1. PROIZVODNJA FORMALINA Z MANJŠO PORABO POGONSKIH SREDSTEVMarko Bohanec, 2010, diplomsko delo Opis: Za družbo Nafto Petrochem d.o.o, smo v diplomskem delu naredili raziskavo za proces proizvodnje formalina. Naša glavna naloga je bila učinkovitejša proizvodnja formalina, zato smo se usmerili v toplotno integracijo procesa. V delno integriranem procesu smo razpoložljivo toploto uporabili za segrevanje obstoječega srebrovega procesa in s tem zmanjšali porabo pogonskih sredstev, ter proizvodnjo nizkotlačne pare v oksidnem procesu. Simulacije smo izvajali z računalniškim procesnim simulatorjem Aspen Plus, v katerem smo spreminjali parametre, da smo dobili rezultate, katere smo nato podrobno analizirali.
Z metodo analize uščipa smo podrobno preučili vse pridobljene podatke in ugotovili, kateri od podatkov se najbolj približajo vrednosti 1 maksimalne možne toplotne integracije v procesu.
Ključne besede: toplotna integracija, pogonska sredstva, proizvodnja nizkotlačne pare, maksimalna možna toplotna integracija procesa.
Objavljeno: 01.04.2010; Ogledov: 1998; Prenosov: 69
 Celotno besedilo (1,53 MB) |
2. METODE PRIDOBIVANJA ZNANJA IZ PODATKOV V ZAVAROVALNICIJanez Kralj, 2010, magistrsko delo Opis: Velike podatkovne baze podjetij vsebujejo veliko znanja, ki je strokovnim službam dobro znano, pa tudi veliko novega znanja, ki ga strokovne službe ne poznajo. Z metodami umetne inteligence, kot sta metoda pridobivanja znanja iz podatkov (KDD) in metoda podatkovnega rudarjenja (DM), smo preverili možnosti odkrivanja novih znanj in uporabnost le-teh pri ciljno usmerjenem trženju v zavarovalništvu. Zanimalo nas je ali lahko z novo pridobljenim znanjem stranki ponudimo storitve, ki so bolj prilagojene njenim individualnim potrebam. Rezultati so potrdili, da poleg znanih pravil iz podatkov pridobimo tudi marsikatero novo, presenetljivo pravilo. Na osnovi takšnih novo odkritih pravil pa lahko stranko obravnavamo drugače kot smo jo do sedaj in se s svojo ponudbo storitev bolj približamo njenim potrebam. Individualna obravnava posledično povečuje zadovoljstvo strank. Z uporabo metod umetne inteligence torej lahko povečamo učinkovitost in zmanjšamo stroške poslovanja.
Ključne besede: umetna inteligenca - AI, strojno učenje - ML, ciljno trženje, zavarovalništvo, pridobivanje znanja iz podatkov - KDD, podatkovno rudarjenje - DM
Objavljeno: 07.09.2010; Ogledov: 2206; Prenosov: 239
Celotno besedilo (8,37 MB) |
3. ZGODNJE NAPOVEDI STOPNJE ALFA-KISLIN V HMELJNI RASTLINI (Humulus lupulus L.) Z MODELI STROJNEGA UČENJAViljem Pavlovič, 2011, doktorska disertacija Opis: Hmelj (Humulus lupulus L.) je ključna surovina v pivovarstvu, saj značilno vpliva na organoleptične lastnosti piva, vključno z okusom in aromo. Grenčice hmelja (alfa-kisline) so že vrsto let eden najpomembnejših parametrov kakovosti in s tem tržne vrednosti hmeljskih proizvodov v vseh državah pridelovalkah. Zgodnje napovedi vsebnosti alfa-kislin v storžkih slovenskih kultivarjev hmelja, so zato ključnega pomena tako za hmeljarje, kot tudi za trgovce s hmeljem. V pomoč slovenskim ekspertom pri ocenah letnega pridelka alfa-kislin smo zgradili modele za zgodnje napovedi vsebnosti alfa-kislin treh pomembnejših kultivarjev, ki jih gojimo v Sloveniji. Vsi trije kultivarji (Aurora, Savinjski golding in Bobek) se precej enotno odzivajo na meteorološke vplive v istem časovnem obdobju. V raziskavi so s podatki in izkušnjami sodelovali tudi raziskovalci Inštituta za hmeljarstvo in pivovarstvo Slovenije v Žalcu.
Analiza meteoroloških vplivov na območjih pridelave hmelja v Sloveniji je pokazala, da imajo močan vpliv na vsebnost alfa-kislin slovenskih kultivarjev predvsem nadpovprečno visoke temperature v obdobju nastajanja generativnih organov (r = –0,95, p < 0,001), padavine pa že v času intenzivne rasti hmeljne rastline (r = 0,94, p < 0,001), pri tem pa vpliv padavin ni linearen. Izračunali smo koeficient med logaritmirano vrednostjo skupne količine padavin od 21. maja do 22. julija in temperaturno vsoto od 18. junija do 22. julija. Soodvisnost med koeficientom (kTD) in vsebnostjo alfa-kislin modelnega kultivarja Virtual je močna (r = –0,94, p < 0,001) in statistično značilna. Precej enoten odziv kultivarjev Aurora, Savinjski golding in Bobek nam je omogočil gradnjo univerzalnega modela s pomočjo navideznega kultivarja Virtual in neodvisnih spremenljivk skupne količine padavin, temperaturnih vsot in teoretične potrebe po vodi za hmeljno rastlino.
Za preliminarno napoved vsebnosti alfa-kislin v hmelju smo razvili univerzalni model G2G2DSMO, ki ga sestavljata dva modela z različnim vplivom. Oba modela sta zgrajena z atributom temperaturnih vsot v časovnem intervalu med 18. junijem in 21. julijem (T2529). Model G2SMO vsebuje še neodvisno spremenljivko skupne količine padavin za obdobje od 21. maja do 21. julija (D2129), model G2DSMO pa neodvisno spremenljivko teoretične potrebe po vodi v istem časovnem obdobju (Dd2129).
Vpliv modela G2SMO na amalgamiran model G2G2DSMO je 60 %, s 40 % pa vpliva model G2DSMO. Povprečen model G2G2DSMO je dovolj natančen in robusten. Vrednost DW d-statistike = 1,91 dokazuje, da v modelu avtokorelacija ni prisotna. Model, ki smo ga v raziskavi razvili je v funkcijski obliki zapisan:
G2G2DSMO = 14,025 – 13,46.10-3 T2529 + 2,92.10-3 Dd2129 + 3,72.10-3.D2129.
S pomočjo značilnih konstant kultivarjev Aurora = 1,45, Savinjski_golding = 0,62 in Bobek = 0,92, ki smo jih izračunali, smo dobili napovedi vsebnosti alfa-kislin za posamezne kultivarje prve skupine. Vrednosti napovedanih odvisnih spremenljivk (Ki) so močno korelirane (rVirtual = 0,95, rAurora = 0,93, rSavinjski golding = 0,92, rBobek = 0,90) z njihovimi pravimi vrednostmi (Ci), ki so bile določene s kemijskimi analizami. Vse korelacije so statistično značilne pri stopnji tveganja manjši od 0,1 %.
Model, ki smo ga v nalogi razvili, bo lahko služil kot osnova za nadaljevanje dela v smeri izgradnje ekspertnega sistema za zgodnje ocene vsebnosti alfa-kislin v hmelju. V prihod-nosti bo možno vključiti v model še nove kultivarje hmelja, pri čemer bo potrebno dodatno izračunati njihove modelne konstante.
Ključne besede: : napovedni model, strojno učenje, hmeljna rastlina, alfa-kisline, sušni management
Objavljeno: 31.05.2011; Ogledov: 3320; Prenosov: 201
Celotno besedilo (2,71 MB) |
4. |
5. Informacijska družba IS '01 : zbornik A 4. mednarodne multi-konference, 22. do 26. oktober 2001, Ljubljana, Slovenija2001, zbornik Ključne besede: informatika, informacijska tehnologija, informacijska družba, izobraževanje, vzgoja, razvoj
Objavljeno: 01.06.2012; Ogledov: 904; Prenosov: 9
 Celotno besedilo (0,00 KB) |
6. |
7. A Multi-criteria assesment of tourist farm service qualityDarja Majkovič, Andreja Borec, Majda Potočnik, Črtomir Rozman, Karmen Pažek, Marko Bohanec, 2009, izvirni znanstveni članek Opis: Farm tourism is a significant means of supplementing farmer's incomes. This paper presents a methodology for ranking tourist farms by using a multi-criteria model based on the qualitative multi-criteria modeling methodology, DEX, to assess service quality. The software tool DEXi was used to achieve this end. The model was then applied to seven tourist farms with data derived from questionnaires completed by tourist farm operators and guests. The results are shown as service quality assessments for individual farms. The potential of the model for assessing the farms is demonstrated with the aim of providing a comprehensive explantation and justification of the assessment technique. It also indicates potential improvements that farms can make through "what-if" analysis and visualisation. Despite limitations, such as use of qualitative data only, the approach is proposed as being both appropriate and advantageous when compared with other means of ranking enterprises.
Ključne besede: rural tourism, tourist farm, service quality, multi-criteria modeling, Dexi
Objavljeno: 10.07.2015; Ogledov: 386; Prenosov: 57
Celotno besedilo (0,00 KB) |
8. Modeliranje zgodnje napovedi stopnje alfa-kislin pri hmelju (Humulus lupulus L.)Martin Pavlovič, Viljem Pavlovič, Črtomir Rozman, Iztok Jože Košir, Marko Bohanec, Andreja Čerenak, 2009, izvirni znanstveni članek Opis: Analiza soodvisnosti med meteorološkimi spremenljivkami in stopnjo alfa-kislinv kultivarjih hmelja je v obdobju 1994-2008 pokazala, da se slovenski kultivarji zelo podobno odzivajo na vremenske vplive. Testirali smo vplive temperature zraka, količine padavin in dolžine sončevega obsevanja na količino alfa-kislin v storžkih. Vse proučevane meteorološke spremenljivke kažejo v določenih fenoloških fazah hmeljne rastline od najmanj zmerne do visoke stopnje soodvisnosti s stopnjami alfa-kislin testiranih kultivarjev hmelja. Te lahko združimo glede na meteorološke odzive v dve skupini. Aurora, Celeia in Savinjski golding kažejo zelo visoko pozitivno medsebojno korelacijo (r=0,9; p<0,001). Na osnovi analiz soodvisnosti med stopnjami alfa-kislin v kultivarjih hmelja in meteorološkimi spremenljivkami je oblikovan osnutek modela za zgodnje napovedi alfa-kislin za kultivarje hmelja na območju Slovenije. Razultati aplikacije modela potrjujejo njegovo uporabnost za nadaljnje raziskave.
Ključne besede: hmelj, alfa-kisline, vremenski podatki, modeliranje, simulacije
Objavljeno: 10.07.2015; Ogledov: 459; Prenosov: 9
Celotno besedilo (0,00 KB) |
9. Model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenjaMarko Bohanec, 2017, doktorsko delo/naloga Opis: Področje medorganizacijske (B2B) prodaje je zahtevno. Običajno ne predvideva le prodaje končnih izdelkov, temveč so predmet prodaje kompleksnejše rešitve, prilagojene kupcu. Kupci pri tem sledijo svojim internim procesom, želijo doseči prilagoditve elementov pogodbe, se pogajajo in podobno. To zahteva od prodajalcev dobro poznavanje pričakovanj strank, njihovih želja in potreb.
Proces B2B prodaje je zato daljši in kompleksnejši. V disertaciji se osredotočamo na napovedovanje prodajnega izida v medorganizacijski prodaji, ki v praksi večinoma temelji na subjektivni presoji prodajalcev. Glede na napovedi prodajalcev se podjetja odločajo o virih in aktivnostih, zato netočne napovedi lahko vodijo v nepopravljive posledice. Raziskave so pokazale, da podjetja, ki svoje odločitve temeljijo na podatkih (angl. ``data driven decison-making''), izkazujejo boljše poslovne rezultate. Vendar pa raziskave kažejo tudi, da je uporaba metod in orodij, ki temeljijo na podatkih, v praksi še vedno šibka. To lahko pripišemo slabemu razumevanju metod in orodij za podporo odločanju ter tudi nezaupanju v tehnologijo.
Motivacija za raziskavo izhaja iz zaznanega problemskega stanja v medorganizacijski prodaji in vrzeli, ki smo jo zaznali v akademski literaturi. Izhajamo iz teze, da je mogoče z uporabo modelov stojnega učenja pomagati prodajalcu in podjetju tako, da pri napovedovanju poslovnega izida delajo manj napak. V ta namen smo po metodologiji akcijske raziskave in razvoja (angl. ``action design research'', s kratico ADR) razvili model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenja. Pri tem sta nastala dva artefakta: informacijsko-tehnološki (IT) artefakt, ki temelji na modelih strojnega učenja, podkrepljenih s transparentnimi razlagami, ter organizacijski artefakt, ki spodbuja vključevanje spoznanj iz IT-artefakta v proces napovedovanja in organizacijsko učenje. Prednost ADR je v tem, da vključuje uporabnike v razvoj in evalvacijo modela že na začetku raziskave. Na ta način uporabniki lahko izrazijo svoja pričakovanja, sproti vrednotijo model ter tudi sproti predlagajo spremembe. To krepi zaupanje v razvit model in povečuje zavezanost h kasnejši uporabi v praksi.
Jedro disertacije predstavlja model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenja. Metode strojnega učenja se iz prodajne zgodovine naučijo prepoznati značilnosti prodaje. Ko se pojavijo nove priložnosti, metode ocenijo njihovo zrelost in ponudijo odločevalcem razlago vplivnih dejavnikov, omogočajo pa tudi analizo vpliva različnih prodajnih aktivnosti s pomočjo ``kaj-če'' analize.
Pri tem uporabljamo poenoten format napovedi in njihovih razlag, ki podpirajo različne modele. Tako omogočamo uporabo visoko zmogljivih metod strojnega učenja (npr. naključni gozd), ki so običajno zaradi svoje zapletenosti netransparentne in jim uporabniki stežka zaupajo.
Da smo lahko razvili model, smo opravili dodatne raziskave za oblikovanje nabora atributov, ki opisujejo proces B2B prodaje in razvili optimizacijske postopke za detekcijo šuma in redundance atributov. Za učinkovito detekcijo kvalitete učne množice smo razvili vizualno metodo.
Potrdili smo domnevo, da je želen organizacijsko-informacijski model mogoče zgraditi, saj je večina uporabljenih metod dosegla klasifikacijsko točnost nad 70\%. Za podrobnejšo analizo vpliva atributov smo razvili simulacijske in optimizacijske algoritme. Praksa potrjuje koristnost razvitega modela, saj se je v realnem podjetju z uporabo modela točnost napovedi bistveno izboljšala. S kombinacijo uporabe modelov, znanja in prakse ekspertov, smo tako prispevali k preseganju pomanjkljivosti posameznih pristopov.
Uporabljene metode predstavljajo novost na področju organizacijskih znanosti in tako prispevajo k znanstveni literaturi na področju organizacijskega učenja in uporabe metod strojnega učenja.
Ključne besede: strojno učenje, medorganizacijska prodaja, organizacijsko učenje, napovedovanje izida, razlaga modelov, analiza kaj-če
Objavljeno: 24.04.2017; Ogledov: 287; Prenosov: 40
Celotno besedilo (3,49 MB) |
10. Organizational learning supported by machine learning models coupled with general explanation methodsMarko Bohanec, Marko Robnik Šikonja, Mirjana Kljajić Borštnar, 2017, izvirni znanstveni članek Opis: Background and Purpose: The process of business to business (B2B) sales forecasting is a complex decision-making process. There are many approaches to support this process, but mainly it is still based on the subjective judgment of a decision-maker. The problem of B2B sales forecasting can be modeled as a classification problem. However, top performing machine learning (ML) models are black boxes and do not support transparent reasoning. The purpose of this research is to develop an organizational model using ML model coupled with general explanation methods. The goal is to support the decision-maker in the process of B2B sales forecasting.
Design/Methodology/Approach: Participatory approach of action design research was used to promote acceptance of the model among users. ML model was built following CRISP-DM methodology and utilizes R software environment.
Results: ML model was developed in several design cycles involving users. It was evaluated in the company for several months. Results suggest that based on the explanations of the ML model predictions the users’ forecasts improved. Furthermore, when the users embrace the proposed ML model and its explanations, they change their initial beliefs, make more accurate B2B sales predictions and detect other features of the process, not included in the ML model.
Conclusions: The proposed model promotes understanding, foster debate and validation of existing beliefs, and thus contributes to single and double-loop learning. Active participation of the users in the process of development, validation, and implementation has shown to be beneficial in creating trust and promotes acceptance in practice.
Ključne besede: decision support, organizational learning, machine learning, explanations
Objavljeno: 01.09.2017; Ogledov: 197; Prenosov: 8
Celotno besedilo (1,31 MB) |
