Systemy rozmyteSystemy rozmyteSystemy rozmyteSystemy rozmyte
  • Produkty
  • Jak działa AI Dature
  • Branże
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
  • Angielski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw
            15 lipca 2022
            Istota klasycznego modelu odnawiania zapasów opartego na poziomie informacyjnym – punkcie ponownego zamówienia
            29 lipca 2022
            Aktualności

            Systemy rozmyte

            W oparciu o zbiory rozmyte można zbudować rozmyty system wnioskowania. W takim systemie do modelowania implementowane są reguły rozmyte, które z kolei umożliwiają prowadzenie procesu wnioskowania rozmytego. Wnioskowanie rozmyte jest wieloetapowym procesem, w którym:

            1. zmienne ilościowe przetwarzane są na pojęcia lingwistyczne,
            2. pojęcia lingwistyczne modelowane są na podstawie bazy reguł, która odzwierciedla naszą wiedzę o problemie,
            3. lingwistyczne efekty wnioskowania z powrotem są przetwarzane na zmienne ilościowe.

            W praktyce wiele procesów decyzyjnych nie ma charakteru formalnego i nie odwołuje się wprost do zasad klasycznej logiki. Systemy rozmyte pozwalają naśladować ludzkie rozumowanie i na ogół dobrze radzą sobie w złożonych sytuacjach. Klasyczny system rozmyty składa się z czterech elementów: bazy reguł, bloku rozmywania, bloku wnioskowania oraz bloku wyostrzania (rysunek 1).

            Rysunek 1. Schemat systemu rozmytego

            Dane (sygnały) wejściowe wprowadzane są do bloku rozmywania, gdzie następuje ich transformacja z postaci ilościowej na jakościowe, wyrażane w postaci lingwistycznej. Tak przekształcone dane wejściowe przedstawiane są za pomocą zbiorów rozmytych, co sprowadza się do określenia funkcji przynależności.  W bloku wnioskowania wywoływane są reguły, których przesłanki są spełnione. Reguły te prowadzą do wyznaczenia zbioru rozmytego, który przedstawia konkluzję wynikową. Ponieważ produktem bloku wnioskowania jest zbiór rozmyty należy go przekształcić w bloku wyostrzania do postaci liczbowej, która będzie sygnałem wyjściowym. Zatem zmienne wejściowe jak i wyjściowe są wartościami rzeczywistymi, dlatego w praktyce zakres ich zmienności jest skalowany do przedziału, na ogół ogół  [-1; 1]

            Baza reguł reprezentuje wiedzę jakościową, która może pochodzić z różnych źródeł: wiedzy eksperckiej, modelowania jakościowego, algorytmów automatycznego pozyskiwania wiedzy. Reguły są określane w postaci wyrażeń JEŻELI-TO, odwołują się więc do znanej z klasycznej logiki implikacji. Przesłanki (poprzedniki implikacji) składają się z wyrażeń lingwistycznych połączony ze sobą  operatorami (spójnikami) koniunkcji lub alternatywy, natomiast konkluzje (następniki implikacji) są na ogół pojedynczymi wyrażeniami. Przykładowa reguła wnioskowana może mieć następującą postać:

            Tak, jak zaznaczono, przesłanki są wyrażeniami lingwistycznymi, w podanym przykładzie są to wyrażenia „stan zapasu x1 jest niski”, „popyt na x1 w ostatnim tygodniu był wysoki”. Określenia te zostały połączone spójnikiem koniunkcji wyrażonym w języku naturalnym słowem „ORAZ”. Wyrażenia lingwistyczne zawierają nieprecyzyjne określenia „jest niski”, „był wysoki”, które wymagają użycia zbiorów rozmytych, które uzyskuje się w procesie rozmywania danych liczbowych. W przykładzie dane te dotyczyłyby stanu zapasów oraz wielkości popytu w określonym interwale czasowym. Konkluzja „stan zapasu powinien zostać uzupełniony do poziomu wysoki” również jest podana w postaci wyrażenia lingwistycznego, które musi zostać przekształcone do postaci liczbowej.

            Warto zaznaczyć, że rozmyty odpowiednik implikacji może zostać zdefiniowany na nieskończenie wiele sposobów. Oznacz to, że w procesie wnioskowania można używać wiele typów reguł wnioskowania.

            Systemy rozmyte znajdują zastosowanie między innymi w elektronicznych systemach sterowania, w medycynie, w  zadaniach eksploracji danych, w systemach eksperckich itp. Możliwe jest również zbudowanie systemu pozwalającego na określenie wielkości zamówienia w zależności od aktualnego stanu zapasu, prognozowanego zapotrzebowania czy kosztów magazynowych.

            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
            • Z jak zrównoważony rozwój - jak sztuczna inteligencja wspiera ochronę środowiska i walkę ze zmianami klimatu? 
            • Y jako YouTube: jak sztuczna inteligencja pomaga w tworzeniu i rekomendowaniu treści wideo? 
            • X jako XAI: co to jest i dlaczego potrzebujemy wyjaśnialnej sztucznej inteligencji? 
            • W jak wirtualna rzeczywistość - jak sztuczna inteligencja tworzy i zmienia światy cyfrowe? 
            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
            • #sztuczna-inteligencja-od-A-do-Z
            • #zapas-bezpieczeństwa
            • #zapas-sezonowy
            • #zapas-zabezpieczający
            • #zarządzanie-zapasem

            Powiązane wpisy

            25 sierpnia 2023

            Y jako YouTube: jak sztuczna inteligencja pomaga w tworzeniu i rekomendowaniu treści wideo? 


            PRZECZYTAJ

            YouTube, stanowiący największą globalną platformę wideo, codziennie transmituje ponad miliard godzin materiałów filmowych. W celu skutecznego zarządzania tak imponującą ilością treści, YouTube aktywnie wykorzystuje możliwości sztucznej […]

            22 sierpnia 2023

            X jako XAI: co to jest i dlaczego potrzebujemy wyjaśnialnej sztucznej inteligencji? 


            PRZECZYTAJ

            Sztuczna inteligencja (AI) znajduje coraz szersze zastosowanie w różnych sektorach, od medycyny i edukacji po biznes, bezpieczeństwo i rozrywkę. Mimo to, często pozostaje dla nas niejasne, […]

            16 sierpnia 2023

            W jak wirtualna rzeczywistość – jak sztuczna inteligencja tworzy i zmienia światy cyfrowe? 


            PRZECZYTAJ

            Wirtualną rzeczywistość (VR) definiuje się jako trójwymiarowy cyfrowy krajobraz, który umożliwia użytkownikowi swobodne poruszanie się i interakcje, angażując jeden lub więcej z pięciu zmysłów człowieka. VR […]

            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