MIS Report 2 제출일: 2008년 11월 04일 과목명: 경영정보시스템 교수명: 이 건창 교수님 성 명:조재선.

MIS Report 2 제출일: 2008년 11월 04일 과목명: 경영정보시스템 교수명: 이 건창 교수님 성 명:조재선

◈ 목차 Ⅴ. 데이터 마이닝 Ⅵ. 사례 Ⅱ. 인공 신경망 Ⅲ. 전문가 시스템 Ⅶ. 결론 Ⅰ. 인공지능 1.인공지능개요
◈ 목차 ■ 과제작성 개요 Ⅴ. 데이터 마이닝 1. 데이터 마이닝 개요 2. 데이터 마이닝 순환과정 3. 데이터 마이닝 적용과정 Ⅰ. 인공지능 1.인공지능개요 2.인공지능과 자연지능 비교 3.인공지능시스템과 일반 Computer시스템 비교 4.전통적(통계적)방법과 인공지능방법 비교 Ⅵ. 사례 1. 인공신경망 - 기업부실 예측 인공신경망 모형 2. 전문가 시스템 - TDX-10전자식 교환기 고장진단 3. 퍼지이론 - 맞춤형 쇼핑몰을 위한 지능형Agent 4. 데이터 마이닝 - 이동통신사의 고객이탈방지를 위한 사례 Ⅱ. 인공 신경망 1. 인공 신경망 개요 2. 인공 신경망 발전단계 3. 인공 신경망 구조 4. 인공신경망 장,단점 및 활용분야 Ⅲ. 전문가 시스템 1.전문가시스템 개요 2.전문가시스템 구성요소 3.전문가시스템 장,단점 4.전문가시스템의 미래와 발전전망 Ⅳ. 퍼지이론 1. 퍼지이론 개요 2. 퍼지이론 구성요소 3. 퍼지이론 적용과정 Ⅶ. 결론 # 별첨: 참고 자료/도서

Ⅰ. 인공지능(Artificial intelligence)
언어를 Computer에서 재현시키고자 하는 연구활동이며 인공지능은 인간의 지능활동을 관찰하는 과학이자 이를 Computer에서 구현 하고자 하는 공학이다 ◆인공지능의 정의 : “인간의 행위 중 지능(intelligence)- 언어의 이해,학습,추론,문제해결 등-과 관련된 특성을 가진 시스템” -- (Cadden,1995) ◆”생각한다 와 계산한다” 의 차이 : 생각한다는 것은 계산한다는 것을 의미하는 것이 아니다 확실히 Computer는 계산을 잘한다 그러나 이런 기능 마저도 인간이 프로그래밍 하여 기억되어 있으며 단지 지적인 인간의 노예로 고속연산을 하는 산술기계 정도인 것이다 ◆ Artificial intelligence computer : 인간과 유사한 지성을 가진 컴퓨터 즉,인공지능을 가진 컴퓨터를 말하며, 기억,학습 연산,창조력,추론 등의 능력을 가진 지능 있는 컴퓨터를 말한다 ◆인공지능 응용분야 - 자연어 처리(Natural Language Processing) - 로보틱스(Robotics) - 자동 프로 그래밍(Auto Programming) - 전문가 시스템(Expert System) - 인공신경망(Artificial neural network) - 퍼지 이론(Puzzy Theory)

2. 인공지능과 자연지능 비교 인공지능 자연지능 복사나 확산이 쉽다 오래 사용이 가능하다 시간/비용이 적게 든다 일관성이 있다 추적,문서화가 쉽다 좁은 지식영역을 가진다 복사나 확산이 어렵다 이직.이동으로 오래 사용이 어렵다 시간/비용 투자가 많다 -사람에 따라 변동이 심하다 -추적,문서화가 용이하지 않다 -다방면의 경험 보유 3.인공지능시스템과 일반 컴퓨터 시스템 비교 구분 인공지능시스템 일반 컴퓨터 시스템 입력 및 출력정보 부족한 입력 정보에 대한 결과생성 입력정보의 완전성 요구 탐색기법 Heustics한 탐색기법 순서적/알고리즘적인 탐색기법 추론기능 추론가능(A=B,B=C,A=C)답변 추론기능 없음 설명기능 결론에 대한 설명가능 결론에 대한 설명이 불가능 시스템 구조 지식베이스와 추론엔진이 구분되고 유지 보수가 용이함 자료와 프로그램이 하나로 구성됨 지식 지식(Knowledge)사용 주로 자료(Data)와 정보(Information)사용

4. 전통적방법(통계적) 과 인공지능 방법 비교 전통적방법(통계적방법) 인공지능 방법 전통적 방법은 입력변수 및 모형에 대한 특성 및 자료 구조를 가지고 있다 즉 1)다변량 정규분포 가정 2)분산,공분산 행렬 3)사전확률 여러가지 가정으로 부터 자유로울 수 있다 독립변수 간의 상관관계,변수의 분포에 대해 특별한 가정을 가지지 않으므로, 예측모형의 성과를 향상시킬 수 있고 모형의 일반화에도 장점이 있다. 독립변수와 종속변수의 관계를 통계적인 변수 로 찾아내는 “귀납적인 방법” 전문가 지식 및 경험에 의한 규칙들을 용이하게 반영하는”연역적인 방법” 새로운 사례를 충분히 누적하여 기존모형에 대한 분석 및 검증 작업을 한 후 새로운 모형 으로 수정,변경한다 새로운 사례에 의한 규칙의 변경이 용이하게 진행 될 수 있다 새로운 사례가 추가 될 때마다 예측모형의 변경이 자동적으로 수행될 수 있다.

Ⅱ. 인공 신경망(Neutral Network)
1. 인공신경망 개요 Neural Network는 인간의 두뇌를 모방하여 만들어졌다. 인간의 두뇌기능 학습기능: 연상 기억(Associative Memory) 학습기능임으로 system화 할 필요가 없음 (2) 추론기능: 일반화 기능(Generalization) 부분정보를 가지고 근사값을 추론하는 것 근사값 추론임으로 system화 가능 또한 system을 통해 오류 최소화 가능

. Ⅱ. 인공 신경망(Neutral Network) 출력층 (Output Layer) 은닉층 (Hidden Layer) 입력층
신경회로망 I 1 m 2 . 3 O n x +1 +2 +3 + h 출력층 (Output Layer) 은닉층 (Hidden Layer) 입력층 (Input Layer)

2. 인공신경 발전단계 ■ Dr. Rosemblatt의 Perception (1957) 곤충(파리, 잠자리)의 시각을 모방하여 system을 통해 사물 및 환경을 인식하여 업무 수행하도록 함. 당시는 미-소 전쟁이 시작될 무렵. Perception 이론이 등장하자 미 국방부에서는 이 이론을 사용하여 지능적인 미사일 사용을 개발하도록 함. 이로 인해 Dr. Rosemblatt은 미 국방부에서 많은 지원금을 받게 됨. 입 출 ■ Minsky & Papert (1965) : Perception 이론의 문제점 제기  XOR 문제를 통해 문제점 제기 입력값이 동일하면 0 입력값이 다르면 1

■ Dr. Grossberg & Carpenters 70년대에 서로 만나 사장된 Neural Network 분야 연구 시작. 이 분야의 전설적인 3대 논문을 발표함 1) ART (Adoptive Resonance Theory) 단기기억을 장기기억으로 넘기는 과정에서 ‘공명’이 일어나야 함. 2) ART – II 3) Fuzzy ART ■ Dr. Rumelhart , Hinton & Williams (1986) 3교수가 Paralled Distributed Processing 연구팀을 만듦 Error Backpropagation(역전파 학습) 규칙을 만듦 : 여기에서 XOR 문제를 해결함 (20년 만에)  Neural Network 분야의 연구가 가능함을 암시  분야 급부상

… Ⅱ. 인공 신경망(Neutral Network)
■ Dr. Rumelhart , Hinton & Williams (1986) 3교수가 Paralled Distributed Processing 연구팀을 만듦 Error Backpropagation(역전파 학습) 규칙을 만듦 : 여기에서 XOR 문제를 해결함 (20년 만에)  Neural Network 분야의 연구가 가능함을 암시 <수학적 표현 모형> … 활성화 함수, a()  i 번째 뉴런 출력 함수, f() j 번째 뉴런 wji k 번째 뉴런 wik

3. 인공신경망 구조 W1 X1 ∑Xi*Wi i=1≈n X2 W2 변형함수 출력값 Xn W3 입력값 가중치 중간값 Y 입력값(X1,X2,Xn..)이 주어지고 이를 각각의 가중치(W1,W2,Wn)을 곱한다음 이를 모두 더하면  중간값 Y를 구할 수 있다 ▶중간값 Y가 너무 크지는 것을 방지하기 위하여 “변형함수를” 사용하여 출력값을 조정(정규화 한다) 0과1사이의 값으로 이때 변형함수는 뉴우런의 시냅스 역할을 한다 1 1 1 -1 -1 -1 하드 리미트 변형함수 임계값 변형함수 시스모이드 변형함수

변형함수로 많이 사용되는 Sigmoid 함수 1 Yt = 로 나타나고 이 Sigmoid 함수를 이용해서 값을 입력해 보면 1+ E-y - 입력값 : X1=1, X2=2, X3=3 - 가중치 : W1=0.2, W2=0.1, W3=0.4 이 출력값을 계산해 보면  Y=3*0.2+2*0.1+1*0.4=1.2 그리고 변형함수에 의해 Yt=1/(1+E-1.2)=0.77이 된다  Y값이 0보다 적으면 Yt값을 –1로 Y값이 0보다 크면 Yt값을 1로 생성한다

4. 인공신경망 장,단점 및 활용분야 장점 단점 -문제가 너무 어렵거나,그 분야의 전문가가 없는 문제에는 유용하게 사용할 수 있다 -독립변수와 종속변수의 비선형 관계추출가능 -입력자료의 이상치와 누락등에 대한 유연한 대능 사람이 할 수 있는 일은 잘 수행하고 사람이 할 수 없는 일은 잘 수행하지 못하는 경향이 있음 설명기능이 약하여 결과에 대한 설명이 약하다 학습에 많은 자료와 시간이 요구되며 병렬처리가 가능한 하드웨어가 비싼것도 문제이다 모형 이해의 어려움 ■ 활용분야 ▶ Speech Recognition ▶ Image Compression, Recognition ▶ Character Recognition - Handwritten ▶예측 및 평가 부도 위험/ 예측 주가/ 예측 채권 평가 /보험 위험 및 보험료 평가/ 환율 예측 공수 및 원가 예측

Ⅲ. 전문가 시스템(Expert System)
1. 전문가 시스템개요 ■ 하나의 특정한 문제영역에서 문제를 해결하기 위한 제안이나 대안들을 제공하기 위하여 사용자 인터페이스, 추론기관, 저장 된 전문지식들로 구성되어 있는 컴퓨터 시스템을 말한다. ■ 희귀하고 값비싼 전문가의 전문지식과 경험을 체계화하여 컴퓨터에 기억시켜 둠으로써 전문가가 아닌 많은 사람들이 전문가를 만나지 않고서도 전문가의 능력을 빌릴 수 있도록 한 시스템을 말한다 EXPERT SYSTEM의 구조 지식베이스 지식습득 부시스템 작업메모리 추론기관 설명부 시스템 사용자 인터페이스 사용자 전 문 가

2. 전문가 시스템 구성요소 전문가시스템은 지식베이스, 추론엔진, 흑판, 사용자 인터페이스, 설명 하위시스템, 지식 정련시스템 등의 요소로 구성되어 있다. <그림 >에서는 이들간의 관계를 보여주고 있다.

■ 지식베이스(Knowledge Base) 지식베이스(knowledge base)는 시스템의 입력으로서 제공되는 사실들간의 관계와 이러한 사실들의 집합을 말한다. 즉, 지식베이스는 이해, 공식화, 문제해결 등을 위해 필요한 지식 을 저장하고 관리하게 되는 것이다.지식베이스는 두 가지의 기본적인 요소를 포함하는데, 문제상황과 문제영역에 대한 이론 및 사실들(facts) 특정한 도메인에서 특수한 문제를 풀기 위하여 지식을 직접적으로 사용하는 전문적인 휴리스틱 또는 규칙(rules)이 바로 그것이다. ■ 추론엔진(Inference Engine) 전문가시스템의 "수뇌"는 제어 구조(control architecture) 또는 규칙 해석기(rule interpreter)라도 알려진 추론 엔진(inference engine)인데, 추론엔진은 결론 도출과 형성을 위한 방법론을 제공하는 컴퓨터 프로그램을 말한다. 추론엔진은 사용자 인터페이스를 통하여 사용자로부터 제공된 입력을 받아들이며, 의사결정이나 진단과 같은 문제해결안을 생성하기 위하여 지식베이스내의 지식을 결합한다. 추론엔진의 주요기능은 다음과 같다. ▶ 사용할 규칙을 결정 ▶ 필요할 때마다 사용자에게 질문을 제시 ▶ 전문가시스템 메모리에 해답을 추가 ▶ 규칙으로부터 새로운 사실을 추론 ▶ 추론된 사실을 메모리에 추가

■ 블랙보드(blackboard) 블랙보드(blackboard)는 입력데이터에 의해 분류된 최근의 문제를 설명하기 위하여 보관 하는 임시 작업메모리 영역을 말하는데, 중간 결과를 기록하는데도 사용되며, 일종의 데이터베이스라고 할 수 있다. ■ 사용자 인터페이스(user interface) 전문가시스템은 사용자와 컴퓨터간의 의사소통을 관리 한다. 사용자 인터페이스(user interface) 또는 대화 관리 (dialog management) 프로그램은 사용자와 시스템간의 상호작용을 관리하며, 이는 마치 DSS의 대화관리 프로 그램과도 유사하다.대화관리 모듈은 정돈된 순서로 의사 결정에 필요한 Parameter들을 사용자가 입력할 수 있도록 안내한다.이러한 의사소통은 자연어를 사용한다면 가장 잘 수행될 수 있지만, 보통은 질문과 대답의 형식이나, 그래픽을 이용하여 표현된다. 미래의 인터페이스는 음성 인식이나 음성합성을 사용하게 될 것이다.

■ 설명 장치(explanation subsystem) 자료원천을 처리하여 내려진 결론에 대한 근거를 설명할 수 있는 기능은 전문지식을 전달 하고,문제를 해결하는 양쪽 모두에 중요하다. 판단기 (justifier)라고도 불리는 설명 장치 Explanation subsystem)는 그러한 근거를 추적하고 다음과 같은 질문에 대답함으로써 전문가시스템의 결과를 설명한다. ▶ 왜 전문가시스템이 해당 질문을 야기하였는가? ▶ 어떻게 해당 결론에 도달하였는가? ▶ 특정한 대안이 기각된 이유는 무엇인가? ▶ 해결안에 도달하기 위한 계획은 무엇인가? ■ 지식 정제 시스템(knowledge refining system) 전문가는 지식 정제(knowledge refining) 시스템을 가지고 있다.즉, 이들은 자신들의 성과를 분석하고, 그것으로부터 학습하며, 미래의 자문을 위하여 개선한다. 이와 마찬 가지로, 그러한 평가는 컴퓨터화된 학습에도 필요하기 때문에 프로그램은 성공이나 실패에 대한 원인을 분석 할 수 있어야 더 나은 지식베이스와 보다 효과적인 추론을 위한 개선으로 발전될 수 있다.

■ 지식 획득(knowledge acquisition). 지식은 인간전문가, 서적, 문서, 센서 또는 컴퓨터 파일과 같은 다른 원천 등에 의하여 획득된다. 지식은 문제 영역과 문제 해결 상황에 특수한 경우일 수도 있고, 일반적인 지식(사업 또는 업무엔 관한 지식)일 수도 있으며, 또는 메타지식(meta knowledge)일 수도 있다. ■ 추론(inference) 추론(inference). 추론과정에서는 사용자가 특정한 문제를 취급하는 지식에 기초하여 컴퓨터가 추론할 수 있는 소프트웨어를 설계하고, 이를 통하여 사용자에게 조언하게 된다.

3. 전문가 시스템의 장/단점 ■ 장점 ▶ 인간의 전문 기술은 지속적인 훈련과 연습이 필요한 반면 일단 구성된 인공적 전문 기술은 영구적으로 존재한다. ▶ 인간 전문기술의 전달은 교육을 통하여 오랫동안의 값비싼 대가를 치뤄야 하지만, 인공적 전문기술은 프로그램이나 자료 파일을 복사하는 것으로 해결된다. ▶ 인간의 전문기술은 문서화가 매우 어렵고 시간을 요하는 작업이지만, 인공적 전문 기술은 지식 표현과 같은 인공지능의 기술로 체계적이고 명확히 표현될 수 있다. ▶ 인간의 전문기술은 동일한 상황이더라도 긴급함이나 감정에 따라 다른 결정을 내릴 수 있다. ▶ 인간의 전문기술은 전문인력이 귀하기 때문에 고가인 반면 인공적 전문기술은 개발 비용이 높기는 하지만 사용하는 비용을 저렴하게 할 수 있으므로 결국 높은 개발비는 낮은 사용 비용과 용이한 복사로 그 보상을 충분히 받게 된다. ■ 단점 ▶ 인간과 같이 창조할 수 있는 능력을 만들어 낼 수 없다. ▶ 전문과 시스템은 인간과 같이 바뀐 조건에 대응 하기가 어렵다. ▶ 인간은 감각능력이 뛰어나 이를 이용하나 전문가 시스템은 입력해놓은 감각을 이용하기 때문에 표현 과정에서 다른 것으로 오인될 수도 있다. ▶ 인간은 모든 각도에서 문제를 파악하나 전문가 시스템은 한쪽 면만 바라보는 경향이 있다.

4. 전문가 시스템의 미래와 발전 방향 ▶ 인공지능과 전문가 시스템 고유기술의 발달 - 자연어 처리 기술 개발 ▶ 인접 기술과의 조화 - 멀티미디어 전문가시스템 - 에이전트(agent) ▶ 사회의 수요에 대한 부응 - 분야별 전용도구(domain specific tool) : 구체적 필요에 따른 전문가 시스템 개발도구

Ⅳ. 퍼지이론(Fuzzy Theory) 내일 비가 내린다. 1. 퍼지이론개요 ▶ 1965년 캘리포니아 대학 Zedeh교수
▶ 1984년 국제퍼지시스템학회 결성 ▶ 제어, 전문가시스템, 패턴인식, 로보트 등의 분야에 널리 활용 ▶ Fuzziness: 사고와 표현의 기초인 인간언어 애매함 1. 퍼지이론개요 확률적 불확실성(랜덤니스) 퍼지니스 내일 비가 내린다. : 우연성 저 산을 파면 금이 나온다. : 판단의 개연성 퍼지니스란 언어의 의미나 개념의 애매함을 뜻함, 의미를 정확하게 정의할 수 없음 예) 젊은이, 크다, 미인 ▶ 불확실성의 처리라는 문제의식에서 출발 ▶ 불확실한 인간의 근사적 추론방법을 모델링하기 위한 논리적 체계 ▶ 한계가 명확하지 않은 퍼지집합이론에 등급(grade)을 줌으로써 집합론의 일반화된 형태 를 현실세계에 적용하려는 논리체계 ▶ IF-THEN 규칙을 어떻게 만들고 어떻게 축적을 해 두며 어떻게 검색할 것인가를 연구하 는 것 ▶ 0과 1이라는 극단적인 두 개의 값이 아닌 이들 사이의 실수의 값으로 원소가 그 집합에 속하는 정도 표현

Ⅳ. 퍼지이론(Fuzzy Theory) 2. 퍼지이론 구성요소 ■ 퍼지집합의 개념 퍼지집합 : 경계가 애매한 집합
기준의 애매함 (ex. 오래된 도자기의 집합) ex) 보통집합(crisp set) “2 또는 3” = {(2, 1.0), (3, 1.0)} 퍼지집합(fuzzy set) “두어” = {(2, 1.0), (3, 0.5)} ■ 퍼지집합의 정의 정의) 전체집합 U (Universe of Discourse) 퍼지부분집합 F 소속도, 소속정도, 멤버십값(membership grade) : 원소 u가 F에 소속될 가능성, F(u) , u U 로 표시 정의) 소속함수, 멤버십함수(membership function) : 퍼지집합 F의 각 원소의 소속도를 구해 주는 함수, F로 표시 F : U  [0,1] 정의) 퍼지집합(fuzzy set) : 집합의 각 원소가 소속도를 취하는 것들 로 구성된 집합

특성함수(characteristic ft’n) 멤버쉽함수(membership ft’n)
Ⅳ. 퍼지이론(Fuzzy Theory) ■ 퍼지집합의 함수 크리스프 집합 퍼지집합 특성함수(characteristic ft’n) 멤버쉽함수(membership ft’n) 소속도에 대한 grade 부여 1 1 특성함수 멤버쉽함수 X X

▶ 멤버십 함수 형태에 대한 자유로운 결정은 불확실성 처리에 있어서 자의성 초래
Ⅳ. 퍼지이론(Fuzzy Theory) 3. 퍼지이론의 장/단점 ■ 장 점 ▶ 멤버십 함수의 유연성 때문에 퍼지이론 실무적용성이 높음 ▶ 미래의 상황변화에 대한 불확실성을 감안하여 신축적인 경영전략계획 수립 가능 ▶ 불확실성의 처리가 가능하므로 보다 많은 경영환경변수와 전략요인을 고려하여 전략계획시 수반되는 불의의 상황변화에 능동적 대처 가능 ■ 단 점 ▶ 멤버십 함수 형태에 대한 자유로운 결정은 불확실성 처리에 있어서 자의성 초래 할 가능성 높음.

Ⅴ. Data Mining 1.데이터 마이닝(Data Mining)개요
데이터 마이닝은 "대용량의 데이터로부터 잘 정립된 통계기술과 기계적 학습기술을 사용하여 이들 데이터 내에 존재하는 관계, 패턴, 규칙 등을 탐색하고 찾아내어 모형화함으로써 실생활에 적용할 수 있는 유용한 정보(Actionable Information)을 추출하는 일련의 과정들”이라 정의할 수 있다. 데이터 패턴분석 정보/지식 의사결정 기존의 데이터 관리 기법인 데이터 웨어하우스나 OLAP(On-Line Analytical Processing)는 분석자가 만든 가설에 해당하는 여러 가지 질의에 대한 조회결과를 통해 가설을 확인하거나 부정하는데 그치나, 데이터 마이닝에서는 분석자가 의도하지 않았던 가설들을 산출해내어 유용한 정보들을 생성하는 효과를 가지고 있다.

Ⅴ. Data Mining ■ Data MINING의 특징
▶ 과거의 데이터로부터 비계획적으로 수집되며, 축적된 대량의 데이터 베이스 로 부터 대용량의 데이터를 다룬다. ▶ 초고속 컴퓨터의 처리능력을 이용해 실용화되고 있다. ▶ 데이터베이스의 구체적 사실 값으로부터 특정 패턴을 추출하는 것이므로 귀납적 학습방법을 주로 사용한다. ▶ 주 관심사는 통계적 추론과 검정보다는 예측 모형의 일반화에 있다. ▶ 통계학, 전산학, 인공지능, 병렬처리기술 등의 다양한 분야의 기술들과 원천 기술을 공유한다. ■ 통계와 Data MINING 비교 <통계학> - 통계적 이론에 근거하여 추정, 가설 및 검증 - 예측등의 결과에 대한 이론적 해설 가능 - 기술통계(평균,분산등…)희귀분석,시계열분석,Logic분석… <Data Mining> - 명확하게 정형화된 가설이 없는 데이타중심의 분석방법론 - data driven, automatic 통계학은 데이터 마이닝과정에 전반적인 분석기반을 제공 (데이터 탐색, 검증, 샘플링, 모형구축등에 활용)

Ⅴ. Data Mining <인공지능기법>
- 인공지능 기법의 목적은 인간의 지능적 활동(사고,시각, 청각, 자연언어등…) 을 컴퓨터에서 재현 - data driven 방식 - 데이터 마이닝에서의 사용되는 대부분의 기법은 인공지능 기계학습에서 시작(학습의 자동화  규칙생성) 데이터 마이닝에서의 데이터는 dynamic, incomplete, noisy, 주제와 관련이 없을 수도 있으며, 대용량인 특징을 가지며, 일반 통계학 및 인공지능에서 사용하는 실험실의 소규모 데이터가 아닌 현실세계의 데이터이다.

Ⅴ. Data Mining 2.데이터 마이닝(Data Mining)순환과정 ▶ 닫힌 상자 안에서 따로 존재하는 것이 아님.
▶ 한번 정해진 방향성이 아니며, 한번에 모든 일을 진행 하지 않는다 ▶ 정해진 하나의 방법론만을 택하지 않는다.

데이터 준비 데이터 탐색 데이터 변환 모델링 평가
Ⅴ. Data Mining 3.데이터 마이닝(Data Mining)적용과정 : 필요 데이터의 정의 대규모 데이터에서 분석용 데이터 셋 추출 오류값, 이상값 등의 정의 데이터 준비 데이터 탐색 : 데이터의 모양을 분석하면서 정보화 할 수 있는 기반 다지기 데이터 변환 : 의미 있는 정보를 만들기 위해 새로운 변수(자료)를 생성하거나 변환하는 과정 모델링 : 데이터 마이닝 기법을 활용한 모형 구축 평가 : 데이터 마이닝 기법을 활용한 모형 구축

Ⅵ. 사례 : 인공신경망(Neutral Network)
기업부실예측 인공신경망 모형 입력변수: OITA(Ordinary Income to Total Asset) OETA(Owner Equity to Total Asset) QACL(Quick Asset to Current Liability) TBBPTA(Total Borrowings and Bonds Payable to Total Asset) CFTL(Cash Flow to Total Liability) CFTA(Cash Flow to Total Asset) FAT(Fixed Asset Turnover) GVATA(Gross Value Added to Total Asset) SALES x16 x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 OITA OETA QACL TBBPTA CFTL CFTA FTA GVATA Sales Bankruptcy(Yes, No)

1. 신용평점 모형- 비 재무항목 ■중요 항목선정 - 영업전망,미래현금흐름,생산경쟁력,영업경쟁력 경영능력,신뢰성,산업환경,재무융통성 ■분석적 계층절차 - 전문가의 정성적 의사결정과정을 모형화 ■설문지 설계,배포,수거후 단계적 비재무 평가항목 결정

2. 부실예측모형- 구조 ■ 부실예측모형은 기업의 규모 및 업종별로 구축,사용데이터의 종류에 따라 재무정보,시장정보 및 금융기관거래정보를 활용하여 기업의 부실확율 또는 부실가능성을 계량화된 지표로 산출

3. 부실예측모형- 예측과정

4. 부실예측모형- 개발과정1 ■ n개의 입력값(X)들의 가중치(W)에 따라 가중합계 그 결과를 전이함수로 전환하여 최종결과를 수행하며 전이함수로는 Sigmoid 함수를 사용 가장 널리 알려진 신경망 모형은 다층 퍼셉트론(Multi-layer perceptron)과 그 학습 알고리즘인 Back propagation임

5. 부실예측모형- 개발과정2 ■Multi-layer perceptron neural network는 입력층과 출력층 사이에 하나이상의 중간층(은닉층) 이 존재하며,가중치는 전체 신경망이 목표 출력값과 비교하여 구 차이(오차함수)를 최소화 시킬 수 있도록 지속적으로 조정하여 산출 back propagation에 의한 가중치 조정은 입력층의 각 Unit에 입력패턴을 주면,변환되어 중간층 에 전달되고 최후에 출력층에서 신호를 출력하게되며 이 출력값과 기대값을 비교하여 차이를 줄이는 방향으로 연결강도를 조절하고,상위층에서 역 전파하여 다시 본래의 층으로 연결강도 조절함

6. 신용평가시스템 개발사례- 중소제조업 거래실적 모형

7. 신용평가시스템 개발사례- 등급별 부도율 산출

8. 신용평가시스템 개발사례- 등급별 부도율 산출결과

TDX-10 전자식 교환기 고장진단 전문가 시스템
Ⅵ. 사례 : 전문가 시스템(Expert System) TDX-10 전자식 교환기 고장진단 전문가 시스템 ■ 전문가 시스템 구축 필요성 ▶ 통신망 급증에 따른 전자식 교환기는 통신분야의 중추적인 역할 수행 ▶ 전자식 교환기 TDX-10은 종합통신망(ISDN) 구축을 위한 국내 표준 전전자 교환기 ▶ 고장원인이 다양 ▶ 고장에 대한 진단이 전문기술자의 경험 및 지식에 의존 ■ 시스템 구축 개요 ▶ 사용자 인터페이스(User Interface), 지식베이스(Knowledge Base), 추론엔진 (Inference Engine), 설명부(Explanation system)을 중심으로 시스템 설계 ■ 시스템 설명 ▶ TDX-10 전자식 교환기 고장진단 전문가 시스템은 90년대 구현이 되었음 ▶ 주요 모듈을 중심으로 시스템 구성에 대하여 고찰

Ⅵ. 사례 : 전문가 시스템(Expert System)
1. 지식베이스(Knowledge Base) 시스템 고장현상 Subsystem A Subsystem B Subsystem C Module B1 Module B2 Sub Module B11 Sub Module B12 Component B121 Component B122 Component B123 Component B124 Sub Module B21 Sub Module B22 Fault message 주) -. 전자 교환기 전문가 시스템은 고장 메시지와 고장 현상으로 구분하여 시스템 구축 -. 사용자가 Fault message를 입력하면 경험치가 가장 높은 진단결과 및 조치사항을 제공한다. -. 1차진단 결과의 조치사항이 완료되지 않으면 제 2순위, 3순위 순으로 진단결과 및 조치사항을 사용자에게 제공한다.

2. 추론 엔진(Inference Engine) 사용자 추론기법 전향추론 후향추론 혼합형추론 추론 Mechanism Backward Suggest Hypothesis Forward Data Actions Volunteer Control 결 론 주) -. 사용자가 고장 현상을 알고 있을 때 가능한 정보로부터 고장개소를 찾아내는 전향 추론기법 -. 고장개소를 알고서 고장현상에 대한 정보를 알기 위하여 고장현상을 찾는 후향 추론기법 -. 목표가설을 모를 때 부 목표 가설을 선정하고 부 목표에 따른 평가하는 혼합형 추론기법

3. 추론 절차 (Inference Procedure) 추론 방법 선택 [전향, 후향, 혼합형] 목표가설/data설정 Suggest / Volunteer 고장현상/Message 고장해, 설명기능 출력 조치사항 설명기능 고장현상과 일치하는 해 선택 정상복구 안될시 추론 모듈

4. 설명부 (Explanation Subsystem) 메인 화면 고장현상 추론기법설정 진단결과 설명기능 작업종료 HELP 진단과정 EXIT 소프트웨어 운영체제 DATA BASE 후향 추론 전향 추론 혼합형 추론 결과화면 도움말 주) -. 비전문가라 할지라도 고장진단 수행시 고장현상을 쉽게 입력할 수 있도록 설계 -. 사용자가 시스템에 대한 확인을 문의하면 추론시 사실로 평가된 가설을 제공 -. 추론이 완료된 후 진단결과를 확인하고 그에 따른 설명기능을 선택할 경우 사용자게 Display -. 시스템 개발자는 시스템에서 지원하는 규칙 네트워크 및 객체 네트워크 윈도우를 이용하여 추론의 진행과정 Monitoring

Ⅵ. 사례 : 퍼지이론(Fuzzy Theory)
사용자가 선택한 부품간의 호환 정도를 검사하여 컴퓨터에 전문적인 지식이 없는 사용자가 쉽게 조립하고 부품을 살수 있게 도와주는 에이전트인 인공지능 분야의 퍼지이론을 이용하는 지능형 에이전트 맞춤형 쇼핑몰을 위한 지능형 Agent ■ 시스템 구조

1. 조립마법사 : 단계별로 조건을 주어 사용자가 선택함. - 고객정보를 바탕으로 사용자의 용도에 맞게 추천해주는 방법 - 부품을 나열해서 순서대로 조립하도록 하는 방법 2. 데이터베이스 1) 고객정보DB : 고객의 신상 정보를 기록되고, 고객 등록 및 차후에 고객 관리자료 활용. 2) 거래 정보DB : 사용자가 주문을 하고 거래가 완료되었을 때 거래 정보 기록, 매출 계산이라든지 고객에 대한 관리 등을 위해 이용 3) 상품정보DB : 상품에 대한 정보를 보유하여 분석에이전트나 모니터링 에이전트가 사용 4) 퍼지DB : 호환정도를 검사하기 위한 데이터베이스로서 부품간의 호환정도가 퍼지값으로 저장이 되어 있고 퍼지 데이터베이스는 퍼지 에이전트가 사용 3. 에이전트 1) PA(개인화 에이전트) 개인화 에이전트는 사용자가 웹사이트에 접속해서 등록하게 되면 아이디와 패스워드를 받고 사용자의 직업, 컴퓨터 사용 용도 등 고객의 프로파일을 DB화한다. 고객이 조립 마법사를 통해서 상품을 선택하면 그 내용 또한 DB에 저장되어 고객관리 차원에서 관리하게 된다. 그리고 상품구매와 장바구니까지 고객의 개인의 일을 개인화 에이전트에서 수행하게 된다. 2) MA(모니터링 에이전트) 웹사이트에서 접속한 모든 사용자의 일련의 활동을 감시하는 역할을 한다. 그리고 그 내용을 기록하여 분석 에이전트에게 전달하고 분석 에이전트에서 분석한 자료를 사용자에게 보여 주게된다.

4. AA(분석 에이전트) 5. FA(퍼지 에이전트) Ⅵ. 사례 : 퍼지이론(Fuzzy Theory)
분석 에이전트는 모니터링 에이전트에서 모니터 한 자료를 받아서 부품별로 분석을 하게 된다. 구현하고자하는 사이트에서 모니터링 에이전트는 각 부품별 사용자별 세션을 생성하여서 A라는 부품과 B라는 부품이 호환정도를 떠나서 같이 사용할 수 없는 부품들을 모니터하여 사용자에게 알려준다. 이때 행하는 일은 분석 에이전트가 경고 메시지와 더불어 추천품목을 보여주게 된다. 모니터링 에이전트에서 모니터한 모든 자료는 분석 에이전트가 분석하게 된다. 분석 에이전트에서 하는 또 하나의 일은 개인화 에이전트에서 사용자의 프로파일을 분석하여 적합한 부품을 추천하는 작업을 하게 된다. 추천을 할 경우에는 퍼지 에이전트와 통신을 통해 호환정도가 우수한 제품들로 사용자의 기호에 맞고 사용자의 사용 용도에 맞게 추천을 해 준다. 5. FA(퍼지 에이전트) 컴퓨터에 전문적인 지식이 없는 사용자라도 본인의 취향에 맞고 부품간의 호환정도를 판단해서 컴퓨터를 조립하여 구입할 수 있는 쇼핑몰을 구축하고자 한다 예를 들면 아래그림과 같이 메인보드A와 그래픽 카드들은 퍼지값을 가지게 된다. 이 값은 1과 0 사이의 값을 가지는데 1에 가까울수록 완벽하다는 것을 나타내며, 0에 가까우면 이와 반대임을 나타낸다. 부품들간의 값을 데이터베이스화하여 부품간의 호환정도를 나타내는 데 이용을 하고 호환정도를 이용하여 부품들을 올바르게 선택할 수 있게 도와주는 에이전트를 구현한다.

메인보드A 메인보드B 그래픽카드A 그래픽카드B 0.8 0.6 0.9 0.7 …… ■ 시나리오 1 단계 : 사이트 접속하여 로그인 2 단계 : 조립 마법사의 실행 3 단계 : 모니터링 에이전트의 감시로 도움을 받아 조립한다. 4 단계 : 모니터링 에이전트의 감시자료를 분석 에이전트가 받아 분석하여 이를 사용자에게 알려준다. 5 단계 : 분석 에이전트의 분석 자료를 퍼지 에이전트가 호환정도검사 6 단계 : 로그아웃 후 거래정보 기록

이동통신회사의 고객이탈방지를 위한 테이터 마이닝 사례
Ⅵ. 사례 : 데이터 마이닝(Data Mining) 이동통신회사의 고객이탈방지를 위한 테이터 마이닝 사례 1.접근 프로세스

Ⅵ. 사례 : 데이터 마이닝(Data Mining)
2.데이터

Ⅵ. 사례 : 데이터 마이닝(Data Mining)
3.의사결정 트리 의사결정 트리에 의해 작성된 점수표를 가지고 이탈고객 예측모델을 작성한다… 고객이탈 점수 = F(월급수준, 연령,성별, 단말기, 가입기간) = a + b*x1 + c*x2 – d*x3 … - 모델링 기법 → 함수형태 및 가중치 - 변수선택 → 이탈여부에 영향을 미칠 수 있는 변수

Ⅶ. 결론 인공지능의 궁극적인 목적은 기계에게 지능을 부여하는 것일 것이다.
그러나 인간의 지능이란 이론적으로 표현할 수 없을 만큼 무한하며 다양한 것이다 그러나,정보화사회에서는 무한할 정도로 다량의 정보와 처리과제가 산재해 있다. 따라서 인간의 자연적 지능에 직접적으로 호소하는 것만으로는 부족하다. 특히나 재무․회계와 관련된 정보와 처리 과제들은 기하급수적으로 늘어나고 있으며, 더 많은 인력과 지식과 기술을 요구하고 있다. 이를 효율적으로 해결하기 위해 컴퓨터를 이용한 정보처리, 특히 인공지능에 의한 정보처리가 요망되며 이를 위해서는 다방면의 연구와 실무적 통합이 이루어져야 할 것이다. 가능한 상황들이 발생할 확률을 검토하고 그 결과들에 대한 가차판단을 다차원적으로 고려하여 바람직한 의사결정을 하는 데 도움이 될 인공지능의 개발이 필요하다.

▣ 참고자료 ■ Reference Data 순서 자료내용 출처 인공지능/전문가 시스템 KAIST 테크노 경영대학원
1 인공지능/전문가 시스템 KAIST 테크노 경영대학원 2 퍼지이론(1) 충남대학교 이준원 교수 3 퍼지이론(2) - 4 데이터 마이닝 항공 대학교 –유기용 5 퍼지이론을 응용한 맞춤형 소핑몰 지능형 Agent 한국 인터넷정보 학회지 제2권1호 6 전문가 시스템 7 지식표현과 전문가체계 최기선 8 퍼지논리제어를 이용한 FMS의 작업흐름관리 경영과학연구 제5호-이진춘 9 소화기 질환을 의한 인터넷기반 전문가 시스템 멀티미디어 학회 논문지 제6권6호(2003,10) 10 신용평가모형 개발과 구축사례 한국신용정보 솔루션 사업실 11 유리용해로를 위한 퍼지전문가 시스템 적용사례 삼성SDS정보기술 연구소 12 인공지능 방법을 이용한 신용평가모형개괄 나이스채권 금융공학 연구소 13 실시간 On-line조직진단 S/W개발 관동대학교-최창현 교수 14 TDX전자교환식 고장진단 전문가시스템 구축 KESS 추계학술대회논문

MIS Report 2 제출일: 2008년 11월 04일 과목명: 경영정보시스템 교수명: 이 건창 교수님 성 명:조재선.

Similar presentations

Presentation on theme: "MIS Report 2 제출일: 2008년 11월 04일 과목명: 경영정보시스템 교수명: 이 건창 교수님 성 명:조재선."— Presentation transcript:

Similar presentations

About project

지원

로그인

Auth with social network:

MIS Report 2 제출일: 2008년 11월 04일 과목명: 경영정보시스템 교수명: 이 건창 교수님 성 명:조재선.

Similar presentations

Presentation on theme: "MIS Report 2 제출일: 2008년 11월 04일 과목명: 경영정보시스템 교수명: 이 건창 교수님 성 명:조재선."— Presentation transcript:

Similar presentations

About project

지원