Przypadki użycia Frigidaire Ffhs2611l W to lodówka z lodówką z zamrażalnikiem z przodu. Jest to wysoce energooszczędny model, który ma system chłodzenia ze skutecznym wymiennikiem ciepła, który utrzymuje optymalne temperatury w lodówce i zamrażalniku. Posiada wiele funkcji, w tym wyświetlacz cyfrowy, który ułatwia monitorowanie temperatury wewnątrz urządzenia oraz dwie szuflady na warzywa i owoce. Aby zapewnić zrównoważone chłodzenie, lodówka posiada również opcję regulacji nawiewu, która umożliwia dostosowanie natężenia nawiewu w celu zapewnienia optymalnego chłodzenia. Lodówka ta jest doskonałym wyborem dla osób, które poszukują wydajnej i wygodnej lodówki.
Ostatnia aktualizacja: Przypadki użycia Frigidaire Ffhs2611l W
Jednym z głównych elementów wykorzystywanych w notacji UML jest diagram przypadków użycia (Use Cases). Diagram ten opisuje funkcjonalność systemu przydzieloną aktorowi (użytkownikowi systemu) w celu osiągnięcia zadeklarowanych celów. Przypadki użycia nie są ścisłym odwzorowaniem podejścia obiektowego, ale pozwalają przygotować graf demonstracji możliwych przypadków w systemie. Graf ten przedstawia interakcje w jakie może wejść użytkownik z systemem.
Relacje (Relationship)
Przypadki użycia (oraz aktorzy) powiązane są ze sobą relacjami (związkami) określanymi w czterech kategoriach.
Powiązanie (Association)
[relacja silna] – jest zestawem linków, które łączą elementy modelu UML. Definiują w ten sposób wzajemne powiązanie wskazanych obiektów.
W ramach powiązania możemy wyróżnić dodatkowe funkcjonalności takie jak:
Asocjacja
Zawiera informacje o powiązaniu wzajemnym klas uczestniczących w asocjacji. pl/tongecho/2021/11/UML-Relacje-Asocjacja. png" alt="" width="374" height="209" srcset="https://www. png 498w, https://www. pl/tongecho/2021/11/UML-Relacje-Asocjacja-300x167. pl/tongecho/2021/11/UML-Relacje-Asocjacja-450x250. png 450w" sizes="(max-width: 374px) 100vw, 374px"/>
Agregacja
Instancje jednej klasy (oznaczone rombem) grupują instancje drugiej klasy np. Przedsiębiorstwo agreguje swój Dział.
Kompozycja
Instancje jednej klasy (oznaczone czarnym rombem) składają się z instancji drugiej klasy.
Zależność (Dependency)
[relacja słaba] – jest powiązaniem wskazującym na istnienie wzajemnej zależności elementów np. użycie samochodu zależy od kierowcy, który nim pokieruje. Zależności mogą być stereotypowane wskazując kierunek <<include>>, <<exclude>>. Zależność jest związkiem pomiędzy dwoma elementami modelu gdzie zmiana w jednym elemencie (niezależnym, tu: kierowca) ma wpływ na drugi element (zależny, tu: samochód).
<<include>>
Związek między przypadkiem zawierającym i
zawieranym, gdzie przypadek zawierany jest wykonywany zawsze gdy wykonywany jest przypadek zawierający – i
tylko wtedy. Jest przydatna gdy kilka przypadków użycia zawiera tę sama wspólną część. Strzałka skierowana jest od przypadku zawierającego do zawieranego.
<<extend>>
Zależność między przypadkiem podstawowym i przypadkiem który opcjonalnie może wprowadzić dodatkową funkcjonalność do przypadku podstawowego. Jest przydatna gdy przypadek może, w pewnych warunkach, być uzależniony od innych przypadków. Strzałka wskazuje od rozszerzenia do przypadku podstawowego.
Uogólnienie (Generalization)
[relacja silna] – jest rozumiane także jako związek podklasa-nadklasa lub potomek-przodek, czyli jako relacja pomiędzy klasą ogólną, a szczegółową np. okienko dialogowe zapisu jest podklasą okna systemowego.
Realizacja (Realization)
[relacja słaba] – określa funkcjonalność skierowaną na wykonanie czynności zleconej w wyniku interakcji systemu.
Związki strukturalne
Relacje w powiązaniu z klasami dookreślają wzajemne związki strukturalne wykazując powiązania, ich zależności i liczebności.
Zadanie 1:
Rozrysuj system biblioteki w diagramie przypadków użycia, określ wzajemne związki. Określ aktorów i ich wzajemne powiązania.
Zadanie 2:
Rozrysuj system spedytora typu DHL w diagramie przypadków użycia, określ wzajemne związki.
Tworzenie przypadków użycia (ang. use case) – technika stosowana w inżynierii oprogramowania w celu opisania wymagań tworzonego systemu informatycznego[1]. Przypadek użycia przedstawia interakcję pomiędzy aktorem (użytkownikiem systemu), który inicjuje zdarzenie oraz samym systemem jako sekwencję prostych kroków.
Historia[edytuj | edytuj kod]
W 1986 Ivar Jacobson, informatyk zaangażowany w tworzenie Unified Modeling Language (UML) oraz Rational Unified Process (RUP) opisał technikę do specyfikowania przypadków użycia. Z początku używał określeń: scenariusz użytkowania (usage scenarios) i przypadki użytkowania (usage case).
W latach 90. przypadki użycia stały się powszechnie stosowanym sposobem opisu wymagań funkcjonalnych.
Opis ogólny[edytuj | edytuj kod]
Przypadek użycia powinien:
- opisywać w jaki sposób system powinien być używany przez aktora w celu osiągnięcia konkretnego celu
- być pozbawiony szczegółów dotyczących implementacji oraz interfejsu użytkownika
- opisywać system na właściwym poziomie szczegółowości
Pisanie przypadków użycia[edytuj | edytuj kod]
Poziom szczegółowości[edytuj | edytuj kod]
Alistair Cockburn w swojej książce Writing Effective Use Cases[2] wyróżnia 3 poziomy szczegółowości przypadków użycia:
- nieformalny opis – kilka luźnych zdań ogólnie opisujących przypadek
- formalny opis – kilka paragrafów, podsumowanie
- pełny opis – formalny dokument
Nazewnictwo[edytuj | edytuj kod]
Zaleca się, aby przypadki użycia posiadały nazwy odpowiadające czynnościom, które opisują. Często zaleca się stosowanie wyrażeń rozpoczynających się od czasownika w formie trybu rozkazującego[3]. Przykładowe nazwy to: „Zarejestruj użytkownika”, „Sprawdź stan konta”.
Ścieżka główna[edytuj | edytuj kod]
Przypadek użycia powinien przedstawiać podstawowy przebieg operacji, tzw. szczęśliwą ścieżkę wydarzeń[4] („basic flow”, „happy flow”).
Przykład:
- System prosi Użytkownika o zalogowanie
- Użytkownik podaje swój numer identyfikacyjny oraz hasło
- System stwierdza poprawność danych
- Użytkownik zostaje zalogowany do systemu
Ścieżki alternatywne[edytuj | edytuj kod]
Przypadki użycia mogą również zawierać dodatkowe informacje, które opisują sytuacje, gdy nie zachodzi ścieżka optymalna[5].
Dla powyższego przykładu:
- 3a. System odrzuca podane dane
- 3a1. Powrót do kroku 1.
Zobacz też[edytuj | edytuj kod]
- Diagram przypadków użycia
- Lista narzędzi UML
- Projektowanie interakcji
Przypisy[edytuj | edytuj kod]
- ↑ Glosariusz ITIL wraz ze skrótami. s. 152. [dostęp 2020-04-01].
- ↑ Writing Effective Use Cases (Efektywne pisanie przypadków użycia) ISBN 0-201-70225-8.
- ↑ „Podstawowa wiedza do stworzenia diagramu przypadków użycia. ”, portal www. pl. pl. [zarchiwizowane z tego adresu (2016-03-04)]. .
- ↑ Tłumaczenie potoczne.
- ↑ „Analiza wymagań” – autor Marek Grochowski.
Linki zewnętrzne[edytuj | edytuj kod]
- usability. gov (ang. )
Ta wersja używanej przeglądarki nie jest zalecana do tej strony internetowej.
Uaktualnij przeglądarkę do najnowszej wersji, klikając jedno z poniższych łączy.
Technologia sztucznej inteligencji (SI) pomaga w zautomatyzowaniu tradycyjnych procesów i zapewnieniu większych możliwości dla instytucji finansowych w sektorze bankowości, rynków kapitałowych, ubezpieczeń i przetwarzania płatności.
Sztuczna inteligencja dla usług finansowych
Branża usług finansowych jest bardzo konkurencyjna i podlega rygorystycznym przepisom branżowym.
Sztuczna inteligencja (SI) jest wykorzystywana przez firmy świadczące usługi finansowe w celu zwiększania wydajności oraz wdrażania nowych usług i możliwości.
Instytucje finansowe mogą wykorzystać sztuczną inteligencję w celu zapewnienia działania zgodnie z przepisami i ulepszenia obsługi klienta.
Firma Intel pomaga instytucjom finansowym we wdrażaniu sztucznej inteligencji z przyspieszeniem sprzętowym, zoptymalizowanymi bibliotekami oprogramowania i frameworkami oraz rozwiązaniami dostępnymi w ramach ekosystemu partnerów.
Ponadto firma Intel współpracuje bezpośrednio z klientami końcowymi w celu obsługi kompleksowego zarządzania przepływem SI.
Technologia sztucznej inteligencji (SI) pomaga zautomatyzować tradycyjne procesy i zapewnić większe możliwości dla instytucji finansowych.
Rola sztucznej inteligencji w instytucjach finansowych
Branża usług finansowych (FSI) jest bardzo konkurencyjna i podlega rygorystycznym przepisom branżowym. Ta dynamika branżowa silnie wpływa na sposób wdrażania technologii w branży i sprawia, że instytucje finansowe stale poszukują nowych sposobów na wyróżnienie swoich możliwości przy użyciu technologii.
Dynamika ta stwarza dobrą okazję dla sztucznej inteligencji – wydajnej technologii, która umożliwia komputerom przewidywanie przyszłych wyników przy użyciu danych historycznych w celu zwiększenia wydajności i umożliwienia nowych doświadczeń klientów.
W efekcie większość dyrektorów ds. usług finansowych spodziewa się, że sztuczna inteligencja stanie się kluczowym elementem sukcesu w ciągu najbliższych kilku lat. Według badania z 2021 r. przeprowadzonego przez NTT DATA Services:
Zwiększone zastosowanie sztucznej inteligencji w usługach finansowych umożliwia instytucjom finansowym usprawnienie głównych procesów biznesowych i jednocześnie dodanie innowacyjnych produktów i usług, które ulepszają wrażenia klientów.
AI w bankowości
W branży bankowej sztuczna inteligencja pomaga firmom w zautomatyzowaniu procesów o krytycznym znaczeniu dla ich działalności, takich jak zarządzanie ryzykiem i zapobieganie oszustwom, jednocześnie uwalniając nowe możliwości, takie jak wykorzystanie chatbotów i inteligentnych systemów rekomendujących w bankowości detalicznej.
Zwalczanie przestępczości finansowej
Banki są zobowiązane do przestrzegania przepisów i programów, które służą do wykrywania finansowania działalności przestępczej, zarówno w kraju, jak i za granicą. Na przykład Międzynarodowy Fundusz Walutowy, a także Stany Zjednoczone i inne kraje ustanowiły przepisy związane z przeciwdziałaniem praniu brudnych pieniędzy (AML), które wymagają od instytucji finansowych stosowania programów AML i zgłaszania podejrzanych działań. 2
Chociaż wiele z tych przepisów spowodowało duże koszty dla banków, okazały się one w dużej mierze nieskuteczne w zapobieganiu lub powstrzymywaniu przestępstw finansowych. Starszy sprzęt stał się przeszkodą na drodze do sukcesu ze względu na to, że starsze systemy nie są w stanie zwalczać zagrożeń i zarządzać złożonymi bazami danych w różnych jednostkach biznesowych. Ponadto środki AML coraz częściej wymagają analizy w czasie rzeczywistym, aby umożliwić szybsze transakcje lub obsługę online.
W rezultacie firmy zwracają się w stronę sztucznej inteligencji w celu zapewnienia przestrzegania przepisów branżowych i zwiększenia wydajności poprzez analizy w czasie rzeczywistym. Najlepiej udowodniła to firma PayPal, która usprawniła wykrywanie fałszywych transakcji przy użyciu technologii Intel® zintegrowanych z platformą danych czasu rzeczywistego firmy Aerospike. Kluczowe wyniki obejmują 30-krotne zmniejszenie liczby przeoczonych nieuczciwych transakcji przy 3-krotnym obniżeniu kosztu sprzętu.
Połączone oddziały
Poza modernizacją tradycyjnych procesów sztuczna inteligencja może być wykorzystana w celu zapewnienia lepszych wrażeń klientów poprzez nowe usługi i funkcje. W bankowości detalicznej najnowsze technologie umożliwiają bankom zrozumienie potrzeb klientów i oferowanie spersonalizowanych usług bankowych, które są dostosowane indywidualnie do każdego klienta.
W przypadku oddziałów rozwiązania systemów wizyjnych z wykorzystaniem sztucznej inteligencji pomagają wypełnić lukę między miejscem fizycznym a kanałami cyfrowymi, w tym lokalnymi kioskami. Na przykład czujniki z wykorzystaniem systemów wizyjnych mogą śledzić wzrok, postawę i gesty klientów, oszacować czas oczekiwania oraz powiadomić pracowników banku, gdy klient potrzebuje pomocy. Te rozwiązania z wykorzystaniem sztucznej inteligencji analizują dane dotyczące zachowań pochodzące z oddziałów i kanałów online. Otrzymane informacje służą do indywidualizacji i optymalizacji zakupów, rozmieszczenia i czasu wyświetlania ekspozycji oraz kampanii marketingowych. 3
Sztuczna inteligencja na rynkach kapitałowych
Sztuczna inteligencja jest również wykorzystywana przez instytucje finansowe działające na rynkach kapitałowych — między innymi przez menedżerów zasobów i fundusze hedgingowe — w celu zwiększenia wydajności i wdrażania nowych możliwości. Technologia ta jest często wykorzystywana do obsługi procesów zarządzania ryzykiem oraz optymalizacji strategii handlowych dla różnych narzędzi finansowych.
Płynność i zarządzanie ryzykiem w handlu
Sztuczna inteligencja może pomóc bankom inwestycyjnym oraz innym instytucjom finansowym w przestrzeganiu nowego zestawu przepisów międzynarodowych zwanych „Fundamental Review of the Trading Book” (FRTB). Od stycznia 2023 r. instytucje finansowe będą musiały obliczyć wszystkie ryzyka związane z ich pozycjami handlowymi w zakresie papierów wartościowych, towarów, walut zagranicznych i innych inwestycji. Ze względu na ogromną skalę zgodność z przepisami FRTB będzie się opierać na złożonym modelowaniu finansowym, symulacjach i badaniach wpływu, które wymagają ogromnych inwestycji w moc obliczeniową i możliwości przechowywania danych. 4
Sztuczna inteligencja może być wykorzystana do znacznego zwiększenia szybkości, z jaką wykonywana jest ta analiza. Na przykład dostawcy oprogramowania, tacy jak MatLogica i Quantifi, osiągnęli znaczną poprawę wydajności dzięki różnym modelom korekty wyceny (xVA) opartym na uczeniu maszynowym i głębokich sieciach neuronowych. Te ulepszenia z wykorzystaniem sztucznej inteligencji pomagają firmom na rynkach kapitałowych w zachowaniu zgodności z przepisami przy jednoczesnym znacznym zwiększeniu wydajności swoich modeli ryzyka.
Handel algorytmiczny
Sztuczna inteligencja zapewnia również nowe możliwości na rynkach kapitałowych, w tym analizę w czasie rzeczywistym, która wspiera handel algorytmiczny. Transakcje finansowe opierają się na wzorcach, które ujawniają się w historii zachowań i transakcji rynkowych. Niedawno firmy zaczęły wykorzystywać możliwości sztucznej inteligencji w celu wdrożenia handlu algorytmicznego, który opiera się na uczeniu maszynowym, sieciach neuronowych i analizie predykcyjnej, aby interpretować i reagować na sygnały rynkowe w ciągu mikrosekund.
Według badania firmy JPMorgan z 2020 r. ponad 60% transakcji powyżej 10 mln USD zostało przeprowadzonych przy użyciu algorytmów. Oczekuje się, że rynek handlu algorytmicznego wzrośnie o 4 mld USD do 2024 r., podnosząc łączną kwotę do 19 mld USD. 5
Chociaż handel algorytmiczny nie jest nowy, dzisiejsze możliwości sztucznej inteligencji przyspieszają analizę w czasie zbliżonym do rzeczywistego potrzebną handlowcom do zachowania konkurencyjności. Najlepiej pokazują to rozwiązania kluczowych partnerów firmy Intel, tj. firmy Aerospike i MemVerge, wykorzystujących technologię Intel® Optane™ drugiej generacji, aby umożliwić przechowywanie i analizę w czasie rzeczywistym, które są wymagane w branży handlowej.
Sztuczna inteligencja w ubezpieczeniach i płatnościach
Sztuczna inteligencja jest wykorzystywana również przez firmy ubezpieczeniowe i płatnicze, aby zautomatyzować procesy, poprawić wydajność i wdrażać nowe możliwości.
Zarządzanie ubezpieczeniami i roszczeniami
Firmy w branży ubezpieczeniowej wdrażają modele predykcyjne, aby usprawnić proces zarządzania ubezpieczeniami i roszczeniami za pomocą sztucznej inteligencji.
Podczas obsługi nowych klientów ubezpieczyciele mogą ocenić czynniki ryzyka wnioskodawcy w danym momencie. Te coraz bardziej zaawansowane modele wykorzystują uczenie maszynowe do analizy różnych czynników (np. kredytu, zdrowia), aby zaoferować dostosowaną składkę za usługi ubezpieczeniowe. Po przyjęciu klienta firmy ubezpieczeniowe wykorzystują sztuczną inteligencję w celu przyjmowania i przetwarzania roszczeń ubezpieczeniowych z wysoką wydajnością i dokładnością. Dzięki temu klienci usług ubezpieczeniowych mogą zostać szybko i sprawnie obsłużeni. Procesy te są umożliwione przez technologię automatyzacji procesów z udziałem robotów, czyli technikę uczenia maszynowego, która umożliwia hiperautomatyzację różnych zadań.
Silniki rekomendacji
Operatorzy płatności i wydawcy kart kredytowych wdrażają również silnik rekomendacji, aby przewidzieć preferencje klientów i potencjalnych klientów. Instytucje te oferują następnie spersonalizowane usługi bankowe tym potencjalnym klientom, których profil demograficzny i zachowanie podpada pod indywidualny rozpoznawalny wzór lub przypomina podobną grupę, której zachowania są znane. 6
Silnik rekomendacji oparty na uczeniu maszynowym analizuje ogromne ilości danych dotyczących preferencji, aby wybrać najlepsze dopasowanie między produktem a potencjalnym klientem. Silniki te są podobne do silników wykorzystywanych w sklepach elektronicznych lub usługach multimediów strumieniowych, które rekomendują dodatkowe przedmioty na podstawie poprzednich zakupów danej osoby oraz powiązanych zakupów dokonanych przez innych klientów z podobną historią zakupów.
Technologia usług finansowych
Niezależnie od przypadku użycia, firma Intel jest dostawcą, który wspiera firmy w ich działalności związanej ze sztuczną inteligencją. Firma Intel pomaga instytucjom finansowym wdrażać sztuczną inteligencję poprzez sprzętowe przyspieszenie SI, optymalizację ekosystemu z kluczowymi partnerami oraz praktyczną pomoc techniczną.
Elastyczne platformy
Po pierwsze firma Intel oferuje firmom elastyczność dzięki ofercie produktów ukierunkowanej na przyspieszenie wdrożeń sztucznej inteligencji. Skalowalny procesor Intel® Xeon® trzeciej generacji to idealna platforma do wielu zastosowań sztucznej inteligencji i jedyny procesor do centrów danych x86 z wbudowanym przyspieszeniem SI. Kluczowe funkcje, takie jak Intel® Deep Learning Boost (Intel® DL Boost), Intel® Advanced Vector Extensions 512 (Intel® AVX-512) oraz Intel® Software Guard Extensions (Intel® SGX) zapewniają znaczne przyspieszenie obciążeń roboczych SI i szyfrowanych danych. Inne kluczowe produkty Intel®, takie jak pamięć trwała Intel® Optane™ drugiej generacji oraz procesor graficzny Intel® Iris® Xe, umożliwiają analizę danych i obliczenia w czasie rzeczywistym dla dedykowanych obciążeń szkoleniowych.
Optymalizacja oprogramowania
Chociaż firma Intel jest najbardziej znana ze swojego sprzętu, firma inwestuje również znaczne środki w narzędzia programowe, biblioteki oraz partnerów, aby umożliwić bezproblemowe wdrażanie sztucznej inteligencji. Skalowalny procesor Intel® Xeon® trzeciej generacji jest zoptymalizowany pod kątem najpopularniejszych narzędzi i bibliotek do analizy danych, umożliwiając analitykom tworzenie i wdrażanie własnych rozwiązań SI. Optymalizacja za pomocą BigDL, TensorFlow, PyTorch, scikit-learn oraz Dystrybucja Intel® zestawu narzędzi OpenVINO™ umożliwia programistom bezproblemowe skalowanie środowisk SI między węzłami od brzegu sieci do chmury.
Technologia Intel® jest również zoptymalizowana pod kątem największych dostawców usług w chmurze i setek dostawców oprogramowania komercyjnego, a firma nadal aktywnie uczestniczy w społeczności Open Source, w tym fundacji Linux Foundation i FinOS. Wysiłki te przyniosły szeroki zakres rozwiązań partnerskich, które pomagają instytucjom finansowym przyspieszyć wydajność swojej sztucznej inteligencji i poprawić czas uzyskania korzyści biznesowych.
Zaangażowanie klientów
Ponadto firma Intel od dekad współpracuje z firmami z obszaru usług finansowych, pomagając im w rozwiązywaniu najbardziej złożonych problemów. Jako czołowy innowator technologii firma Intel jest zaufanym partnerem dla instytucji usług finansowych, które są zainteresowane wdrożeniem sztucznej inteligencji w swoich organizacjach. To doświadczenie ma kluczowe znaczenie, aby zapewnić branży usług finansowych narzędzia i zasoby potrzebne do konkurowania na arenie światowej.
Rola sztucznej inteligencji w instytucjach finansowychBankowośćRynki kapitałoweUbezpieczenia i płatnościTechnologia usług finansowych