Branko Latinovi

EKSPERTNI SISTEMI

BANJA LUKA, 2006.

PANEVROPSKI UNIVERZITET APEIRON-ZAJEDNIKE OSNOVE-

B A NJ A L U K AProf.dr Branko Latinovi

EKSPERTNI SISTEMIRecenzenti: Prof. dr Zoran . Avramovi Prof.dr Duan Starevi Izdava: Panevropski univerzitet "APEIRON"

1

Banja Luka 1. izdanje, godina 2006. Odgovorno lice izdavaa, DARKO Uremovi Urednik: JOVO Vojnovi, prof. tampa: "ART-PRINT", Banja Luka, p.o., grafika - dizajn - marketing Banja Luka Odgovorno lice tamparije: VLADIMIRA Stijak- IlisiTira 500 primjeraka

ISBN 99938-29-24-2

SADRAJSADRAJ PREDGOVOR 1.1.1. 1.2.

VJETAKA INTELIGENCIJAPOJAM VJETAKE INTELIGENCIJE RAZVOJ VJETAKE INTELIGENCIJE

2.2.1. 2.2. 2.3. 2.4. 2.5.

FUZZY SISTEMIKVANTIFIKACIJA NEODREENOSTI FUZZY SKUPOVI OPERACIJE SA FUZZY SKUPOVIMA OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVE PRIMJENA FUZZY TEORIJE

3.3.1. 3.2. 3.3. 3.4.3.4.1. 3.4.2.

NEURONSKE MREEPOJAM NEURONSKIH MREA BIOLOKE NEURONSKE MREE VJETAKE NEURONSKE MREE OBUAVANJE NEURONSKIH MREAPROPAGACIJA GREKE UNAZAD PROPAGACIJA GREKE UNAPRIJED

3.5.

PRIMJENA NEURONSKIH MREA

4.4.1. 4.2. 4.3. 4.4. 4.5.

POJAM EKSPERTNIH SISTEMADEFINICIJA EKSPERTNIH SISTEMA ISTORIJA EKSPERTNIH SISTEMA OSNOVNE ODLIKE EKSPERTNIH SISTEMA PREDNOSTI I NEDOSTACI EKSPERTNIH SISTEMA INENJERING ZNANJA

2

4.5.1. 4.5.2.

POJAM ZNANJA METODE ZA PREDSTAVLJANJE ZNANJA

5.5.1. 5.2.5.2.1. 5.2.2. 5.2.3. 5.2.4.

ARHITEKTURA EKSPERTNIH SISTEMAKOMPONENTE EKSPERTNIH SISTEMA BAZA ZNANJAFORMALIZMI ZA PREDSTAVLJANJE ZNANJA ZAHVATANJE ZNANJA KVALITATIVNO MODELIRANJE AUTOMATSKO UENJE

5.3.5.3.1. 5.3.2.

MEHANIZAM ZAKLJUIVANJAPROSTOR STANJA AND OR GRAFOVI

6.6.1. 6.2.6.2.1. 6.2.2.

RAZVOJ EKSPERTNIH SISTEMAPROJEKTOVANJE EKSPERTNIH SISTEMA IZGRADNJA EKSPERTNIH SISTEMASREDSTVA ZA IZGRADNJU EKSPERTNIH SISTEMA SOFTVER ZA IZRADU EKSPERTNIH SISTEMA

7. 8. 9.9.1. 9.2.9.2.1. 9.2.2. 9.2.3. 9.2.4. 9.2.5.

PRIMJENA EKSPERTNIH SISTEMA PERSPEKTIVA EKSPERTNIH SISTEMA PROTOTIP EKSPERTNOG SISTEMA ZA ANALIZU KREDITNOG RIZIKAKONCEPT ANALIZE KREDITNOG RIZIKA REALIZACIJA PROTOTIPA EKSPERTNOG SISTEMA ANALIZE KREDITNOG RIZIKASKELETON VPEXPERT STABLO ODLUIVANJA U GRAFIKOM OBLIKU STABLO ODLUIVANJA U TEKSTUALNOM OBLIKU IZVORNI TEKST PROTOTIPA ES IZGLED EKRANA ZA UNOS VARIJABLI

LITERATURA

3

PREDGOVORU skoro svim aspektima ljudskih aktivnosti, ovjek se, kroz istoriju, trudio da sebi olaka bavljenje njima. Sa ciljem da zadovolji tu svoju tenju, izumio je orua, alate, maine i na kraju ili novom poetku, izumio je kompjuter. Zato novi poetak, pa pronalazak kompjutera omoguava da ovjek dio svojih znanja i "inteligencije" prenese na mainu, ime se ova kvalifikuje da u potpunosti zamijeni ovjeka, u odreenim aktivnostima, to otvara itavu "novu knjigu" koja se tek pie. Prisustvujemo, a da toga moda nismo ni svjesni, prevratu koji je u toku: ukidanju granica izmeu stvarnog i naunofantastinog. Pomou mehanikih, elektronskih i energetskih produetaka i pomagala, opredmeena fikcija, u vidu robota automata, tehnikih aparatura i inteligentnih maina, tijesno okruuje, vezuje i ve kontrolie stvarnost u svim podrujima zivota. Pri tome, ono to uznemirava nije to to svijet u potpunosti postaje tehniki automatizovan, ve to da ovjeanstvo uglavnom nije pripremljeno za ovu promjenu. Teletehnologija, vjetaka inteligencija, neuronske mree, virtuelna realnost, digitalna televizija postaju stvarnost. ini se da je ve sada, na pomolu 3001: konana odiseja futurologa Artura Klarka, ako i nije, da li je uspeh Dip Blua protiv Kasparova u ahovskom meu vijeka, poruka da su na pomolu kompjuteri koji misle? U poetku su se raunari koristili uglavnom za izvravanje raunskih operacija ali vrlo brzo je uoeno da oni mogu mnogo vie, pa ak i da preuzmu vrenje odreenih intelektualnih operacija. Povoljni rezultati istraivanja naveli su neke od naunika da daju preuranjene izjave kako se ubrzo moe konstruisati "mislea maina" ili "elektronski mozak". Na dostignutom stepenu razvoja ljudsko drutvo je otvorilo brojna pitanja i probleme koji zbog svoje prirode trae zamjenu ovjeka u procesu rada, brojni su procesi koji nose opasnost po ljudsko zdravlje za one koji ih izvravaju ili je obim i sloenost problematike iznad mogunosti i znanja postojeih izvrilaca za ije rjeavanje je potrebno znanje eksperta ili je u pitanju raspoloivost ljudskih eksperata. To je taka u kojoj se jasno artikulie potreba za kreiranjem ekspertnih raunarskih sistema.

Autor

4

1. VJETAKA INTELIGENCIJA1.1. POJAM VJETAKE INTELIGENCIJEVijekovima filozofe zaokuplja pitanje: moe li maina da misli? Smatra se da je Sokrat, oko 450. godine p.n.e. prvi predskazao vjetaku inteligenciju, obraajui se svome atinskom drugu Eutifronu: "elim da znam ta je odlika pobonosti koja svako djelovanje ini pobonim... u koju mogu da se pouzdam i da je koristim kao mjerilo kojim prosuujem svoje djelovanje i djelovanje drugih ljudi". Najuporniji zastupnik vjetake inteligencije Marvin Minski, iz Masausetskog instituta za tehnologiju (MIT), Sokratovo miljenje prilagoava savremenom poimanju, naglaavajui da atinski mudrac trai "niz pravila koja nam govore iz asa u as kako da se ponaamo". Sam termin vjetaka inteligencija (VI) ili artificijelna inteligencija (AI) potie od Dona Mekartija i smatra se da je prvi put upotrebljen u ljeto 1956. godine na sastanku tadanjih vodeih naunika iz oblasti raunarskih nauka. Sasatanak je odran na Dartmaut Koledu, u Hanoveru, Novi Hemir. Sam izraz je uveden da bi se to vie naglasile i to lake objasnile, mogunosti buduih raunara i raunarskih programa. U oblasti koja se naziva vjetaka inteligencija koriste se mnoga znanja nastala razvojem raznih drugih mnogo starijih disciplina. Tako, napori da se razumije priroda inteligencije seu daleko u prolost. Filozofi stare Grke, a prema onome to se zna, posebno Aristotel, bavili su se pitanjima vezanim za sutinu ljudskog uma, znanja i ispravnog zakljuivanja. Vjetaku inteligenciju moemo definisati kao naunu disciplinu pomou koje se elektronski raunari programiraju za sloene zadatke sline zadacima koji se postavljaju pred ovjeka, ali ne i na nain kako bi ih rjeavao ovjek. Meutim tu su jo neke od moguih definicija vjetake inteligencije. Vjetaka inteligencija je nauna oblast u kojoj se izuavaju izraunavanja da bi se izraunavanjem omoguila percepcija, rezonovanje i injenje. Vjetaka inteligencija je nauna oblast u kojoj se istrauje kako da se naprave raunari koji bi uspjeno radili stvari koje u ovom momentu rade bolje ljudi. Vjetaka inteligencija je nauna grana koja se bavi metodama, tehnikama, alatima i arhitekturama za rjeavanje logiki komplikovanih problema, koje bi bilo tee ili ak nemogue rijeiti klasinim metodama. Ona ima dva glavna cilja: prvi je postii inteligentnije ponaanje raunara i uiniti ih time jo upotrebljivijim; sa druge strane ona eli razumjeti principe koji omoguavaju inteligenciju i time pridonijeti razumijevanju ovjekovog inteligentnog ponaanja. Vjetaka inteligencija predstavlja mjeavinu konvencionalne nauke, fiziologije i psihologije, sve u cilju da se napravi maina koja bi se, po ljudskim mjerilima, mogla smatrati "inteligentnom". Mogunost stvaranja inteligentnih maina zaokuplja ljudsku matu jo od drevnih vremena, ali tek sada, sa brzim tempom razvoja raunara i ve pedesetogodinjim iskustvom na polju istraivanja tehnika VI programiranja, san o pametnim mainama poeo je da postaje stvarnost. Mnogi istraivai danas su zaokupljeni podrujem istraivanja koje ujedinjuje psihologiju i kompjuterske nauke radi razvoja vjetakih sistema koji bi ostvarili neke osobine ljudskog miljenja. Gledajui jednostavno, vjetaka inteligencija je studija o pravljenju maina koje ispoljavaju ljudske kvalitete ukljuujui i sposobnost rezonovanja. Razliita stanovita oko definisanja vjetake inteligencije proizilaze iz postojanja vie vrsta ove inteligencije. Vjetaka inteligencija nije samo jedna disciplina ve se sastoji iz vie disciplina.

5

Dva glavna pravca razvoja vjetake inteligencije su: Prouavanje prirodne inteligencije (spoznavanje funkcija mozga, modeliranje rada mozga, simuliranje ovjekovog ponaanja, reagovanja i rezonovanja). Postizanje inteligentnog ponaanja primjenom drugaijih pristupa, kakvi se ne mogu sresti u prirodnim sistemima.

Slika 1

Discipline korijeni VI i glavne aplikacije

Vjetaku inteligenciju prema pristupu rjeavanja problema moemo klasifikovati na tri glavna pristupa: neuronske mree, modeliranje evolucije i

6

heuristiko programiranje.

Klasifikacija vjetake inteligencije prema vrsti rjeavanja problema: Sistemi za rjeavanje ovjekovih uobiajenih zadataka: o prepoznavanje slika i govora, o razumjevanje, generisanje i prevoenje prirodnih jezika, o snalaenje u svakodnevnim situacijama i o primjena u robotici.

Sistemi za reavanje formalnih zadataka: o logike igre, o matematika logika, geometrija, integralni raun i o osobine programa. Sistemi za rjeavanje ekspertnih zadataka: o konstruisanje, nalaenje greaka, o planiranje proizvodnje, o naune analize i dijagnostika (biologija, medicina, hemija, pravo), o finansijska analiza i o programi za razvoj ovakvih sistema.

Tehnike koje pripadaju vjetakoj inteligenciji morale bi da koriste znanja koja su organizovana tako da omoguavaju:

generalizaciju, predstavljanje i preslikavanje u formi razumljivoj ljudima, lako modifikovanje, da se koriste informacije koje nisu kompletne i da pomau u smanjenju broja mogunosti koje bi inae morale biti razmatrane (heuristike).

Prepoznavanje oblika je kljuno za snalaenje u svakodnevnim situacijama, kako za ive tako i vjetake sisteme. Pri rjeavanju problema vezanih za prepoznavanje oblika nastaju velike tekoe jer analogne signale koje primaju senzori / receptori sadre veliki broj informacija, od kojih dobar dio sadri um, pa ti signali esto nisu dovoljno jasni. Ovo oteava primjenu raunara za snalaenje u svakodnevnim situacijama, pa nije ni udo to su i ivotinje, za koje se smatra da su manje inteligentne od ljudi, sposobne za daleko kvalitetniju vizuelnu i zvunu percepciju i obradu takvih signala nego dananji raunari. Inteligentno ponaanje maine moe se zasnivati na nekim njenim odreenim prednostima u odnosu na ovjekov um, ali i na njenim odreenim nedostacima. Prednosti kompjutera su u njegovim mogunostima da obavi veliki broj jednostavnih aritmetikih i logikih operacija u vremenu koje je za ljudske pojmove nezamislivo kratko. Elektronski raunar takoe moe potpuno precizno memorisati ogroman broj podataka uz relativno brzu mogunost njihovog pronalaenja u svojoj memoriji. Za razliku od njega ovjek naprotiv takve zadatke obavlja vrlo sporo i neefikasno uz stalno prisutno zamaranje. Meutim, ljudski mozak pred raunarom ini se ipak ima nedostine prednosti. One se ogledaju u sposobnosti obavljanja vrlo kreativnih i selektivnih pretraivanja podataka, uz korienje sloenih i ne potpuno determinisanih kriterijuma. Karakteristika ljudskog rasuivanja je kreativnost, sposobnost asocijacije, uoptavanje i mogunost prevladavanja informacione podloge odluivanja putem originalnosti i novih ideja.

7

Karakteristika ovjeka je posjedovanje male i kratkotrajne memorije, na primjer u pamenju nekog telefonskog broja tako dugo dok ne dobije vezu ili obavi razgovor. Kasnije ga brzo zaboravi osim ako ga esto ne koristi. S druge strane ljudski mozak ima ima veliku dugotrajnu memoriju koja je organizovana ne na principu adresa (kao kod raunara) nego na osnovu asocijacija. To praktino znai da se svaka memorisana injenica ili dogaaj moe povezati sa svakom drugom takvom injenicom ili dogaajem memorisanim u prolosti. Kod kompjutera sposobnost asocijacije je ograniena i zasniva se na krutim pravilima koja se prevode u egzaktne algoritme. U filozofskom smislu osnovne primjedbe na mogunosti vjetake inteligencije odnose se na jednu paradigmu, a to je pokuaj da se miljenje moe mehanizovati. Tako npr. oksfordski filozof Lukas iznosi optu primjedbu u vezi sa stanjem vjetakog odnosno mehanikog uma, a to je da mi pokuavamo da proizvedemo model uma koji je mehaniki, koji je u sutini mrtav, dok um budui da je iv, uvijek moe da ode dalje od bilo kog formalnog, okotalog, mrtvog sistema. U analizi i dokazivanju ove teze on se oslanja na tzv. Gedelovu teoremu nekompletnosti, koja tvrdi da je mehanizam laan odnosno da se um ne moe objasniti kao maina. Hubert Drajfus u svojoj kritici vjetake inteligencije odbija mogunost da se nauno objasni inteligentno ponaanje. To znai da se ljudski kontekst uopte ne moe formalizovati, bar ne na sadanjem nivou kompjuterske tehnologije. On ovu svoju tvrdnju detaljno obrazlae i platonske pretpostavke pobija na biolokom, psiholokom, epistemolokom i ontolokom planu. Podloga su mu izmeu ostalih i razmiljanja Hajdegera. Definitivno, za njega dananji stepen razvoja raunarskih maina je limitiran u mogucnostima sfere vjetake inteligencije. Drugim rijecima, svaki pokuaj da se njihovim programiranjem ostvari inteligentno ponaanje jednak je utopiji alhemiara da od olova napravi zlato. Jedinu alternativu Drajfus vidi u totalnoj reviziji tradicionalnih pretpostavki i u prihvatanju fenomenolokog opisivanja strukture ljudskog ponaanja. U analizi ovog problema navodi neka svojstva ovjekovog iskustva, koja su nemogua za reprodukciju i imitaciju od strane raunara. Osnovno je fenomen tzv. "marginalne svijesti" (tj. onog ovjekovog stanja kad je maglovito svjestan relevantnosti neke nedovoljno definisane injenice) i tzv. "tolerancije dvosmislenosti" kada je npr. ovjek u stanju da u odreenom kontekstu ignorie znaenje neke rijei, a koja u nekom drugom kontekstu ima svoje pravo znaenje. Drajfus u principu smatra da je ansa u konstruisanju vjetakog organizma, ako bi se upotrebile komponente dovoljno sline onima od kojih je sainjen ljudski organizam. U takvom robotu, sa umom i tijelom, odnosno u nedigitalnom automatu sposobnom da obrauje neformalne informacije, Drajfus vidi perspektivu inteligentnih maina i simulacije ljudskog uma. Ali ostvarenje te ideje po njemu zahtijeva kopernikanski obrt odnosno revoluciju o nauci o razumu, suprotnu onoj koja je u 17. vijeku izmjenila itavu nauku prelaskom sa kvalitativne logike osobina na kvantitativnu matematiku mjerljivih veliina. Uopte, pitanja koja je pokrenuo Drajfus su vrlo ozbiljna, suvie nauna da bi se prepustila filozofima, a suvie filozofska da bi se prepustila naunicima. Ona predstavljaju presjek nauke i filozofije i problema ovjeanstva.

8

1.2. RAZVOJ VJETAKE INTELIGENCIJEU trinaestom vijeku je Ramon Lul (1235-1316) opisao sistem Ars Magna kojim je pokuao da pomou mehanikog kombinovanja, simbolike notacije i kombinatornih dijagrama ostvari "inteligentan" sistem. Tokom sedamnaestog vijeka, G. V. Lajbnic (1646-1716) i Blez Paskal (1623-1662) pokuavali su da konstruiu mehaniku raunsku mainu za sabiranje. Cifarska raunska maina koju je konstruisao arls Bebid, bila je u stanju da po odreenom algoritmu izvrava operacije sa dekadnim brojevima. Sredinom devetnaestog vijeka Dord Bul razrauje algebru logike u kojoj se algebarska simbolika koristi za operisanje pojmovima pri logikom izvoenju. Englez Alan Tjuring i Amerikanac Post, 1936-te godine, nezavisno jedan od drugoga objavljuju radove iz oblasti matematike logike i iznose mogunosti konstruisanja univerzalnog transformatora informacija. Meutim, tek pojavom prvog raunara "Electronic Numerical Integrator And Computer" (ENIAC) koga su 1945-te godine izmislili Mauli i J. Presper Ekert, moe se govoriti o inteligentnim mainama. U poetku su raunari bili prvenstveno namjenjeni za izvravanje raunskih operacija ali vrlo brzo je uoeno da oni imaju daleko vee sposobnosti. Ve prvi rezultati u primjeni raunara upuivali su na mogunost raunara da preuzme vrenje odreenih intelektualnih sposobnosti. Povoljni rezultati istraivanja naveli su neke od naunika da daju preuranjene izjave da se ubrzo moe konstruisati "mislea maina" ili "elektronski mozak". Zbog ovih preuranjenih izjava su se vodile brojne debate. Krajem 50-tih, sve do sredine 60-tih godina prologa vijeka, problematika vjetake inteligencije bila je dosta rasplinuta izmeu fantastike, mate, potencijalnih mogunosti i praktinih ostvarenja. Zanemarivanje razlike izmeu potencijalne ostvarljivosti i obima praktinih problema, koji se nalaze na putu do ostvarivanja ideje, je jedan od estih uzroka nerazumjevanja mogunosti vjetake inteligencije. Ostvarivanjem praktinih rezultata koji su nali primjenu u privredi, vjetaka inteligencija postaje interesantna za veliki broj naunika razliitih oblasti. Danas postoje realizovani sistemi koji su u stanju da autonomno obavljaju kompleksne probleme, kakve su jedino ljudi bili u stanju da obavljaju. Nije rijedak sluaj da takvi sistemi obavljaju te zadatke i daleko uspjenije od ljudi. U sprezi sa raunarima, maine postaju sposobne da rade samostalno, da upravljaju same sobom i da proizvode druge maine, oslobaajui oveka fizikog i monotonog rada, preputajui mu rad na sloenijim i kreativnijim poslovima. U dvadesetom vijeku jedan od prvih radova vezanih za mainsku (vjetaku) inteligenciju, prije svega u odnosu na dananje digitalne raunare, je rad Alana Tjuringa "Raunarske maine i inteligencija". Tjuringov test za "mjerenje inteligencije" maina predstavlja jedini do sada priznati standard u ovom domenu. Alan Turing je razmatrao pitanje "Mogu li maine da misle?" i izrazio ubjeenje da je ono previe nejasno. Kao zamjenu predloio je test koji bi, ako ga neki raunar savlada, sluio kao potvrda mainske inteligencije. U originalnoj verziji Tjuringov test, poznat i pod nazivom imitaciona igra, ukljuuje ispitivaa koji je ljudsko bie, kao i dva ispitanika, od kojih je jedan ena, a drugi raunar. Ispitiva se nalazi u odvojenoj sobi i sa ispitanicima komunicira posredno, preko terminala. Zadatak ispitivaa je da utvrdi ko je od ispitanika raunar, a ko ena. Raunar nastoji da ga sa svojim odgovorima zavara, dok ena nastoji da ispitivau pomogne. Recimo, raunar bi na zahtjev da sabere dva broja mogao saekati odreeno vrijeme, pa zatim odgovoriti pogreno pokuavajui tako da prevari ispitivaa. Tjuringova namjera je bila da prui nauan, objektivan i ponovljiv test. On nije tvrdio je da je pobjeda u testu neophodna da bi raunar bio inteligentan, ve se zadrao na dovoljnosti uslova, odnosno da je pobjeda u testu potvrda inteligentnosti raunara, iako e moda postojati inteligentan raunar koji bi izgubio igru propisanu testom.

9

Svake godine organizuje se takmienje pod nazivom Lebnerova nagrada. Rije je o velikoj nagradi za prvi sistem koji bude rjeio Tjuringov problem. Ako se istraivanja nastave u sadanjem pravcu, proi e jo mnogo vremena prije nego to se pojavi prvi laureat. Tekoa je u tome to tema razgovora nije unaprijed odreena. Moe se razgovarati o bilo emu. ovjek ne mora mnogo da zna o ovim temama, ali e se razgovor ubrzo voditi u oblasti koju oba sagovornika poznaju. Sadanji sistemi vjetake inteligencije ogranieni su na uske oblasti. Tjuring je predvidio da e maine imati 30% ansi da prou test u trajanju od 5 minuta. Predvidio je sve argumente u sljedeih 50 godina. Mogua pitanja na testu su: Are you a computer ? What is 2276448*7896 ? Describe your parents ?

Slika 2

Tjuringov test

Treba rei i da su u mnogim sluajevima ogranienih verzija testa koje se odnose na specifine oblasti znanja, raunari pobjeivali svoje ljudske protivnike. Tako su raunari koji su izvravali programe kao to je ekspertni system za medicinu MYCIN, pokazali bolje rezultate od prosjenih ljekara. Raunar nazvan Dip Blu, razvijen u IBM-u specijalno za igranje aha, pobijeio je Garija Kasparova, jednog od najboljih ahista svih vremena. U skladu sa njenom definicijom, glavni cilj vjetake inteligencije je razviti raunare koji su korisniji od danas postojeih. Ako se prihvati optimistiki, ili bar kognitivistiki stav prvom cilju se moe dodati i drugi: objasniti principe na kojima se inteligencija zasniva. Dakle, strunjaci za raunarske nauke bi na osnovu rezultata na planu vjetake inteligencije trebali da pronau nain kako da uine raunare korisnijim, dok bi psiholozima, lingvistima, filozofima i drugima trebalo da olakati razumjevanje principa na kojima se inteligencija zasniva. Prvi meu ciljevima vjetake inteligencije proizilazi iz stava da bi raunari koji posjeduju inteligenciju bili najkorisniji raunari i objanjava zato se vjetakoj inteligenciji pridaje veliki znaaj. Raunari vie ne obavljaju samo obina raunanja, ve izvode i postupke koji posjeduju elemente inteligencije. U simbiozi sa raunarima, maine postaju sposobne da rade samostalno, upravljaju sobom i proizvode druge maine, ostavljajui ovjeku da upravlja sloenim sistemima uz mala izlaganja fizikim naprezanjima.

10

Drugi od navdenih ciljeva u vjetakoj inteligenciji se zasniva na vjerovanju da je stvaranje inteligentnih raunara povezano sa razumjevanjem ljudske inteligencije. Rad sa raunarima prua nova sredstva opisivanja i korienje koncepta po analogiji omoguava mono miljenje o miljenju. Raunarski modeli forsiraju preciznost. Programi su pogodni za ispitivanja, jer ne zahtjevaju hranjenje i ne stvaraju obmanu (misle kognitivisti), a jednostavnim liavanjem dijela znanja (dijela koda) olakava se testiranje znaaja koji taj dio ima u cijelini. Jedna od posljedica rezultata na polju vjetake inteligencije mogu biti nove ideje o tome kako pomoi ljudima da postanu inteligentniji. U poetku sedamdesetih godina utvreno je da se svi ti ambiciozni ciljevi i nisu ba ostvarili, pa su se zato istraivanja nastavila u realnijim ciljevima radei na novim metodama i boljim alatima. Meu rezultatima tog preporoda treba spomenuti sljedee sisteme: DENDRAL ekspertni sistem za utvrivanje hemijskih strukturnih formula na osnovu spektralnih osobina hemijskih jedinjenja, PLANNER znaajan korak ka razvoju visokonivoovskih jezika vjetake inteligencije; jezik u vie pogleda slian Prologu, SHRDLU sistem za razumijevanje prirodnog jezika, MYCIN ekspertni sistem za pomo ljekarima kod dijagnosticiranja infektivnih oboljenja i kod izbora terapije i ARCHES program za automatsko uenje. Napomenimo da je mainska oprema u to vrijeme jo uvijek bila nedovoljna, aplikacija vjetake inteligencije je bilo malo, te su u razvoj tih programa uloeni veliki napori. Do znaajnog i brzog preokreta dolo je u godinama 1980-1982. Sa razvojem mikroraunara i novih alata, kojima je omoguena brza izrada novih programa, dolo je do velikog zamaha programa vjetake inteligencije. Istovremeno promijenio se i odnos razvijenih industrijskih i poslovnih sredina prema vjetakoj inteligenciji. Naime, vjetaka inteligencija je dola u centar panje zbog dva razloga: prvi je projekat nove generacije raunara kojom je Japan elio dostii primat na svjetskom tritu raunara i koji je zasnovan na svestranoj upotrebi tehnika vjetake inteligencije; drugi razlog lei u uspjehu njenih aplikacija, u prvom redu ekspertnih sistema. Pregled znaajnih dogaaja u istoriji vjetake inteligencije sistematizovano je dat u sljedeoj tabeli:

Period 1930-1940 Korijeni

Znaajni dogaaji Formalna logika (Frege, Whitedhead, Russel, Tarsky) Kognitivna psihologija Ideja kompjutacije (Church,Turing)

1945-1954

Razvijeni raunari (H. Simon) Administrativno ponaanje Kibernetika i samoorganizujui sistem (N. Wiener, McCulloch) A.M. Turing, Raunarska mainerija i inteligencija Narastajua raspoloivost raunara Jezik obrade informacija I (IPL-I) Qetni seminar o VI u Darmouthu 1956. Rjeavalac optih problema (GPS) Psihologija obrade informacija

1955-1960 Poeci istraivanja u VI

11

A. Nenjel i H. Simon, Rjeavanje ljudskihGodine razvoja i preusmjeravanja 19611970 Traganje za rjeavaocima optih problema problema LISP (J. McCarty) Heuristici ELIZA (J. Weizenbaum) Robotika ahovski programi DENDRAL (Stanford University)

Godine specijalizacije i uspjeha 1971-1980 Razvoj sistema zasnovanih na znanju

MYCIN (Stanford University) HEARSSAY II (Carnegie-Mellon) Inenjerstvo znanja EMYCIN (Stanford University) PROLOG (A. Colmerauer) PROSPECTOR (SRI) Japanski projekt Pete generacije E. Feigenbaum i P. MCCorduck, Peta generacija INTELLECT (A.I.C.) esta generacija

Godine primjene 1981-1992 Dalja istraivanja

Tabela 1 Pregled znaajnih dogaaja u istoriji vjetake inteligencije

Osnovni dio programske opreme raunarskog sistema nove generacije sastoji se od sistema za rjeavanje problema i zakljuivanje (problem-solving and inference system), sistema za upravljanje bazom znanja (knowledge base management system) i inteligentnog interfejsa (intelligent interface system). Funkcije tih sistema se veoma razlikuju od klasinih, koje se baziraju na aritmetikim operacijama, funkciji memorije i klasinim ulazno-izlaznim jedinicama. Za njihovu realizaciju je dakle potreban novi instrumentarijum, a to su upravo tehnike, metode i arhitekture, koje je razvila vjetaka inteligencija: algoritmi za pretraivanje grafova, formalizmi za predstavljanje znanja, mehanizmi zakljuivanja, tehnike objanjavanja i arhitektura sistema voenih uzorcima. U osnovna podruja primjene vjetake inteligencije prema CR klasifikacijskom sistemu spadaju: heuristiko rjeavanje problema, predstavljanje znanja i mehanizmi zakljuivanja, ekspertni sistemi, procesiranje prirodnog jezika, automatsko uenje i sinteza znanja, inteligentni roboti, raunarski vid, programski jezici za vjetaku inteligenciju, automatsko programiranje i automatsko dokazivanje teorema. Zbog specifinosti programiranja sistema vjetake inteligencije kao to su rad sa nenumerikim podacima i sa bogato strukturiranim objektima, esto vraanje kod pretraivanja grafova, poseban odnos izmeu podataka i programa, potrebni su joj i tome prilagoeni alati kao to su: jezici za vjetaku inteligenciju (npr. Lisp, POP2, Prolog, ...), specijalni raunari (npr. Lisp Machine) i programska okruenja za vjetaku inteligenciju. Postoje tri aspekta kreiranja vjetake inteligencije: stvaranje vjetakih neuralnih mrea, modeliranje evolucije i heuristiko programiranje.

12

Stvaranje vjetakih neuralnih mrea inspirisano je hipotezom da prirodna inteligencija nastaje na bazi prirodnih neuronskih mrea. Prirodna neuronska mrea ima oko 1010nervnih elija (neurona) i neurofiziolozi jo do kraja ne razumiju njeno funkcionisanje. Vjetaka neuralna mrea sadri veliki broj meusobno povezanih neurona i kreira se na raunaru. Evolucioni aspekt pretpostavlja da je prirodna inteligencija evoluirala u procesu koji ukljuuje prirodnu selekciju i mutacije. Ovdje se na raunaru kreira sistem koji na vjetaki nain evoluira u smislu selekcije i mutacije. Osnovni cilj je da vjetaka inteligencija bude bra od prirodne inteligencije. Heuristiko programiranje podrazumijeva izradu kompjuterskih programa koji se inteligentno ponaaju. To znai sintezu tri elementa: teorije, implementacije programa i eksperimenta sa gotovim programom. Heuristika je vjetina i nauka o metodama u pronalaenju novih, naroito naunih injenica i saznanja. Vjetaka inteligencija je dakle dola do faze, kada su tehnike i alati koje je razvila, postali opte upotrebljivi u raznovrsnim raunarskim aplikacijama, meu kojima su najpoznatiji, zasada najuspjeniji i zbog toga komercijalno najzanimljiviji ekspertni sistemi. Generalno, vjetaka inteligencija je stvarnost, tehnike i alati razvijeni u tom smislu dobili su iru upotrebu u razliitim softverskim aplikacijama. Ubjedljivo najvaniji su ekspertni sistemi, koji ve imaju solidnu afirmaciju na tritu.OVJEK uzrast 1 2 jezik i govor 3 zadatak opaanje okoline motorne i mani pulativne sposobnosti godina 1968. 1968. 1969. 1966. 1968. 1968. VjETAKA INTELIGENCIJA program prvi program vizuelnog opaanja projekat "oko-ruka" analizator govora do 200 rijei sintetizator govora program za uenje govora

5 15 15 16 17 18 18 20 21

poetak usvajanja kolskog programa geometrija u ravni algebarski zadaci geometrijski zadaci u prostoru programiranje raunara matematika analiza iskazni raun igra dama na 100 polja aksiomatska logika 1959. 1964. 1963. 1963. 1961. 1959. 1959. 1956. program za dokazivanje teorema program za rjeavanje algebarskih zadataka Program "Analogija" programi zasnovani na koritenju heuristike program za heuristiku integraciju

"Opti rjeava zadatka" (GPS)program za igranje dama program vri dedukciju u formalnom sistemu

Tabela 2 Uporedni razvoj prirodne i VI

2. FUZZY SISTEMI2.1. KVANTIFIKACIJA NEODREENOSTIFuzzy teorija je specifino projektovana za predstavljanje ljudskog znanja i zakljuivanja na takav nain da se moe jednostavno predstaviti na raunaru. Ona omoguava uvoenje matematikog formalizma za opisivanje nejasnosti, neodreenosti ili dvosmislenosti rijei ili fraza, koji se javljaju u prirodnom jeziku. Ustanovljena je 1965. godine od strane profesora Zadeha, uvoenjem fuzzy skupova.

13

Skoro svi prirodni jezici sadre neodreenosti i veeznanost. Pridjevi, posebno, nisu uvijek jasni i jednoznani; viesmisleni su u irini svog znaenja. Na primjer, kada se kaevisoka osoba ne moe se jasno odrediti ko je visok ili ko nije visok. Neodreenost izraza stara osoba dolazi do pridjeva star. Rijei su obino kvalitativne, ali one kao visok i star su dovedene u vezu sa visinom ili godinama. Ako se ostave po strani apstraktni pridjevi kao to su: dvosmislen, neodeen nesiguran, pridjevi koji se odnose na koliinu su esti. U inenjerstvu, posebno, pridjevi koji opisuju stanja i uslove razliitih stvari su skoro uvijek povezani sa koliinom.

2.2. FUZZY SKUPOVIU okviru fuzzy teorije skupova radi se sa kvantifikacijom znaenja u okviru teorije skupova. To je pokuaj da se izrazi poput visok ili star predstave preko koncepta skupova. U osnovi, pojam skupova nije neophodan za kvantifikaciju neodreenosti, ali je mogue poveati opseg korisnosti radei u okvirima teorije skupova, prije svega zato to je teorija skupova osnova koja se koristi u mnogim oblastima savremene matematike. Da bi se naglasila razlika izmeu skupova koji se standardno koriste u matematici i fuzzy skupova, za skupove prve vrste se upotrebljava termin obini skupovi (ili samo skupovi). U engleskoj literaturi se obini skupovi nazivaju crisp sets (rije crisp ukazuje na jasno odreene granice oblasti koje predstavljaju skupove). Da bi se fuzzy skupovi jasno razlikovali od obinih skupova, koristie se sljedei nain oznaavanja: slovo koje oznaava fuzzy skup e biti podvueno. Grafiki prikaz fuzzy podskupa A skupa X dat je na sljedeoj slici.

Slika 3

Fuzzy podskup A

Pravougaoni ram predstavlja skup X, dok su granice neodreenosti fuzzy podskupa A oznaene isprekidanom linijom. Teorija fuzzy skupova definie stepen do kojeg je element x skupa X ukljuen u neki podskup. Funkcija koja pokazuje stpen do kojeg je x ukljuen naziva se funkcija pripadnosti. Stepen ukljuenosti nekad se zove i stepen pripadnosti, obim ili stepen. Kako je fuzzy skup uvijek definisan kao podskup opteg skupa X, prefiks pod se izostavlja i koristi se samo termin fuzzy skup. Ako se istovremeno razmatraju funkcije pripadnosti fuzzy skupova , dobiva se ovakav grafik:

14

Visina (cm) visok skoro prosjean nizak

Slika 4

Skale za nizak, skoro prosjean i visok

Na horizontalnoj osi je predstavljen cijeli skup X koji se zove i skup koji podrava fuzzy skup, ili jednostavno podrka. Na vertikalnoj osi je predstavljena vrijednost funkcije pripadnosti. Na primjer, za oekivati je da bi mnogi predstavili funkciju pripadnosti skupa skoro prosjean kao to je na krivoj u sredini, s tim da bi stepen od 150 cm do 170 cm subjektivno varirao, to zavisi od osobe koja daje procjenu. Na ovaj nain fuzzy skupovi mogu biti vieni kao subjektivni. Tipian primjer za funkciju pripadnosti je linearna trapezoidna funkcija:veliki srednji mali

Slika 5

Grafik trapezoidnih funkcija

15

Predstavljeni su fuzzy skupovi mali brojevi, srednji brojevi, i veliki brojevi. Drugi oblici, na primjer Gausova funkcija, takoe se mogu koristiti, ali treba voditi rauna da ne doe do znaajnog poveanja sloenosti izraunavanja. Takve funkcije se tipino javljaju u sistemima koji se koriste za teorijske analize, gdje su potrebna odreena analitika svojstva.

16

2.3. OPERACIJE SA FUZZY SKUPOVIMAZa bolje razumjevanje operacija sa fuzzy skupovima u nastavku e biti prvo opisane operacije sa obinim skupovima i njima odgovarajue operacije sa fuzzy skupovima, a zatim e biti prikazane i operacije uvedene specijalno za rad sa fuzzy skupovima. Postoje tri osnovne funkcije sa skupovima: unija, presjek i komplement. Na primjer, unija skupova E i F je izraena kao: E U F = {x:x E ili x F} Budui da su fuzzy skupovi definisani funkcijama pripadnosti, unija fuzzy skupova ne moe biti ovako definisana, jer se moraju koristiti funkcije pripadnosti.

UNIJA Unija fuzzy skupova A i B, u oznaci A U B, je fuzzy skup definisan sledeom funkcijom pripadnosti: A U B (x) = A (x) v B (x)

PRESJEK Presjek fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti: A B (x) = A (x) B (x) KOMPLEMENT Komplement fuzzy skupova A, u oznaci A, je fuzzy skup definisan sledeom funkcijom pripadnosti: A (x) = 1 A (x) Ove definicije operacija su uoptenja definicija operacija za obine skupove.

17

2.4. OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVEPoto vie nema potrebe za naglaavnjem razlika u odnosu na obine skupove, fuzzy skupovi e biti prosto oznaeni se A, B, itd..., odnosno bez podvlaenja. Od mnogobrojnih operacija sa fuzzy skupovima ovde e biti govora samo o nekima: algebarskom zbiru i proizvodu, graninom zbiru i razlici i direktnom proizvodu.

ALGEBARSKI ZBIR Algebarski zbir fuzzy skupova Ai B, u oznaci A + B, je fuzzy skup definisan sledeom funkcijom pripadnosti: A + B (x) = A (x) + B (x) - A (x) . B (x)

ALGEBARSKI PROIZVOD Algebarski proizvod fuzzy skupova A i B, u oznaci A . B, je fuzzy skup definisan sledeom funkcijom pripadnosti: A . B (x) = A (x) . B (x) GRANINI ZBIR Granini zbir fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti: A B (x) = ( A (x) + B (x)) 1 GRANINA RAZLIKA Granina razlika fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti: A B (x) = ( A (x) - B (x)) v 0

DIREKTAN PROIZVOD FUZZY SKUPOVA Neka su A i B, dva fuzzy skupa. Direktan proizvod skupova A i B, u oznaci A x B je fuzzy podskup skupa X x Y (pri emu je A podskup skupa X, a B podskup skupa Y) definisan sledeom funkcijom pripadnosti: A x B (x) = A (x) B (x)

18

2.5. PRIMJENA FUZZY TEORIJEUspjena primjena fuzzy teorije moe se uoiti na irokom polju aplikacija, poevi od proizvoda iroke potronje pa do automatskih sistema upravljanja. Neke od primjena fuzzy teorije (u zagradi su navedeni proizvoai) su: iroka potronja: o Kamere i kamkoderi (Cannon, Minolta, Ricoh, Sanyo), o Maine zapranje ( AEG, Sharp, Goldstar), o Rashladni ureaji (Whirpool), o Usisivai (Phillips, Siemmens). Automatizovani sistemi: o Lokomotive i upravljanje transmisijom (GM Saturn, Honda, Mazda), o Upravljanje motora (Nissan), o Fuzzy kontroleri (Klockner Moeller). Upravljanje industrijskim procesima: o Cementara, postrojenje za preradu smea ( K.L. Smith, Danska), o Destilacija, preiavanje i drugi hemijski procesi. Pomo u odluivanju: o Medicinska dijagnostika, o Ekspertni sistemi, o Osiguravajui sistemi, o Donoenje odluka u upravljanju poduzeem, o Vrednovanje kvaliteta, o Baze podataka. Uprkos injenici da se uee fuzzy teorije u ovim aplikacijama nije uvijek isto, moe se rei da ima slinu, centralnu ulogu u odgovarajuim upravljakim sistemima. U nevedenim primjerima, fuzzy teorija premoava prazninu izmeu simbolikog procesiranja i numerikog izraunavanja. U narednom periodu treba oekivati jo znaajnije uee fuzzy teorije u upravljakim strategijama, prije svega za donoenje strategijskih i kontrolnih (nadzornih) odluka.

19

3. NEURONSKE MREE3.1. POJAM NEURONSKIH MREA

Kada god se govori o informacionim sistemima, bilo da je to MIS (Management Information Systems), DSS (Decison Support System) ili neka druga vrsta informacionog sistema, neizostavno se spominju raunarske mree, kao osnovna infrastruktura svakog informacionog sistema. Tako govorimo o LAN, MAN, WAN mreama prema njihovoj geografskoj rasprostranjenosti , ili pak o server-klijent mreama ili peer to peer konfiguracijama, kada govorimo o nainu komunikacije unutar mree. Kod ekspertnih sistema, koji predstavljaju vrh hijerarhijske piramide informacionih sistema, kao osnovna infratruktura se spomninju vjetake neuronske mree. Poetak neuro-raunarstva obino se vezuje za 1943. godinu i lanak Warrena McCullocha i Waltera Pittsa "Logiki raun ideja svojstvenih nervnoj aktivnosti". Ovaj lanak je esto citiran. Kibernetiar Norbert Winer i matematiar John von Neumann su smatrali da bi istraivanja na polju raunarstva, inspirisana radom ljudskog mozga, mogla biti izuzetno zanimljiva. Knjiga Donalda Hebb-a iz 1949. godine "The Organization of behavior" (Organizacija ponaanja) iskazuje ideju da je klasino psiholoko uslovljeno ponaanje prisutno kod svih ivotinja, jer je ono svojstvo neurona. Ova ideja nije bila nova, ali ju je Hebb vie razradio od prethodnika, predlaui odreeni zakon uenja za sinapse, a pomou njega je izveo kvalitativno objanjenje nekih eksperimentalnih rezultata iz psihologije. Poetkom pedesetih godina prologa vijeka, najvie uticaja na dalji razvoj neuronskih mrea je imao rad Marvin Minsky-a koji je u tom periodu konstruisao neuroraunar pod imenom Snark (1951). Frank Rosenblatt je zasluan za otkrie jednoslojne neuronske mree, zvane perceptron. Ovaj raunar je mogao uspjeno da podeava teinske koeficijente, meutim ovaj raunar nije postigao znaajnije praktine rezultate. Tek krajem pedesetih godina (1957-1958), Frank Rosenblatt i Charles Wightman sa svojim saradnicima su uspeli da razviju raunar pod nazivom Mark I koji predstavlja prvi neuroraunar. Neto iza Rosenblatta, Bernard Widrow je sa svojim studentima (najpoznatiji je Ted Hoff, kasnije tvorac mikroprocesora) razradio novi tip neurona - ADALINE (ADAptivini LINearni Element, prenosna funkcija f(x)=x) i odgovarajui zakon uenja. U periodu od 1950-tih do ranih 1960-tih godina prologa vijeka napisano je nekoliko knjiga i osnovano nekoliko kompanija koje se bave neuroraunarima. Meutim, sredinom 1960-tih godina dolo je do zastoja zbog dva oigledna problema. Prvo, veina istraivaa je prila problemu sa kvalitativne i eksperimentalne strane, zanemarujui analitiki pristup. Drugo, poetni entuzijazam je bio toliko jak da su uveliko publikovana predvianja da nas od vjetakog mozga dijeli samo nekoliko godina istraivanja. Ovakav zanos je dalje diskreditovao ovu oblast i odbio veliki broj istraivaa. Mnogi od ovih ljudi su napustili neuroraunarstvo i preli u srodna polja. Sredinom 1960-ih godina je pristup rijeavanja problema neuronskih mrea okarakterisan kao pogrean, nakon to Marvin Minsky i Seyour Papert u knjizi "Perceptrons"objavljuju matematiki dokaz da jednoslojna neuronska mrea "Perceptron" ne moe da naui funkciju XOR, uz pretpostavku da dodavanjem vie slojeva neurona taj problem nee biti prevazien. Tano je da neuron nije u stanju da izvede pomenutu funkciju, ali za iole sloeniju mreu od nekoliko neurona to predstavlja veoma jednostavan zadatak. Njihov dokaz je diskreditovao istraivanja neuronskih mrea, a finansiranja su preusmjerena na druge oblasti vjetake inteligencije.

20

U periodu izmeu 1967. do 1982. godine pojavljuju se istraivai koji daju znaajan doprinos razvoju ove oblasti kao to su Teuvo Kohonen, Kunihiko Fukushima i Stephnen Grossberg. Naroito se istakao Teuvo Kohonen, koji je otkrio nekoliko tipova neuronskih mrea koje su po njemu dobile naziv. U ovom periodu se pojavio i backpropagation algoritam. U radu na ovom algoritmu su se posebno istakli sljedei naunici: Amari (1967.) dodaje unutranje slojeve perceptronskoj mrei, Bryson i Ho (1969.) razvijaju algoritam slian backpropagation algoritmu, Werbos (1974) nezavisno od prethodnika razvija backpropagation algoritam, a Parker (1982) unapreuje backpropagation algoritam. Poetkom 80-ih, amerika vojna agencija DARPA (Agencija za odbrambene istraivake projekte) postala je zainteresovana za neuronske mree i finansiranja su ponovo zapoela. Sredinom 1980-tih, poznati fiziar John Hopfield dao je veliki doprinos popularizaciji neuronskih mrea, objavljujui rad u kome je napravio paralelu izmeu neuronskih mrea i odreenih fizikih sistema. Poetkom devedesetih, Bart Kosko u knjizi "Neural Networks and Fuzzy Systems" dokazuje da neuronske mree i fuzzy logika opisuju isti skup problema i samim tim otvara novu oblast koja se naziva soft computing. Rumenel, Hinton i Williams (1986) dokazuju veliku promjenljivost i potencijal backpropagation algoritma. Krajem 80-tih i poetkom 90-tih, neuronske mree i neuro raunarstvo se uvodi kao predmet na nekoliko elitnih univerziteta u SAD, dok se danas neuronske mree gotovo mogu sresti na svim univerzitetima. Iako su neuronske mree imale neobinu istoriju, one su jo uvijek u ranoj fazi razvoja. Moda se sad moe rei da smo na kraju poetka. Danas neuronske mree nalaze veoma irok spektar primjena u razliitim praktinim oblastima. Interes za neuronske mree, ali i uopte za ekspertne sisteme, doivljava nevjerovatnu ekspanziju u posljednjih nekoliko godina. Njihova primjena doivljava pravi bum i gotovo da nema oblasti ljudskog djelovanja gdje se ne primijenjuju ekspertni sistemi zasnovani na neuronskim mreama. Tako ove sisteme sve vie susreemo na polju finansija, medicine, inenjeringa, geologije, hemije i drugih oblasti ljudskog interesa. Dakle, gdje god se javlja problem predvianja, klasifikacije ili kontrole, neuronske mree se nameu kao najefikasnije rjeenje. Njihova kompleksnost i sofisticiranost, dakako, doprinosi relativno sporom uvoenju u iru primjenu, pogotovo ako ih uporedimo sa klasinim raunarskim mreama, ali se fokus svjetske IT pameti definitivno okree ovom modelu umreavanja raunarskih resursa. Svijet biznisa sve vie trai naina da, sve jau procesorsku snagu dananjih raunarskh sistema, upotrebi na takav nain da mo i ulogu odluivanja premjesti sa ljudi eksperata, na inteligentne maine, ime bi se rijeili mnogi problemi, od finansijskih, sociolokih, kulturolokih, pa sve do organizacionih. Dosadanji uobiajeni nain rjeavanja ovakvih i slinih problema, rjeavao se upotrebom numerikog modeliranja. Meutim, numeriki modeli su primijenljivi na dobro strukturirane probleme, dok kod nestrukturiranih ili slabo strukturiranih problema ovakvi modeli i sistemi ne daju zadovoljavajue rezultate. Vjetaka inteligencija, kao davnanji san naunika, poiva na razvoju neuronskih mrea, koje nastoje imitirati nain rada ovjeijeg mozga, kao ipak, najsavrenijeg procesora tj. mree procesora (neurona). Asocijativno miljenje i prepoznavanje kod ovjeka se zasniva na poreenju ranije doivljenih i upamenih situacija sa onim situacijama koje su trenutno aktuelne sa ciljem da se novoj, na osnovu slinosti pridrui (asocira) neka od ranije poznatih situacija i da se time donese zakljuak koji je ranije u takvoj situaciji uspjeno provjeren. Vjetake neuronske mree su u stanju da na odreen nain funkcioniu prema navedenim principima asocijativnog razmiljanja i prepoznavanja. Prije nego to se zapone sa prvom analizom neuronskih mrea, treba objasniti neke kategorije koje e se vie puta ponavljati.

21

Oblik (uzorak, eng. Pattern) je kao kategorija od osnovnog znaaja u izuavanju asocijativnog razmiljanja. On predstavlja skup podataka koji opisuju neku situaciju, dogaaj ili pojavu. Pri tome podaci koji ine oblik mogu biti binarni ili n-arni. Metode prepoznavanja oblika su se razvile kao pokuaj da se matematiki formuliu i raunski realizuju principi asocijativnog zakljuivanja koji su svojstveni ovjekovom miljenju. Mrea (eng. Network) kao kategorija u tehnikim razmatranjima predstavlja jedan skup entiteta, koji meusobno komuniciraju. Ukoliko dva entiteta mogu da komuniciraju meusobno, onda se kae da postoji veza izmeu njih. Priroda te veze je irelevantna u okviru ovih razmatranja. Ovi entiteti mogu da budu potpuno povezani to znai da je svaki entitet povezan sa svakim. Mrea sa atributom neuronska ili sa atributima vjetaka neuronska predstavlja mreu iji su entiteti procesorske jedinice i iji, kako fiziki izgled tako i funkcionalni procesi koji se odigravaju u mri, podsjeaju na nervni sistem kod ovjeka. Postoje dvije kategorije neuronskih mrea: vjetake i bioloke neuronske mree. Predstavnik biolokih neuronskih mrea je nervni sistem ivih bia. Vjetake neuronske mree su po strukturi, funkciji i obradi informacija sline biolokim neuronskim mreama, ali se radi o vjetakim tvorevinama. Neuronska mrea u raunarskim naukama predstavlja veoma povezanu mreu elemenata koji obrauju podatke. One su sposobne da izau na kraj sa problemima koji se tradicionalnim pristupom teko rjeavaju, kao to su govor i prepoznavanje oblika. Jedna od vanijih osobina neuronskih mrea je njihova sposobnost da ue na ogranienom skupu primjera. Neke vjetake neuronske mree zaista predstavljaju modele biolokih, neke ne, ali istorijski, inspiracija za oblast neuronskog raunanja dola je od elje za stvaranjem vjetakog sistema, sposobnog za obavljanje sofisticiranih, "inteligentnih" raunanja, slinih onima koje rutinski obavlja ljudski mozak. Od mnogih smatrane za najvei tehnoloki napredak u protekloj deceniji, neuronske mree pokazale su se nezamjenljivim u situacijama gdje je mogunost identifikacije skrivenih veza i obrazaca kljuna za uspena predvidanja.

22

3.2. BIOLOKE NEURONSKE MREE ovjeiji mozak je sastavljen od ogromnog broja elija neurona. Njihov broj u prosjenom ovjeijem mozgu iznosi oko 100.000.000.000, a svaki ovaj neuron povezan je sa drugim neuronima preko nekoliko hiljada veza kojima proslijeuju impulse jedni drugima. Tako je svaki neuron sastavljen od ulaznih veza (aksoni), same elije (neuron), izlaznih veza (dendroni), dok se spoj dendrona jednog neurona sa aksonima drugog neurona naziva sinapsa.

Slika 6

Veza izmeu dva neurona

Akson jedne elije povezan je sa dendronom druge elije. Funkcionalni meumembranski kontakt aksona jednog neurona i dendrona drugog neurona nazivamo sinapsa. Kada je neuron aktiviran on alje elektrohemijski signal preko aksona prema drugom neuronu. Signal moe biti promijenjen od strane sinapse koja je u mogunosti da povea ili smanji snagu veze i time izazove aktivaciju druge elije ili njenu ukoenost. Akson se moe zamisliti kao tanka cjevica koje jedan kraj povezan na tijelo neurona, a drugi se dijeli na niz grana. Krajevi ovih grana zavravaju malim zadebljanjima koja najee dodiruju dendrite, a rjee tijelo drugog neurona. Neuron prima impulse od ostalih neurona kroz dendrite, a signale koje proizvodi tijelo predaje preko aksona.

23

Sinapsa je elementarna struktura i funkcionalna jedinica izmeu dva neurona, odnosno sinapsa je mali razmak izmeu zavretka aksona prethodnog neurona i dendrita ili tijela sljedeeg neurona.

Dakle, vjetaka neuronska mrea je pokuaj simuliranja rada, odnosno procesiranja informacija, ovjeijeg mozga. Svaki neuron ima sposobnost proslijeivanja elektro-hemijskih signala. Kada se neuron pobudi, on ispaljuje elektrohemijski signal preko mree aksona. Signal prelazi preko sinapsa do drugih neurona, koji mogu naizmjenino da se aktiviraju. Neuron se aktivira samo ako nivo signala koji je primljen od prethodnog neurona pree odreenu granicu (fire treshold). Jaina signala koju neuron prima u mnogome zavisi od djelotvornosti sinapsi. Svaka sinapsa ima kanal koji je ispunjen kemikalijom koja prenosi signal du kanala. Naunici smatraju da je proces uenja u stvari povezan sa sposobnou mijenjanja i auriranja ovih sinaptikih veza. Tako ovjeiji mozak, procesirajui veliki broj jednostavnih impulsa, rjeava ekstremno kompleksne zadatke. Mora se napomenuti da do sada niko, nikada nije uspio simulirati ni priblino kompleksan sistem kao to je to ovjeiji mozak. Dok se stvarni ovjeiji mozak sastoji od stotina milijardi neurona, vjetake neuronske mree su uspjele dostii tek brojku od par hiljada vjetakih vorova - neurona.

24

3.3. VJETAKE NEURONSKE MREEVjetake neuronske mree su inspirisane biolokim mreama. One pozajmljuju ideje iz naina na koji funkcionie ljudski mozak. Dananja neuronska obrada na raunaru koristi vrlo ogranien skup koncepata od biolokih neuronskih sistema. Cilj je da se simuliraju masovni paralelni procesi koji ukljuuju obradu meusobno povezanih elemenata u arhitekturi mree. Vjetaki neuron prima ulazne podatke slino kao to bioloki neuroni primaju elektohemijske impulse od drugih neurona. Izlazni podaci vjetakog neurona odgovaraju signalima koje alju bioloki neuroni. Vjetaka neuronska mrea je sastavljena od procesorskih jedinica iji kako funkcionalni izgled tako i procesi koji se u njoj odigravaju podsjeaju na nervni sistem kod ovjeka. To je ustvari vrsta raunara koji se potpuno razlikuju od klasinih raunara sa Fon Nojmanovom arhitekturom. Kod klasinih raunara jedan procesor obavlja sekvencijalno instrukcije date programom. Pri tome procesor moe da obavlja stotinu i vie osnovnih komandi kao to su sabiranje, oduzimanje, mnoenje, punjenje, pomjeranje i dr.

Slika 8

Vjetaki neuron

Neuron prima ulaze koji mogu biti sirovi podaci ili podatak iz susjednog neurona, koje procesira i proizvodi jedan izlaz. Sam izgled kao i princip obrade podataka jedne elementarne procesorske jedinice u vjetakoj neuronskoj mrei podsjea na princip prosljeivanja impulsa neurona u biolokom nervnom sistemu. Isto tako procesorska jedinica je analogna jednoj eliji biolokog nervnog sistema, ulazne veze odgovaraju dendritima a izlazne aksomima. Neuronska mrea je sistem sastavljen od vie jednostavnih procesora (jedinica, neurona), svaki od njih ima lokalnu memoriju u kojoj pamti podatke koje obrauje. Te jedinice su povezane komunikacionim kanalima (vezama). Podaci koji se ovim kanalima razmjenjuju su obino numeriki. Jedinice obrauju samo svoje lokalne podatke i ulaze koje primaju preko konekcije. Ogranienja lokalnih operatora se mogu otkloniti tokom treninga. U neuronskim mreama, gdje su procesorske jedinice povezane odreenom topologijom, postoji struktura paralelnog distriburanog procesiranja (PDP). Istovremeno rade vie procesorskih jedinica da bi rezultati njihove obrade PDP strukturom preli na druge jedinice, itd. Procesorske jedinice u jednoj neuronskoj mrei su jednostavne i mogu obavljati samo jednu ili eventualno nekoliko raunarskih operacija i meusobno su povezane tako da u jednoj neuronskoj mrei postoji mnogo vie veza nego procesorskih jedinica.

25

Slika 8

Vjetaka neuronska mrea

Na slici iznad je shematski prikazana jedna tipina topologija mree sa tri sloja procesorskih jedinica (jedan ulazni, drugi srednji ili skriveni i trei izlazni). Svaka procesorska jedinica je povezana sa vie susjednih jedinica, broj ovih veza izmeu zapravo predstavlja snagu neuronske mree. Rad neuronske mree sa vie veza je kompleksniji ali takva mrea moe da obavlja kompleksnije zadatke. Arhitekturu vjetake neuronske mree predstavlja specifino ureenje i povezivanje neurona u obliku mree. Po arhitekturi, neuronske mree se razlikuju prema broju neuronskih slojeva. Obino svaki sloj prima ulaze iz prethodnog sloja, a svoje izlaze alje narednom sloju. Prvi sloj se naziva ulazni, posljednji je izlazni, ostali slojevi se obino nazivaju skrivenim slojevima. Jedna od najeih arhitektura neuronskih mrea je mrea sa tri sloja. Prvi sloj (ulazni) je jedini sloj koji prima signale iz okruenja. Prvi sloj prenosi signale sljedeem sloju (skriveni sloj) koji obrauje ove podatke i izdvaja osobine i eme iz primljenih signala. Podaci koji se smatraju vanim se upuuju izlaznom sloju, posljednjem sloju mree. Na izlazima neurona treeg sloja se dobijaju konani rezultati obrade. Sloenije neuronske mree mogu imati vie skrivenih slojeva, povratne petlje i elemente za odlaganje vremena, koji su dizajnirani da omogue to efikasnije odvajanje vanih osobina ili ema sa ulaznog nivoa. Vjetaka neuronska mrea je paradigma obrade informacija inspirisna procesiranjem kakvo vri bioloki mozak. Pri tom vjetaka neuronska mrea koristi odreen broj koncepata iz biolokih neuronskih sistema. Kljuni elemenat je neuobiajena struktura procesa obrade informacija, sastavljena od velikog broja meusobno povezanih elemenata procesiranja koji zajedno rade na rjeavanju problema. Ove mree kao i ljudi ue na osnovu primjera, tj. na osnovu iskustva, one nisu programirane eksplicitnim instrukcijama, ve ue da izvre zadatak iz primjera iz stvarnog ivota, obuavaju se. Dakle, razlika izmeu ovih mrea i klasinih raunara je i u tome to se one ne programiraju, dok kod klasinih raunara programer unosi program kojim se tano odreuje rad raunara u svakom trenutku. Postoji bitna razlika u odnosu na klasine raunare: neuronske mree se ne programiraju. Dok kod klasinog raunara programer unosi u raunar program kojim se tano odreuje rad raunara u svakom trenutku, neuronske mree se ne programiraju ve se obuavaju. Prije nego to ponu da se primjenjuju, ulae se dosta vremena na njihovo obuavanje, uenje ili treniranje. Proces obuavanja se zasniva na auriranju najee teinskih koficijenata veza, a ponekad samo vrijednosti ulaznih procesorskih jedinica. Teinski koeficijent veza ili teine veza su koeficijenti koji su dodijeljeni u svakom trenutku vezama neuronske mree. Za vrijeme obuavanja ovi se koeficijenti auriraju. Brzina njihovog auriranja moe takoe biti mjerilo moi procesiranja neuronske mree. Neuronske mree obezbjeuju efikasan pristup irokom spektru primjena. Njihova uspjena primjena u prepoznavanju, preslikavanju i klasifikaciji oblika omoguila je dalji razvoj neuronskih mrea. Takoe, ove mree se mogu primjenjivati u transformisanju slike u neki drugi oblik podataka, ili preslikavanju vizuelne slike u komande robota. Kao to je ve napomenuto, rad sa nepotpunim podacima, omoguava da upravo mrea upotpunjuje takve podatke, poto je prethodno za to

26

obuavana. Neuronske mree se mogu primjeniti u razliitim oblastima. Na primjer, u medicini: kod analize krvnih elija, u akustici: kao klasifikator zvunih slika ili kod prepoznavanja govora, gdje je neophodna identifikacija i klasifikacija rijei ili sekvenci rijei, itd.

27

3.4. OBUAVANJE NEURONSKIH MREAObuavanje neuronskih mrea se svodi na uenje iz primjera kojih bi trebalo da bude to vie da bi mrea mogla da se ponaa preciznije u kasnijoj eksploataciji. Podaci iz trening skupa se periodino proputaju kroz neuronske mree. Dobivene vrijednosti na izlazu mree se uporeuju sa oekivanim. Ukoliko postoji razlika izmeu dobivenih i oekivanih podataka, prave se modifikacije na vezama izmeu neurona u cilju smanjivanja razlike trenutnog i eljenog izlaza. Ulazno-izlazni skup se ponovo predstavlja mrei zbog daljih podeavanja teina, poto u prvih nekoliko koraka mrea obino daje pogrean rezultat. Proces uenja dovodi do korigovanja sinaptikih teina. Poslije podeavanja teina puta za sve ulazno izlazne sheme u trening skupu, mrea naui da reaguje na eljeni nain. Neuronska mrea je obuena ako moe tano da rjeava zadatke za koje je obuavana. Neuronska mrea je sposobna da izdvoji vane osobine i sheme u klasi trening primjera. Nakon obuavanja sa odreenom vjerovatnoom, neuronska mrea moe da generalizuje nove ulazne podatke za koje nije obuavana. Na primjer, generalizaciju moemo vidjeti na primjeru mree obuavane da prepoznaje serije slika: ako na ulaz takve mree dovedemo slike za koje mrea nije obuavana, ona do izvjesne mjere moe uspjeno da klasifikuje takve slike. Kada uzorci koji se predstavljaju mrei ne dovode vie do promjene ovih koeficijenata, smatra se da je mrea obuena. Proces obuavanja neuronskih mrea zapoinje zadavanjem sluajnih vrijednosti teinskih koeficijenata veza i dovoenjem oblika na ulazni sloj. Zatim se mrea aktivira i uporeuju se izlazni i zadati (zahtjevani, onaj koji treba da se dobije) izlazni oblik. Obuavanje se vri tako da se auriraju teinski koeficijenti sa ciljem da se u sljedeoj iteraciji dobiva izlaz koji je blii zadatoj vrijednosti. U trenutku kada se postigne zadovoljavajui rezultat sa jednim ulaznim oblikom, na ulaz se dovodi drugi, itd. Kad se zavri sa ovim oblicima iz obuavajueg skupa, na ulaz mree se dovodi ponovo prvi ulazni oblik. Ova se procedura nastavlja sve dok se ne doe do zadovoljavajuih rezultata za sve oblike iz obuavajueg skupa. Jednom kada je obuavanje mree zavreno, teinski koeficijenti veza egzistiraju nepromjenjeni. Tek sada, poslije obuavanja, mrea se moe primjeniti za predvieni zadatak. Mada je u najvie sluajeva mrea sa adaptivnim teinskim koeficijentima veza, postoje mree ije su teine fiksne i za vrijeme obuavanja. Tada se mjenjaju samo aktivacioni nivoi pojednih neurona. Opisani proces se naziva obuavanje sa nadgledanjem (eng. Supervised). Dobiveni izlaz se uporeuje sa zadatim i onda se na osnovu dobivene razlike obavlja auriranje pojedinih teinskih koeficijenata. Nasuprot takvom nainu obuavanja postoji i obuavanje bez nadgledanja (eng. Unsupervised). Izlazna vrijednost se ne uporeuje sa zadatom vrijednou. Ovom metodom mrea klasifikuje ulazne oblike u vie grupa. Broj jedinica u izlaznom sloju odgovara broju razliitih grupa to znai da u jednom datom trenutku postoji samo jedan aktivan izlaz.

28

3.4.1. PROPAGACIJA GREKE UNAZAD

Propagacija greke unazad (eng. Back propagation) je od svih paradigmi neuronskih mrea najvie koriena, i primjenjuje se uspjeno u raznim oblastima, kao to su: prepoznavanje oblika (vojna istraivanja, medicinska dijagnostika) prepoznavanje i sinteza govora, upravljanje robotima i vozilima. Primjenjuje se i u prepoznavanju slovnih znakova, klasifikaciji slika, kodiranju signala, obradi znanja i drugim razliitim problemima analize oblika. Propagacija unazad uspjeno rjeava probleme preslikavanja oblika: za dati ulazni oblik mrea proizvodi asocirani izlazni oblik. Propagacija greke unazad se bazira na relativno jednostavnom principu: kada mrea da pogrean rezultat, teinski koeficijenti se ispravljaju tako da greka bude manja, a kao rezultat toga, sljedei odgovori mree su blie tanim. U principu, propagacija unazad koristi tri ili vie slojeva procesorskih jedinica. Mrea sa propagacijom unazad mora da ima najmanje dva sloja. Ukoliko ima vie slojeva, pored ulaznog i izlaznog, ostali su skriveni. Najee se koristi mrea sa potpuno povezanim slojevima, to znai da je svaki sloj povezan sa prethodnim i sljedeim.

F(Sj) = Izlaz Sj = Teinska suma = Vrijednost greke

Slika 10

Procesorska jedinica mree sa propagacijom unazad

Na slici je postavljena jedna osnovna procesorska jedinica u mrei sa propagacijom unazad. Ona je okarakterisana teinskom sumom ulaza Si, izlaznom vrijednou ai i vrijednou greke i koja se koristi pri auriranju teinskih koeficijenata veza. Aktivacioni nivo (eng. Activation level) koji je dodijeljen svakoj od jedinica procesiranja u mrei sa propagacijom unazad predstavlja vrijednost izlaza iz odgovarajue jedinice. Kada se grafiki prikazuje mrea, aktivacioni nivoi se mogu predstaviti pomou razliitih brojeva, boja ili nijansi sivog. Na sljedeoj slici je prikazano grafiko predstavljanje aktivacionih nivoa i nivoa teinskih koeficijenata u jednoj mrei sa propagacijom unazad. Kvadrati sa razliitim nijansama sivog predstavljaju procesorske jedinice sa razliitim aktivacionim nivoima. Dvije reetke predstavljaju dva sloja teina, gdje je nijansa sivog u svakom kvadratu odreena vrijednou teinskih koeficijenata odgovarajue

29

veze. Brojna skala za odreivanje nijanse sivog je razliita za aktivacione nivoe i za teinske koeficijente zato to tipovi parametara imaju razliite obime.Teine Aktivacioni nivoi Mrea Teinski koeficijenti Od BIAS jedinice Sloj 2-3 Od BIAS jedinice Sloj 1-2 Sloj 2 Sloj 3 Sloj 1 Aktivacioni nivoi

30

Slika 11

Grafiko predstavljanje aktivacionih nivoa i teinskih koeficijenata sa propagacijom unazad

Neuronske mree sa propagacijom unazad se obuavaju sa nadgledanjem. Mrei se predstavlja jedan par obuavajueg skupa (ulazni oblik uparen sa zadatim izlazom). Poslje svakog predstavljanja, teine se auriraju tako da se smanjuje razlika izmeu izlaza mree i zadatog (ciljanog) izlaza. Obuavajui skup, se predstavlja, sve dok se mrea ne obui, ili prekine proces obuavanja. Nakon to se obuavanje zavri, vri se testiranje performanse mree. Algoritmi za obuavanje mree sa propagacijom greke unazad sadre korak propagacije unaprijed, za kojim slijedi korak propagacije unazad. Oba koraka se primjenjuju za svako predstavljanje para obuavajueg skupa. Korak propagacije unaprijed poinje sa prikazom ulaznog oblika na ulaznom nivou mree i nastavlja tako to aktivacioni nivoi vre propagaciju unaprijed izraunavanja kroz skrivene nivoe. U svakom sukcesivnom nivou svaka procsorska jedinica sumira svoje ulaze i primjenjuje prag funkciju u izraunavanju izlaza. Jedinice izlaznog nivoa daju izlaz mree. Korak propagacije unazad poinje poreenjem izlaznog oblika mree sa ciljnim vektorom. Tako se izraunava razlika ili greka. Korak propagacije unazad tada izraunava vrijednost greke za skrivene jedinice i mijenja njihove ulazne teine, polaze i od izlaznog nivoa kroz sve sukcesivne skrivene nivoe. U ovom koraku propagacije unazad mrea ispravlja svoje teine tako da smanjuje uoenu greku. Vrijednost greke pridruena svakoj procesorskoj jedinici se koristi za vrijeme izvrenja procedure korekcije teina tokom uenja. Velika vrijednost oznaava da treba sprovesti veu korekciju nad ulaznim teinama, a njen znak odraava pravac u kom treba mijenjati teine.

31

Obrazac za izraunavanje greke je jednostavan za jedinice iz izlaznog sloja, a neto sloeniji za jedinice iz ostalih (skrivenih) slojeva. Ako je jedinica i izlazna, tada je vrijednost njene greke: i = (zi ai) fi (Si) gdje su: zi zadata vrijednost izlaza za jedinicu i, ai vrijednost izraza jedinice i, fi (Si) prvi izvod funkcije f i Si teinska suma ulaza u jedinicu i. Razlika odreuje iznos greke a prvenstveno njen znak. Prvi izvod funkcije f, f i (Si), mijenja korekciju greke; ukoliko funkcija f (uzimajui u obzir da je f sigmoidna funkcija) bre raste, onda treba izvriti veu korekciju i obrnuto. Ako je procesorska jedinica i skrivena, greka se izraunava pomou obrasca. i = mk=1 ktki fi (Si) gdje je m broj procesorskih jedinica koje prihvataju izlaze jedinice i. Prvi izvod funkcije f i u ovom sluaju odreuje veliinu korekcije greke. Koristei greku i auriraju se teinski koeficijenti veza. Obrazac za auriranje teinskih koeficijenata veze koja spaja jedinice k i i, pri emu je jedinica k ispred jedinice i, je dat sa: (tik) = iak gdje su konstanta (brzina) obuavanja, i greka jedinice i i ak aktivacioni nivo jedinice k. Konstanta (brzina) obuavanja se bira najee u obimu 0.25 i 0.75. Ona odreuje brzinu obuavanja mree, ako je vea, obuavanje je bre i obrnuto. Meutim, prevelike vrijednosti ovoga koeficijenta djeluju destabilizujue na mreu i mogu da uzrokuju neobuavanje mree. S druge strane, ako je isuvie mala, obuavanje je sporo.

32

3.4.2. PROPAGACIJA GREKE UNAPRIJED

Korak propagacije unaprijed se inicijalizuje kada se oblik predstavlja mrei. Svaka ulazna jedinica odgovara jednom elementu vektora ulaznog oblika, i svaka jedinica dobiva vrijednost toga elementa. Poto su aktivacioni nivoi prvog sloja procesorskih jedinica postavljeni, ostali slojevi nastavljaju korak propagacije unaprijed i na taj nain odreuju aktivacione nivoe drugih slojeva. Prvi korak propagacije unaprijed je izraunavanje teinske sume. Jedinica j izraunava teinsku sumu svojih ulaza: Sj = ni=1 aitji Gdje su: ai aktivacioni nivo jedinice i, tji teinski koeficijent veze koja spaja jedinice i i j. Jedinica i pripada jednom sloju ispred sloja jedinice j. Poto se izraunava suma nalazi se funkcionalno preslikavanje sume f(Sj). Funkcija f je sigmoidna funkcija. F(x) = 1 / 1+ e-x Funkcija koja predstavlja meku varijantu step funkcije, koristei ovu prethodnu unkciju, dobija se: F(Sj) = 1 / 1+e-Sj = 1 / 1+e-aitji Vrijednost izraunata pomou ove funkcije postaje aktivacioni nivo jedinice j i prosljeuje se na sve njene izlaze. Ulazni sloj jedinica predstavlja specijalan sluaj. Ove jedinice ne sabiraju nikakve vrijednosti ve jednostavno prosljeuju ka sledeem nivou one vrijednosti koje primaju od vektora ulaznog oblika.

33

Step funkcija Sigmoid funkcija Sigmoid funkcija pomjerena -C ulijevo

Slika 12

Prag funkcije

Neke mree sa propagacijom unazad koriste bias (eng. Rije bias se moe prevesti kao uticaj) jedinicu u svakom izuzev izlaznog sloja. Ova jedinica ima konstantnu aktivacionu vrijednost. Svaka bias jedinica je povezana sa svim jedinicama u sljedeem viem sloju, a teine tih veza se auriraju tokom propagacije unazad. Bias jedinice obezbjeuju konstantan lan u teinskim sumama jedinica narednog sloja. Kao rezultat toga dobijaju se poboljane konvergentne karakteristike mree. Konstantan lan u sumi Skomoguava translaciju sigmoidne funkcije u lijevo ili u desno, kao to se vidi na slici. Na primjer, neka je izlazna vrijednost bias jedinice a0 = 1.0 a teinski koeficijenat C = tk0 Ako se za z obiljei teinska suma svih ulaza izuzev bias ulaza, dobija se:

34

z = ni=1 aitji

35

3.5. PRIMJENA NEURONSKIH MREANeuronske mree nalaze sve vei broj primjena. Na primjer, upotrebljavaju se u obradi signala, analizi podataka, raznim kontrolama, kompresiji slike, konverziji jezika, postavljanju dijagnoza, prepoznavanju govora, psihijatrijskim procjenama, analizi elektrinih kola, kompresiji zvuka, predvianju kretanja na tritu, izboru osumnjienih u kriminolokim istraivanjima, analizi medicinskih testova, spektralnoj analizi itd. Zbog svega navedenog, mnogi istraivai nazivaju neuronske mree posljednjom i najsofisticiranijom ljudskom tehnologijom. Neuronske mree imaju iroku primjenu u proizvodnji od planiranja proizvodnje, ispitivanja materijala, izboru materijala, kao i u samom procesu rada. U poetku su neuronske mree koristili naunici raunarskih i kognitivnih nauka koji su pokuavali da modeliraju ulni sistem ivih organizama. Danas neuronske mree predstavljaju veoma atraktivnu oblast istraivanja i postoje brojne oblasti u kojima se koriste. Primenjuju se za: prepoznavanje oblika, prepoznavanje rukopisa, prepoznavanje govora, finansijske i ekonomske modele, predvianje kretanja cijena na tritu, upravljanje sistemima, upravljanje proizvodnim procesima, analizu elektrinih kola, psihijatrijske procjene, kompresovanje podataka, naftna istraivanja, kriminoloka istraivanja, analizu medicinskih testova, ispitivanje EEG i EKG signala, pronalaenje optimalnog rjeenja, upravljanje robotima, analiziranje podataka pri pirolizi i spektroskopiji, bioraunarske sisteme, vremensku prognozu i druge oblasti. Primjenu neuronskih mrea je mogue realizovati na tri karakteristine oblasti: procesiranje senzorskih informacija, analiza podataka i kontrola upravljanja.

36

4. POJAM EKSPERTNIH SISTEMA4.1. DEFINICIJA EKSPERTNIH SISTEMARazvojem kompjuterske tehnologije i njenih mogunosti dovode do oblasti u kojoj se na raunaru pokuavaju modelirati procesi ljudskog miljenja. Razvoj ove naune discipline, koja se bavi metodama, tehnikama, alatima i arhitekturama za rjeavanje logiki komplikovanih problema odvija se u dva pravca. Prvi podrazumijeva postizanje inteligentnijeg ponaanja raunara koji e biti to upotrebljiviji, a drugi modeliranje na raunaru procesa ljudskog miljenja i time doprinoenje razumijevanju ovjekovog inteligentnog ponaanja. Kao posljedica tog nastojanja dolo je do pojave ekspertnih sistema. To su raunarski programi iji algoritmi realizovani razliitim metodama vjestake inteligencije rjeavaju probleme na osnovu znanja iz nekog uskog podruja. Znanje koje takav sistem posjeduje formira se uz pomo eksperta na bazi pravila zakljuivanja i podataka neophodnih za rjeavanje tih problema. Kasnije ekspert koristi taj raunarski program da bi rijeio neki jos sloeniji problem iz te oblasti. Rjeavanje takvog problema takoe se memorie u bazu znanja, ime ekspertni sistem dinamiki poveava svoje znanje i mogunosti. Ekspertni sistemi su znai programi koji, pri rjeavanju problema razliitog domena, izvode postupke koji su sliniji ljudskom rezonovanju od numerikih tehnika raunanja. Ovi postupci zasnovani na eksperimentalnom ljudskom znanju, kodirani su u vidu programa koji se nazivaju mehanizmi zakljuivanja i intenzivno koriste podatke organizovane u formama koje se nazivaju baze znanja. Osnovna pretpostavka na kojoj se zasniva oblast ekspertnih sistema kae da je znanje mogue predstaviti simbolikim izrazima i to preko simbolikih opisa, kojima se odlikuju definicioni i empirijski odnosi u posmatranom podruju i postupaka za manipulaciju tim odnosima. Terminoloki gledano paralelno sa terminom ekspertni sistemi za isti pojam koriste se i sljedei termini: sistem zasnovan na znanju, inteligentni informacioni sistem, inteligentni sistem zasnovan na znanju, te baza znanja. Drugim rjeima ekspertnost se moe definisati kao znanje, razumijevanje i vjetina rjeavanja problema u odreenoj oblasti. Jednu od prvih definicija ekspertnih sistema dao je Fingenbaum i ona glasi: "Ekspertni sistem je inteligentni raunarski program koji koristi znanje i mehanizme zakljuivanja u rjeavanju problema takve sloenosti da je za njihovo rjeavanje potreban ovjek ekspert". Znanja u ekspertnim sistemima ine injenice i heuristika (iskustvo i osjeaj). injenice su glavni dio informacija iroko distribuiranih, javno raspoloivih i usaglaenih na nivou eksperata (strunjaka) u oblasti. Heuristika su lina, malo distribuirana pravila prihvatljivog rasuivanja, koje karakterie odluivanje na nivou eksperta u oblasti. Performanse ekspertnih sistema su funkcija veliine i kvaliteta baze znanja, a ne odreenog formalizma i mehanizma zakljuivanja. Buhman je definisao ekspertne sisteme preko sljedeih osobina: ekspertiza cilj je da sistem dostigne visok stepen performansi koje postie ovjek-ekspert u nekom zadatku; rezonovanje manipulacijom simbola; opta sposobnost rjeavanja problema u datom domenu;

37

sloenost i teina, jer problemi u datom domenu moraju da budu dovoljno sloeni i teki da bi se zahtijevalo rjeenje eksperata; reformulacija preobraavanje prvobitne forme u kojoj je problem bio postavljen u formu podesnu za obradu prema ekspertskim pravilima; rezonovanje o sebi skup zahtjevanih sposobnosti u sistemu koji omoguavaju da sistem rezonuje o sopstvenim procesima i vrsta zadatka za ije se obavljanje izgrauje. Na slian nain Hajes-Rot daje sljedee karakteristike: slinost koja je obezbijeena pravilima visokog nivoa, gdje se izbjegava slijepo pretraivanje, to rezultuje visokim performansama i robusnou, rasuivanje koje je dato simbolikim predstavljanjem znanja i manipulisanjem simbolima, "pamet" kao osnovni principi "slabi" (nealgoritamski) metodi rasuivanja, mogunost reformulacije simbolikog znanja, konverzije iz opisa u oblik pogodan za primjenu ekspertnih pravila, rasuivanje "o sebi", tj. ispitivanje sopstvenog rasuivanja i objanjenje svog rada, tip zadatka. Najpotpuniju definiciju ekspertnih sistema dalo je Britansko drutvo za raunare koja glasi: "Pod ekspertnim sistemima podrazumijeva se realizacija raunarski bazirane vjetine nekog eksperta ija je osnova u znanju i u takvom obliku da sistem moe da ponudi inteligentan savjet ili da preuzme inteligentnu odluku o funkciji koja je u postupku. Ekspertni sistem posjeduje i karakteristiku da na zahtjev verifikuje svoju liniju rezonovanja, tako da direktno obavjetava korisnika koji postavlja pitanje". Sistemski posmatrano pod ekspertnim sistemom podrazumijeva se podsistem podruja vjetake inteligencije. U ostale podsisteme spadaju jo robotika, obrada prirodnim jezikom, igre i raunarska grafika. Podruje izgradnje ekspertnih sistema poznato je kao nauni inenjering (Knowledge Engineering). Ekspertni sistemi su dakle, skup kompjuterskih programa koji postiu visoki stepen rjeavanja problema, a zahtjevaju dugogodinje struno obrazovanje pojedinaca. Paralelno sa razvojem tehnologije ova definicija ekspertnih sistema zahtjeva ne samo strunu izgraenost, nego i dodatne strune kvalitete pojedinca. Iako imaju isti cilj ekspertni sistemi potpuno razliito funkcioniu od sistema za podrku odluivanja. Takoe moemo rei da ove dvije vrste sistema nisu konkurentne jedna drugoj ve upravo suprotno. Njihova integracija daje najbolje rezultate pa raste vanost i ekspertnih sistema i sistema za podrku odluivanja. Naime, dok se ekspertni sistemi fokusiraju na efikasnu manipulaciju velikih baza znanja svojstvenu ljudskim ekspertima, sistemi za podrku odluivanja sadre injenine podatke koji se dre u velikim datotekama ili bazama podataka. Svojstvo zakljuivanja koja je kljuna osobina ekspertnog sistema ne postoji kod sistema za podrku odluivanja, koji su zasnovani na upotrebi proceduralnih algoritama ili generalizovanim pretragama koje su u relaciji sa bazama podataka koje je unio korisnik. S druge strane ekspertni sistemi su fokusirani na usko problemsko podruje, dok se sistemi za podrku odluivanja mogu prilagoavati novim problemima. Jo, ekspertni sistemi korisniku ne ostavljaju fleksibilnost u nainu analize problema dok sistemi za podrku odluivanja doputaju mogunost manipulacije podacima i modelima prilikom donoenja odluke. Iz ovoga moemo konstatovati, dok korisnik sistema za podrku odluivanju upravlja i kontrolie komponentama sistema, dotle je korisnik ekspertnog sistemaupravljan od strane sistema. To ilustruje i sljedea tabela.

38

Atributi Ko postavlja pitanja? Metoda manipulacije podataka Osobna problemskog podruja Vrsta tretiranih problema Mogunost rezonovanja Mogunost objanjavanja

SPO ovjek na raunaru Brojana Kompleksno, iroko Ad hoc, jedinstveni Ne Ogranieno

ES Raunar ovjek Simbolina Uzak domen Ponavljajui Da, ogranieno Da

Tabela 3 Razlike sistema za podrku odluivanja i ekspertnih sistema

39

4.2. ISTORIJA EKSPERTNIH SISTEMAU preko etrdeset godina istraivanja, vjetaka inteligencija pomogla je raunarima da imitiraju razne ovjekove aktivnosti, ali je tek minimalno napredovala u smjeru oponaanja pravog ovjekovog razmiljanja. Otkako postoji, istraivanje vjetake inteligencije bilo je periodiko tj. ulazilo i izlazilo iz mode. U toku 1972. godine u SAD-u je vjetaka inteligencija bila tako sistematski suzbijana da je finansiranje iste gotovo prestalo. Velika Britanija jo uvijek osjea posljedice odluke u svojoj trci da se modernizuje robotikom tj. dijelom vjetake inteligencije. Sredinom sedamdesetih godina istraivai su suzili svoje radove i poveali praktina istraivanja vjetake inteligencije. Umjesto da stvore univerzalnog ljudskog klona, energiju su usmjerili prema odreenim zadacima. Stoga je panja bila premjetena na kontekstno zavisno komuniciranje. Rezultat toga bio je razvoj nekoliko interaktivnih dijalokih jezika. U SAD su se pojavile dvije vrste razvijenih prirodnih jezika. Jedni su se zasnivali na "skriptovanom dijalogu", dok su drugi bili dizajnirani za pretraivanje informacija. Odnedavno sve vei broj eksperimenata i radnih sistema koji koriste ekspertne sisteme rezultat je razvoja kompjuterskih programskih jezika za specifinu namjenu kao sto su LISP i PROLOG. Osim toga, upravo su radovi prvih specijalista za vjetaku inteligenciju dali osnovu koja je bila potrebna za savladavanje sve veih zahtjeva za korisnika usmjerenim sistemima. LISP i PROLOG su nazivi dva jezika koji se uopte povezuju s ekspertnim sistemima. Ovi jezici su bili korieni prilikom stvaranja raznovrsnog softvera ekspertnih sistema. Za razliku od ve konvencionalnih BASIC-a i FORTRAN-a, koji su dizajnirani prvenstveno za obraivanje brojeva, LISP je dizajniran za obradu simbola, specijalno engleskih rijei i fraza. Takoe LISP posjeduje mehanizme za povezivanje simbola u pojmove u obliku pravila "ako-onda" ("IF-THEN"). Razlika u LISP programskom softveru je u tome to tradicionalni kompjuterski softver dizajniran za obradu podataka i prorauna (tj. tabelarne izvjetaje) predstavlja neto sasvim drugo u odnosu na nove softverske alate ekspertnih sistema, koji obrauju deduktivnu logiku u obliku pravila i relacija izmeu znanja. Ekspertni sistemi su svoju evoluciju poeli na podruju medicinske dijagnostike, a aplikacije se nisu proirile na druge discipline. Jedan od prvih sistema bio je MYCIN. Razvili su ga istraivai na amerikom univerzitetu Stanford kao pomo ljekarima u dijagnosticiranju bakterijskih infekcija. Pored ovog podruja primjene, ekspertni sistemi su svoju ulogu nali u zamjeni ovjekovog partnera u igri (ah, tenis itd.), zatim u domenu zamjene tehniara, gdje na osnovu dijaloga sa korisnikom i upamenog znanja dijagnosticira greku. Ovakav ekspertni sistem razvio je IBM. Naime, sistemu se prezentiraju indikacije kvara, a sistem na osnovu njih generie preporuke za popravak. Sljedee vano podruje primjene ekspertnih sistema je u vojsci, odnosno u planiranju i donoenju odluka. Takoe oni u saradnji sa modernom raunarskom tehnologijom uspjeno rjeavaju logistike probleme i predstavljaju veliku podrku u stratekom i taktikom planiranju. Ne treba zanemariti ni pomo ekspertnih sistema u lociranju leita rude, te voenju sloenih proizvodnih pogona. U novije vrijeme oni predstavljaju vie od 50% aktivnosti komercijalne vjetake inteligencije i imaju trend porasta. to se tie podruja primjene ekspertnih sistema u preduzeu, konkretno na polju upravljanja i raunovodstva, postoji nekoliko vanih momenata, koji opravdavaju usvajanje ove nove tehnologije. Najvanije je da tehnologija kompenzuje ljudski rad uz odgovarajui stepen trokova i dobiti. Takoe, tehnologija prepoznaje potencijalna podruja problema te poveava vjerovatnou donoenja ispravnih

40

odluka, odnosno poveava efikasnost preduzea. Uopte, sistemi koji racionaliu broj raspoloivih opcija u odluivanju, unapreuju kvalitet preko uniformnosti, te olakavaju ocjenu kontrole kvaliteta. Isto tako, programi koji smanjuju vrijeme potrebno za donoenje odluke, ako je vrijeme ogranieno, predstavljaju znaajnu korist. Gledajui primjer moderne prakse raunovodstva i njegovu relativnu sloenost, koja vodi do koncentracije strunosti u specijalizovanim podrujima. Kada se takva znanja sublimiraju u ekspertni sistem tada su dostupna svakom u preduzeu. Ekspertni sistemi su najee potrebni onda kada strunjak u preduzeu nije dovoljno efikasan na podrujima koja troe velike koliine vremena usljed rutinskog i ponavljanog odluivanja. Iako ekspertni sistem moda nije "inteligentan", njegove velike mogunosti se odnose na saoptavanje znanja, ouvanje rijetkih ili skupih vjetina, davanje smjernica, pomaganje pri donoenju odluka i prilikom uspostavljanja kompleksnih sistema. Zbog toga ovu novu tehnologiju moemo koristiti na mnogo naina s ciljem da ublaimo postojeu neefikasnost u poslovanju, slabu efikasnost i kontrolu kvaliteta, te smanjimo vrijeme kolovanja poetnika. to se tie postojee primjene ekspertnih sistema, oni na sebe ne preuzimaju donoenje odluka na nivou preduzea. Ovi sistemi postaju sve popularniji jer su formalni procesi odluivanja, koje su prije vodili rukovodioci, zamijenjeni softverom predprogramirane logike u kojoj su kriterijumi za odluke unaprijed utvreni. Pretpostavka je da se odluke ovih sistema prihvataju i provode u organizaciji. U viim krugovima rukovodstva, meutim, zadatke idejne prirode i one koji trae neformalne reakcije, moda nikada nee preuzeti na sebe ekspertni sistemi. Odluke koje se ponavljaju najbolji su kandidati za ekspertne sisteme jer su znanje, ocjene i iskustvo, koji se koriste prilikom donoenja ovih odluka, ve sakupljeni i lako se mogu specificirati. Mnoge funkcije rukovodilaca na niem i srednjem nivou sastoje se od specijalizovanih aktivnosti, koje su ve spremne za provoenje u ekspertni sistem. Dananji ekspertni sistemi imaju relativno prilagoenu primjenu ekspertize pa zato rukovodiocima pruaju savjetodavnu pomo. Radi lakeg korienja, postojei ekspertni sistemi su dizajnirani sa osnovnim mogunostima za komunikaciju na donekle prirodan nain, odnosno u skladu sa strunim podrujima. Osim toga, vana osobina postojeih sistema je mogunost da se unazad prati logika i odgovori sistema kako bi se vidjelo zato je neki odgovor takav. Ekspertni sistemi postavljaju niz pitanja i primjenjuju praktina pravila da analiziraju odgovore i proizvedu preporuke, te takoe objanjavaju logiku kojom su doli do zadnjeg reda. Za razliku od konvencionalnih kompjuterskih programa ekspertni sistemi koriste kvalitativne kao i kvantitativne podatke. Takoe, mogu izvoditi zakljuke i iz nepotpunih i neodreenih podataka. Razliku u odnosu na konvencionalne aplikacije isto tako predstavlja korisnika povezanost s prirodnim dijalogom. Dananji kompjuterski sistemi dolaze do zakljuaka sistematskim prolazom po detaljnoj listi koraka koji su napisani u programu. To je bitna razlika u odnosu na ljude, koji do zakljuaka obino dolaze sekvencijalnim postupkom to praktino znai ne pomou skupa arbitrarnih pravila i logike, ranijeg iskustva, induktivnog zakljuivanja i intuicije. Ova metoda donoenja odluka obino se naziva heuristikom. Ako je zadatak strukturiran, nije matematiki, a izvrava se heuristikom, ekspertni sistem bi trebao biti idealna pomo pri odluivanju. Ako je zadatak izrazito strukturiran matematiki, efikasniji je proceduralni program.

41

4.3. OSNOVNE ODLIKE EKSPERTNIH SISTEMAJedna od nesumnjivo najznaajnijih osobina ekspertnog sistema jeste znanje ekspertnog sistema o sopstvenim operacijama i strukturi. Za sada se to poeljno svojstvo ispoljava preteno u mogunosti obrazlaganja, racionalizovanja, opravdavanja i objanjavanja svojih zakljuaka i preporuka, ali ima dobrih nagovjetaja koji upuuju na oekivanje da e u budunosti obezbjeivati osnovu za razna korijenita preinaavanja svojih mogunosti na osnovu "uenja iz iskustva". Racionalizacija o kojoj je ovdje rije podrazumijeva da se rakonstruiu putevi zakljuivanja kojima je sistem doao do zakljuka. Objanjenje kako je zakljuak izveden podrazumijeva sposobnost sistema da povee lanac zakljuivanja sa fundamentalnim principima i znanjima o oblasti ekspertize. U ekspertnom sistemu lino znanje strunjaka ukljuujui injenino, ocjenjivako i proceduralno znanje razvijeno je u "bazu znanja" odreenog podruja u kojem se ovjek smatra ekspertom i zbog toga je sistem baziran na znanju. Nauna osnova moe sadravati struno znanje s podruja organizacije, procesnog planiranja, dizajniranja sredstava itd. Nauna osnova se uopte odvaja od kontrolnog mehanizma rjeavanja problema koji predstavljaju mehanizam zakljuivanja. Odvajanje logike i kontrole omoguava upotrebu mehanizma zakljuivanja za vei broj naunih osnova konstruisanih za razliita podruja primjene. Na primjer, isti opti mehanizam zakljuivanja upotrijebljen je za rjeavanje problema dijagnostike krvnih infektivnih bolesti kao i strukturirana analiza mehanikih komponenata u kombinaciji sa odgovarajuom naunom osnovom za oba podruja koja se meusobno potpuno razlikuju. Postojei jednostavni softver bavi se kvantitativnim pitanjima te rukovodiocima predstavlja alat za baratanje podacima. Ekspertni sistem za razliku od konvencionalnih tehnika, predstavlja informacioni sistem koji koristi bazu znanja te slui kao konsultant rukovodiocu. Ekspertni sistemi predstavljaju pokuaj da se u kompjuterske programe ugrade procesi razmiljanja i odluivanja koji se odvijaju kod ljudi eksperata, to znai da e se dobiti kompjuterski savjetnici. Ukazivanje na neka bitna svojstva ekspertnih sistema e biti potkrepljeno navoenjem razlika u zadacima ekspertnih sistema i drugim zadacima u podruju vjetake inteligencije. Ukazivanje na neke druge bitne osobine ekspertnih sistema e biti konkretizovano i navoenjem znaajnih razlika izmeu ekspertnih sistema i konvencionalnih programa. Najbitnija je razlika da ekspertni sistemi manipuliu sa znanjem, a konvencionalni programi sa podacima. Meutim te razlike se najjasnije vide iz sljedeih injenica: Obrada podataka: Prezentovanje i koritenje podataka, Algoritmi, Ponavljanje procesa, Efektivno manipulisanje sa velikim bazama podataka. Inenjering znanja: Prezentovanje i korienje znanja, Heuristika, Mehanizam zakljuivanja, Efektivno manipulisanje sa velikim bazama znanja. Ekspertni sistemi imaju i ove znaajne osobine: Ekspertiza o Performanse eksperata; o Visok nivo sposobnosti;

42

o Adekvatnu vrstinu. Simboliko rezonovanje o Simbolika prezentacija znanja; o Reformulacija simbolikog znanja. Dubina o Obrada sloenih problema datog domena; o Upotreba/korienje kompleksnih pravila. Sopstveno znanje o Ispitivanje sopstvenog rezonovanja; o Objanjavanj njegovog funkcionisanja.

Zadaci ekspertnih sistema se od drugih zadataka u oblasti vjetake inteligencije razlikuju po tome to ekspertni sistemi: Rjeavaju teke zadatke na nivou eksperata; Naglaavaju strategije rjeavanja problema specifine za datu oblast, za razliku od ostalih zadataka vjetake inteligencije koji zahtjevaju veu optost naina rjeavanja problema; Koriste se "samosaznanjem" da bi rezonovali o procesu svog zakljuivanja i obezbjedili obrazloenja, opravdanja i objanjenja za zakljuke koje su izveli; Rjeavaju probleme koji spadaju u ove kategorije: interpretacija, dijagnoza, predvianje, oblikovanje, planiranje, kontrolisanje, i druge. Ovim kratkim pregledom uoavaju se jo neke vane osobine ekspertnih sistema, koje odvajaju od drugih karakteristinih informatikih tehnologija, kao to su elektronska obrada podataka, upravljaki informacioni sistemi, sistemi podrke odluivanja i slino. Prikazivanje znaajnih odlika ekspertnog sistema se, bar donekle, moe upotpuniti ukazivanjem na njihove slabosti meu koje spadaju: To to ne mogu da prepoznaju, niti da rjeavaju probleme za koje je njihovo znanje neprimjenljivo ili nedovoljno; to nemaju nezavisna sredstva za provjeravanje razlonosti svojih zakljuaka; to nemaju dovoljno znanja o svojim mogunostima i ogranienjima (ime se inae odlikuje ovjek-ekspert); to su obrazloenja koja o svom zakljuivanju i zakljucima daju, esto suvie uproena; to je jezik za izraavanje injenica i odnosa kojim se koriste vrlo ogranien i dr. Oigledno je da su navedene odlike ekspertnog sistema poeljne osobine koje postojei ekspertni sistemi ne posjeduju u eljenoj mjeri i da e njihov predstojei razvoj i usavravanje znaiti pomake du nekih od navedenih dimenzija. Osnovne odlike ekspertnih sistema su: sadre kodirano znanje eksperta iz nekog domena, mogu se izvravati tamo gdje su potrebni, modularnost i laka izmjena ugraenog znanja, mogunost objanjavanja rezonovanja, heuristiko, a ne iscrpno rezonovanje i objedinjuju teoriju i praksu vjetake inteligencije. Ekspertni sistemi rjeavaju probleme koji spadaju u ove kategorije: Interpretacija; Dijagnoza; Predvianje; Oblikovanje; Planiranje; Monitoring;

43

Ispravljanje; Kontrolisanje i dr.

Prema navedenim vrstama aktivnosti ekspertnih sistema izgraena je i jedna njihova klasifikacija:

Vrste aktivnosti ES Interpretacija

Naznaka problema Sistemi koji tumae opaene podatke pripisujui im simbolina znaenja kojima se opisuje situacija ili stanje sistema

Oblast primjene Hemija Geologija Medicina Armija Raunari Elektronika Geologija Medicina

Naziv tipinog ES DENDRAL ELAS LIFHO PUFF VM BDS DART ACE HYDRO MYCIN PUFF PTRANS I&M XCON MOLGEN PALLADIO ACEL SPEX MOLGEN PTRANS TALIB KNOBS TATR PTRANS YES/MIN VM

Dijagnostika

Sistemi za dijagnostikovanje na osnovu podataka o opservacijama zakljuuju malfunkcije sistema

Predvianje Oblikovanje

Sistemi za predvianje zakljuuju vjerovatne posljedice (u vidu prognoze) iz odgovarajueg modela i vrijednosti parametara za datu situaciju Sistemi za oblikovanje ili dizajn razvijaju konfiguracije objekata koje zadovoljavaju zadata ogranienja u problemu oblikovanja

Raunari Armija Raunari Hemija Elektronika Armija Hemija Raunari Elektronika

Planiranje

Sistemi za planiranje oblikuju akcije i usredsreeni su na objekte koji obavljaju neke funkcije, pri emu se koriste modelima njihovog ponaanja da bi zakljuili efekte planiranih akcija

Kontrolisanje

Sistemi za kontrolisanje adaptivno upravljaju sveukupnim ponaanjem sistema na osnovu interpretacije aktuelne situacije, na osnovu predvianja budunosti dijagnostifikovanja uzroka anticipiranih problema, formulisanja korektivnih planova i nadziranja njihovog sprovoenja da bi se obezbijedio uspjeh

Tabela 4 Klasifikacija ekspertnih sistema

Poto je u ekspertnim sistemima izvreno izdvajanje i razdvajanje deklarativnog i proceduralnog znanja u baze znanja, odnosno u kontrolni i mehanizam zakljuivanja. Ovaj postupak omoguava njihov nezavisan broj, kombinovanje na razne naine i izbor najpogodnijeg rjeenja. Na taj nain dobivaju se osnovni tipovi ekspertnih sistema: Induktivni sistemi; Sistemi bazirani na pravilima; Hibrini sistemi. Induktivni sistemi koriste primjere i induktivni mehanizam zakljuivanja. Od rezultata dobivenih na osnovu iskustva, ili eksperimenta, moe se napraviti tabela vrijednosti atributa objekata. Ova tabela se

44

transformie u stablo za odluivanje. U radu sa sistemom korisnik odgovara na pitanja na osnovu ega se sistem kree kroz stablo i dolazi do odgovora. Sistemi zasnovani na pravilima koriste strategije voene podacima, ili ciljem. Znanje im je predstavljeno faktima i pravilima. Jedan ovakav sistem je i MYCIN. U hibridnim sistemima se kombinuju pozitivna iskustva steena u radu sa sistemima zasnovanim na pravilima i sistemima za semantiko predstavljanje znanja. Na primjer, pogodno je okvirima opisati deklarativno, a pravilima proceduralno znanje. Pri tome se koriste sva sredstva koje obe metode pruaju: Nasljeivanje; Demoni; Poruke; Meta-pravila itd.

4.4. PREDNOSTI I NEDOSTACI EKSPERTNIH SISTEMAEvidentan skok ulaganja u istraivanje ekspertnih sistema u novije vrijeme, prisustvo proizvoda na tritu i pruena mogunost primjene u organizacijama navodi na konstataciju konkretne koristi od strane ekspertnih sistema. Prije svega ekspertni sistemi osiguravaju univerzalnu i stalnu