U MEL Á I NTELIGENCI A prednáška č. 4

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 1/23

UMELÁ INTELIGENCIA prednáška č. 4

Znalostné systémy

doc. Ing. Kristína Machová, [email protected]

Vysokoškolská, 150,


Osnova prednášky1. Definícia a historickí predchodcovia2. Vlastnosti ZS v porovnaní s ľudským riešiteľom3. Miesto človeka v tvorbe a používaní ZS4. Štruktúra ZS5. Produkčný systém6. Dopredné a spätné reťazanie7. Prehľadávanie inferenčnej siete8. Spracovanie neurčitých znalostí9. Získavanie znalostí10. Vysvetľovací mechanizmus11. Vyhodnocovanie ZS12. Aplikačné možnosti ZS


1. Definícia a historickí predchodcoviaZS je súbor počítačových programov a štruktúrovaných údajov,

ktoré sú schopné nahradiť činnosť špecialistu v jeho obore, prípadne ho prekonať.

HISTORICKÍ PREDCHODCOVIA DENDRAL analyzuje údaje hmotového spektrografu a

zostavuje molekulárne štruktúry. Prvá aplikácia väčšieho množstva špecifických znalostí.

MACSYMA vykonáva symbolické manipulácie. MYCIN diagnostikuje a lieči infekčné ochorenia krvi

(výsledky porovnateľné s expertom). HERSAY rieši úlohy na rôznych úrovniach abstrakcie, na

úrovni 10 ročného dieťaťa. Chápe súvislú reč (1000 slov).


2. Vlastnosti ZS a ľudského riešiteľa ĽUDSKÁ KOMPETENTNOSŤ

KOMPETENTNOSŤ ZS

Nie je trvalá Je trvalá

Ťažko odovzdávateľná Ľahko odovzdávateľná

Ťažko dokumentovateľná Ľahko dokumentovateľná

Nepredpovedateľný výkon Stabilný výkon

Problematická dostupnosť Neustála dostupnosť

Vysoká cena Nízka cena (drahý vývoj)


3. Miesto človeka v tvorbe a použití ZSVLASTNOSTI ČLOVEKA, KTORÝMI ES NEDISPONUJEsú tvorivosť, schopnosť vyrovnať sa s neočakávaným zvratom

situácie, učenie sa novým stratégiám, zdravý rozum (vš. znalosti – zjednodušenie), sebareflexia.

ZSPTZS

znalostný inžinier používateľ

expert

tvorca nástroja


4. Štruktúra ZSČLOVEK POUŽÍVA ZS POUŽÍVA PODSYSTÉM ZSvšeobecné znalosti ––– ––predmetné znalosti ako všeobecné BZproblémové znalosti problémové znalosti BDmetaznalosti metaznalosti metaznalosti

METAZNALOSTI

BZ IM BD PP,ISprehľadávanie IS

prázdnydedikovaný

–––diagnostický

plánovací


5. Produkčný systém l1&m1&l5>k1 k1 k2 k3m1&l5&m3>k2 l5&m2&l7>k3 l1 m1 l5 m3 l7 l2&m2>m1 l3vl4>m2 l2 m2 l6 l8 l6vl8>m3

l3 l4 Produkčné pravidlo: predpoklady PzáverZ Reťazenie produkčných pravidiel (podmienka) Hierarchická štruktúra – strom – inferenčná sieť Uzly: koreňové, medziľahlé, listové Uzly: (ne)cieľové, (ne)dotazovateľné


6. Dopredné a spätné reťazenieAk záver jedného pravidla obsahuje tú istú znalosť (v tej istej

forme) ako predpoklad ďalšieho, je možné reťazenie pravidiel.

Existujú dva druhy reťazenia:1. Dopredné reťazenie. Ak aktuálne platia predpoklady,

potom platí záver. Vykoná sa vždy prvé pravidlo, ktorého situačná časť je splnená. Hovoríme o priamom reťazení – data driven inference, resp. forward chaining.

Nevýhody: - pri dokazovaní hypotézy vykoná aj mnoho nepotrebných pravidiel (nevieme ovplyvniť)

- odvodí všetky výsledky na základe stavu BD

2. Spätné reťazenie. Aby platil záver, musíme dokázať tvrdenie. Hovoríme o backward chaining.


7. Prehľadávanie inferenčnej siete1. NEÚPLNÝ PRIAMY CHOD je pohyb v IS od necieľového

ku koreňovému uzlu. Uzly na ceste sa neexpandujú. (Ktoré ciele sú relevantné k zadanému uzlu?)

2. ÚPLNÝ SPATNÝ CHOD je postup v IS od cieľového uzla k listovým. Uzly na ceste sa expandujú.

3. ÚPLNÝ PRIAMY CHOD je postup od listových uzlov ku koreňovým. Ak je nutná expanzia, vykoná sa.

4. NEÚPLNÝ SPATNÝ CHOD smeruje od koreňových k listovým uzlom. Uzly sa neexpandujú. Hľadáme najvierohodnejšie alternatívy (heuristický postup).


8. Spracovanie neurčitých znalostí Iba malá časť znalostí experta má tvar, matematizovaných

teórií. Expert si vytvára znalostí zo skúseností na základe jeho mentálnych modelov. Často ide o tušenia, osvedčené postupy. Spracovať ich možno napr. heuristikou.

ALGORITMUS. Jednoznačný výpočtový postup vedúci k optimálnemu riešeniu. Vyznačuje sa hromadnosťou, konečnosťou a resultatívnosťou..

HEURISTIKA. Je neformálny úsudkový postup, osvedčený v dostatočnom počte prípadov (nedokázateľný ale použiteľný). Nezaručuje hromadnosť ani optimál. riešenia.

Znalosti o neurčitosti (4. typ znalostí): sú panoramatické, lebo sa týkajú tak predmetných, konkrétnych znalostí ako aj metaznalostí. Vyjadrujú mieru istoty experta vo výsledok.


9. Typy neurčitostí1. NEURČITOSŤ v BZ. Dôležitá súčasť ZS založenom na

vedomostiach experta (jeho skúsenosti, mentálne modely, nie rigorózne tvrdenia, tušenia, osvedčené postupy - heuristiky). HEURISTIKA je neformálny úsudkový postup, osvedčený v dostatočnom počte prípadov (nedokázateľný ale použiteľný, teroristi).

2. NEURČITOSŤ v BD. Neisté odpovede používateľa, subjektívnosť úsudku, odhady nedostupných informácií, zašumené dáta.

3. METÓDY: Subjektívna Bayesovská metóda, Algebraická teória, Dempster-Shafferova metóda, Fuzzy prístup (intervaly, počet hodnôt, symbolická, numerická).


10. Získavanie znalostíZÍSKAVANIE NOVÝCH ZNALOSTÍklasickou cestoustrojovým učenímpriamym prenosomDOPĹŇANIE A MODIFIKÁCIA ZNALOSTÍspravidla klasickou cestou

Nevýhody klasickej cesty:ZI je laik v oblastiE nemá čas, bojí sa o miesto, nedokáže exaktne vyjadriť znalosti

používané na riešenieTEIRESIAS je inteligentný modul priameho prenosu znalostí.


11. Klasická cesta

Je historicky najstarší model, v ktorom robí znalostný inžinier ZI medzičlánok medzi BZ a expertom E.

Slabým miestom tohto spôsobu je tak ZI (laik v danej oblasti – musí pochopiť základy domény – zdĺhavý proces) ako aj E (niekedy neschopný exaktne vyjadriť svoje znalosti používané na riešenie úloh, nemá čas, bojí sa o miesto).

Pokus vylúčiť z procesu získavania znalostí znalostného inžiniera viedol k PRIAMEMU PRENOSU. Pokus vylúčiť z procesu získavania znalostí experta viedol k STROJOVÉMU UČENIU.


12. Priamy prenos

BZ je priamo vytváraná v príslušnom editore expertom, oboznámeným s problematikou programovania.

Nevyhnutný je inteligentný modul priameho získavania znalostí, ktorý: - nie je pasívnym príjemcom znalostí- pomáha expertovi vyjadrovať znalosti- navádza ho a kontroluje- dokáže odhaliť logický rozpor- má rozsiahle dialógové schopnosti- má znalosti o štruktúre BZ


13. Strojové učenie

trénovacia množina algoritmus produkčné pravidlá

Strojové učenie: induktívne a deduktívnekontrolonané a nekontrolovanéinkrementálne a neinkrementálne

Vychádza z údajov vo forme trénovacej tabuľky:- má dátovú a rozhodovaciu časť- delí sa na trénovaciu a testovaciu množinu


14. Vysvetľovací mechanizmus

Používateľ potrebuje vysvetlenie, čo sa robí, keďže nepozná všetky možnosti práce so ZS.Používateľ sa potrebuje utvrdiť v dôveryhodnosti výsledku, keďže ide o riešenie ne-algoritmizovateľnej úlohy.

Vysvetľovanie je charakterizované:1. Cieľom vysvetľovania2. Objektom vysvetľovania3. Spôsobom vysvetľovania4. Adresátom vysvetľovania


15. Vysvetľovací mechanizmus - cieľTyp používateľa Spôsob použit ia expertného systému Cieľ vysvetľovanialaik získať riešenie čo riešenie znamená

objasniť základné súvislostiobjasniť vstupy a výstupy

špecialista znížiť náročnosť získania riešenia objasniť spôsob získania riešeniazvýšiť kvalitu riešenia

študent chce si objasniť spôsob riešenia problému objasniť spôsob získania riešeniapotrebuje obsah celej bázy znalosti v zrozumiteľnej forme

expert ladenie bázy znalostí lokalizácia chýbamodifikácia expertného systému nájsť slabé miesta systému

zistiť ako vznikla chybačo sa na vzniku chyby podieľalo

znalostný inžinier ladenie bázy znalostí ladenie chýbmodifikácia expertného systému zistiť či je správne reprezentovaná znalosť

zistiť či je dobrá inferenčná sieť


16. Delenie vysvetlení

Vysvetlenia pomocou vopred pripravených textov.S každým krokom programu je zviazaný vysvetľujúci text, ktorý bol vopred pripravený (chybové hlásenia).Nevýhody: nutnosť predvídať otázky, nezohľadňuje dynamiku vysvetľovania, žiadny konceptuálny model.

Vysvetlenia generované z behu programu. GOAL, TRACE, WHY, HOW, WHAT, WHAT-IF

Vysvetlenia podľa modelu. Systém používa: IS (expertné znalosti, na riešenie problému)

kauzálny model (model znalosti, na formuláciu vysvetlení).


17. Vyhodnocovanie ZS

ZS sa v procese tvorby opakovane vyhodnocuje, resp. testuje. Vyhodnocovanie zahŕňa tri procesy:

Verifikáciu – kontrolu vnútornej konzistentnosti a úplnosti.

Validáciu – stanovenie, či ES uspokojivo realizuje ciele, pre ktoré bol navrhnutý.

Prijatie používateľom (user acceptance) – použiteľnosť systému pre konečného používateľa

Testovanie je dôležité a to v každej fáze návrhu. Každá modifikácia prototypu musí byť znovu vyhodnotená.


18. Validácia ZSJe komplikovaná, keďže si kladie za cieľ testovať správnosť z

významového hľadiska. Existuje niekoľko prístupov: Empirické metódy. Sú dominantné. Spočívajú v testovaní

prototypu na testovacích príkladoch a ohodnocovaní výsledkov z hľadiska prijateľnosti, presnosti a správnosti.

Klasická metóda. Ak nezávislý expert nedokáže odlíšiť riešenia ZS od riešení iného experta, potom je ZS validný.Výsledky ZS je možné testovať voči štandardu:kde n je počet testova Va je miera kvality ZS.

n

ZSStVa

n

iii

1

2


19. Prijatie používateľomPredstavuje ochotu používateľa ZS používať. Vyhodnocujú sa

nasledovné faktory: Ľahkosť učenia. Riadenie. Používateľ musí mať pocit, že riadi dialóg.

Systém by nemal reagovať nepredvídateľne. Stupeň úsilia. Je nutné sa vyhnúť pri návrhu ZS každému

nie nevyhnutnému úsiliu (mentálnemu, fyzickému) Rýchlosť. Výsledky musia byť získané v reálnom čase. Vstup a výstup informácií. Je potrebné rešpektovať

zvyklosti používateľa. Odolnosť a korekcia chýb. ZS má byť schopný korigovať

náhodné chyby (výber alternatívy je lepší ako zadávanie).Testy prebiehajú pomocou: interview, dotazník, pozorovanie.....


20. Aplikačné možnosti ZS1. ZAHRANIČNÉ ZS: spomínané, EXSYS, CLIPS,

PROSPECTOR (detekcia ložísk nerastných surovín – ekon. efekt), R1 (konfigurácie počítačov VAX), QTC (návrh súčiastok)

2. DOMÁCE ZS: PROLEX(ochorenia tráviaceho traktu), KRAVEX(optimalizácia kŕmnej dávky), EQUANT(Hájek, práca s neurčitosťou), FEL-EXPERT(Mařík, genetické ochorenia, psychofyziologické záznamy z EEG, klasif. organických toxických látok, plánovanie kusovej výroby),TEAM(zostavovanie riešiteľských tímov), CODEX(Popper, diagnostika chorôb), AREX(hodnotenie spoľahlivosti automobilov)


20. Aplikačné možnosti ZSEKONOMICKÉ APLIKÁCIEFAST...hodnotenie bonity klientaLendingAdvisor...hodnotenie žiadosti o pôžičky (riziká, štrukt.)PLANET...podpora auditorov, štandardizácia audituEXPERTAG...pomocník auditorov a daňových poradcovNyseFocusReviewSystem...finančné problémy, NewYork-burzaMarketMind...finančné operácie v reálnom čase, NewYork-

burzaCARMA...analýza trhu, používa EXSYSFINCEN...používa ministerstvo financií USA, preverovanie

transakcií nad 10.000$, odhaľovanie nelegálnych aktivít, používa ES-NexpertObject

U MEL Á I NTELIGENCI A prednáška č. 4

Documents

Transcript of U MEL Á I NTELIGENCI A prednáška č. 4