umetni inteligentni istemi -...

Umetni inteligentni sistemi, UN2-1-IZB-vsi 2013/2014 Avtorske pravice pridržane © 2013 - Univerza v Ljubljani, Fakulteta za elektrotehniko

VSEBINA PREDAVANJA

Uvod

Zgradba ekspertnih sistemov

Baza znanja

Mehanizem sklepanja

Orodja za izgradnjo ekspertnih sistemov


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.


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.


ZGRADBA EKSPERTNIH SISTEMOV

UPORABNIŠKI VMESNIK

MEHANIZEM SKLEPANJA

SISTEMSKI VMESNIK

BAZA ZNANJA

BAZA PRAVIL

BAZA DEJSTEV


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.


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.


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.


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.


OSEBE, VPLETENE V DELOVANJE EKSPERTNI SISTEMA


MEHANIZEM SKLEPANJA

BAZA ZNANJA

BAZA PRAVIL

BAZA DEJSTEV Strokovnjak Inženir

znanja

Uporabnik

Ustvarjalci sistema


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“)


DIALOG MED INŽENIR ZNANJA IN STROKOVNJAKOM

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.

BAZA ZNANJA

BAZA PRAVIL

BAZA DEJSTEV

Strokovnjak Inženir znanja


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.


EPISTEMOLOGIJA/GNOSEOLOGIJA

Epistemologija obravnava prostor izjav/trditev, resnic, prepričanj in znanja.

Resnice Prepričanja Znanje

Izjave/Trditve


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.


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.


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).


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.

Šum Podatki

Informacija Znanje

Meta-znanje

Modrost


PREDSTAVITEV ZNANJA

Razčlenjevalna drevesa

Logična pravila.

Semantična (pomenska) omrežja.

Konceptni grafi.

Programske skripte.

…


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.


PRODUKCIJSKI SISTEM

Baza pravil je opisana z izjavami:

ČE premisa POTEM sklep

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.

MEHANIZEM SKLEPANJA

BAZA ZNANJA

BAZA PRAVIL

BAZA DEJSTEV


PREDSTAVITEV PRODUKCIJSKIH PRAVIL

Ponazoritev pravil z IN/ALI drevesi.

Sklep

Premisa 1 Premisa 2 Premisa 3

Sklep

Premisa 1 Premisa 2 Premisa 3

ČE Premisa 1 IN Premisa 2 IN Premisa 3 POTEM Sklep

ČE Premisa 1 POTEM Sklep ČE Premisa 2 POTEM Sklep ČE Premisa 3 POTEM Sklep


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).


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.


PONAZORITEV VERIŽENJA PRAVIL NAPREJ

BAZA PRAVIL

BAZA DEJSTEV


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.


PONAZORITEV VERIŽENJA PRAVIL NAZAJ

BAZA PRAVIL

BAZA DEJSTEV


RAZLIKE MED OBEMA STRATEGIJAMA

Veriženje naprej je strategija z iskanjem v širino. Veriženje nazaj je strategija z iskanjem v globino.

•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

Veriženje pravil naprej Veriženje pravil nazaj


KOMUNIKACIJA Z UPORABNIKOM


MEHANIZEM SKLEPANJA

BAZA ZNANJA

BAZA PRAVIL

BAZA DEJSTEV

Dejstva

Kako/Zakaj?

Vprašanja

Rezultati


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.


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.


PRIMER KOMBINIRANJA STOPENJ GOTOVOSTI


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. http://clipsrules.sourceforge.net/ http://en.wikipedia.org/wiki/FuzzyCLIPS

Primer lupine za razvoj spletnih ekspertnih sistemov je tudi eXpertise2GO. http://www.expertise2go.com/

http://clipsrules.sourceforge.net/

http://en.wikipedia.org/wiki/FuzzyCLIPS

http://www.expertise2go.com/


PRIMER BAZE ZNANJA EXPERTNEGA SISTEMA http://www.expertise2go.com/

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" …



PRIMER BAZE ZNANJA EXPERTNEGA SISTEMA http://www.expertise2go.com/

… 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



PRIMER EXPERTNEGA SISTEMA


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.

umetni inteligentni istemi -...

Documents