• Determine the scope of the proble

• Determine the scope of the problem. Determine what are the possible actions, outcomes,
and evidence to consider. Normally, the analyst will have to interview one or more experts
in the domain to discover the important factors. Note that we recommended the same sort
of determination as the first step of knowledge engineering in Section 8.2.
• Lay out the topology. Once all the relevant factors are determined, we need to know
which ones are influenced by which others. It is particularly important to understand
which aspects of the outcome state determine its utility.
• Assign probabilities. In decision networks, the conditional probabilities reflect not only
causal influences between random variables, but also the effects of actions.
• Assign utilities. A utility function is often assessed using the techniques described earlier.
Computer programs exist that automate the task of extracting preferences for various lotter
ies and constructing a utility function. Identifying the preference structure of multiattribute
utility functions is also vital in reducing the dimensionality of the assessment problem. It
can reduce the number of questions exponentially.
• Enter available evidence. For each specific case in which the system is used, there may
be some initial evidence available.
• Evaluate the diagram. Calculate the optimal action according to the existing evidence.
• Obtain new evidence. Calculate the value of information, comparing it with the costs of
acquisition, and perform the appropriate observations, if any. Notice that purely inferential
expert systems, without utilities, cannot decide what new evidence to acquire.
• Perform sensitivity analysis. This important step checks to see if the best decision is
sensitive to small changes in the assigned probabilities and utilities by systematically
varying these parameters and running the evaluation again. If small changes lead to
significantly different decisions, then it may be worthwhile to spend more resources to
collect better data. If all variations lead to the same decision, then the user will have more
confidence that it is the right decision.

Kết quả (Việt) 2:

• Xác định phạm vi của vấn đề. Xác định có thể hành động, kết quả, là những gì
và bằng chứng để xem xét. Thông thường, các nhà phân tích sẽ có phỏng vấn một hoặc nhiều chuyên gia
trong miền để khám phá những yếu tố quan trọng. Lưu ý rằng chúng tôi đề nghị cùng một loại
xác định như là bước đầu tiên của kỹ thuật kiến thức trong Phần 8.2.
• Đặt ra các cấu trúc liên kết. Một khi tất cả các yếu tố có liên quan được xác định, chúng ta cần phải biết
mà những người bị ảnh hưởng bởi người khác mà. Nó đặc biệt quan trọng để hiểu
được các khía cạnh của nhà nước kết quả xác định tiện ích của nó.
• Phân công suất. Trong các mạng quyết định, xác suất có điều kiện phản ánh không chỉ
ảnh ​​hưởng đến quan hệ nhân quả giữa các biến ngẫu nhiên, mà còn ảnh hưởng của hành động.
• Gán các tiện ích. Một chức năng hữu ích thường được đánh giá bằng cách sử dụng các kỹ thuật được mô tả trước đó.
Chương trình máy tính tồn tại mà tự động hóa các nhiệm vụ chiết ưu đãi cho Lotter khác nhau
tệ và xây dựng một chức năng tiện ích. Xác định cơ cấu sở thích của multiattribute
chức năng tiện ích cũng là rất quan trọng trong việc giảm số chiều của vấn đề đánh giá. Nó
có thể làm giảm số lượng các câu hỏi theo cấp số nhân.
• Nhập bằng chứng sẵn có. Đối với từng trường hợp cụ thể, trong đó hệ thống được sử dụng, có thể
có một số bằng chứng ban đầu có sẵn.
• Đánh giá các sơ đồ. Tính hành động tối ưu theo các bằng chứng hiện có.
• Có được bằng chứng mới. Tính giá trị của thông tin, so sánh nó với các chi phí
mua lại, và thực hiện các quan sát thích hợp, nếu có. Chú ý rằng hoàn toàn suy luận
hệ chuyên gia, không có các tiện ích, không thể quyết định những gì các bằng chứng mới để có được.
• Thực hiện phân tích độ nhạy. Bước quan trọng này kiểm tra để xem nếu các quyết định tốt nhất là
nhạy cảm với những thay đổi nhỏ trong xác suất và các tiện ích phân công của hệ thống
thay đổi những thông số và chạy việc đánh giá lại. Nếu những thay đổi nhỏ dẫn đến
các quyết định khác nhau đáng kể, sau đó nó có thể là đáng giá để dành nhiều nguồn lực để
thu thập dữ liệu tốt hơn. Nếu tất cả các biến thể dẫn đến những quyết định tương tự, sau đó người dùng sẽ có thêm
sự tự tin rằng đó là quyết định đúng đắn.