Wykorzystanie innowacyjnych metod prognostycznych opartych o sztuczną inteligencję w firmach rodzinnych na przykładzie przewidywania szeregów czasowych

• Autorzy: Tomasz Jasiński
• Języki publikacji: PL

Abstrakty

Niniejsze opracowanie stanowi opis możliwości wykorzystania narzędzi z dziedziny sztucznej inteligencji zarówno w najmniejszych, zaledwie kilkuosobowych firmach rodzinnych, jak i przedsiębiorstwach większych, często osiągających milionowe roczne obroty. Pod nazwą sztuczna inteligencja kryje się w istocie wiele różnych technik, które w założeniu mają stanowić próbę naśladowania pewnych "inteligentnych" rozwiązań biologicznych, z jakimi spotkać się można w codziennym życiu. Przede wszystkim należy wspomnieć tutaj o dwóch głównych grupach tych narzędzi: sieciach neuronowych (ang. Artificial Neural Networks - ANN) oraz metodach bazujących na zasadzie ewolucji Darwina. Druga z wymienionych technik wykorzystując takie mechanizmy spotykane w przyrodzie, jak zasada ewolucji i selekcji próbuje wypracować najlepsze rozwiązania danego problemu [Jasiński 2009, s. 63, 65]. (fragment tekstu)

EN

The paper contains information about possibilities of the usage of modern forecasting technics such as artificial neural networks. The analysis focused on the rules of economical time series predictions, both in micro- a macroeconomics scale. The usage of data transform techniques such as discrete wavelet transform and connected with it multiresolutional analysis are described in this paper. (original abstract)

Słowa kluczowe

PL

Przedsiębiorstwo rodzinne; Sztuczna inteligencja; Metody prognozowania; Metoda sztucznych sieci neuronowych; Sztuczne sieci neuronowe (SSN)

EN

Family-owned business; Artificial intelligence; Forecasting methods; Artificial neural networks method; Artificial neural networks (ANN)

• Czasopismo: Przedsiębiorczość i Zarządzanie
• Rocznik: 2012
• Tom: 13
• Numer: z. 8 Firmy rodzinne - współczesne wyzwania przedsiębiorczości rodzinnej. Determinanty rozwoju
• Strony: 269--281

Twórcy

autor

Tomasz Jasiński

• Politechnika Łódzka

Bibliografia

• Arsie I., Pianese C., Rizzo G. (1999), Enhancement of Control Oriented Engine Models Using Neural Network, Theory and Practice of Control and Systems. Proceedings of the 6th IEEE Mediterranean Conference, Alghero, Sardinia, Italy 9-11 June 1998.
• European Commission (2009), Final Report of the Expert Group, Overview of Family- Business-Relevant Issues: Research, Networks, Policy Measures and Existing Studies, listopad 2009.
• Gately E. (1999), Sieci neuronowe. Prognozowanie finansowe i projektowanie systemów transakcyjnych, WIG-Press.
• Jackson T. O. (1997), Handbook of Neural Computation Part, release 97/1, The Institute of Physics Publishing Ltd and Oxford University Press, strona internetowa: http://www.iop.org/Books/CIL/HNC, Part B4.2.
• Jasiński T. (2008), Improving the company competitiveness through artificial neural network tools [w:] Szablewski A.T., Jasiński T. (red), Different dimensions of microeconomic competitiveness, Politechnika Łódzka, Łódź, ss. 82-92.
• Jasiński T. (2010), Niezawodność w różnych modelach rynku energetycznego oraz mechanizmy jej zwiększania [w:] Szablewski A.T., Martin M., Uwarunkowania rozwoju sektora energetycznego, Politechnika Łódzka, Łódź.
• Jasiński T. (2009), Optimizing he results obtained by the models forecasting economical time series through the proper selection of an output variable [w:] Kiełtyka L. (red.), Multimedia w biznesie i zarządzaniu, Difin, Warszawa, ss. 509-516.
• Jasiński T. (2003), Przegląd architektur sztucznych sieci neuronowych wykorzystywanych w ekonomii do przewidywania szeregów czasowych [w:] Studia i prace Kolegium Zarządzania i Finansów, Zeszyt naukowy 35, Szkoła Główna Handlowa w Warszawie, ss. 166-177.
• Jasiński T. (2010), Sztuczna inteligencja w MSP [w:] Woźniak M.G. (red.), Nierówności społeczne a wzrost gospodarczy, Wydawnictwo Uniwersytetu Rzeszowskiego, Rzeszów, ss. 164-171.
• Jasiński T. (2008), The choice of a proper output variable in a forecasting model based on ANN [w:] Szablewski A.T., Jasiński T. (red), Different dimensions of microeconomic competitiveness, Politechnika Łódzka, Łódź, ss. 93-102.
• Jasiński T. (2011), The usage of artificial neural networks on the energy market [w:] Kiełtyka L. (red.), IT Tools in Management and Education, Wydawnictwo Politechniki Częstochowskiej, Częstochowa, ss. 98-103.
• Jasiński T. (2009), Wykorzystanie sztucznej inteligencji w prognozowaniu zjawisk ekonomicznych [w:] Bławat F. (red.), Prace naukowe Katedry Nauk Ekonomicznych, tom VIII, Wydawnictwo PG, Gdańsk, ss. 63-72.
• Jasiński T. (2004), Zastosowanie dyskretnej transformaty falkowej do poprawy wyników uzyskiwanych przez sztuczne sieci neuronowe [w:] Studia i prace Kolegium Zarządzania i Finansów, Zeszyt naukowy 48, Szkoła Główna Handlowa w Warszawie, ss. 23-32.
• PRWeb (2010), SalesClark Brings Artificial Intelligence to Online Shopping, strona internetowa: http://www.prweb.com/releases/salesclark/press-release/prweb4608314.htm
• Ringier Axel Springer Polska Sp. z o.o. (2012), strona internetowa: http://www.firmy rodzinneroku.pl/ metodologia-rankingu.
• Stowarzyszenie Inicjatywa Firm Rodzinnych, strona internetowa: http://firmy rodzinne.pl /o-ifr.html.
• Tadeusiewicz R. (1998), Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ.
• Tadeusiewicz R. (2000), Wstęp do sieci neuronowych [w:] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (red.), Biocybernetyka i Inżynieria Biomedyczna 2000, Tom 6. Sieci Neuronowe, Akademicka Oficyna Wydawnicza Exit, Warszawa.
• Trafalis T. B. (2000), Neural and radial basis function networks - Lecture 12, strona internetowa: http://students.ou.edu/I/Huseyin.Ince-1/Neural~11.doc, School of Industrial Engineering University of Oklahoma, Norman.
• Witkowska D. (2002), Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. BECK, Warszawa.