Teoria 1° Esonero PA PDF

DOMANDE 1° ESONERO 1° PACCHETTO DI SLIDE 1) Fornire la definizione di decisioni strategiche, tattiche e operative Si definiscono decisioni strategiche quel tipo di decisioni che influenzano l’intera organizzazione per un lungo periodo e sono difficili da...

DOMANDE 1° ESONERO 1° PACCHETTO DI SLIDE 1) Fornire la definizione di decisioni strategiche, tattiche e operative Si definiscono decisioni strategiche quel tipo di decisioni che influenzano l’intera organizzazione per un lungo periodo e sono difficili da invertire. Le decisioni di tipo tattico hanno un impatto che in genere coinvolgono solo una parte dell’organizzazione per un periodo più breve rispetto a quelle strategiche, all’incirca 6-12 mesi. Le decisioni operative sono le decisioni che influenzano delle attività specifiche dell’attività/organizzazione per un lasso di tempo breve (ore, giorni o settimane). 2) Fornire la definizione di decisioni strutturate, semi-strutturate e non strutturate. Si definiscono decisioni strutturate quelle decisioni che sono prese attraverso una procedura ben definita e standardizzata. Le decisioni non-strutturate sono quelle decisioni che non possono essere prese attraverso un processo standardizzato poiché necessitano di un giudizio soggettivo o di un’interpretazione. Le decisioni semi-strutturate posseggono alcuni aspetti che devono essere decisi attraverso una procedura definita e altri che necessitano di un giudizio. 3) Esempio di una decisione strategica Un esempio di decisione strategica può essere l’investimento in ricerca e sviluppo dell’azienda oppure la scelta dei mercati target (lancio nuovo prodotto), queste sono decisioni strategiche poiché influenzano l’intera organizzazione per un lungo periodo e sono difficili da invertire poiché sono previsti grossi investimenti di risorse. 4) Esempio di decisione tattica Un esempio potrebbe essere la scelta dei layout degli impianti 5) Esempio di decisione operativa Un esempio potrebbe la pianificazione delle attività di promozione di un prodotto e la programmazione (scheduling) dei tempi e della quantità da produrre e vendere. 6) La schedulazione di una piantina di un generatore elettrico è una decisione strategica, tattica o operativa ? Questo tipo di problema può considerato come una decisione operativa poiché i suoi effetti sono visibili per un tempo limitato e non impattano su tutta l’organizzazione dell’azienda. Inoltre non possiamo classificare questo problema come strategico o tattico poiché i consumi energetici – domanda possono variare frequentemente e possono richiedere continui aggiustamenti. 7) Illustra la relazione che esiste tra decisioni strategiche e decisioni non struttuate La relazione tra decisioni strategiche e decisioni non strutturate è che entrambe affrontano situazioni complesse e incerte, che richiedono creatività e intuizione, piuttosto che procedure standardizzate. La relazione risiede nel fatto che molte decisioni strategiche sono anche non strutturate, poiché l'incertezza e la mancanza di precedenti o modelli standard li rende non risolvibili attraverso processi definiti.  2° PACCHETTO DI SLIDE 1) Cos’è la business Intelligence ? La business intelligence è l’insieme di tecniche e strumenti utilizzati per la raccolta, gestione, analisi e reporting dei dati, al fine di supportare le decisioni. In questo contento “intelligence” si riferisce alla raccolta e all’interpretazione di informazioni. 2) Cos’è il DSS (Decision Support System) I DSS vengono utilizzati in particolar modo nei contesti in cui vi sono da prendere delle decisioni semi- strutturate. In particolare, offre la possibilità a chi lo utilizza di reiterare il processo di ottimizzazione introducendo nuove informazioni, come vincoli e variabili, in modo tale che il risultato dell’ottimizzazione sia più preciso. Quindi, in un primo step chi utilizza il DSS avvia l’algoritmo e prende nota del risultato, se quest’ultimo non lo dovesse soddisfare riavvia l’algoritmo introducendo nuove informazioni che ne possono migliorare l’output. 3) Qual è la relazione tra il machine learning e intelligenza artificiale ? L’IA mira a progettare agenti che replicano capacità umane come l’apprendimento, la percezione e la pianificazione. Il ML è una componente fondamentale dell’IA. Permette agli agenti di apprendere dai dati e migliorare le loro performance nel tempo, senza essere programmati in modo rigido. Una delle applicazioni in cui troviamo l’impiego dell’AI è l’automated planing. 4) Cosa sono gli agenti autonomi ? Un agente è un sistema che interagisce con l’ambiente e agisce su di esso. Esso percepisce l’ambiente attraverso dei sensori e agisce su di esso attraverso degli attuatori. Gli agenti autonomi sono questi agenti che ricevono indicazioni di alto livello sugli obiettivi da raggiungere e decidono autonomamente come arrivarci, decidendo la serie di azioni da attuare per raggiungerlo. 5) Qual è la relazione tra ML e Data Mining ? Il data mining è il processo che attraverso l’analisi dei dati permette di scoprire conoscenze utili. Il DM si basa sul ML. È spesso utilizzato per identificare trend e pattern nascosti, come l’analisi delle vendite per determinare performance di mercato. In particolare, si possono utilizzare algoritmi di unsupervised/supervised learning. 6) Qual è la relazione tra Data Mining e il Knowledge Discovery in Databases ? La relazione tra il DM e il KDD è che il Data Mining è una fase del processo più ampio del KDD. Il KDD comprende diverse fasi, tra cui la selezioni dei dati da un database, il loro pre-processing e successiva trasformazione, l’applicazione di algoritmi per identificare pattern (che è la fase di DM) e l’interpretazione dei pattern estratti, in questo modo si avrà lo sviluppo di nuova conoscenza. 7bis) Definisci la ricerca operativa: Si intede la ricerca delle operazioni da compiere, in particolare operations sta ad indicare le attività da mettere in atto per raggiungere un obiettivo. L’OR offre una vasta gamma di strumenti per supportare le decisioni: si va dai modelli di ottimizzazione ai modelli di simulazione. I sistemi di simulazione sono utilissimi per fare analisi di tipo WHAT-IF (cosa succede se faccio questo). 8bis) Definizione di pianificazione automatica Insieme di algoritmi che forniti ad un agente autonomo che gli consentono di sviluppare in autonomia un piano di azioni. Grazie a questo tipo di algoritmi si potrà fornire all’agente delle azioni ad alto livello senza fornire a quest’ultimo il piano da seguire e poi sarà quest’ultimo a generare il piano più adatto per raggiungere l’obiettivo prefissato.  3° PACCHETTO DI SLIDE 1bis) Definizione di pianificazione classica Nella pianificazione classica si suppone che lo stato dell’ambiente sia completamente osservabile, che ci sia un solo agente e che si conosca in modo deterministico il risultato di una determinata azione. L’ambiente è modellato a stati finiti ed è deterministico ovvero non ci sono eventi aleatori che possono influenzare il risultato delle azioni. Infine, l’agente può svolgere solo un’azione per volta. 1) Illustrare alcune applicazioni industriali dell’Automated Planning L'Automated Planning si applica a diversi contesti industriali: - Routing e pianificazione della movimentazione di materiali in impianti automatizzati (Es. Amazon); - Gestione dell’evasione degli ordini; - Gestione movimentazione container all’interno di terminal portuali I sistemi di pianificazione automatica possono essere: - Goal based: il cui scopo è raggiungere un obiettivo predefinito; - Utility based: dove l’obiettivo non è solo raggiungere il goal, ma anche raggiungerlo col piano migliore. Agiscono in base a una funzione di utilità, cercando di massimizzare la performance o minimizzare i costi. 2) Descrivere come un problema di planning può essere modellato come un problema di ricerca su grafo Un problema può essere modellato attraverso un problema di ricerca su grafo. Definiamo uno stato dell’ambiente come un nodo del grafo. Si ha un nodo di partenza che rappresenta l’ambiente allo stato e un nodo finale che rappresenta lo stato goal. Le transizioni di stato vengono rappresentate attraverso degli archi che vanno da un nodo ad un nodo successivo. Pertanto, stiamo dicendo che il problema può essere risolto attraverso una ricerca della sequenza di azioni che porti dal nodo iniziale al nodo goal attraverso il percorso con il minor “costo”. Ogni azione ha esito di tipo deterministico. 3) Illustrare la differenza tra l’algoritmo UNINFORMED e quello INFORMED I problemi di ricerca su grafo possono essere risolti mediante l’impiego di due tipologie di algoritmi: - Ricerca non informata – Uninformed Search: dove l’agente cerca nello spazio delle possibili soluzioni senza alcuna conoscenza su quale percorso potrebbe essere migliore. Esplora lo spazio in modo sistematico ma cieco come nel caso del BFS e DFS. Sono anche detti General Purpose. - Ricerca informata – Informed Search: l’agente nell’esplorare lo spazio delle possibili soluzioni utilizza della conoscenza impressa dallo sviluppatore per ricercare la soluzione in modo più efficiente. Sono un esempio di questo di questo tipo di algoritmi il Greedy Algorithm, e A* che utilizzano delle funzioni euristiche. - 4) Pseudo codide del Breadth-first Search – BFS Inizializzazione OPEN: contiene il nodo ininiziale: conterrà gli stati generati ma non ancora esaminati CLOSE: è vuota all’inizio, conterrà gli stati (nodi) già esaminati (esplosi) While: Se la lista OPEN non è vuota DO - Estrai il primo elemento da OPEN, lo chiamo X - Se X è lo stato obiettivo mi fermo altrimenti calcolo i successori di X e lo inserisco in CLOSED - Scarta i successori di X se sono già contenuti in OPEN o CLOSED - Inserisci i nodi rimanenti in OPEN END WHILE 5) Pseudo codice dell’algoritmo A* Inizializzazione OPEN: contiene il nodo ininiziale: conterrà gli stati generati ma non ancora esaminati CLOSE: è vuota all’inizio, conterrà gli stati (nodi) già esaminati (esplosi) While: Se la lista OPEN non è vuota DO - Estrai il primo elemento (più a sinistra) da OPEN, lo chiamo X - Se X è lo stato obiettivo mi fermo altrimenti calcolo i successori di X e lo inserisco in CLOSED - Scarta i successori di X se sono già contenuti in OPEN o CLOSED - Calcolo la f(s)=g(s) +h(s) - Inserisci i nodi rimanenti in OPEN - Ordina i nodi in OPEN in base al valore di f: verrà estratto il nodo con il costo più basso (quindi il nodo più a sinistra sarà il nodo da estrarre) END WHILE La funzione f(s) è la somma tra il costo del percorso per arrivare a quello stato, g(s) e la funzione h(s) che indica una stima del costo da sopportare per raggiungere, a parte da quel determinato stato lo stato goal. 6) Qual è il ruolo della funzione euristica nell’algoritmo A* ? La funzione euristica h(s) rappresenta che stima il costo rimanente per raggiungere lo stato obiettivo partendo dallo stato/nodo attuale (s). L’obiettivo è minimizzare h per scegliere il nodo da espandere, guidando la ricerca in modo da seguire il percorso potenzialmente più economico e vantaggioso. 7) Lista delle proprietà dell’algoritmo A* L’algoritmo di ricerca informata A* possiede diverse proprietà, a patto che la funzione euristica h utilizzata dall’algoritmo sia una sottostima (lower bound): - completo ovvero trova una soluzione del problema quando ne esiste una; - ottimale ovvero trova una soluzione ottimale qualora questa esista; - efficiente ovvero non ci sono altri algoritmi, che sfruttano la stessa funzione euristica, che diano delle performance migliori (esplorazione di un minor numero di stati). 8) Illustra le due funzioni euristiche del puzzle a 8 tasselli Nell’algoritmo di ricerca informata A* riguardo la risoluzione del puzzle a 8 tasselli abbiamo visto due principali funzioni euristiche: - h1(s) che restituisce una stima del costo da sostenere per arrivare al nodo goal contando il numero di tasselli fuori posto; - h2(s) (Manhattan Distance) che stima il numero di mosse necessarie affinché un tassello si trovi al posto corretto. Essa restituisce una stima migliore rispetto a h1, perciò, guiderà in modo migliore la ricerca e pertanto si avrà un numero più piccolo di nodi esplorati per raggiungere lo stato goal Entrambe le funzioni euristiche restituiscono una sottostima del costo reale necessario per raggiungere lo stato goal. 9) Cosa si intende per il concetto di mondo chiuso ? Quando si utilizza per modellare un problema un approccio di tipo dichiarativo, tale modellazione viene fatta mediante degli action languages (STRIPS) che consentono di descrivere il mondo attraverso dei predicati (logica del primo ordine). In particolare, affinché un’azione venga svolta è necessario che siano soddisfatte delle precondizioni: da qui il concetto di closed-world, in quanto se tali precondizioni non sono soddisfatte l’azione non può essere svolta. Pertanto, possiamo dire che il concetto di closed-world si riassume nel fatto che qualsiasi condizione non dichiarata nella descrizione dello stato è considerata falsa. 10) Funzione euristica basata sul modello STRIPS Nel modello STRIPS, la rappresentazione di un certo dominio avviene mediante l’utilizzo della logica del primo ordine, quindi attraverso l’utilizzo dei literali. Esempio di literale: P(x) è il literale che significa che x ha le proprietà di P Dunque, una funzione euristica può essere una stima del numero di literali nell’obiettivo che mancano da S. 11) Con riferimento ad un agente progettato per risolvere l'8-puzzle, indicare gli stati successivi allo stato ciascuno con i corrispondenti valori delle funzioni euristiche e di valutazione h() e F(). Puzzle iniziale: 1 2 3 4 0 6 7 5 8 Successor: [1 0 3] [1 2 3] [1 2 3] [1 2 3] [4 2 6] [4 5 6] [4 6 0] [0 4 6] [7 5 8] [7 0 8] [7 5 8] [7 5 8] f1(s) = 1 + 3 f1(s) = 1 + 1 f1(s) = 1 + 3 f1(s) = 1 + 3 f1(s) = 1 + 3 f1(s) = 1 + 1 f1(s) = 1 + 3 f1(s) = 1 + 3 Nel calcolare il valore h1 e h2 (distanza di Manhattan) non si prende in considerazioni lo spostamento dello 13) Con riferimento ad un agente atto a manipolare blocchi, indicare se l'azione Move(C, Table, A) è applicabile allo Stato e, se possibile, indicare la rappresentazione dello Stato successore. Le precondizioni per eseguire l’azione Move(C, Table, A) sono tutte soddisfatte. Le precondizioni per l’azione sono On(C,Table), Clear(A), Clear(C). La rappresentazione dello stato successore è la seguente: On(B,Table) On(A,Table) On(C,A) ¬Clear(A) ¬On(C,Table) Clear(B) Clear(C)  4° PACCHETTO DI SLIDE- DECISIONI SOTTO CONDIZIONI DI RISCHIO 1) Cos’è la matrix reward o tabella delle decisioni ? La tabella delle decisioni rappresenta l'interazione tra gli stati e le conseguenze. Ogni azione (a1, a2,..., am) comporta una conseguenza (v11,…, vmn) che varia a seconda dello stato della natura (θ1, θ2,..., θn). 2) Differenza tra decisioni in condizioni di rischio e decisioni in condizioni di incertezza stretta Nello scenario di decisione sotto incertezza stretta l’agente conosce i possibili stati della natura (θ1, θ2,..., θn), tuttavia non è in grado di quantificare la probabilità di ciascuno di questi esiti. Nel caso di decisione di condizioni di rischio l’agente, grazie a dei stati storici, riesce a caratterizzare gli stati di natura con una distribuzione probabilistica. 3) Criterio di Bayes Nel caso di decisione in condizione di rischio il criterio di Bayes consente di selezionare l’azione che fornisce il massimo reward: 4) Considera la seguente matrice di ricompensa per un problema di Newsboy. Qual è la decisione selezionata in condizioni di incertezza stretta (approccio conservativo)? Wald Min reward 8.00 7.00 6.00 5.00 4.00 5) Considera la seguente matrice di ricompensa per un problema di Newsboy.. Qual è la decisione selezionata in condizioni di incertezza stretta (approccio ottimistico)? Max reward 8.00 8.50 9.00 9.50 10.00 6) Considera la seguente matrice di ricompensa per un problema di Newsboy.. Qual è la decisione selezionata in condizioni di incertezza stretta (approccio ponderato) utilizzando il criterio di Hurwicz con un indice di 0.5? 7) Considera la seguente matrice di ricompensa per un problema di Newsboy. Qual è la decisione selezionata in condizioni di incertezza str. utilizzando il criterio di regret /rammarico - Savage ? 8) Cos'è l'"informazione perfetta"? Cos’è l’Expected Reward under perfect information? Cos’è l’expected value of perfect information? Per informazione perfetta si intende la situazione (ideale) in cui si conosce, senza alcuna incertezza, lo stato di natura che si verificherà pertanto si conoscerà con certezza l’esito di una data azione. L’ERPI si calcola come la somma dei massimi reward per ogni azione possibile moltiplicate per la distribuzione di probabilità. L'EVPI rappresenta la differenza tra la ricompensa attesa con informazione perfetta e la ricompensa attesa senza informazione perfetta. In altre parole, l'EVPI indica quanto una persona sarebbe disposta a pagare per ottenere un'informazione perfetta sulla domanda del giorno successivo. La formula per l'EVPI è la seguente: 9) Supponiamo ora che nel problema precedente le seguenti probabilità siano stimate dai dati. Qual è la decisione ottimale secondo il criterio di Bayes? E[V | a] 8.00 8.35 8.40 8.00 7.30 10) Cos’è un processo di decisione sequenziale ? Il processo decisionale sequenziale è caratterizzato da momenti in cui l’agente prende delle decisioni e momenti di osservazione in cui vengono acquisiti dei dati. Ciò implica diversi stadi: nel primo stadio l’agente prende una decisione, in seguito a tale decisione osserva ciò che accade e in questa fase arrivano dei dati che sono realizzazioni di una variabile aleatoria; quindi, successivamente in base a questi dati l’agente prende una decisione di secondo stadio che potrebbe servire a correggere quanto fatto nella precedente decisione. 11) Com’è fatto un decision tree – albero delel decisioni ? Un albero decisionale è composto da dei nodi decisionali (nodi quadrati) e da dei nodi probabilistici (nodi a cerchio). Il nodo root rappresenta la prima decisione dell’agente che potrebbe essere ad esempio, commissiono una survey o meno. Infine, ci sono endpoints che rappresentano i reward relativi a dei determinati percorsi dell’albero. Quindi uno scenario è rappresentato da un certo percorso dell’albero che va dal nodo root fino al nodo foglia. 9) Come si può esprimere l'accuratezza di un sondaggio? Per esprimere l’accuratezza di un sondaggio si può utilizzare l’Expected Value of Sample Information – EVSI , esso è il valore che un'azienda attribuisce a informazioni supplementari (ad esempio, un sondaggio) che possono aiutare a migliorare la decisione. Si calcola come la differenza tra il guadagno massimo con il sondaggio (supponendo che quest’ultimo abbia un costo pari a 0) e il guadagno massimo senza il sondaggio. EVSI=Massimo guadagno utilizzando il sondaggio (assumendo che il sondaggio abbia un costo pari 0) - Massimo guadagno se il sondaggio non viene fatto 10) Qual è la relazione tra un sondaggio/indagine e una sfera di cristallo ? Nel mondo reale non possiamo sapere con esattezza gli stati di natura che si avranno in futuro (es. livello di domanda di un prodotto) però si possono utilizzare diverse tecniche per predirli, attraverso delle indagini o survey. La differenza tra le due è che nel caso ideale (sfera di cristallo) otteniamo delle informazioni perfette sulle future condizioni dell’ambiente, nel caso reale si ottengono, attraverso delle indagini (per esempio di mercato) delle informazioni che hanno una certa accuratezza e quindi non sono sicure. 11) Cos’è una stregia/policy ? Per strategia o policy si intende un piano che l’agente decide di seguire per raggiungere un certo goal. Nel caso decisionale sequenziale consiste nelle decisioni che prende un agente valutando le probabilità che si verifichino determinate condizioni. 12) Determinare la strategia migliore per il seguente problema: 13) Qual è il valore della sample information ? L'Expected Value of Sample Information (EVSI) è il valore che un'azienda attribuisce a informazioni supplementari (ad esempio, un sondaggio) che possono aiutare a migliorare la decisione. Si calcola come la differenza tra il guadagno massimo con il sondaggio (supponendo che quest’ultimo abbia un costo pari a 0) e il guadagno massimo senza il sondaggio. EVSI=Massimo guadagno utilizzando il sondaggio (assumendo che il sondaggio abbia un costo pari 0) - Massimo guadagno se il sondaggio non viene fatto 14) Cos’è l’efficienza dell’informazione campione – sample information ? L’accuratezza di un sondaggio si può misurare attraverso l’ESI. Questo parametro misura l'efficienza di un sondaggio rispetto al valore dell'informazione perfetta. Si tratta di un rapporto che confronta l'informazione reale che ottieni dal sondaggio con l'informazione teoricamente perfetta. Un valore di ESI vicino a 1 indica che il sondaggio fornisce informazioni quasi perfette, mentre valori più bassi indicano informazioni meno accurate e quindi meno utili. La formula per l'ESI è: 15) Cos’è un decisore incline al rischio ? Un decision-maker incline al rischio sceglierà tra le diverse azioni possibili l’azione con expected reward più alto, anche nel caso in cui quest’ultima abbia una varianza alta. Al contrario nel caso in cui si abbia un decision-maker non incline al rischio verrà scelta un’azione con varianza più bassa pur avendo un expected reward più basso.  5° PARTE - BASI DI OTTIMIZZAZIONE 1) What is a feasible solution – soluzione ammissible ? Una soluzione a un problema di ottimizzazione si dice che è ammissibile se soddisfa tutti i vincoli del problema. In particolare, delle soluzioni ammissibili fanno parte le soluzioni ottime aventi il miglior valore possibile di funzione obiettivo. Le soluzioni ottime possono essere singole o multiple. 2) Provide an example of a feasible optimization problem with no optimal solution. – Fornisci un esempio di soluzione ammissibile senza soluzione ottimale. Non vi è una soluzione ottima nel caso in cui un problema abbia una funzione obiettivo illimitata. Nel caso di problemi senza soluzione ottima si ha una regione ammissibile illimitata. Un esempio di problema senza soluzione ottima potrebbe essere il seguente: 3) Solve graphically the following optimization problem:  6° PARTE - OPTIMIZATION MODELLING 1) Describe a product-mix problem Un problema di mix di produzione è un problema di ottimizzazione vincolato, consiste nel determinare il mix di prodotti da produrre/risorse da assegnare per massimizzare il profitto. I diversi vincoli riguardanti il problema possono essere collegati alla manodopera disponibile o domanda da parte del mercato dei prodotti in questione. La modellazione del problema si effettua definendo le variabili decisionali, la funzione obiettivo e infine i vincoli legati ad esse. 2) Describe a project scheduling model in which the duration of a task depends on the amount of resources assigned to it and the objective is to minimize the project duration subject to a budget constraint. 3) Write the optimization model for a project scheduling problem with the following data and precedence matrix: 7° PARTE - LINEAR OPTIMIZATION