UMETNI INTELIGENTNI SISTEMI

Transcription

1 UMETNI INTELIGENTNI SISTEMI (UN2-1-IZB-UM.INTEL.SIS 2013/2014) EKSPERTNI SISTEMI Simon Dobrišek

2 VSEBINA PREDAVANJA Uvod Zgradba ekspertnih sistemov Baza znanja Mehanizem sklepanja Orodja za izgradnjo ekspertnih sistemov

3 KAJ SO EKSPERTNI SISTEMI? Poskušajo posnemati človeške miselne procese. So osredotočeni na uporabo strokovnega znanja. Temeljijo na zamisli produkcijskih sistemov. Vključujejo bazo znanja in mehanizem sklepanja. Izgradnja navadno zahteva samo vnos baze znanja.

4 SESTAVINE EKSPERTNIH SISTEMOV Baza znanja vsebuje znanje, specifično za dano področje reševanja problemov Baza dejstev vsebuje dejstva, ki so ugotovljena med reševanjem danega problema Baza pravil vsebuje odnose med možnimi dejstvi Mehanizem sklepanja program, ki aktivira znanje v bazi znanja. Uporabniški vmesnik omogoča komunikacijo med uporabnikom in ekspertnim sistemom.

5 ZGRADBA EKSPERTNIH SISTEMOV UPORABNIŠKI VMESNIK MEHANIZEM SKLEPANJA SISTEMSKI VMESNIK BAZA ZNANJA BAZA PRAVIL BAZA DEJSTEV

6 PROBLEMI, KI JIH REŠUJEJO EKSPERTNI SISTEMI Problemi, ki jih tipično rešujejo strokovnjaki na ožjem strokovnem področju. Pogosto na področju medicine, servisnih dejavnosti, svetovanje, podajanje informacij itd. Udejanjanje inteligentnih avtonomnih agentov ali agentov v več-agentnih sistemih. Povsod, kjer inteligentni sistem vključuje veliko odločanja na osnovi baze znanja.

7 KDAJ UPORABITI EKSPERTNE SISTEME? Če razvijamo sistem za reševanje problema, ki vključuje veliko pogojnih vejitev, odvisnih od vhodnih podatkov. Če je sprejemanje odločitev odvisno od zapletenih pogojev, ki so v določenih primerih med sabo še soodvisni. Če se lahko pravila, na katerih temelji sprejemanje odločitev sčasoma tudi spremenijo. Če imamo namen posodabljati in izboljševati delovanje sistema s čim manj posegov v izvorno programsko kodo. Če naročnik ne zahteva rešitve, ki je v celoti prilagojena prav njihovim potrebam.

8 PREDNOSTI EKSPERTNIH SISTEMOV Nizki stroški razvoja sistema za reševanje danih problemov. Vso znanje sistema je zapisano v bazi znanja. Možnost razumljive razlage sprejetih odločitev tudi za uporabnika, ki ni računalniški strokovnjak. Uporaba enakega sistema za različne probleme.

9 OMEJITVE EKSPERTNIH SISTEMOV Rezultati so popolnoma odvisni od točnosti znanja. Težavno vnašanje baze znanja. Ne poznajo omejitev danega področja uporabe. Nimajo sposobnosti učenja iz izkušenj z uporabniki. Neuporabni pri nepričakovanih razmerah delovanja. Omejeni na manj obsežne baze znanja.

10 OSEBE, VPLETENE V DELOVANJE EKSPERTNI SISTEMA UPORABNIŠKI VMESNIK Uporabnik MEHANIZEM SKLEPANJA BAZA ZNANJA Ustvarjalci sistema Strokovnjak Inženir znanja BAZA PRAVIL BAZA DEJSTEV

11 BAZA ZNANJA EKSPERTNEGA SISTEMA Baza znanja predstavlja formalno opisane zamisli, ki omogočajo mehanizmu sklepanja izpeljavo rešitve za dani problem. Večinoma je znanje opisano s produkcijskim sistemom, ki vključuje množico izjav ČE... POTEM. ČE si lačen POTEM želiš jesti (če obstaja dejstvo, da si lačen, se to prilega premisi si lačen ; pogoj je izpolnjen, zato se izpelje sklep želiš jesti )

12 DIALOG MED INŽENIR ZNANJA IN STROKOVNJAKOM BAZA ZNANJA BAZA PRAVIL BAZA DEJSTEV Strokovnjak Inženir znanja Inženir znanja mora vzpostaviti dialog s strokovnjakom izbranega področja uporabe. V izbranem formalnem računalniškem deklarativnem jeziku vnaša znanje neposredno v bazo znanja. Strokovnjak ovrednoti delovanje sistema in daje pripombe inženirju znanja, ki bazo znanje dopolnjuje.

13 PREDSTAVITEV ZNANJA V EKSPERTNIH SISTEMIH Ustrezna predstavitev znanja je ključna za uspeh ekspertnega sistema. Ekspertni sistemi večinoma temeljijo na predstavitvi znanja, ki temelji na logičnem sklepanju. Formalni študij znanja se izvaja v okviru epistemologije, ki se ubada z naravo, strukturo in izvorom znanja. Epistemologija je filozofska disciplina, ki raziskuje izvore, možnosti, meje, objektivno vrednost in predmet spoznanja.

14 EPISTEMOLOGIJA/GNOSEOLOGIJA Izjave/Trditve Resnice Znanje Prepričanja Epistemologija obravnava prostor izjav/trditev, resnic, prepričanj in znanja.

15 VRSTE ZNANJA - APRIORNO ZNANJE Izraz izvira iz latinske besede kar predhodi. Je neodvisno od konkretnih izkustev in zaznav. Je univerzalno resnično. Ne more biti zavrnjeno brez kontradikcije.

16 APOSTERIORNO (SPO)ZNANJE Izraz izvira iz latinske besede kar sledi. Je izpeljano iz konkretnih izkustev in zaznav. Ni vedno zaupanja vredno. Je lahko zavrnjeno na podlagi novih zaznav.

17 PROCEDURALNO, DEKLARATIVNO IN NEMO ZNANJE Proceduralno znanje je znanje, kako se nekaj naredi (npr. nameščanje računalniškega programa). Deklarativno znanje je vedenje o tem ali je nekaj resnično ali ni (npr. zgodila se je prometna nesreča). Implicitno znanje so veščine, ki se ne dajo izraziti z jezikom (npr. znanje, kako premakniti nogo).

18 META-ZNANJE IN PIRAMIDA ZNANJA Znanje o znanju. S pomočjo meta-znanja bi lahko ekspertni sistem izbiral znanje, ki je najbolj primerno za dano področje uporabe. Modrost Meta-znanje Znanje Informacija Podatki Šum

19 PREDSTAVITEV ZNANJA Razčlenjevalna drevesa Logična pravila. Semantična (pomenska) omrežja. Konceptni grafi. Programske skripte.

20 PREDSTAVITEV ZNANJE, KI TEMELJI NA PRAVILIH Znanje je predstavljeno s pravili, ki se aktivirajo z dejstvi ali drugimi pravili. Aktivirana pravila lahko postanejo dejstva, ki aktivirajo druga pravila. Rezultat so aktivacije pravil, ki določajo možen končni cilj verižnega sklepanja iz pravil.

21 PRODUKCIJSKI SISTEM MEHANIZEM SKLEPANJA Baza pravil je opisana z izjavami: BAZA PRAVIL BAZA DEJSTEV ČE premisa POTEM sklep BAZA ZNANJA Te izjave imenuje produkcijska pravila. Baza dejstev je seznam dejstev, ki potrjujejo pravilnost premis, in dejstev, ki izhajajo iz sklepov izjav. Mehanizem sklepanja je postopek, ki določa izbiro pravil in izvajanja sklepov, glede na stanje celotne baze znanja.

22 PREDSTAVITEV PRODUKCIJSKIH PRAVIL Ponazoritev pravil z IN/ALI drevesi. Sklep ČE Premisa 1 IN Premisa 2 IN Premisa 3 POTEM Sklep Premisa 1 Premisa 2 Premisa 3 Sklep ČE Premisa 1 POTEM Sklep ČE Premisa 2 POTEM Sklep ČE Premisa 3 POTEM Sklep Premisa 1 Premisa 2 Premisa 3

23 MEHANIZEM SKLEPANJA Izbira pravil za izvajanje sklepov se opravi na podlagi ene izmed dveh temeljnih strategij. Veriženje pravil naprej (angl. forward chaining). Veriženje pravil nazaj (angl. backward chaining).

24 VERIŽENJE PRAVIL NAPREJ Iskanje pravil, ki morejo potrditi pravilnost premis z dejstvi iz baze dejstev. Takšno pravilo izvedemo in sklep vpišemo kot novo dejstvo v bazo dejstev. Iskanje in izvajanje pravil poteka tako dolgo dokler nek sklep ni označen kot želeni cilj izvajanja, oziroma, ko iz dejstev v bazi dejstev ne moremo izvesti več nobenega sklepa.

25 PONAZORITEV VERIŽENJA PRAVIL NAPREJ BAZA PRAVIL BAZA DEJSTEV

26 VERIŽENJE PRAVIL NAZAJ Iskanje pravil, ki imajo sklep označen kot želeni cilj izvajanja. Za takšna pravila se nato preveri, če podana dejstva potrjujejo resničnost njihovih premis. Če takšnih dejstev ni, preverimo, ali lahko premise potrdimo z izpeljevanjem iz drugih podanih pravil glede na podana dejstva.

27 PONAZORITEV VERIŽENJA PRAVIL NAZAJ BAZA PRAVIL BAZA DEJSTEV

28 RAZLIKE MED OBEMA STRATEGIJAMA Veriženje naprej je strategija z iskanjem v širino. Veriženje nazaj je strategija z iskanjem v globino. Veriženje pravil naprej Veriženje pravil nazaj Iskanje iz sedanjosti v prihodnost Iskanje iz prednikov v naslednike Načrtovanje in nadzor sistemov Vhodni podatki določajo iskanje Iskanje sklepov, ki sledijo iz dejstev Razlaga verige sklepanja ni možna Iskanje iz sedanjosti v preteklost Iskanje iz naslednikov v prednike Diagnostika sistemov Želeni sklepi določajo iskanje Iskanje dejstev, ki podpirajo sklepe Razlaga verige sklepanja je možna

29 KOMUNIKACIJA Z UPORABNIKOM UPORABNIŠKI VMESNIK Dejstva Vprašanja Kako/Zakaj? Rezultati MEHANIZEM SKLEPANJA BAZA PRAVIL BAZA DEJSTEV BAZA ZNANJA

30 UPOŠTEVANJE NEZANESLJIVOSTI PODATKOV Upoštevanje negotovosti pri navajanju dejstev. Uporaba verjetnostnih teorij, ki upoštevajo negotovost (Bayes, Shannon, ) Uvajanje stopnje gotovosti sklepov. Uporaba neizrazitih (angl. fuzzy) pravil. Minimizacija števila pravil glede na njihov prispevek k želenim ciljem izvajanja.

31 KOMBINIRANJE STOPENJ GOTOVOSTI Pri veriženju pravil je potrebno v premisah kombinirati več vrednosti stopenj gotovosti, ki izhajajo iz negotovih dejstev ali že izpeljanih sklepov. Pri stopnjah gotovosti med 0 in 100 se dve vrednosti kombinirat v njun minimum, maksimum, povprečje, produkt, verjetnostno vsoto ipd.

32 PRIMER KOMBINIRANJA STOPENJ GOTOVOSTI

33 LUPINE EKSPERTNIH SISTEMOV Obstaja več programskih ogrodij in lupin za razvoj ekspertnih sistemov. Vsebujejo že vso programsko arhitekturo, a so brez vgrajenega znanja. Primeri odprtokodnih lupin so deli programskih ogrodij CLIPS in FuzzyClips. Primer lupine za razvoj spletnih ekspertnih sistemov je tudi expertise2go.

34 PRIMER BAZE ZNANJA EXPERTNEGA SISTEMA RULE [Choosing a full bodied aperitif] If [this wine] = "to be consumed before a meal (aperitif)" and [the preferred body] = "full" Then [a recommended generic wine type] = "dry sherry" RULE [Choosing a sparkling aperitif] If [this wine] = "to be consumed before a meal (aperitif)" and [a sparkling wine is preferred] = true and [the preferred body] : "medium" "light" Then [a recommended generic wine type] = "champagne or sparkling white" RULE [Is this wine for a red meat entree?] If [this wine] = "to accompany an entree" and [the entree] : "roast beef" "steak" Then [a recommended generic wine type] = "red burgundy" and [the entree category] = "red meat" RULE [Is this wine for a white/light meat entree?] If [this wine] = "to accompany an entree" and [the entree] : "pork" "veal" "chicken" "turkey" Then [the entree category] = "white/light meat" RULE [Is the wine for Italian meat & cheese dish?] If [this wine] = "to accompany an entree" and [the entree] = "an Italian meat and cheese dish" Then [a recommended generic wine type] = "chianti"

35 PRIMER BAZE ZNANJA EXPERTNEGA SISTEMA PROMPT [a sparkling wine is preferred] YesNo "Do you prefer a sparkline wine?:" PROMPT [the preferred taste] MultChoice CF "Which taste do you prefer in a wine?" "sweet" "medium dry" "dry" PROMPT [the preferred body] MultChoice CF "Which body do you prefer in a wine?" "light" "medium" "full" PROMPT [the preferred wine color] MultChoice CF "Which color of wine do you prefer?" "red" "white" MAXVALS [a recommended generic wine type] 2 MAXVALS [a suggested varietal wine] 2 GOAL [a recommended generic wine type] GOAL [a suggested varietal wine] MINCF 80

36 PRIMER EXPERTNEGA SISTEMA

37 VPRAŠANJA Kaj so ekspertni sistemi? Katere so osnovne sestavine ekspertnih sistemov? Kaj so prednosti in omejitve ekspertnih sistemov? Opišite produkcijski sistem. Opišite veriženje pravil naprej in nazaj. Kako opišemo negotovost podatkov? Podajte primere ekspertnih lupin.