管理信息系统教案16.docx
《管理信息系统教案16.docx》由会员分享，可在线阅读，更多相关《管理信息系统教案16.docx（19页珍藏版）》请在冰点文库上搜索。
管理信息系统教案16
第六章决策支持系统与人工智能
决策支持系统的目标是帮助人们分析信息找出商务智能，而商务智能是信息单纯含义的扩展，因此能帮助人们采取创造性的、强有力的措施来获得竞争优势。
在这一章中，我们将探讨信息技术提供的一些工具，它们能帮助人们将商务信息转换为商务智能并做出令人满意的决策。
§6.1决策支持系统与地理信息系统
由于信息技术的广泛应用，人们已经从日常大量的手工处理事务中解脱出来。
如今，信息技术正在不断增强其智能和思维过程方面的能力，甚至在一定程度上，信息技术已经取代人类的一部分智能。
就很多问题而言，无论所涉及的问题是大是小、是简单还是相对复杂，人们都必须对其做出决策，而信息技术可以辅助人们的决策。
为决策者扩展智能的，就是决策支持系统和人工智能。
至于是采用决策支持系统还是采用某种形式的人工智能，则取决于决策的类型和过程。
§6.1.1决策与决策类型
决策是企业最重要的活动之一，在决策过程中，企业要花费大量的时间、资金等资源。
1．如何进行决策
以商业活动为例，决策要经历四个不同的阶段（见图5.1）。
这四个价段分别是：
①情报分析阶段（发现问题所在，也称为决策诊断阶段）：
发现或识别问题、需求或机会。
情报分析阶段包括发现和解释那些需要引起注意的情况征兆。
这些征兆可能以各种形态出现，如老顾客对新产品的需求、新竞争对手带来的威胁、销售滑坡、生产成本猛涨，以及公司的分销商要价等。
②设计阶段（找出可行性方案）：
考虑各种可能的方案，这些方案能解决问题、或能满足需要、或能抓住机遇。
该阶段要尽可能地找出所有潜在的方案。
③选择阶段（选择最适合的方案）：
对每个方案的利弊加以评价，评估每个方案的实施结果，并从中选择出一个最优方案（也可能不做任何事情）。
“最优”方案取决于多种因素，比如成本、实施的难易程度、对员工的要求，以及方案实施的时间安排等。
这是决策的指示阶段，一系列行动策略都将在该阶段做出。
④实施阶段（方案实施）：
执行选中的方案，检测实施的结果，并做出必要的调整。
在实施所选中方案的过程中，还要经常对其进行调整，尤其是对复杂的问题或者面对变化的环境时更是如此。
上述四个阶段并不一定是线性排列的。
决策中的某一阶段常常需要返回到前面的阶段。
例如，在“选择阶段”选定了一个方案后，可能发现在“设计阶段”遗漏了另一个可选方案，于是需要返回到“设计阶段”，将这个新发现的方案加入其中，然后再回到“选择阶段”，比较这个新方案和其他方案的优劣。
2．决策的类型
决策活动分为结构化决策和非结构化决策。
结构化决策所处理的是一些确定的信息，所以总能得到准确的答案，没有必要靠“感觉”或“直觉“。
也就是说，这是一类可编程的决策，如果输入确定的信息，并用精确的方法处理这些输入的信息，就能得到准确的结果。
例如计算计时工一周的总工资就是这样的例子。
利用信息技术能完成这类结构化决策。
在非结构化决策中，可能存在若干“正确”的解决方案，但没有一种精确的方法可以“计算”最优方案，也没有一组规则或标准能保证得到最佳的解决方案。
例如，是否引进一条新的生产线，或者是否组织一场广告宣传活动等，都是具有非结构化因素的决策例子。
实际上，大多数决策介于结构化和非结构化之间。
例如在“选择舍适的工作”这个决策中，关于工资标准的决策是是结构化的，而其他标准则包括非结构化的方面（例如，哪种工作对你而言具有良好的机会和前途，这是凭自己的直觉判断得出的）。
对决策进行分类的另外一种方式是按照决策发生的频繁程度。
找一份适合的工作并不是需要经常做出的决策，这属于非重复性决策，或称为特别决策。
而确定计时工人的周工资则是企业需要面对的周期性的常规决策。
因此确定计时工的总工资是属于重复性决策。
重复性决策是指重复发生的决策，经常带有周期性。
周期可能是每周、每月、每季或每年。
一般地，每次决策都使用相同的规则。
当计算计时工的工资时，不管员工是谁，也不管是哪段时期，其计算方法都是相同的。
而非重复性决策或特别决策是人们不经常做出的决策e或许只有一次），而且每次确定最佳解决方案时都有不同的标准。
公司的兼并就是这样的一个例子。
公司兼并的现象不是经常发生，即使公司管理层需要做出多次兼并的决策，但每次兼并时都需要评估一系列不同的标准。
这些标准取决于公司对兼并的需求、两个公司产品和服务的相似程度，以及公司的负债结构等。
§6.1.2决策支持系统
从广义上看，“决策支持系统”是指可以辅助人们进行决策的任何计算机化的系统。
而数据挖掘技术可以用来对大量的信息进行切片和切块，从而辅助制定企韭决策。
具有数据挖掘工具的数据仓库就是决策支持的一种形式。
1．决策支持系统的概念
狭义地讲，决策支持系统（DSS,DecisionSupportSystems）是一种高度灵活且具有良好交互性的、用于对非结构化问题的决策提供辅助的信息技术系统。
决策支持系统将决策者和信息技术提供的特定的支持功能联系在一起（见表§6.1）。
表§6.1决策者与决策支持系统的结合
┏━━━━━━━━━┳━━━━━━━━━━━━┳━━━━━━━━━━┓
┃决策者的优势┃决策支持系统的优势┃信息技术的优势┃
┣━━━━━━━━━╋━━━━━━━━━━━━╋━━━━━━━━━━┫
┃经验┃提高生产率┃速度┃
┃直觉┃增进理解┃信息┃
┃判断┃加快速度┃处理能力┃
┃知识┃提高灵活性┃┃
┃┃减少问题的复杂性┃┃
┃┃降低成本┃┃
┗━━━━━━━━━┻━━━━━━━━━━━━┻━━━━━━━━━━┛
信息技术的优势是高速、可以存储大量信息以及具有复杂的处理能力，能帮助决策者产生决策所需的有用信息；而决策者的技能体现为经验、直觉、判断能力以及有关决策因素的知识。
虽然信息技术提供了强大的功能，但作为决策者来说，要想得到问题的解答，还必须清楚到底需要哪类信息以及如何处理这些信息。
事实上，决策支持系统的主要功能就是通过加强决策者的洞察力来对决策者提供帮助，改善决策者的决策效果。
决策者的知识技能与信息技术的强大功能相结合，使决策者能更迅速地响应市场的变化以及更高效地管理资源。
2．决策支持系统的组成
不同的决策支持系统在应用和复杂性方面有很大差异，但它们有着某些共同的特征。
典型的决策支持系统由三个部件组成，即模型管理、数据管理和用户界面管理。
当用户开始分析时，用户通过用户界面管理部件告诉DSS将采用哪个模型（位于模型管理部件中）用于哪些信息（位于教据管理部件中）；模型需要利用来自数据管理部件的信息，并对这些信息加以分析，然后将分析结果返回到用户界面管理部件，即在用户面前显示出来。
（1）模型管理部件
模型管理部件由决策支持系统的模型和模型管理系统组成。
模型是对某个事件、事实或状况的描述。
企业利用模型描述变量与变量之间的关系。
例如，利用方差分析统计模型确定报纸、电视和广告牌广告的促销效果是否一样。
决策支持系统利用模型为决策者提供了各种不同的信息分析方式，对各种各样的决策问题提供帮助。
决策支持系统中运用的模型取决于决策类型和决策所需的分析类型。
例如，运用what-if模型观察一个或多个变量发生变化时对其他变量的影响，或者利用最优化方法，在经营业务的限制范围和有限资源的条件下找出盈利最多的解决方案。
我们可以利用诸如Excel的电子表格软件建立一个简单的决策支持系统进行what-if分析。
模型管理系统负责存储和维护决策支持系统的模型。
它的功能与数据库管理系统的功能类似，模型管理部件并不能为决策者解决特定问题而选择出最佳模型，选择模型还需靠决策者的专业知识。
但是，模型管理部件可以帮助决策者快速方便地建立和运行模型。
（2）数据管理部件
数据管理部件的功能是存储并维护用户希望决策支持系统使用的信息。
因此，数据管理部件由决策支持系统的信息及其数据库管理系统两部分组成。
决策支持系统中供用户使用的信息有以下三个主要来源：
①组织内部信息：
人们可能期望组织中的所有可用信息都能提供给决策支持系统。
我们可以将决策支持系统设计成能直接访问公司内部的数据库和数据仓库。
②外部信息：
有些决策需要输入来自组织外部的信息，例如：
政府部门的信息以及因特网信息等。
这些数据来源都能为决策支持系统提供所需的附加信息。
③个人信息：
将决策者的经验和洞察力等个人信息结合到决策支持系统中。
（3）用户界面管理部件用户界面管理部件负责决策者与决策支持系统之间的沟通。
它包括用户界面和用户界面管理系统。
这一部件使决策者将个人的技能知识与计算机的存储和处理能力结合在一起。
用户界面是决策支持系统中用户可见的部分，用户通过用户界面榆入信息、命令和模型。
好的用户界面应当是采用用户习惯的术语和方法，且灵活、简便，具有良好的一致性和适应性。
§6.1.3地理信息系统
地理信息系统（GeographicInformationSystem，GIS）是一种专为使用空间信息而设计的决策支持系统。
空间信息是可以用地图的形式来表示的所有信息，如道路、秃头鹰的数量分布、下水管道以及通信线路的分布等。
地理信息系统由数据库和图形技术结合而成。
企业大量地使用地理信息系统软件分析信息、产生商业智能和制定决策。
事实上，对用于地理信息系统绘制的信息类型没有什么限制，包括道路的位置，河流的流向，居民的收入水平、健康状况，地区的犯罪率等信息都可以。
当然，用纸质的地图也可以描绘这些信息，但电子地理信息系统的优势在于只需单击一次鼠标就能得到多层次的信息。
当企业使用地理信息系统软件产生地图以显示他们感兴趣的信息时，称为企业地理信息。
可以从多个渠道获得丰富的信息并编入地理信息系统。
例如，人口统计信息、就业信息等。
这些信息都属于统计信息。
在私人领域，还有很多调查公司能提供有关消费习惯的信息等。
§6.2人工智能及专家系统
决策支持系统和地理信息系统部是增强企业智能的信息技术系统，而利用人_丁智能（AI）可奠迸-步增强企业智能。
人工智能就是运用计算机以各种方式模仿人类各种行为的技术和软件。
盱务分析家利用多种人工智能系统来管理资产、投资股票市场以及进行其他金融活动；医院里很多地方都应用了人工智能系统，从安排职员的工作时间、为患者分配床位，到医生诊断和治疗疾病；信用卡公司利用人工智能系统检测信用卡欺诈行为；保险公司利用人工智能系统调查欺诈性索赔案。
人工智能系统可以参与包括机票定价、食品制造、石油勘探以及儿童保护在内的形形色色的任务。
它广泛地应用在保险、气象、工程和太空工业以及军事领域。
6,2.1人工智能
人工智能是指让机器模仿人类的思维与行为的一门科学。
例如，专家系统就是用计算机对问题进行推理从而得出结论的人工智能系统。
利用推理过程，我们可以根据已知推断出未知。
今天的计算机不仅具有看、听的能力，而且从某种意义上说，它还具有对企业非常重要的思考能力。
机器人是众所周知的一种人工智能形式。
机器人这种机械装置具有模拟人类感官功能和自行采取行动的能力。
与机器人相比，一般的机械装置如汽车则需要司机指挥其行动。
机器人在许多行业是有用的。
例如，医院的“配药剂量分配器”就是一个根据处方配置药品的机器人系统。
该配药系统利用条形码技术，可以在线接收医药处方指令并找出事先包装好的药剂，将其送至住院患者处。
在机器人技术的研究中，一个最激动人心的新领域就是开发能够进入人体动脉和静脉并窦施手术的微型机器人。
企业使用最多的人工智能系统可划分为以下几个主要类别：
专家系统，可以通过对问题进行推理而得出相应的结论，或者提出合适的建议。
神经网络，可以通过“训练”学会识别模式和模糊逻辑。
模糊逻辑是一种在计算机分析中用于表示不明确的或主观的信息的方法。
遗传算法，首先产生大量的解，然后选择其中一些最优解，利用选出的解来产生更优的解，通过这种方式，可以为具体问题产生逐渐改进的解决方案。
智能代理，是一种适应性系统，可以独立工作，执行特定的、重复的以及预先设置好的
任务。
§6.2.2专家系统
在企业中，人是最有价值的资源，因为要靠他们完成重要的经营任务。
多数企业任务都需要专业知识，而企业的专业知识常常只能存在于某些人的大脑中。
人工智能技术可为公司提供某种专家系统。
专家系统能够获取企业的专业知识，并将它们提供给那些非专业人员，以便用它来解决问题或学习如何解决问题。
专家系统也称基于知识的系统，是一种运用推理能力得出结论的人工智能系统。
它非常适用于诊断性问题和指令性问题。
诊断性问题是指那些需要回答“发生了什么问题”的问题，相当于决策的情报分析阶段；而指令性问题则是指那些需要回答“该做什么”昀问题，相当于决策的选择阶段。
专家系统通常是为特定的应用领域而建立的，这些应用领域包括：
会计——用于审计、税务计划、管理咨询和培训方面。
医药——在兼顾多方面因素（如患者病史、感染源以及现有药品的价格）情况下开出抗生素处方。
过程控制——如控制平版印刷。
人力资源管理——帮助人事经理了解是否存在与国家相关就业法律法规不一致的问题。
财务管理——辨别银行贷款部门中有拖欠倾向的账户。
生产——指导各类产品的加工制造，如飞机零部件。
林业管理——帮助在林区合理地砍伐树木。
有时决策支持系统也和专家系统结合使用，但专家系统与决策支持系统有着本质的区别。
运用决策支持系统时，用户必须对所处理的问题具有相当的专业知识和专业技能。
决策支持系统是辅助用户进行决策，这意味着用户必须知道如何对问题进行推理、应该提出哪些问题、如何得到答案以及如何进行下一步。
而使用专家系统则不同，专家系统自身就具有这些功能。
用户只需向专家系统提供需要解决问题的事实和征候，用来实际解决问题的技术或专业知识是由某领域内的专家提供的。
当某人具有既定问题的专业知识时，他不仅知道关于此类问题的许多事实，还可以应用专业知识来分析判断并解决相关问题。
这正是专家系统需要获取的人类的专业知识。
专家系统利用信息技术来获取并利用人类的专业知识，能够很好地解决具有清哳规则和程序的问题且具有很高的效率，并给企业带来巨大的收益。
专家系统能做的事情有：
处理大量的信息；汇集来自各种渠道的信息；提供决策的一致性；减少完成任务的人员工作时间；减少错误；改善为顾客提供的服务；提供新的信息；降低成本。
然而，在建立和使用专家系统的过程中用户可能会遇到下列麻烦：
’
①由于专家有时不能清楚地表达他们是如何解决问题的，他们经常说不清自己解决问题的整个推理过程，因为他们解决问题往往是凭经验和直觉，所以在将专家的领域知识传递给专家系统时就会出现困难。
②即使专家能够解释整个推理过程，将推理过程完全自动化有时也是不可能的。
推理过程可能非常复杂，需要大量的规则，或者推理过程太模糊并且存在不精确的地方。
在使用专家系统时，记住它只能解决那些设计好的问题，它不能处理不一致的或新出现的问题。
专家系统无法从以前的经验中进行学习并且无法像人类一样将以前获取的经验应用到新的问题中。
③专家系统缺乏常识，没有判断能力。
例如一个早期为F-16战斗机建立的专家系统竟允许驾驶员当飞机还在地面上时就收回起落架，或在飞机做翻转动作时发射炮弹，这些都是相当危险的。
§6.2.3神经网络和模糊逻辑
神经网络又称为人工神经网络（ANN），是可以发现和辨别模式的人工智能系统。
神经网络模拟人类分辨事物的这种能力，它不需要预先规定得出结论的步骤。
为了辨识和分辨不同的事物，人类需要联合考虑许多因素。
这也是神经网络的工作方式。
神经网络可以从例子中学刁，并且可以用于新的概念和知识。
神经网络广泛地用于图像模式和语言的分辨系统中。
例如如果你使用过可以手写输入的计算机或者手机，它很可能就是利用神经网络来分析你的字迹特征。
神经网络有多种用途。
例如，美国许多机场的炸弹检测系统使用可以检测空气中微量元素的神经网络来指示是否存在爆炸物。
在医药方面，神经网络每年都要检查5000多万例心电图，检查药物的相互作用，以及从组织切片样本中检测出可能患癌症或其他疾病的异常现象等。
神经网络可以检测心脏病的发作，甚至可以分辨出男女病人症状之间的细微差别。
在商业方面，神经网络在证券交易、检测诈骗行为、信用评估、房地产评估，贷款申请评估、目标市场分析方面的应用也非常普遍。
神经网络还应用在机械控制、温度调节和机器故障识别等方面。
当有大量的信息可以利用时，神经网络非常适合于识别、分类和预测。
通过检验成百上千的实例，神经网络可以查明信息中的重要联系和模式。
例如，若将许多信用卡交易信息提供给神经网络，并告知哪些是欺诈性的交易，则它最终将学会识别可疑的交易。
由于神经网络可以从大量信息中发现模式。
因此，经常称为预测系统。
1．神经网络
神经网络之所以被这样命名，是困为它们试图模拟人类大脑的结构和功能。
从概念上来讲，神经网络是由三层虚拟神经细胞，即神经元组成。
这三层分别是输入层、输出层以及处于它们之间的隐含层。
隐含层也可能多于一层。
输入层和输出层通过强度不同的权重与中间层连接。
如果人们想训练某个神经网络用来识别“好”的股票投资组合，就要输入众多好的和坏的投资组合数据，并告诉神经网络哪个是好的，哪个是坏的。
在神经网络学习区分好坏的过程中，权重也在不断地改变，输出层的输出信息也在变化。
为系统输入足够多的范例之后，权重逐渐稳定下来。
据此，神经网络就可以正确区分投资组合的好坏了。
与神经网络相比，专家系统也可以进行分类，它根据要推出的结论提出问题，由问题的回答进行诊断或提出建议。
它们之间的区别就是专家系统必须严格按照规则实施，而不能进行自我调节。
例如，一个检测信用卡欺诈行为的专家系统有这样一项规则：
如果某类账户的购买价值超过一定的数量，则为这一交易作标志。
据此，专家系统对即使超过规定量一分钱的交易也会做上标志。
另一方面，神经网络可以学习了解持卡人的消费行为，并且可以评价购买量与规定量之间的偏差，看其是否大到能引起怀疑的程度。
神经网络甚至可以适用于训练样本中没有出现的情况。
例如，如果在神经网络的学习过程中抵押贷款利率的范围是为6%—lOqo之间，那么如果利率降到了5%，系统会插入新语句。
神经网络具有许多优点，例如，它可以：
·独立学习并适应新环境；
·适于大规模并行处理；
·可以在具有不完整或不良结构信息的情况下进行工作；
·能够处理变量之间具有依赖性的大量信息；
·可以分析信息中的非线性关系，并被称为“特别回归分析”系统。
当前，神经网络面临最大的问题是隐含层的隐蔽性。
也就是说，我们不知道神经网络是如何学习的，神经元之间是如何相豆作用的。
一些新型的神经网络不再隐藏中间层。
用户可以人为地调整这些系统的权重或连接状况，从而使用户具有更多的灵活性和支配权。
2．模糊逻辑
模糊逻辑是一种处理不精确的或主观的信息的数学方法，它基于不明确的或含糊的信息得出结论。
由于不是每种信息都能被区分并归入互不相交的类别中，因此，人类往往是在大概的信息基础上做出决策。
例如，可能认为华氏温度20度是非常冷，40度是冷，60度是温暖，90度是热，105度是非常热。
但是，却无法用精确的数值来对感觉温暖（或不温暖）的程度进行分类。
困难之处在于存在以下事实：
其他一些人的体验很可能与之不同；从主观上看，使一些人感觉温暖的温度，对另一些人而言很可能是热的或是凉爽的。
因此，需要一种方法将大概的或含糊的判断标准转换成计算机能处理的数据，计算机只能处理用精确数字描述的事件。
在这种情境下，模糊逻辑就非常有效了。
模糊逻辑的基本方法是将0—1之间的数字分配给不精确的或主观的信息。
程度越高，就越接近1。
例如，可以将数值0.8分配给“热”，然后就可以创建被称为算法的规则和过程，来描述变量之间的互相依赖性了。
一个模糊逻辑算法是一组步骤，它将代表着不精确的信息或个性感知的各个变量联系起来。
模糊逻辑与神经网络经常结合在一起，以一种可能简化问题和应用规则的形式表达复杂的和主观的概念。
规则是在某种碲定性程度下执行的。
这非常类似于但是却不等同于统计学中的置信度概念。
在统计学中，概率是用来估计某种结果的可能性的，而模糊逻辑所描述的是用来具体化主观感知的数据点本身。
模糊逻辑已经被应用于财务分析、制药业、木材加工和金属切割行业、防死锁刹车的制造以及机器清洗等领域。
例如，在机器清洗中能自动识别使用多少水和清洗多长时间（将一直清洗直到水“干净”为止）。
在会计和财务领域中，模糊逻辑支持使用在经济学分析中非常重要的主观财务价值（比方说，像商业信誉这样的重要无形资源）来分析信息。
Google使用模糊逻辑来搜索用户想找的内容，用户的搜索词是很有意义的，因为对某一主题的感知通常会影响用户在查询时所使用的措辞，所以Google据此来选择并传送相关的网页。
§6.2.4遗传算法
随着对人工智能研究的不断深入，人们已经创造出通过反复试验而进化得到较好结果的软件，这种软件被称为遗传算法。
遗传算法是一种人工智能系统，它通过模仿进化过程中适者生存规律，从而产生的一个问题逐步改进的解决方案。
换句话说，遗传算法是一种优化系统，它能发现产出最优输出的输入组合。
来看一个例子，假设你试图确定选择哪些股票作为投资组合，有无数种呵供选择的股票，但你只有有限的资金用于投资。
假设你决定开始先买20支股票，对这种投资组合所期望的增长率为7.5%。
你可能首先要研究股票的历史信息，选取某些股票并对它们进行组合。
一次选20支，并考察每种组合的结果。
如果是从30支股票中选20支，你必须检查30045015种不同的组合。
若从40支股票中选择，则组合数目会增加到137846500000。
检查这么多组合并评价每种组合的总盈利在时间上是不可能的，更不用说让人极度厌烦了。
然而，这种重复性的数字运算任务正是计算机所擅长的。
可以利用遗传算法代替笔、纸和计算器。
你只需要输入关于股票的适当信息，包括：
上市公司的经营时间、股票在过去五年中的业绩、价格一收益比率以及其他一些信息。
用户还必须为遗传算法提供某种确切的“成功”标准中，公司的收益率至少为10010，在商业界至少运营了三年法对股票进行组合与再组合，删去其中不符合标准的组合进行。
可接受的组合是指其总增长率至少为7.5%，而目标是增长率尽可能高。
遗传算法运用了三种进化概念：
①选择：
或称适者生存，选择的关键在于优先考虑较好的结果。
②交叉：
因希望产生一个更好的结果而将几个好的结果搭配在一起。
③变异：
试着随机组合并评估其结果的成功与失败。
遗传算法最适合于可能存在几千或几百万种解决方案的决策环境。
遗传算法可以发现并评价与人类相比，它可以更快更彻底地检查更多的可能方案。
正如人们所想象的，企业需要对样的问题进行决策，如工程设计、计算机制图、对策的策略等。
这些决策问题需要优化技
术才能解决。
这里有一些其他例子：
·在考虑各种税收的情况下，利用遗传算法可以帮助企业经理确定企业应投资于哪种项目组合。
·投资公司利用遗传算法在贸易选择和决策方面提供辅助。
·在消费者购买的每件衣服中，织物本身占销售价格的35%～40%。
因此，在制作衣物的剪裁阶段，尽量减少衣料浪费是很重要的。
遗传算法可以用来解决这一问魉，设计出衣料浪费最少的剪裁图样和剪裁方式。
·美国西部公司利用遗传算法确定包括多达100000个连接点的网络中的最佳光缆结构。
利用选择、交叉和变异操作，遗传算法能够产生并评价几百万种线缆结构，并选择出所用线缆最少的一种。
以前，为完成这一过程需要一个有经验的工程师花费两个多月的时间，而今天，利用遗传算法则可以在两天内完成，而且每次都能节省100万~1000万美元。
§6.2.5智能代理
智能代理是一种软件，它可以辅助人或充当人的代表来执行重复的与计算机相关的任务。
1．信息代理
信息代理是寻找寻找信息并提供给顾客的智能代理。
最知名的信息代理是采购者代理。
即采购机器人，是
升级会员 