Inżynieria Wiedzy i Systemy Ekspertowemichalbereta.pl/dydaktyka/IWiSE/IWiSE_wyk%eaad_1.pdf · 3...

1

Inżynieria Wiedzy i Systemy Ekspertowe

dr inż. Michał BeretaPolitechnika Krakowska

http://torus.uck.pk.edu.pl/~beretam/[email protected]

http://torus.uck.pk.edu.pl/~beretam/

mailto:[email protected]

2

Informacje o przedmiocie

Wykład (18 h)Ćwiczenia (9 h)

Laboratorium (9 h)

Zaliczenie przedmiotu: zaliczenie części praktycznej (ćw. + lab.) + egzamin

3

Plan wykładów●Geneza Systemów Ekspertowych (SE), rys historyczny Sztucznej Inteligencji (SI).

●Pierwsze Systemy Ekspertowe.

●Inteligencja, wiedza – definicje.

● Kryteria sztucznej inteligencji. Test Turinga.

●Struktura Systemów Ekspertowych.

●Regułowe SE .

●Metody wnioskowania.

●Baza wiedzy (baza reguł), metawiedza w SE.

4

Plan wykładów●Szkieletowe Systemy Ekspertowe.

●Narzędzia do tworzenia SE.

●Niepewność w SE – metody bayesowskie, współczynniki pewności, logika rozmyta (fuzzy logic)

●Inne metody reprezentacji wiedzy (ramy, sieci semantyczne, itd.)

●Inne metody rozumowania i przeszukiwania.

●Heurystyki.

5

Plan wykładów●Uczenie maszynowe. Paradygmaty uczenia się.

●Hybrydowe systemy inteligentne – sieci neuronowe, algorytmy ewolucyjne, metody rozmyte w SE.

●Tworzenie baz wiedzy na podstawie danych:➔ algorytmy tworzenia zbioru reguł➔ drzewa decyzyjne➔ drążenie danych – Data Mining

●Inżynieria Wiedzy (Knowledge Engineering)

●Kieunki rozwoju

6

Literatura•Kasperski M.J., „Sztuczna inteligencja.” Helion 2003.••Mulawka A., „Systemy ekspertowe.” WNT Warszawa 1996.••Korbicz J., Obuchowicz A., Uciński D., „Sztuczne sieci neuronowe. Podstawy i zastosowania.” Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994.••Nęcka E., „Inteligencja.” Gdańskie Wydawnictwo Psychologiczne, Gdańsk 2003.

7

Literatura

•Arabas J., „Wykłady z algorytmów ewolucyjnych.” WNT Warszawa 2001.••Bargiela A., Pedrycz W., „Granular Computing: An Introduction.” Kluwer 2002.••Cholewa W., Pedrycz W., „Systemy doradcze.” Wyd. Pol. Śl. Gliwice 1987.••Goldberg D.E., „Algorytmy genetyczne i ich zastosowania.” WNT Warszawa 1995.

8

Literatura

•Michalewicz Z., „Algorytmy genetyczne + struktury danych = programy ewolucyjne.” WNT, Warszawa 2003.••Osowski S., „Sieci neuronowe do przetwarzania informacji.” Oficyna Wydawnicza Pol. Warszawskiej, Warszawa 2000.••Piegat A., „Modelowanie i sterowanie rozmyte.” Akademicka Oficyna Wydawnicza EXIT, Warszawa 2003.

9

Literatura

•Russel S., Norvig P., „Artificial Intelligence: A Modern Approach.” Prentice Hall, 2002.••Rutkowska D., Piliński M, Rutkowski L., „Sieci neuronowe, algorytmy genetyczne i systemy rozmyte.” PWN, Warszawa 1997.••Tadeusiewicz R., „Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami.” Akademicka Oficyna Wydawnicza PLJ, Warszawa 1999.

10

Literatura

•Negnevitsky M., “Artificial Intelligence. A Guide to Intelligent Systems”, Addison Wesley, 2005••Cichosz P. “Systemy uczące się”, PWN••Michalewicz Z., Fogel D., „Jak to rozwiązać czyli nowoczesna heurystyka”, 2006••Koronacki J., Ćwik J., „Statystyczne systemy uczące się”,Exit 2008•

11

Sztuczna Inteligencja Rys Historyczny

Inteligencja

“Inteligencja oznacza umiejętność rozumienia oraz uczenia się nowych rzeczy.”

“Inteligencja to zdolność do myślenia i rozumienia w przeciwieństwie do

wykonywania czynności instynktownie lub automatycznie.”

Essential English Dictionary, Colins, London, 1990

12


Inteligencja

“Someone's intelligence is their ability to understand and learn things.”

“Intelligence is the ability to think and understand instead of doing things by

instinct or automatically.”Essential English Dictionary, Colins, London, 1990

13


Druga definicja inteligencji nie zakłada, że mówimy o osobie.

Inteligencja to zdolność:●uczenia się●rozumienia●rozwiązywania problemów●podejmowania decyzji

14


Myślenie

“Myślenie to czynność używania mózgu w celu rozwiązania problemu bądź też tworzenia

nowej idei.”

Essential English Dictionary, Colins, London, 1990

15

Współczesne definicje inteligencji

Współcześnie inteligencja określana jest zwykłe jako zdolność umysłowa lub grupa zdolności. Nie ma jednak ogólnej zgody na rozumienie terminu „zdolność”. Używa się tego pojęcia w trzech znaczeniach:potencjalne zdolności jednostki (capasities) – określają do czego człowiek byłby zdolny, gdyby zostały spełnione warunki jego rozwoju (środowiskowe, zdrowotne,, społeczne, osobiste itp.),

zdolności rzeczywiście przejawiane (abilities) – do czego człowiek jest faktycznie zdolny, jeśli spełnione są optymalne warunki ekspresji jego możliwości (dobry stan psychofizyczny organizmu, sprzyjające warunki otoczenia, brak stresu, itp.),

poziom wykonania określonych czynności lub zadań (performance) – co można zmierzyć lub zaobserwować w konkretnej sytuacji.

16


Współczesne definicje inteligencji można podzielić na trzy grupy:

•.zdolność uczenia się,•.zdolność przystosowania się,•.zdolność metapoznawcza (rozeznanie we własnych

procesach poznawczych i zdolnościach ich kontrolowania; osoba inteligentna używa umysłu bardziej refleksyjnie i jest w stanie sterować własnymi procesami poznawczymi),

17


Inteligencja – zdolność przystosowania się do

okoliczności dzięki dostrzeganiu abstrakcyjnych relacji, korzystaniu z uprzednich doświadczeń i skutecznej kontroli nad własnymi procesami poznawczymi.

18


Za najistotniejszy składnik wszelkich zdolności, wchodzący w zakres

inteligencji jest zdolność do analizy i uogólniania stosunków zachodzących

w dziedzinie, której dotyczy rozpatrywana zdolność.

19


Czy komputery mogą być inteligentne?

Czy komputery mogą zachowywać się inteligentnie?

20


Celem Sztucznej Inteligencji (SI) jako nauki jest tworzenie maszyn zdolnych wykonywać

czynności, o których twierdzi się, że wymagają inteligencji, jeśli są wykonywane

przez człowieka.

(Boden, 1977)

21


Inteligentne zachowanie maszyny to jej zdolność do osiągnięcia jakości wykonywania pewnego zadania

kognitywnego na “ludzkim” poziomie.

(Turing)

22


Czy zatem należy oczekiwać, że inteligentna maszyna będzie w stanie

wykonać każde zadanie, czy tylko jedno, czy też pewną grupę czynności?

Jak ocenić czy mamy do czynienia z inteligencją?

23

Kryteria sztucznej inteligencji

Można wyróżnić trzy główne kryteria sztucznej inteligencji:

Symulacja procesów naturalnych (z użyciem testu Turinga)

Inteligentne czynności

Racjonalne sprawstwo

24


Test Turinga

Alan Turing “Computing machinery and intelligence”, Mind, 59, 433-460, 1950

Autor koncepcji uniwersalnego komputera.

Autor pierwszego programu będącego w stanie rozegrać kompletną partię szachów.

25


Alan Turing●Czy jest możliwe myślenie bez doświadczenia?

●Czy jest możliwy umysł bez zdolności komunikacji?

●Czy jest możliwy język bez “życia” (istnienia)?

●Czy jest możliwa inteligencja bez życia?

Wszystkie te pytania sprowadzają sie do jednego zasadniczego:

Czy maszyny mogą myśleć?

26


Test Turing – Gra w imitację

Zamiast odpowiedzieć na pytanie, czy maszyny mogą myśleć, Turing

zaproponował sprawdzenie, czy maszyny mogą przejść behawioralny test na

inteligencję.

B: człowiek lub komputer

C: człowiek lubkomputer

A: człowiek lubkomputer

Test Turinga

Trzy osoby bawiące się w grę ustalania tożsamości. Nie mogą się one widzieć, są w oddzielnych pokojach, a porozumiewają się za pomocą pisemnych protokołów. Zasadniczym elementem gry jest pytanie Turinga:

“Co się stanie, jeśli komputer zajmie miejsce któregoś z uczestników, a zadaniem będzie ustalenie, kto jest człowiekiem, a kto komputerem?”

28


Test Turinga

Co jeśli poprosimy komputer o wykonanie skomplikowanych obliczeń?

Czy powinien on specjalnie się mylić bądź opóźniać odpowiedź?

29


Test Turinga

Czy od systemu inteligentnego naprawdę oczekujemy, by specjalnie się mylił w

obliczeniach, lub wykonywał je wolniej niż jest w stanie?

30


Test Turinga był szeroko komentowany i kwestionowany pod wieloma względami.

Staniław Lem:Co jeśli nagramy wszystkie odpowiedzi na każde

możliwe pytanie? Wtedy dostaniemy “inteligentne” odpowiedzi na nasze pytania, ale czy będziemy mieli

do czynienia z inteligentną maszyną?

31


Turing wierzył, że do roku 2000 będzie istniał system będący w stanie przejść test

Turinga.

Istnieją już systemy, które przeszły tzw. ograniczony test Turinga (konwersjacja

ograniczona do pewnego zakresu tematów).

32

Inteligentne czynności● Czy maszyny zdolne są do wykonywania

czynności uznanych przez badacza za inteligentne?

● Badacz może się w tym przypadku kierować intuicją lub powszechnie żywionymi przekonaniami

● Np. gra w szachy, prowadzenie sensownej rozmowy, dowodzenie twierdzeń matematycznych lub logicznych to czynności niewątpliwie inteligentne.

33

Inteligentne czynności● Jedną z pierwszych prób w zakresie AI był Teoretyk

Logiki, zaprojektowany przez Newella i Simona. Był to program wyspecjalizowany w dowodzeniu twierdzeń Whiteheada i Russella (Principia Mathematica).

● Maszyna nie przeszukiwała wyczerpująco całego zbioru potencjalnie dostępnych sposobów rozwiązania , lecz kierowała się zasadami ograniczającymi zakres przeszukiwania.

● Zasady takie nazywa się heurystykami. Heurystyka to reguła pozwalająca ograniczyć zakres przeszukiwania pola problemowego, a tym samym skrócić czas rozwiązywania problemu.

34

Inteligentne czynności● Heurystyki znacząco skróciły czas pracy

maszyny i sprawiły, że jej zachowanie nie było w stu procentach przewidywalne.

● Ponadto maszyna wykorzystywała wyniki swoich wcześniejszych działań, ażeby zwiększyć skuteczność czynności bieżących. Tym samym przejawiała zdolność do uczenia się na podstawie własnych doświadczeń, a nie ślepo wykonywała zadane jej rozkazy.

● Inteligentne czynności to zatem:(i) użycie heurystyk,

(ii) uczenie się.

35

Racjonalne Sprawstwo• RS - zdolność systemu komputerowego do

inicjowania działań, które są sensowne w określonym środowisku, a następnie do skutecznego kierowania tymi działaniami.

● System nazywamy inteligentnym wtedy, gdy jest on sprawcą, a nie tylko wykonawcą poleceń, zgodnie z zadanym algorytmem. Musi być przy tym sprawcą racjonalnym, tzn. dostosowującym swe działania do wymagań bieżącej sytuacji i “naturalnego” dla siebie środowiska. System spełniający te kryteria należy uznać za podmiot własnych działań.

36

Racjonalne Sprawstwo● System, który zachowuje się jak racjonalny

sprawca, musi być wyposażony nie tylko w procedury umożliwiające wykonywanie określonych czynności, lecz również w system motywacji.

● Oprócz motywacji racjonalny sprawca musi być wyposażony w wiedzę o otoczeniu. Może to być wiedza niezwykłe uproszczona, zredukowana do najbardziej niezbędnych informacji, ale musi istnieć. Ludzka wiedza też nie jest doskonała ani pełna. Stanowi zawsze uproszczony model rzeczywistości, tworzony w ściśle utylitarnym celu: aby nam ułatwić skuteczne poruszanie się w rzeczywistości i rozwiązywanie problemów wynikających z jej istnienia.

37


Mówiąc o programie inteligentnym będziemy mieli na myśli program, który jest w stanie konkurować z ludzkim ekspertem w wąskiej, wyspecjalizowanej dziedzinie.

Z praktycznego punktu widzenia, inteligentny system powinien pomóc człowiekowi podejmować decyzje, szukać informacji, kontrolować skomplikowane obiekty, etc.

Aby to osiągnąć, musimy zgromadzić, zorganizować i odpowiednio używać wiedzę z danej dziedziny.

38


“Dark Ages” - Narodziny SI (1943 – 1956)

1943 - Warren McCulloch, Walter Pitts – model sztucznego neuronu

John von Neumann ENIAC (Electronic Numerical Integrator And Calculator)EDVAC (Electronic Discrete Variable Automatic Computer)

Claude Shannon – wykazał konieczność stosowania heurystyk (np. w grze w szachy)

39



John McCarthy, Martin Minsky, Claude Shannon

1965 – letni workshop w Dartmouth College zgromadził zainteresowanych uczeniem maszyn, sieciami neuronowymi I teorią automatów.

Udział wzięło jedynie 10 uczestników.

Te spotkania uznawane są za początek Sztucznej Inteligencji jako dziedziny nauki.

40



– Pojęcie sztucznej inteligencji (ang. Artificial Intelligence - AI) pojawiło się w połowie lat pięćdziesiątych ubiegłego wieku w pracach

McCarthy’ego:– McCarthy J., „Programs with commonsense.”

– In: Mechanization of Thought Processes. HMSO, London 1950, pp.75-91.

41

● Dziedzina informatyki dotycząca metod i technik wnioskowania symbolicznego przez komputer oraz symbolicznej reprezentacji wiedzy stosowanej podczas takiego wnioskowania.

E.A.Feigebaum, P.McCorduck

Definicje sztucznej inteligencji (1)

42

Definicje sztucznej inteligencji (2)

● Rozwój systematycznej teorii procesów intelektualnych. D.Michie

● Nauka o maszynach realizujących zadania, które wymagają inteligencji wtedy, gdy są wykonywane przez człowieka. M.Minsky

43

Sztuczna Inteligencja Rys HistorycznyOkres wielkich oczekiwań(1956 – koniec lat 60-tych)

John McCarthy – język LISPInni badacze kontynuują swe badania (sieci neuronowe, etc.)

Najbardziej ambitny projekt:

General Problem Solver (GPS)Allen Newell, Herbert Simon (1961, 1972)

Próba implementacji ogólnego systemu rozwiązującego problemy w sposób podobny do ludzkiego.

Próba oddzielenia danych od metod rozumowania.

Okres wielkich oczekiwań(1956 – koniec lat 60-tych)

John McCarthy – język LISPInni badacze kontynuują swe badania (sieci neuronowe, etc.)

Najbardziej ambitny projekt:

General Problem Solver (GPS)Allen Newell, Herbert Simon (1961, 1972)

Próba implementacji ogólnego systemu rozwiązującego problemy w sposób podobny do ludzkiego.

Próba oddzielenia danych od metod rozumowania.

44

Sztuczna Inteligencja Rys HistorycznyGeneral Problem Solver

Problem był definiowany za pomocą stanów. Rozwiązanie to pewien stan. Jeśli obecny stan nie stanowi rozwiązania, należy zastosować odpowiednie operatory w celu osiągnięcia stanu docelowego bądź takiego, który przybliża nas do stanu będącego rozwiązaniem.

GPS był oparty na logice formalnej – generował bardzo wiele możliwych operatorów, w związku z czym był bardzo nieefektywny.

Projekt zakończył się porażką.

45


Mimo porażki projektu GPS, w okresie tym pojawiło się wiele nowych koncepcji

ważnych dla rozwoju SI.

Np. Logika rozmyta

“Fuzzy Sets”, Lotfi Zadeh, 1965

Jednak do 1970 środki finansowe przeznaczone na badania nad SI zostały

bardzo ograniczone.

46


Późne lata 60-te – wczesne lata 70-te

Próba stworzenia narzędzi ogólnych nie powiodła się.

Zarzucono projekt mający na celu automatyczne tłumaczenie z języka rosyjskiego na angielski.

Wstrzymano finansowanie wielu innych projektów.

Powstała teoria problemów NP-kompletnych.

47


Pierwsze Systemy Ekspertowe Klucz do sukcesu

Wczesne lata 70-te – lata 80-te

Porzucono ideę stworzenia uniwersalnego systemu.

W zamian zaczęto stosować podejście, w którym zakres działania systemu jest

ograniczony i dokładnie zdefiniowany.

48


DENDRALEdward Feigenbaum

Bruce BuchananJoshua Lederberg

System ekspertowy do analizy związków chemicznych. Problem określenia struktury molekularnej na podstawie

spektrum.

Przeszukiwanie wszystkich możliwych konfiguracji atomów jest niemożliwe.

Eksperci są w stanie znacznie zmniejszyć liczbę potencjalnych rozwiązań wykrywając odpowiednie wzorce

i stosując odpowiednie reguły.

49


Znaczenie systemu DENDRAL:

●Odejście od tworzenia systemów ogólnego przeznaczenia do tworzenia systemów wyspecjalizowanych.

●Akwizycja wiedzy eksperta.

●Stosowanie heurystyk w postaci reguł postępowania.

Sukces potwierdzony został poprzez wersję komercyjną.

50


System ekspertowy MYCIN

Diagnostyka chorób krwii

Około 450 reguł typu JEŚLI – TO

Nowe elementy:●odseparowanie wiedzy od mechanizmu

wnioskowania (EMYCIN – Empty MYCIN)●wnioskowanie z uwzględnieniem niepewności (CF -

Certainty Factors)

51


System ekspertowy PROSPECTOR

Poszukiwanie minerałów.

Nowe elementy:●Reguły (ponad 1000) oraz sieć semantyczna.●System akwizycji wiedzy.●Niepewność brana pod uwagę – wykorzystanie

reguły Bayesa

52

Rys historycznyNowy kierunek w sztucznej inteligencji –

inżynieria wiedzy (ang. Knowledge Engineering):- pozyskiwanie i strukturalizacja wiedzy pochodzącej

od ekspertów,-- dopasowanie i wybór odpowiednich technik

wnioskowania i wyjaśniania dla zagadnień rozwiązywania problemów,

-- projektowanie układów pośredniczących

(interfejsów) między użytkownikiem a komputerem.

• Duża liczba systemów ekspertowych budowanych w ośrodkach uniwersyteckich, ukierunkowanych na szczegółowe zadania.

53


Systemy ekspertowe stały się popularne. Przyczyniło się do tego rozpowszechnienie się komputerów osobistych oraz szkieletowych systemów ekspertowych (shells).

Sukces ten przyczynił się do ponownego, już ostrożniejszego, optymizmu odnośnie możliwości SI.

54


Wady Systemów Ekspertowych (pierwszej generacji)

Ograniczone do wąskiego zakresu wiedzy. (np. MYCIN – diagnoza chorób krwi – nie ma większego pojęcia o fizjologi. Jeśli pacjent cierpi na chorobę innego typu – MYCIN nie będzie pomocny, wręcz przeciwnie)

Brak elastyczności.

Brak “świadomości” własnych ograniczeń – SE będzie próbował rozwiązać problem nawet jeśli nie jest on z jego dziedziny.

Trudności z weryfikacją i walidacją – brak ogólnych metod np. kompletności SE.

Przetwarzanie reguł nie oznacza „rozumienia” problemu przez SE.

55


Wady Systemów Ekspertowych (pierwszej generacji)

Brak możliwości uczenia się na podstawie doświadczenia – wiedza uzyskana od eksperta jest “zaszyta” w systemie.

Proces tworzenia SE jest długi - “knowledge acquisition bottleneck ”

56


Połowa lat 80-tychPonowne zainteresowanie sieciami neuronowymi.

W roku 1969 Minsky i Papert dowiedli ograniczeń jednowarstwowych perceptronów. Spowodowało to zarzucenie badań.

Algorytm wstecznej propagacji błędów (backpropagation) pozwolił na uczenie wielowarstwowych sieci.Rumelhart, McClelland ( 1986 )wcześniej Bryson, Ho ( 1969 )

57


Połowa lat 80-tychPonowne zainteresowanie sieciami neuronowymi.

Nowe rodzaje sieci neuronowych:

Hopfield (1980) – sieci ze sprzężeniem zwrotnym

Grossberg (1980) – sieci ART (Adaptive Resonanse Theory)

Kohonen (1982) – sieci somoorganizujące się

Barto, Sutton, Anderson (1983) – uczenie ze wzmocnieniem.

Broomhead, Lowe (1988) – sieci z radialnymi funkcjami bazowymi

58

Sztuczna Inteligencja Rys HistorycznyWczesne lata 70-te - ...

Obliczenia i metody ewolucyjne

“learning by doing”

John Holland (1970) – Algorytmy Genetyczne

Rechenberg, Schwefel (1965) – Strategie Ewolucyjne

John Koza ( 1992 ) - Programowanie Genetyczne

a także

Sztuczne Systemy Immunologiczne

59


Późne lata 80-te - ...“Computing with words”

Wykorzystanie logiki rozmytej (fuzzy logic).

Możliwość operowanie rozmytymi pojęciami języka naturalnego, np. “duża prędkość”.

W przeciwieństwie do sieci neuronowych, systemy oparte na logice rozmytej nie działają na zasadzie “czarnej skrzynki”, tzn. ich decyzje są łatwiejsze do zrozumienia dla człowieka.

60




Eksperci posługują się nieprecyzyjnymi stwerdzeniami (np. duża, mocno, raczej, często, itd.)

Opisują inny rodzaj niepewności danych niż metody probabilistyczne.Porównaj: prędkość jest dużaprędkość jest prawdopodobnie równa 100 km/hprędkość jest prawdopodobnie duża

61




Przykład: Sendai Subway System

54 reguł rozmytych (niewielka liczba)

ale

kilka lat poświęcono na ich dostrajanie.

62


Przyszłość - Metody Hybrydowe

np. metody Neuro – Fuzzy

Łączą zdolność uczenia się z przejrzystością wyników dla ludzkiego użytkownika.

Pozwala to na generowanie reguł z danych numerycznych.

Pozyskiwanie wiedzy od eksperta jest długotrwałe i kosztowne. Dodatkowo, różni eksperci mogą mieć różne zdania na temat danego przypadku.

63

Rys historyczny

Koncepcja obliczeń inteligentnych (ang. Computational Intelligence - CI)

Sztuczne sieci neuronowe + algorytmy ewolucyjne +

zbiory rozmyte =

CI

64

Dziedzina AI● rozwiązywanie problemów i strategie

przeszukiwań,● teoria gier,● sztuczne sieci neuronowe,● algorytmy ewolucyjne,● automatyczne dowodzenie twierdzeń,● przetwarzanie języka naturalnego,● systemy ekspertowe,● procesy percepcji,● uczenie maszynowe,● wyszukiwanie informacji (inteligentne bazy

danych),● programowanie automatyczne.

65

Dziedzina AI

W metodach sztucznej inteligencji następuje przejście od przetwarzania danych do przetwarzania wiedzy. Systemy te określa się jako systemy oparte na wiedzy (knowledge-based systems). Metody algorytmiczne charakterystyczne dla przetwarzania proceduralnego w sztucznej inteligencji zostają zastąpione przeszukiwaniem inteligentnym (intelligent search).

66

Dziedzina AI

„Informacja tak różni się od wiedzy, jak stos cegieł od porządnie zbudowanego domu.”

67

Regułowe Systemy Ekspertowe

Wiedza

Teoretyczne i/lub praktyczne zrozumienie rozważanego tematu.

Wiedza jest tym, co pozwala nam podejmować uzasadnione, racjonalne decyzje.

68


Pozyskiwanie wiedzy (Knowledge acquisition)

Proces zbierania, studiowania i organizacji wiedzy w celu użycia jej w inteligentnym systemi.

69


Baza wiedzy (Knowledge base)

Podstawowy składnik Systemu Ekspertowego, który zawiera wiedzę z określonego zakresu.

70


Inżynieria wiedzy (Knowledge engineering)

Proces tworzenia systemu opartego na wiedzy (knowledge-based system).

•Główne etapy:● określenie problemu● pozyskanie danych i wiedzy● rozwój prototypu● rozwój właściwego systemu● ocena i wprowadzanie koniecznych zmian● wdrożenie i pielęgnacja systemu

71


Inżynier wiedzy (Knowledge engineer)

Osoba, która projektuje, tworzy i testuje SE. Inżynier wiedzy zdobywa wiedzę od eksperta,

ustala metody reprezentacji wiedzy i wnioskowania oraz wybiera narzędzia do

tworzenia systemu.

72


Ekspert

Osoba posiadająca głęboką wiedzę w postaci faktów i reguł oraz duże praktyczne doświadczenie w danej dziedzinie.

Sposób myślenia i podejmowania decyzji przez ludzi jest zbyt skomplikowany by mógł być dokładnie sformułowany jako algorytm.

Większość ekspertów jest w stanie wyrazić swą wiedzę w postaci reguł.

73

Systemy Ekspertowe

System ekspertowy:Program komputerowy wykonujący złożone zadania o dużych wymaganiach intelektualnych i robiący to tak dobrze jak człowiek będący ekspertem w tej dziedzinie

System, który niekoniecznie zastępuje eksperta – człowieka

Program komputerowy przeznaczony do rozwiązywania specjalistycznych problemów, które wymagają profesjonalnej ekspertyzy

Podział systemów ekspertowych:doradcze (advisory)podejmujące decyzje bez kontroli człowieka (dictatorial)krytykujące (criticizing)

74


IF – THEN Rules(Production Rules)

IF “światło” jest “zielone” THEN “akcja” jest “idź”

IF “światło” jest “czerwone” THEN “akcja” jest “stop”

IF warunek THEN konkluzja(antecedent, (consequent,premise, conclusion,condition) action)

75



IF warunek_1 THEN konkluzja_1

IF warunek_1 AND warunek_2 AND ... THEN konkluzja_1

76



Zamiast :

IF warunek_1 OR warunek_2 THEN konkluzja_1

lepiej:

IF warunek_1 THEN konkluzja_1IF warunek_2 THEN konkluzja_1

77



Analogicznie, zamiast :

IF warunek_1 AND warunek_2 OR warunek_3 THEN konkluzja_1

lepiej:

IF warunek_1 AND warunek_2 THEN konkluzja_1IF warunek_3 THEN konkluzja_1

78



Zamiast :

IF warunek_1 AND warunek_2 THEN konkluzja_1 AND konkluzja_2

lepiej:

IF warunek_1 AND warunek_2 THEN konkluzja_1IF warunek_1 AND warunek_2 THEN konkluzja_2

79



Reguła bardziej ogólna:

IF warunek_1 THEN konkluzja_1

Reguła bardziej specyficzna:

IF warunek_1 AND warunek_2 THEN konkluzja_2

Często przyjmuje się, że reguły bardziej specyficzne mają pierwszeństwo przed regułami bardziej ogólnymi.

80


IF – THEN Rules

Reguły mogą reprezentować:

●relacje●rekomendacje●dyrektywy●strategie●heurystyki

81


IF – THEN Rules

Relacja

IF bak jest pusty THEN samochód jest niesprawny.

Rekomendacja

IF pora_roku jest jesień AND pogoda jest pochmurnaTHEN rada jest “weź parasol”

82


IF – THEN Rules

Dyrektywa

IF samochód jest niesprawny AND bak jest pusty THEN akcja jest “zatankuj samochód”

Heurystyka

IF substancja jest cieczą AND pH < 6 THEN substancja jest kwasem

83


IF – THEN Rules

Strategia

IF samochód jest niesprawny THEN akcja jest “sprawdź bak” krok pierwszy skończony

IF krok pierwszy skończony AND bak jest pełny THEN akcja jest “sprawdź akumulator”krok drugi skończony

84


Osoby zaangażowane w proces tworzenia systemu ekspertowego:

Manager projektu

Ekspert Inżynier wiedzy Programista

Użytkownik

System Ekspertowy

85


Szkieletowe Systemy Ekspertowe(Expert Systems Shells)

Są to takie systemy, z których została usunięta wiedza.

Użytkownik może dodać nową wiedzę w postaci reguł i faktów w celu rozwiązania nowego problemu.

86


Reguły(pamięć trwała)

Fakty(pamięć nietrwała)

Wnioskowanie

Konkluzja

Podstawowa struktura systemu produkcyjnego (Production system model, Newell and Simon, 1972)

87


Baza wiedzy

(IF-THEN Rules)

Baza danych

(Fakty)

Maszyna wnioskująca

Użytkownik

Podstawowa struktura systemu ekspertowego

Wyjaśnianie

Interfejs użytkownika

88


Baza wiedzy

(IF-THEN Rules)

Baza danych

(Fakty)

Użytkownik

Podstawowa struktura systemu ekspertowego

Wyjaśnianie

Interfejs użytkownika Interfejs inżyniera

Inżynier, ekspert

Maszyna wnioskująca

89

Struktura systemów ekspertowychStruktura systemów ekspertowych składa się z następujących elementów:

baza wiedzy (np. zbiór reguł) baza danych (np. dane o obiekcie, wyniki pomiarów, hipotezy) procedury wnioskowania – maszyna wnioskująca procedury objaśniania – objaśniają strategię wnioskowania procedury sterowania dialogiem – procedury wejścia/wyjścia

umożliwiają formułowanie zadań przez użytkownika i przekazywanie do rozwiązywania przez program procedury umożliwiające rozszerzanie oraz modyfikację

wiedzy – pozyskiwanie wiedzy

Systemy oparte na bazie wiedzy (knowledge based system) – systemy z bazami wiedzy wydzielonymi od pozostałych modułów programu. Są one często wykorzystywane jako systemy wspomagające podejmowanie decyzji (decision suport systems).

90

Podstawowe zagadnienia w systemach opartych na bazie wiedzy są następujące:

• reprezentacja wiedzy• pozyskiwanie wiedzy• sposób użycia wiedzy• objaśnianie i uczenie się

Typowy proces pozyskiwania wiedzy

Dane, problemy, pytania

Ekspertdziedziny

Inżynierwiedzy

Bazawiedzy

Wiedza, koncepcje, rozwiązania

Wiedzastrukturalizowana

91

..

Porównanie konwencjonalnego przetwarzania z inżynierią wiedzyPorównanie konwencjonalnego przetwarzania z inżynierią wiedzy

Efektywna manipulacja bazami wiedzyEfektywna manipulacja bazami danych

HeurystykiAlgorytmy

Reprezentacja i użycie wiedzyReprezentacja i użycie danych

Baza wiedzyBaza danych

System ekspertowyProgram

Inżynier wiedzyProgramista analityk systemów

Inżynieria wiedzyKonwencjonalne przetwarzanie danych

Twórcanarzędzi

Ekspertdziedziny

Narzędziado budowysystemów

Inżynierwiedzy

Systemeksportowy

Użytkownik

Bazawiedzy

budujeProwadzi

dialog

rozszerzai testuje

wykorzystuje

wykorzystujedane

budujei testuje

wykorzystujei aktualizuje

Role twórców systemu ekspertowegoRole twórców systemu ekspertowego

92


Metody wnioskowania

93

Wnioskowanie w przódWnioskowanie wsteczSterowanie wnioskowaniemWnioskowanie mieszane

Metody wnioskowania

94

Tradycyjne systemy działają na podstawie klasycznej logiki dwuwartościowej, korzystając z tzw. reguły modus ponens, zwanej również regułą odrywania, którą zapisuje się następująco:

(A → B), A⇒ B

Reguła ta oznacza, że jeżeli z przesłanki A wynika B oraz A jest prawdziwe, to przyjmujemy, że fakt B jest również prawdziwy. Dla uproszczenia często przyjmujemy, że wystąpienie pewnego faktu w bazie wiedzy (odpowiednia lista) świadczy o jego prawdziwości, co znacznie przyspiesza proces wnioskowania.

Wyróżniamy trzy podstawowe typy wnioskowania: w przód (progresywne), wstecz (regresywne) i mieszane. Osobną grupę stanowią techniki wnioskowania wykorzystujące wiedzę niepewną, wśród których szczególną rolę odgrywa wnioskowanie rozmyte.

PowrótPowrót

Metody wnioskowania

95

Wnioskowanie w przód

Idea wnioskowania w przód jest niezwykle prosta . Na podstawie dostępnych reguł i faktów należy generować nowe fakty tak długo, aż wśród wygenerowanych faktów znajdzie się postawiony cel (hipoteza).

Podstawową cechą tego sposobu wnioskowania, która w pewnych sytuacjach może być jego wadą, jest możliwość zwiększania się bazy faktów. Postępowanie takie umożliwia, szczególnie w przypadku baz wiedzy o niewielkiej liczbie faktów, zwiększenie ich liczby, a co za tym idzie, przyspieszenie procesu sprawdzania postawionej hipotezy.

Jednocześnie, z innego punktu widzenia, tworzenie nowych faktów, w pewnych szczególnych sytuacjach może być zjawiskiem niepożądanym, gdyż zajmują one niepotrzebnie pamięć operacyjną komputera, co może doprowadzić do jej całkowitego zapełnienia.

PowrótPowrót

96


Mechanizm wnioskowaniaKrok 1

PowrótPowrót

97



PowrótPowrót

98



PowrótPowrót

99



PowrótPowrót

100



PowrótPowrót

101

Wnioskowanie wstecz

Wnioskowanie wstecz przebiega w odwrotną stronę niż wnioskowanie w przód. Ogólnie polega ono na wykazaniu prawdziwości hipotezy głównej na postawie prawdziwości przesłanek. Jeśli nie wiemy, czy jakaś przesłanka jest prawdziwa, to traktujemy tę przesłankę jako nową hipotezę i próbujemy ją wykazać.

Jeżeli w wyniku takiego postępowania zostanie wreszcie znaleziona reguła, której wszystkie przesłanki są prawdziwe, to konkluzja tej reguły jest prawdziwa. Na podstawie tej konkluzji dowodzi się następną regułę, której przesłanka nie była poprzednio znana itd. Postawiona hipoteza jest prawdziwa, jeśli wszystkie rozważane przesłanki dadzą się wykazać.

PowrótPowrót

102

Wnioskowanie wstecz

Zasadniczą cechą, która odróżnia wnioskowanie wstecz od wnioskowania w przód jest mniejsza liczba generowanych nowych faktów oraz niemożność równoczesnego dowodzenia kilku hipotez.

Ogólnie w typowych zastosowaniach wnioskowanie wstecz jest efektywniejsze i bardziej rozpowszechnione. Należy również podkreślić, że przy wnioskowaniu wstecz czas oczekiwania na osiągnięcie rozwiązania postawionej hipotezy jest w wielu przypadkach dużo krótszy niż przy wnioskowaniu w przód.

PowrótPowrót

103

Wnioskowanie wstecz


PowrótPowrót

104

Wnioskowanie wstecz


PowrótPowrót

105

Wnioskowanie wstecz


PowrótPowrót

106

Wnioskowanie wstecz


PowrótPowrót

107

Wnioskowanie wstecz


PowrótPowrót

108

Sterowanie wnioskowaniem

Aby zastosować określoną regułę ze zbioru reguł możliwych do uaktywnienia, korzysta się z metod sterowania wnioskowaniem. W tym celu stosuje się strategie, które ograniczają liczność reguł możliwych do uaktywnienia.

Strategia świeżości polega na określeniu reguły, która spośród wybranych do oceny została najpóźniej dołączona do pewnego obszaru pamięci, gdzie są przechowywane reguły. Moment dołączenia reguły może być określony za pomocą zegara systemowego. Inny sposób polega na wyborze reguły, która najpóźniej została dołączona do reguł znajdujących się w pewnym wyszczególnionym obszarze pamięci komputera (tzw. agenda).

PowrótPowrót

109

Sterowanie wnioskowaniemStrategia blokowania ma za zadanie eliminować te reguły,

które wcześniej w procesie wnioskowania były już wykorzystane. Postępowanie takie jest konieczne, gdyż inaczej powstałaby pętla nieskończona. Blokowanie reguł można osiągnąć na przykład umieszczając dodatkowe pole w strukturze danych (rekordzie) każdej reguły. W polu tym znajdzie się informacja o wykorzystaniu bądź niewykorzystaniu danej reguły.

Strategia specyficzności opiera swoje działanie na uwzględnianiu różnej liczby przesłanek w regułach. Są preferowane te reguły, które mają większą liczbę przesłanek. W przypadku reguł o tej samej liczbie przesłanek, jest wybierana ta, która ma mniejszą liczbę zmiennych.

Wymienione tutaj strategie spełniają w programie funkcję pewnego rodzaju filtrów, które mają za zadanie ograniczyć liczbę reguł - kandydatów do wykorzystania tak, aby wybrać tylko jedną. Jeśli w wyniku zastosowania wymienionych strategii istnieje ciągle więcej niż jedna reguła do uaktywnienia, to stosuje się tzw. strategię przypadkowości, która wybiera regułę w sposób losowy.

PowrótPowrót

110

Wnioskowanie mieszane

Wnioskowanie mieszane stanowi kompromis między wnioskowaniem w przód i wstecz, dzięki czemu jest pozbawione niektórych wad wspomnianych metod. Strategia wnioskowania mieszanego opiera się na wykorzystaniu ogólnych reguł, tzw. metareguł stanowiących metawiedzę, na podstawie której program zarządzający dokonuje odpowiedniego przełączania między poszczególnymi rodzajami wnioskowania.

W metaregułach są zawarte wskazania dotyczące priorytetów wyboru rodzaju wnioskowania. W zależności od sytuacji system może automatycznie dobierać najbardziej odpowiedni sposób wnioskowania. W przypadku przechodzenia z jednego rodzaju wnioskowania na drugi za hipotezę główną zawsze przyjmuje się tę, którą postawił użytkownik. Dzięki temu na każdym etapie wnioskowania istnieje możliwość udzielenia odpowiedzi na postawioną hipotezę.

PowrótPowrót

111


We wnioskowaniu mieszanym poza wczytaniem przez system bazy wiedzy należy wczytać także zbiór zawierający metareguły. System działa tak, jakby można było w nim wyróżnić dwie maszyny wnioskujące (progresywną i regresywną). Wiedza zapisana w metaregułach może preferować jeden z rodzajów wnioskowania. Na przykład baza wiedzy jest dzielona na dwie części: reguły związane z wnioskowaniem wstecz oraz reguły związane z wnioskowaniem w przód.

Załóżmy, że wyższy priorytet dajemy wnioskowaniu wstecz. Wówczas jest ono zalecane dopóty, dopóki da się zastosować jakąś regułę. Po każdym cyklu wnioskowania są sprawdzane warunki zapisane w metaregułach. Jeżeli nie daje się dalej stosować wnioskowania wstecz, to system zostaje przełączony w tryb wnioskowania w przód.

PowrótPowrót

112


Przy wyprowadzaniu kolejnych faktów jest sprawdzany warunek, czy system uzyskał już odpowiedź na postawioną hipotezę; jeżeli tak, to wynik jest przekazywany jako rozwiązanie. W przeciwnym przypadku proces jest kontynuowany; w zależności od okoliczności może być uruchamiany drugi rodzaj wnioskowania.

Cykl ten powtarza się tak długo, aż zostanie osiągnięty cel główny lub zostaną wyczerpane wszystkie możliwości jego wykazania na podstawie posiadanej bazy wiedzy lub też odpowiedzi udzielonych przez użytkownika w trakcie dialogu.

PowrótPowrót

113


Dla przykładu weźmiemy pod uwagę bazę reguł podzieloną na dwie części, zawierającą 8 reguł o następującej postaci:

3. Część bazy reguł związana z wnioskowaniem regresywnym:

R1 F AND H => KR2 E AND A => KR3 E AND B => H

7. Część bazy reguł związana z wnioskowaniem progresywnym:

R4 A AND G => BR5 B AND D => HR6 G AND D => ER7 A AND B => D

R8 A AND C => G

PowrótPowrót

114


Główną zaletą wnioskowania mieszanego jest skrócenie czasu potrzebnego na uzyskanie rozwiązania. Nie występuje tutaj taka sytuacja jak przy wnioskowaniu w przód, że program, tworząc nowe fakty, może zająć całą pamięć operacyjną.

Trudność natomiast sprawia pozyskanie metawiedzy. Należy nadmienić, że źle dobrane metareguły mogą spowolnić pracę systemu lub nawet uczynić ją nieefektywną

PowrótPowrót

115


Metawiedza - stanowi wiedzę o wiedzy, czyli o sposobie przetwarzania wiedzy z danej dziedziny.

Metareguły są stosowane w przypadku:

●wyboru kolejności uruchamiania (firing) reguł●rozwiązywaniu konfliktów

Przykład metareguły:Reguły dostarczone przez Eksperta Nr 1 są ważniejsze niż reguły dostarczone przez Eksperta Nr 2.

116

Wady:- nie inspirująca- wymaga wprowadzenia wiedzy- wejścia symboliczne- wąski zakres- wiedza przetwarzana w sposób mechaniczny

Zalety:- twórcza- adaptacyjna- wykorzystanie zmysłów- szeroki zakres- wiedza zdrowego rozsądku

Zalety:- stała- łatwa do przeniesienia- łatwa w dokumentacji- zgodna z bazą wiedzy- dostępna

Wady:- tracąca na wartości z upływem czasu- trudna do przeniesienia- trudna w dokumentacji- niedająca się przewidzieć- kosztowna

Ekspertyza sztucznaEkspertyza naturalna, wykonana przez człowieka

Porównanie ekspertyzy naturalnej z ekspertyzą sztucznąPorównanie ekspertyzy naturalnej z ekspertyzą sztuczną

Omawiając podstawowe wiadomości o Omawiając podstawowe wiadomości o systemach ekspertowychsystemach ekspertowych należy należy wspomnieć o jeszcze jednym pojęciu – wspomnieć o jeszcze jednym pojęciu – konsultacjikonsultacji. Pod tym pojęciem rozumie się . Pod tym pojęciem rozumie się współpracę użytkownika z systemem. Odbywa się przez interfejs z współpracę użytkownika z systemem. Odbywa się przez interfejs z użytkownikiem. użytkownikiem.

117

Rodzaje systemów ekspertowych

Podział systemów ekspertowych ze względu na wynik otrzymywany na wyjściu:

Diagnoza – jest to ocena stanu istniejącego na podstawie posiadanych danych. Zagadnienie to jest blisko związane z rozpoznawaniem wzorców.

Prognoza – jest to przewidywanie stanu przyszłego na podstawie istniejących danych. Niektóre programy medyczne, np. CASNET, stawiają prognozę stanu (w tym przypadku zdrowia klienta) na podstawie własnej prognozy.

Plan – rozumiany jako opis pewnego stanu, do którego należy dążyć. Jednym z przykładów jest planowanie konfiguracji komputerów.

118

systemy doskonalenia zawodowego dla studentówIlustrowania

harmonogramują czynności przy dokonywaniu napraw uszkodzonych obiektówNaprawy

podają sposób postępowania w przypadku złego funkcjonowania obiektu, którego te systemy dotyczą

Poprawiania

kierują zachowaniem systemu; obejmują interpretowanie, predykcję, naprawę i monitorowanie zachowania się obiektu

Sterowania

porównują obserwacje z ograniczeniami, np. w elektrowniach atomowych, medycynie, ruchu ulicznym

Monitorowania

podejmują działania, aby osiągnąć cel, np. ruchy robotaPlanowania

konfigurują obiekty w warunkach ograniczeń, np. konfigurowanie systemu komputerowegoKompletowania

określają wady systemu na podstawie obserwacji, np. medycyna, elektronika, mechanikaDiagnostyczne

wnioskują o przyszłości na podstawie danej sytuacji, np. prognoza pogody, rozwój chorobyPredykcyjne

dedykują opisy sytuacji z obserwacji lub stanu czujników, np. rozpoznawanie mowy, obrazów, struktur danych

Interpretacyjne

Zadania realizowane przez systemy ekspertoweKategoria

Rodzaje systemów eksportowychRodzaje systemów eksportowych

119

planowanie inwestycji, planowanie na wypadek klęski, planowanie dystrybucji

analiza ryzyka, analiza rynku

projektowanie funkcji logicznych, planowanie projektu

analiza ryzyka, planowanie inwestycji

Planowanie

diagnostyka medyczna, diagnostyka techniczna

kredyty, analiza ryzyka

wykrywanie urządzeń, utrzymanie zdolności produkcyjnej

kredyty, pożyczki na nieruchomości, analiza ryzyka, przetwarzanie skarg

Diagnostyka

sieci (pocztowe, energetyczne)

wybór asortymentów, doradztwo dla rolnictwa

projektowanie zakładów i produktów, komputerów

Projektowanie

monitorowanie reaktorów jądrowych oraz dużych sieci (gazowe, wodne)

obserwowanie trendównadzorowanieprocesów,sterowanieprocesami,raportowaniespecjalnych sytuacji

obserwowanie trendówMonitorowanieSterowanie

Sektor publiczny i inne

Handel i usługiPrzemysłBankowość iubezpieczenia

SektorZastosowanie

Podstawowe obszary zastosowań systemów ekspertowychPodstawowe obszary zastosowań systemów ekspertowych

120

Podział Podział systemów ekspertowychsystemów ekspertowych ze względu na sposoby realizacji: ze względu na sposoby realizacji:• systemy dedykowanesystemy dedykowane, które są tworzone od podstaw przez inżyniera wiedzy , które są tworzone od podstaw przez inżyniera wiedzy współpracującego z informatykiemwspółpracującego z informatykiem• systemysystemy szkieletoweszkieletowe (shells) (shells), są to systemy z pustą bazą wiedzy, są to systemy z pustą bazą wiedzy

Podział Podział systemów ekspertowychsystemów ekspertowych ze względu na metodę prowadzenia procesu ze względu na metodę prowadzenia procesu wnioskowania:wnioskowania:• z logiką dwuwartościowąz logiką dwuwartościową (Boole’a) (Boole’a)• z logiką wielowartościowąz logiką wielowartościową• z logiką rozmytąz logiką rozmytą

Podział Podział systemów ekspertowychsystemów ekspertowych ze względu na rodzaj przetwarzanej informacji: ze względu na rodzaj przetwarzanej informacji:• systemy z wiedzą pewnąsystemy z wiedzą pewną, czyli zdeterminowaną, czyli zdeterminowaną• systemy z wiedzą niepewnąsystemy z wiedzą niepewną, w przetwarzaniu której wykorzystuje się przede , w przetwarzaniu której wykorzystuje się przede wszystkim aparat probabilistycznywszystkim aparat probabilistyczny

Podział Systemów Ekspertowych

121

Właściwości systemów ekspertowych

Poprawność systemu

System ekspertowy powinien zapewnić wysoki poziom wydawanych ekspertyz. W tym sensie możemy mówić o poprawności systemu, jeśli: daje on dobre rezultaty rozwiązuje zadania w czasie dopuszczalnym dysponuje strategiami umożliwiającymi imitowanie wiedzy i intuicji eksperta, uzyskanej w wyniku wieloletniego doświadczenia

Dopuszczalny czas rozwiązywania zadania jest pojęciem relatywnym względem samego zadania. Niektóre systemy odznaczają się czasem odpowiedzi mierzonym w sekundach, inne zaś mogą pracować w ciągu długiego czasu (tygodniami – np. system PROSPECTOR). Nie zawsze jednak wydłużanie czasu odpowiedzi poprawia w istotny sposób wyniki działania.

122

Uniwersalność Ważną cechą charakterystyczną systemu ekspertowego jest jego zdolność do rozwiązywania obszernej klasy zadań z tej dziedziny. Aby zdolność tę przejawić, system nie powinien zawierać wielu sztywnych, wcześniej przygotowanych rozwiązań, lecz dużą liczbę reguł obejmujących dostatecznie szeroki zakres heurystyk z dziedziny problemowej.

Powinny one nie tylko umożliwić przeszukiwanie przestrzeni rozwiązań dobrze postawionego zadania. Dostateczna liczba uniwersalnych reguł powinna zapewnić płynne (nie skokowe) pogarszanie się jakości pracy systemu w sytuacji, w której posiadane reguły wnioskowania okazują się niewystarczające.

Uniwersalność rozumiana jako możliwość rozwiązania zadań z różnych dziedzin wiedzy na podstawie strukturalnego podobieństwa reguł wnioskowania jest jeszcze nieosiągalna.

123

Złożoność Stopień skomplikowania systemu ekspertowego jest w naturalny sposób określony przez dziedzinę, dla której jest wykonany. W tym aspekcie wstępuje paradoksalne zjawisko, że problem niezbyt skomplikowany, o krótkim i mało rozgałęzionym drzewie przeszukiwań czyni konstrukcję nieopłacalną, ponieważ problem taki łatwiej jest rozwiązać używając zwykłych programów.

Ogólnie ocena złożoności systemu jest w pewien sposób możliwa – na przykład przez liczbę reguł wnioskowania, wielkość bazy danych itp.

Klasyfikacja systemów ekspertowych ze względu na liczbę reguł:• małe (100 – 300 reguł)• średnie (300 – 2000 reguł)• duże (ponad 2000 reguł)

Ze względu na trudności w przeszukiwaniu dużych baz wiedzy w procesie wnioskowania nie stosuje się obecnie więcej niż 10 000 reguł.

124

Autoanaliza System ekspertowy powinien uzasadnić użytkownikowi przyjęte rozwiązywanie nie tylko globalne, ale i na każdym etapie, to znaczy każde rozwiązanie częściowe. Dokonuje się tego w ten sposób, że przegląda się drzewo rozwiązania w kierunku wstecznym, tak jakby to było jeszcze jedno zadanie wymagające ekspertyzy.

W systemach ekspertowych występuje problem niesprzeczności uzyskiwanych w danym etapie wnioskowania wyników z faktami zawartymi w bazie wiedzy. Odpowiada to zmianie drogi w drzewie rozwiązania. W analizowaniu przez system własnego zachowania istotna rolę odgrywa tzw. moduł niesprzeczności.

Ścisły pomiar ilościowy zdolności systemu do autoanalizyjest bardzo trudny. Trzeba zauważyć, że nie zawsze analiza taka jest możliwa lub potrzebna. Systemy czasu rzeczywistego muszą tak szybko reagować na zmienne warunki otoczenia, że prowadzenie dialogu z człowiekiem jest zwykle niemożliwe. W pewnych dziedzinach jednak wynik jest zrozumiały dla odbiorcy i dodatkowe wyjaśnienia nie są potrzebne.

125

Zdolność udoskonalania bazy wiedzy Jedną z podstawowych cech eksperta jest ciągłe rozszerzanie wiedzy o nowe fakty i prawa (reguły wnioskowania). System eksportowy, jeśli ma być efektywny, powinien również przejawiać tę cechę. Oczywiście dla użytkowników lub konstruktorów zależy, czy bazę wiedzy będzie można rozszerzać czy nie.

Mechanizmy udoskonalające działanie systemów ekspertowych: kontroler niesprzeczności nowo wprowadzanych do bazy wiedzy reguł z regułami w niej zawartymi kontroler zgodności reguł z nowo wprowadzanymi faktami mechanizm oceny częstości stosowania poszczególnych reguł mechanizm rozbudowy istniejącej bazy reguł poza zakres danej bazy wiedzy. Dwa pierwsze elementy mieszczą się w module niesprzeczności, pozostałe należy wbudować jako dodatkową strukturę uczącą. Adaptacyjność nie jest wymagana dla zamkniętych dziedzin wiedzy, będzie natomiast konieczna w systemach dla dziedzin wiedzy, w których występuje duży stopień niepewności i niedostateczna, rozwijająca się baza danych.

126

Badanie poprawności bazy wiedzy

Spójność

Testowanie spójności polega na wykrywaniu reguł zbędnych, sprzecznych, pochłaniających, reguł z niepotrzebnym warunkiem oraz reguł zapętlonych.

127

Badanie poprawności bazy wiedzy Redundancja bazy wiedzy występuje wówczas, gdy

pojawiają się reguły zbyteczne. Dwie reguły są redundancyjne, jeśli obie ich części warunkowe są równocześnie spełnione lub nie spełnione we wszystkich możliwych sytuacjach oraz ich części konkluzyjne są identyczne, np.:

( a, L ) AND ( c, 3 ) => ( d, H ) (¬( a, R )) AND ( c, 3 ) => ( d, H )

Przy czym atrybut a może przyjąć dwie wartości: L i R. Mimo, że redundancja powoduje nadmiarowość bazy wiedzy, proces wnioskowania odbywa się bez szkód, chociaż jest wymagane przeszukiwanie większej liczby reguł.

128

Spójność

1. Sprzeczność reguł2.

Dwie reguły są sprzeczne (konfliktowe) wówczas, gdy ich części warunkowe są równocześnie spełnione lub niespełnione we wszystkich możliwych sytuacjach i ich części konkluzyjne są różne dla przynajmniej jednej sytuacji. Następujące reguły są konfliktowe:

( a, L ) AND ( c, 3 ) => ( d, H )( a, L ) AND ( c, 3 ) => ( d, L )

Przy czym atrybut d może przybrać dwie wartości: H i L. Niektóre systemy do sprawdzania poprawności bazy wiedzy pokazują sprzeczne reguły, umożliwiając inżynierowi wiedzy eliminację tego błędu.

7.

129

Spójność

1.

3. Reguły pochłaniające4.

Jedna reguła jest pochłaniana przez inną wówczas, gdy część warunkowa pierwszej reguły jest spełniona, jeśli jest spełniona część warunkowa drugiej reguły (odwrotne stwierdzenie nie jest prawdziwe) i części konkluzyjne obu reguł są identyczne. Na przykład reguła

( a, L ) AND ( c, 3 ) => ( d, H )jest pochłaniana przez regułę

( c, 3 ) => ( d, H )

130

1. Niepotrzebne warunkiDwie reguły mają niepotrzebne warunki, jeśli obie są

pochłaniane przez trzecia regułę. Baza reguł może nie zawierać tej trzeciej reguły i w takiej sytuacji sprawdzanie pochłaniania nie daje rezultatu. Następujące dwie reguły mają niepotrzebne warunki:

( a, L ) AND ( b, D ) AND ( c, 5 ) => ( d, H )( a, R ) AND ( b, D ) AND ( c, 5 ) => (d, H )

Przy czym warunkowy atrybut a może mieć dwie wartości: L i R.Obie reguły są pochłaniane przez regułę

( b, D ) AND ( c, 5 ) => ( d, H )

Spójność

131

Spójność

1.Zapętlenie reguł

Zestaw reguł tworzy pętlę, jeżeli uaktywnienie tych reguł jest cykliczne. Na przykład trzy reguły

( a, L ) AND ( c, 5 ) => ( d, H )( d, H ) => ( f, 2 )

( f, 2 ) AND ( g, 4 ) => ( c, 5 )

tworzą pętlę, gdy w bazie wiedzy istnieją następujące fakty:

(a. L), (c, 5), (g, 4)

W poprawnie działającym systemie ekspertowym tego typu reguły nie powinny wystąpić. Aby wykryć zapętlenie reguł, dla badanej bazy tworzy się tzw. tablicę zależności. W tablicy takiej przedstawia się zależności istniejące między regułami oraz między regułami a celem do wykazania.

132

Spójność

1.Wielokrotne odwołanie do jednego atrybutu

Wielokrotne odwołanie do jednego atrybutu zachodzi wówczas, gdy występuje kilka członów zawierających ten sam atrybut. W przypadku, gdy odwołania są identyczne, wówczas powtarzające się warunki są zbędne. Natomiast w przypadku, gdy nie są one identyczne, wówczas reguła nigdy nie będzie uaktywniona, ponieważ atrybut nie może jednocześnie przyjmować kilki wartości, np.

( a, L ) AND ( a, R ) => ( d, H )

Wielokrotne odwołanie do jednego atrybutu w części wynikowej jest błędem logicznym, stwarzającym domniemanie wystąpienia błędnego powiązania atrybutu wynikowego z jego wartością

133

Kompletność bazy reguł

Sprawdzanie kompletności bazy reguł polega na poszukiwaniu brakujących reguł. W niektórych rozwiązaniach sprawdza się, czy istnieje reguła dla każdej kombinacji atrybutu przesłanki i wartości, jaką atrybut może przyjąć. Większość systemów w celu sprawdzenia poprawności reguł rozpatruje różne przypadki, jakie mogą się zdarzyć dla części reguł: nieokreślone wartości przesłanek, niedopuszczalne wartości atrybutów, nieosiągalna akcja (uaktywnienie reguły) i nieosiągalny cel.

Wartość atrybutu warunku jest nieokreślona wówczas, gdy nie jest zgodna z częścią warunkową przynajmniej jednej reguły. Niekoniecznie oznacza to, że jakaś reguła nie została wprowadzona do bazy wiedzy (jest to jednak możliwe). Sytuacja ta oznacza, że zbiór wartości atrybutów w częściach warunkowych reguł jest mniejszy od zbioru możliwych wartości atrybutów.

134

Kompletność bazy reguł

Atrybut przyjmuje niedopuszczalną wartość, gdy istnieje reguła odnosząca się do atrybutu o wartości nienależącej do zbioru dopuszczalnych wartości atrybutu. Dotyczy to obu części reguł. Aby otrzymać poprawność bazy reguł, błąd ten musi zostać skorygowany.

Z nieosiągalną akcją mamy do czynienia wówczas, gdy konkluzje reguł nie odpowiadają faktom występującym w przesłankach innych reguł. Następuje wówczas przerwanie łańcucha wnioskowania. Błąd ten możemy zidentyfikować tylko wówczas, gdy jest znana klasa celów. Z kolei nieosiągalny cel (hipoteza) występuje wówczas, gdy nie zawiera go konkluzja żadnej reguły

Inżynieria Wiedzy i Systemy Ekspertowemichalbereta.pl/dydaktyka/IWiSE/IWiSE_wyk%eaad_1.pdf · 3...

Documents

Transcript of Inżynieria Wiedzy i Systemy Ekspertowemichalbereta.pl/dydaktyka/IWiSE/IWiSE_wyk%eaad_1.pdf · 3...