دانلود رایگان ترجمه مقاله ارتباطات غیردقیق زمانی و سیستم های پشتیبانی تصمیم گیری (نشریه الزویر ۲۰۱۸)

ارتباطات غیردقیق زمانی و سیستم های پشتیبانی تصمیم گیری

imprecise temporal associations and decision support systems

چکیده
۱- مقدمه
۲- اطلاعات سابقه و هدف
۲-۱ تحلیل ارتباط
۲-۲ مجموعه های فازی
۳- جستجو برای ارتباط های زمانی غیردقیق
۳-۱ مثال
۴- کاربرد برای سیستم های پشتیبانی تصمیم گیری
۵- نتیجه گیری و کار آینده

چکیده
در سال های اخیر، گسترش سریع و تهاجمی سیستم های پشتیبانی تصمیم گیری، هوش مصنوعی و داده کاوی در لوازم الکترونیکی مصرفی و زندگی روزمره به طور کلی چشمگیر بوده است. حوزه هایی مانند UX, ادغام چنین فن آوری هایی به صورت نرم افزار و سخت افزار را تسهیل نموده اند، اما پردازش پشتیبان هنوز بر پایه مبانی باینری است. این مقاله با توجه به مفهوم طبیعی تخمین, روشی را برای استخراج ارتباطات زمانی غیردقیق در میان رویدادها در جریانهای داده توضیح می دهد،. این نوع تحلیل ارتباط احتمالاً منجر به سیستم های پشتیبان تصمیم گیری عملی تر و معقول تر خواهد شد.
۱- مقدمه
در حالیکه داده کاوی، سیستم های پشتیبانی تصمیم گیری و هوش مصنوعی به سرعت در حال ورود به فناوری های جریان اصلی هستند، ما باید طبیعت انسانی که در ذات افراد وجود دارد را در نظر بگیریم. علاقه اخیر به حوزه تجربه کاربر (UX) یک نمایش مهم از این مقوله است که نیاز به نرم افزار و سخت افزار به راحتی و به سرعت باید توسط کاربران قابل فهم شود. در حالیکه رابط کاربری تنها یک فیلتر میان یک کاربر بسیار ذهنی و یک سری از الگوریتم های بسیار حقیقی میانجی می کند، ما همچنین نیاز به شناسایی راه هایی داریم که درک و در نظر گرفتن مفهوم بی دقتی انسان در فرایندها را میسر سازد.
باید در نظر داشت که ماهیت انسانی فقط یک مفهوم نیست که قابل کاربرد برای رابط های کاربر باشد، بلکه برای فرآیندهای تقویت کننده سیستم های پشتیبانی تصمیم گیری نیز اعمال می شود. ماهیت مبهم و غالبا غیردقیق انسانها, عنصری اساسی است که باید در پشت صحنه نرم افزار تحلیلی نیز مورد توجه قرار گیرد. به ویژه، ما باید ماهیت دلخواه متغیرهای زبانشناختی و معیارها ۱۲ را در نظر بگیرید, از جمله: “افراد چترهای بیشتری را خریداری می کنند، زمانی که هوا بسیار ابری است،” و ارتباطات زمانی ۲، مانند “فروش لباس های تیم فوتبال در روزهای بعد از پیروزی تیم. “نیاز به یک مدل استدلال انعطاف پذیرتر زمانی بیشتر جلوه می کند که دو مفهوم را با هم قرار می دهیم، مثلا زمانی که ما به یک دوست هشدار می دهیم که” ترافیک در مدت کوتاهی پس از شروع باران بسیار شدید می شود، حتی اگر فقط یک باران سبک باشد. “
این مقاله یک رویکرد عملی برای ایجاد یک سیستم تحلیل ارتباطی ارائه می دهد که منجر به مجموعه ای معنی دارتر و عملی تر از توصیه ها می شود. ماهیت کارگاه آموزشی-محور محل ارائه این مقاله, فرصتی عالی برای کشف کارهای درونی این روش تحلیل و همچنین برخی از مفاهیم اساسی که بر اساس آن است، ارائه می دهد.

Abstract

The quick and pervasive infiltration of decision support systems, artificial intelligence, and data mining in consumer electronics and everyday life in general has been significant in recent years. Fields such as UX have been facilitating the integration of such technologies into software and hardware, but the back-end processing is still based on binary foundations. This article describes an approach to mining for imprecise temporal associations among events in data streams, taking into account the very natural concept of approximation. This type of association analysis is likely to lead to more meaningful and actionable decision support systems.

۱- Introduction

As data mining, decision support systems, and artificial intelligence are quickly entering mainstream technologies, we have to account for the human nature that is innate in people. The recent interest in the field of User Experience (UX) is an important demonstration that software and hardware need to be easily and quickly understood by the users 8. As the user interface is only a filter that mediates between a very subjective user and a very matter-of-fact series of algorithms, we also need to identify ways to let the underlying processes understand and account for the very human concept of imprecision.

Keeping the human nature in mind is not just a concept that is applicable to user interfaces, but also to the processes powering decision support systems 4. The vague and often imprecise nature of humans is an essential element to take into account also in the back-end of analytical software. In particular, we have to account for the arbitrary nature of linguistic variables and quantifiers 12, such as ”People purchase more umbrellas when it is very cloudy,” and temporal associations 2, such as ”Sales in football jerseys spike in the days following a team’s victory.” The need for a more elastic reasoning model is even more significant when we put the two concepts together, for example when we warn a friend that ”traffic gets very intense on highway XYZ shortly after it starts raining, even if it is just a light rain.”

This paper presents a practical approach to creating an association analysis system that leads to a more meaningful and actionable set of recommendations. The workshop-oriented nature of the venue in which this paper is presented lends a great opportunity to explore the inner-workings of this analysis methodology as well as some of the fundamental concepts on which it is based.