty pomagają tak że budowa ć spersonalizowane doświadczenia klientów. Wykorzystywane są na stronach internetowych, w komunikatorach takich jak Messenger, WeChat, Telegram, WhatsApp, bę d ą c w roli asystentów g łosowych (Asystent Google, Amazon Alexa), ale tak że jako wirtualni asystenci w postaci robota. Chatboty z powodzeniem dzia łają w takich bran ż ach jak obsł uga klienta, sprzeda ż , kampanie marketingowe czy edukacja.
Zaprezentowany materiał jest wstępnym rekonesansem po publikacjach internetowych. Wybrano moim zdaniem najistotniejsze, a ponadto zaprezentowano przyk ład udanej mojej współ pracy z programem sztucznej inteligencji. Doprowadziła ona, korzystając
Rozdział 15. Sztuczna inteligencja
z rady dotyczącej wyboru programu w zakresie optymalizacji zagadnienia transportowego, do zainstalowania pakietu R oraz skorzystania z wchodzącej do jego biblioteki aplikacji programowania liniowego o nazwie lpSolver. Dąż ność do dogodnego opracowywania tekstów na wskazane tematy to moim zdaniem tak że optymalizacja skorzystania z obszernego ju ż dorobku zgromadzonego głównie w bazach Internetu.
15.2. Termin i obszar zastosowania sztucznej inteligencji
Sztuczna inteligencja, SI (artificial intelligence, AI ) to inteligencja wykazywana przez urządzenia1. W informatyce i kognitywistyce oznacza tak że tworzenie modeli i programów symulujących, choćby częściowo, zachowania inteligentne. Sztuczna inteligencja jest tak że przedmiotem rozważań filozofii oraz przedmiotem zainteresowania nauk społecznych. Andreas Kaplan i Michael Haenlein definiują sztuczną inteligencję jako: zdolność systemu do prawidłowego interpretowania danych pochodzących z zewnętrznych ź róde ł, nauki na ich podstawie oraz wykorzystywania tej wiedzy, aby wykonywać określone zadania i osiągać cele poprzez elastyczne dostosowanie. Sztuczna inteligencja ma dwa podstawowe znaczenia, a mianowicie jest to:
–hipotetyczna inteligencja realizowana w procesie technicznym, a nie naturalnym; –nazwa technologii i dziedzina badań naukowych informatyki i kognitywistyki, czerpiąca tak że z osiągnięć psychologii, neurologii, matematyki i filozofii.
Wymieniona tu kognitywistyka to dziedzina nauki zajmująca się obserwacją i analizą działania zmysłów, mózgu i umysł u, w szczególności ich modelowaniem 2 . Jest nauką interdyscyplinarną, znajduje się na pograniczu wielu dziedzin, a mianowicie psychologii poznawczej, neurobiologii, filozofii umysł u, sztucznej inteligencji, lingwinistyki oraz logiki i fizyki. Główne obszary badawcze w obrębie tej dziedziny to reprezentacja wiedzy, język, uczenie się, myślenie, percepcja, świadomość, podejmowanie decyzji oraz inteligencja.
Głównym zadaniem badań nad sztuczną inteligencją w drugim znaczeniu jest konstruowanie maszyn i programów komputerowych zdolnych do realizacji wybranych funkcji umysł u i ludzkich zmysłów, niepoddających się numerycznej algorytmizacji. Problemy takie bywają nazywane AI-trudnymi i zalicza się do nich między innymi: –podejmowanie decyzji w warunkach braku wszystkich danych, –analiza i synteza języków naturalnych, –rozumowanie logiczne/racjonalne, –automatyczne dowodzenie twierdzeń, –komputerowe gry logiczne, –inteligentne roboty, –systemy eksperckie i diagnostyczne.
15.2. Termin i obszar zastosowania sztucznej inteligencji
Trzeba doda ć, że sztuczna inteligencja jest powią zana z obszarami uczenia maszynowego, logiki rozmytej, widzenia komputerowego, obliczeń ewolucyjnych, sieci neuronowych, robotyki i sztucznego ż ycia. Istnieją dwa podstawowe podejścia do pracy nad AI:
1. Tworzenie modeli matematyczno-logicznych analizowanych problemów i implementowanie ich w formie programów komputerowych, mających realizować konkretne funkcje uważane powszechnie za sk ładowe inteligencji. W tej grupie, tzw. podejścia symbolicznego, są np. algorytmy genetyczne, metody logiki rozmytej i wnioskowania bazującego na doświadczeniu.
2. Podejście subsymboliczne, polegające na tworzeniu struktur i programów samouczących się, bazujących na modelach sieci neuronowej i sieci asocjacyjnych, oraz opracowywanie procedur uczenia takich programów, rozwią zywania postawionych im zadań i szukania odpowiedzi na wybrane klasy pytań.
Współczesne praktyczne przyk ładowe zastosowania sztucznej inteligencji są następujące:
–technologie oparte na logice rozmytej (powszechnie stosowane np. do sterowania przebiegiem procesów technologicznych w fabrykach w warunkach braku wszystkich danych);
–systemy eksperckie (systemy wykorzystujące bazę wiedzy i mechanizmy wnioskowania do rozwią zywania problemów);
–maszynowe tł umaczenie tekstów (systemy nadające się szczególnie do tł umaczenia tekstów technicznych);
–sieci neuronowe (stosowane z powodzeniem w wielu zastosowaniach, łącznie z programowaniem inteligentnych przeciwników w grach komputerowych);
–uczenie się maszyn (dział sztucznej inteligencji zajmujący się algorytmami potrafiącymi uczyć się, podejmować decyzje bąd ź nabywać wiedzę);
–eksploracja danych (omawia obszary powią zanie z potrzebami informacyjnymi, pozyskiwaniem wiedzy, stosowane techniki analizy i oczekiwane rezultaty);
–rozpoznawanie obrazów (stosowane są ju ż programy rozpoznające osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie zadane obiekty na zdjęciach satelitarnych);
–rozpoznawanie mowy i rozpoznawanie mówców (stosowane ju ż powszechnie na skalę komercyjną);
–rozpoznawanie pisma (OCR), które stosowane ju ż masowo np. do automatycznego sortowania listów, rozpoznawania treści ż yciorysów oraz w elektronicznych notatnikach;
–sztuczna twórczość (istnieją programy automatycznie generujące krótkie formy poetyckie, komponujące, aran ż ujące i interpretujące utwory muzyczne, które są w stanie skutecznie zmylić nawet profesjonalnych artystów, tak że ci nie uznają utworów za sztucznie wygenerowane);
–generowanie obrazów (obrazy tworzone przez algorytmy komputerowe, wykorzystujące techniki uczenia maszynowego).
ł 15. Sztuczna
Są przewidywania, iż istnieje w 50% prawdopodobieństwo na osiągnięcie przez AI średniego ludzkiego poziomu przed 2040 rokiem. Z fascynacji sztuczną inteligencją powstało Polskie Stowarzyszenie Sztucznej Inteligencji (PSSI ), którego celem jest promowanie i wspieranie działalności naukowej, dydaktycznej oraz kulturalnej w zakresie popularyzacji, rozwoju i stosowania teorii, metod i narzędzi sztucznej inteligencji oraz innych dziedzin nauk informatycznych, a tak że upowszechnianie w społeczeństwie ich osiągnięć 3 .
15.3. Dostęp do programu ChatGPT
Obserwowanie zachowań internautów prowadzi do tworzenia bazy standardowych ich zapytań, zebrania publikowanych pozycji pod żądaną frazą. Ponadto monitorowanie działań ekspertów i zgromadzenia ich wiedzy oraz udzielonych porad umożliwia utworzenie obszernego banku informacji. Powoduje to, że maszyna, jaką jest komputer pracujący w sieci, zaczyna przewyższać swoimi możliwościami przeciętnego człowieka. Jest to fascynujące z punktu widzenia kreowania nowych implementacji oprogramowania. Powstają towarzystwa programistów chcących tworzyć nowe kreatywne aplikacje. Istnieją ju ż firmy podejmujące temat szeroko rozumianego AI, a jedną z nich jest OpenAI zajmująca się badaniami i wdrożeniem sztucznej inteligencji ogólnej4. Fragment strony WWW tej firmy zaprezentowano na rysunku 15.1.
Rys. 15.1. Menu główne strony internetowej firmy OpenAI Źród ło: Opracowanie własne.
Obiektem badań wymienionej firmy jest między innymi model o nazwie ChatGPT, który wchodzi w interakcję z operatorem w sposób konwersacyjny. Format dialogu umożliwia tej aplikacji odpowiadanie na dodatkowe pytania, a nawet odrzucanie niewłaściwych próśb. Korzystając z linku (https://openai.com) podjęto próbę zainstalowania aplikacji ChatGPT. Jednak uż ytkowanie ChatGPT wymaga wcześniejszego zarejestrowania się, czyli utworzenia własnego konta, które jest weryfikowane telefonicznie (zob. rysunek 15.2). Następnie, na przykład, wysyłany jest e-mail na (wlodek2004@op.pl). Jeśli chcemy często korzystać z udogodnień aplikacji ChatGPT to możemy się zgodzić na zapisanie na stałe swego hasła. Po zweryfikowaniu e-maila proszeni jesteśmy o podanie bliższych danych o sobie: –data urodzenia w formacie (MM/DD/RRRR), –imię i nazwisko, –numer telefonu.
