Modelowanie niepewności za pomocą zbiorów rozmytychModelowanie niepewności za pomocą zbiorów rozmytychModelowanie niepewności za pomocą zbiorów rozmytychModelowanie niepewności za pomocą zbiorów rozmytych
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
  • Angielski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            OPIS PROJEKTU/Case Study – Fobaro
            29 czerwca 2022
            Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw
            15 lipca 2022
            Aktualności

            Modelowanie niepewności za pomocą zbiorów rozmytych

            Niepewność jest obecna we wszystkich dziedzinach działalności człowieka, jest nieodłącznym elementem rzeczywistości. Oznacza to, że jakakolwiek próba opisu tej rzeczywistości powinna uwzględniać występowanie niepewności.  To właśnie w potrzebie modelowania niepewności  należy upatrywać impulsu dla rozwoju teorii zbiorów rozmytych i jej późniejszym uogólnieniom.

            Uwzględnienie niepewności w opisie rzeczywistości wymaga wskazania źródeł tej niepewności.  Można zidentyfikować dwie podstawowe  przyczyny niepewności:

            • brak wiedzy dotyczący określonego zjawiska,
            • niedokładność pomiaru lub nieprecyzyjność języka opisu.

            Dla obu źródeł niepewności obiekt jest najczęściej opisany za pomocą zbioru zawierającego wszystkie możliwe jego reprezentacje.  W pierwszym przypadku taki zbiór zawiera elementy, które składają się na większą całość. Innymi słowy każdy element w zbiorze stanowi równoprawny komponent precyzyjnie określonej całości. W drugim przypadku zbiór opisuje niekompletną informację. Oznacza to, że w zbiorze znajdują się elementy  traktowane jako możliwe reprezentacje pewnego obiektu, spośród których tylko jedna jest właściwa.

            Pierwsze podejście odpowiada ontycznemu, a drugie epistemicznemu rozumieniu niepewności. Rozróżnienie to ma charakter nie tylko teoretyczny, bowiem oba podejścia wymagają stosowania innych metod przetwarzania informacji w celu uchwycenia charakteru niepewności. Oznacza to, że sposób łączenia informacji niepewnej jest uzależniony od typu niepewności.

            Zobacz jak działa Dature.

            Zbiory opisujące niepewność w sposób ontyczny (nazywane zbiorami koniunktywnymi), zawierają elementy które są jednakowo możliwe. Zbiory opisujące niepewność w sposób epistemiczny (nazywane zbiorami dysjunktywnymi) zawierają wiele alternatywnych reprezentacji, spośród których tylko jedna jest prawdziwa, lecz bez dodatkowej wiedzy nie jest możliwe określenie która. Różnice pomiędzy oboma podejściami dotyczącymi opisu niepewności pozwala lepiej zrozumieć następujący przykład. Rozważmy popyt na pewnie produkt w okresie tygodnia. Popyt ten może być opisany za pomocą przedziału . Jeśli przedział ten opisuje zakres popytu dla danego produktu, to mamy do czynienia z niepewnością ontyczną. Każdy wartość z przedziału stanowi komponent większej całości, w tym wypadku zakresu popytu. Jesteśmy jednocześnie ustalić jaka była wartość popytu w konkretnym tygodniu (ubiegłym, zeszłym roku). Jeśli natomiast przedział opisuje naszą wiedzę dotyczącą popytu na dany produkt w konkretnym tygodniu, to mamy do czynienia z niepewności epistemiczną, bowiem popyt na dany produkt w konkretnym tygodniu jest określony precyzyjnie, natomiast nasz brak wiedzy wymusił określenie tego popytu za pomocą przedziału. Epistemiczna interpretacja przedziału, w przeciwieństwie do ontycznej, zakłada, że nie ma on swojego odzwierciedlenia w rzeczywistości, lecz reprezentuje tylko subiektywny i niekompletny stan wiedzy na temat pewnego precyzyjnego faktu (źródłem niepewności jest brak wiedzy).

            Zbiory rozmyte są pojęciem na tyle ogólnym, że  mogą być wykorzystywane dla modelowania niepewności w obu przywołanych znaczeniach, wymaga to tylko odpowiedniego określenia i zinterpretowania funkcji przynależności.

            Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.

            Udostępnij
            OSTATNIE WPISY
            • Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
            • Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
            • Quick Response jako szybka reakcja na potrzeby klienta w kontekście zarządzania zapasami
            • Optymalizacja łańcucha dostaw
            TAGI
            • #AI
            • #bullwhip-effect
            • #covid19
            • #łańcuch-dostaw
            • #NCBiR
            • #optymalizacja-zapasów
            • #out-of-stock
            • #outllier
            • #overstock
            • #prognozowanie
            • #prognozowanie-popytu
            • #Program-Operacyjny-Inteligentny-Rozwój-2014-2020
            • #projekcja-zapasów
            • #projekcja-zapasów-w-czasie
            • #service-level-dostawcy
            • #sieci-neuronowe
            • #supplychain
            • #zapas-bezpieczeństwa
            • #zapas-sezonowy
            • #zapas-zabezpieczający
            • #zarządzanie-zapasem

            Powiązane wpisy

            7 marca 2023

            Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI


            PRZECZYTAJ

            Część I – prognozowanie popytu Żyjemy w czasach rewolucji informacyjnej. Często słyszymy terminy Machine Learning (ML, uczenie maszynowe) czy Artificial Intelligence (AI, sztuczna inteligencja). Pojęcia stają […]

            9 stycznia 2023

            Quick Response jako szybka reakcja na potrzeby klienta w kontekście zarządzania zapasami


            PRZECZYTAJ

            QR (Quick Response) oznacza współpracę dostawcy i sprzedawcy nastawioną na jak najszybszą reakcję na potrzeby klienta, na wymianę informacji w czasie rzeczywistym  oraz ograniczenie nakładów na […]

            9 stycznia 2023

            Optymalizacja łańcucha dostaw


            PRZECZYTAJ

            Wybuch pandemii COVID-19 w 2020 roku istotnie wpłynął na przepływ towarów i usług. Wiele krajów zamknęło swoje granice, doszło do zaburzeń w łańcuchach dostaw, często do […]

            Już teraz

            Zapisz się do newslettera

              Podanie danych w formularzu jest niezbędne do subskrypcji newslettera. Dane z formularza przetwarzane będą na podstawie udzielonej zgody art. 6 ust. 1 lit. a) RODO. Administratorem Twoich danych jest Smartstock Sp. z o.o. z Poznania (ul. Królowej Jadwigi 43, 61-871 Poznań, biuro@smartstock.cloud). Wszelkie informacje w zakresie przetwarzania danych podanych w formularzu oraz posiadanych uprawnieniach znajdziesz w Polityce Prywatności.


              TEL. +48 534 288 279
              biuro@dature.cloud

              Smartstock Sp z o.o.
              ul. Królowej Jadwigi 43
              61-871 Poznań

              Zapisz się do newslettera

              NIP: 7812000413
              REGON: 384284847
              KRS: 0000802331

              • LinkedIn
              • Facebook

              Polityka prywatności i cookies   Regulamin aplikacji   Wsparcie techniczne   Zmiana decyzji co do cookies

              Wszelkie prawa zastrzeżone. © SMARTSTOCK Sp. z o.o.
              Polski
                        Brak wyników wyszukiwania Zobacz wszystkie wyniki
                        • Polski
                        • Angielski