KARAR DESTEK SİSTEMLERİ - Deneme Sınavı - 2

Bir kurumun öğrenen bir kurum olup olmadığını anlamanınyolu aşağıdaki koşulların gözlenmesidir. 1. Problemleri sistemli bir şekilde çözme, 2. Problem çözmede yaratıcı olmak, 3. Geçmiş deneyimlerinden öğrenme, Şekil 8.3 Moodle’ın yöntembilgisi oluşturma, depolama ve paylaşım olanaklarından bazıları 200 Karar Destek Sistemleri 4. Diğer işletmelerin eniyi uygulamalarından yararlanma, 5. Bilgilerin kurumsal zeminde aktarılmasını hızlı ve etkin bir şekilde gerçekleştirme.

Alan Turing, bir bilgisayarın zeki davranış sergileyip sergileyemeyeceğine karar vermek için bir test tasarlamış ve bu daha sonra Turing testi olarak adlandırılmıştır.

Algoritma, belirli bir probleme çözüm bulmayı garantileyen ve başlangıç ve bitiş noktaları iyi tanımlanmış adım-adım izlenecek bir komutlar listesidir.

Uzmanların bazı özellikleri şunlardır: 1. Problemi tanıma ve modelleme, 2. Çabuk ve doğru problem çözme, 3. Bir çözümü açıklama, 4. Deneyimlerden öğrenme, 5. Yöntembilgisini yeniden yapılandırabilme, 6. Gereğinde kurallara uymama, 7. İlişki kurabilme, 8. Bilmediğini bilme.

Uzmanlık eğitim, okuma ve deneyimle edinilir ve pratikle geliştirilebilir. Bir uzman sistemin taşıması gereken özelliklerden bazıları şunlardır:

1. Uzmanbilgisi

2. Sembolik akıl yürütme

3. Derin yöntembilgisi (deep knowledge)

4. Kendini bilme (self-knowledge)

Tam Sayımlama: Bir problemin çözüm uzayındaki tüm çözümlerin tek tek incelenerek eniyi çözümün bulunması sürecine verilen isimdir. Küçük problemler için uygun bir yaklaşım olabilir. Bazı tamsayılı ve kombinatoryal problemlerin çözüm uzayı üstel (exponential) olarak artmaktadır. Bu problemlerin tam sayımlama (complete enumeration veya exhaustive search) ile çözülmesi olanaksızdır.

Sezgisel Yöntemler (Heuristics): Tam sayımlama ve kısmi sayımlamanın kabul edilebilir bir süre içinde çözüm bulamadığı problemlere uygulanan ve eniyi çözümü bulamamakla beraber yüksek-kalitede yani eniyiye yakınlığı tatmin edici düzeyde çözümler döndüren yaklaşımlardır. Gezgin satıcı problemi için kullanılan en yakın komşu sezgiseli eniyi çözüme ortalama performansta %85 oranında yakınsayan basit sezgisel yöntemlere örnek olarak verilebilir. Daha genel amaçlı olan ve farklı problemlerde kullanılabilme özelliğine sahip sezgisel yöntemler meta-sezgisel yöntemler olarak anılmaktadır. Bunların en önemlileri; Evrimsel Algoritmalar, Genetik Programlama, Tabu Arama, Tavlama Benzetimi ve Karınca Kolonileri Optimizasyonu’dur.

Deterministik Arama: Aynı girdi değerleri ve başlangıç koşulları ile her zaman aynı çözümü döndüren arama yöntemleri ve algoritmalar için kullanılır.

Bir işletmenin OKDS’den etkili bir şekilde yararlanabileceği bazı durumlar şunlardır:

1. İşletmelerin kurumsal amaçları konusunda farklı departmanların anlayışlarının farklı olması ve bu farklı amaçlar açısından problemin analizine ve çözümün duyarlılığına ihtiyaç duyulması,

2. Karar vericilerin öncelik ve tercihlerinin zamanla değişmesi,

3. Rekabet karşısında işletmenin stratejik yönelimlerindeki değişimin kararlara yansıtılması,

4. Modele yansıtılan gerçeklerin niceliksel olması; niteliksel gerçeklerin modellerde yer almaması veya son derece sınırlı yer bulması,

5. Çözümlerin farklı varsayımlar altında duyarlılıklarının incelenmesi,

6. Bazı bilgi ve parametrelerdeki belirsizliğin içerdiği riskin analizi,

7. Karar vericilerin kendi kararlarının geçerliliğini ve uygunluğunu görme arzusu,

8. Kontrol dışı etmenlerin veya rakiplerin olası hamlelerine karşı alternatif planların
oluşturulması.

Karar analitiği, işletme analitiğinin en üst basamağında yer alır. Bunun üç yönlü anlamı vardır.

1. Rekabet gücüne katkısı: Bunlardan ilki yarattığı rekabet avantajı açısından ürettiği bilgilerin diğer analizlerden daha etkili olmasıdır. Bir kararın farklı senaryolara göre sonucunun hangi koşullar altında eniyi çözüme göre nerede konumlandığını görmek, modele yansıtılamayan diğer faktörler yönüyle de değerlendirme yapabilmek, karar kalitesi ve işletmecilik yeteneğine son derece olumlu yansımaktadır.

2. Karar problemlerinin karmaşıklığı: Karar analitiğinin en üst basamakta yer almasının bir diğer anlamı aslında bu tür analizlerin karmaşıklığıyla da yakından ilgilidir. Otomasyona uygun olmayan, karar vericinin yakın etkileşimini gerektiren analizler bu düzeyde yoğunlaşmıştır. Çözümlenmesi güç bazen imkânsız problemlerin sezgiler veya sezgisel yöntemlerle ele alınmasını da gerektiren problemler karar analitiğinin konusunu oluşturmaktadır.

3. Betimsel ve kestirimci analitiğin katkıları: Karar analitiğinin matematiksel ve benzetim modelleri, sezgisel yöntemler ve algoritmaları ancak kullandıkları veri, bilgi ve parametrelerin hassasiyeti, doğruluğu ve tamlığı oranında etkili olabilir. Betimsel analitik, işletme veritabanlarından yararlanarak söz konusu veri, bilgi ve parametreleri tedarik etmektedir. Bazı modeller ise tahmin ve kestirim değerlerinden yararlanmaktadır. Kestirimci analitik bu noktada karar analitiğinin gereksinim duyduğu parametrelere ilişkin kestirim değerlerini (beklenen talep, olasılık dağılımı vb.) sunarak sürece katkı sağlar. Karar analitiğinin başarısı betimsel ve kestirimci analitikte gelinen düzeyle yakından ilgilidir.

Gerçek-yaşam problemleri açısından, optimizasyona eniyi çözümü garanti eden yöntemler bağlamında bakıldığında dikkate değer sınırlamalar vardır. Bunlardan bazıları aşağıda ifade edilmiştir.

i. Klasik optimizasyon matematiksel modellemeyi gerektirir ve modelleme zaman alıcıdır,

ii. Modellerin güncel parametrelerle kullanılması zorunluluğu bazen aşılması güç bir engel olabilmektedir,

iii. Bazı yerel eniyileme yöntemleri türevlenebilirlik ve dışbükey (convex) çözüm uzayına sahip olma gibi bazı koşulların yerine gelmesine ihtiyaç duymaktadırlar,

iv. Karar problemlerinin önemli bir kısmı tamsayılı ve kombinatoriyal problemler olup, dışbükeylik ve türevlenebilirlik özelliklerinin sağladığı ayrıcalıklara sahip değildirler,

v. Birden fazla çelişen amaç olduğunda, karar vericilerin doğrudan veya dolaylı etkileşimi optimizasyon için şarttır,

vi. Bazen küçük, genellikle de orta veya büyük boyutlu problemleri kabul edilebilir zaman pencerelerinde çözebilecek algoritmalara sahip az sayıda problem vardır.

Bu sınırlamaların her birinde umut verici ve kullanımını yüreklendiren gelişmeler de yok değildir. Bu gelişmelerin bazıları aşağıda ifade edilmiştir.

i. Matematiksel modellerin otomatik olarak kurulabilmesi konusundaki gelişmeler,

ii. İşletme analitiği, veri ambarı ve veri marketi yaklaşımlarının sunduğu betimsel ve kestirimci bilgilerden yararlanarak parametrelerin belirlenmesi konusundaki gelişmeler,

iii. Türev ve dışbükeylik gerektirmeyen stokastik sezgisel yöntemlerin yaygınlaşması,

iv. Tamsayılı ve kombinatoryel problemlere özel modelleme ve çözümleme yaklaşımlarının ortaya çıkması,

v. Optimizasyon-yönelimli karar destek sistemlerinin karşılıklı etkileşimi desteklemesi ile insan-deneyiminin çözüme katkısının önünün açılması,

vi. Değişik boyutlardaki problemlerin stokastik sezgisel yöntemlerle çözülmesinde elde edilen başarılar.

Kâr enbüyükleme makrosu olan BenimMakrom’un içeriği birkaç değişiklikle kayıp enküçükleyen çözücü makrosuna dönüştürülecektir. Bu yeni makroya SeninMakron adını vermiş olalım. SeninMakron Şekil 5.25’teki gibi görünecektir. BenimMakrom ile SeninMakron arasında sadece iki fark vardır. Bunlar SetCell parametresinin Kullanlmayan_Kaynak olarak ve MaxMinVal parametresinin ikinci sıradaki amaç fonksiyonuna atfen 2 olarak değiştirilmesidir. Yani SetCell:=”Kullanlmayan_Kaynak”, MaxMinVal:=2 dışındaki tüm kod satıları diğeriyle aynıdır.

Veri erişiminin işletme içi ve dışı iki önemli bileşeni vardır. İşletme içindeki bileşen, veri ambarı (data warehouse) ve marketi (data mart) altyapısının ve anlayışının varlığıdır. İşletme dışındaki bileşen ise 1990’ların başında dönemin başkan yardımcısı Al Gore’un bilgi süper-otobanı (information superhighway bazen infobahn) olarak adlandırdığı, bugün beklentilerin çok ötesinde gelişme göstermiş olan İnternet’tir.

Analitik sistemler, sundukları işlevlere göre betimsel (descriptive), tanısal (diagnostic), buluşsal (discovery), kestirimci (predictive) analitik ve karar (prescriptive) analitiği (bazen çözümsel analitik de denir) olarak beş ana başlıkta ele alınabilir

Karar (prescriptive) analitiği Analitik sistemlerin kullanım alanı ve amacına göre sınıflandırılmasında değil sundukları işlevlere göre sınıflandırılmasında yer alan bir analitik düzeyi ifade eder. Doğru cevap D'dir.

Analitik sistemler, işletmedeki bir karar verici, karar problemi veya bir operasyona yönelik raporlama, analiz ve değerlendirme araçlarını, veri ambarı, veri marketi gibi kurumsal veri kaynaklarının olanakları ile birlikte ve/veya internet-merkezli veri kaynak ve veri akımlarından yararlanmak üzere tasarlanmış ve kurumsal olarak benimsenmiş sistemlerdir.

Veri-yönelimli karar destek sistemlerini diğer karar destek sistemlerinden ayıran iki temel özelliği vardır; veri kaynaklarına erişim ve verilerin uygun yöntemlerle işlenmesi. Genellikle böyle bir karar destek sisteminin karar vericiye döndüreceği bilgilerin kararın kalitesini doğrudan etkileyeceği kabul edilir. Veri-yönelimli karar destek sistemleri özellikle yapılandırılmamış karar problemlerinde veri madenciliğinden yararlanmakla birlikte karar vericinin beklentileri minimum öneme sahiptir denilemez. Zira işletme analitiği ve veri madenciliği, bir karar probleminin çözümünü hedefliyor ve karar vericinin beklentilerini gözeterek temel karar destek sistemi özelliklerini sergiliyorlarsa (diyalog, veri ve model yönetimi modülleri), veri-yönelimli bir karar destek sisteminin varlığından söz edilebilir. Doğru cevap D'dir.