Systemy ekspertowe

Podstawowe pojęcia, geneza, metody wnioskowania, PC-Shell

Inteligencja i ekspert dziedzinowy

Inteligencja - (psych.) zespół zdolności umysłowych

umożliwiających jednostce sprawne korzystanie z

nabytej wiedzy oraz skuteczne zachowanie się

wobec nowych zadań i sytuacji

EKSPERT:

Człowiek posiadający specjalistyczną wiedzę z pewnej dziedzinie

(wiedzę dziedzinową) i umiejętność stosowania jej dla

podejmowania decyzji związanych z tą dziedziną (umiejętność

wnioskowania w oparciu o posiadaną wiedzę), nabyte w wyniku

studiów i praktyki.

System ekspertowy – definicja

• „.. inteligentny program komputerowy, wykorzystujący

procedury wnioskowania do rozwiązywania tych problemów, które są na tyle trudne, że normalnie wymagają znaczącej ekspertyzy specjalistów. Wiedza wraz z procedurami wnioskowania może być uważana za model ekspertyzy, normalnie posiadanej tylko przez najlepszych specjalistów w danej dziedzinie. Wiedza w SE składa się z faktów i heurystyk. Fakty są podstawą bazy wiedzy systemu – informacją, która jest ogólnie dostępna i powszechnie akceptowana przez ekspertów w danej dziedzinie. Heurystyki są zwykle bardziej prywatną informacją..” (wg. E. Feigenbauma)

system ekspertowy to…

system komputerowy zawierający w sobie wyspecjalizowaną wiedzę na temat określonego obszaru ludzkiej działalności, przy czym wiedza ta jest tak zorganizowana, że umożliwia systemowi wejście w interakcyjny dialog z użytkownikiem, w wyniku czego system może oferować rady lub podpowiadać decyzje, jak również objaśniać proces prowadzonego wnioskowania.

System ekspercki (funkcjonuje też nazwa system ekspertowy) jest to program, lub zestaw programów komputerowych wspomagający korzystanie z wiedzy i ułatwiający podejmowanie decyzji. Systemy ekspertowe mogą wspomagać bądź zastępować ludzkich ekspertów w danej dziedzinie, mogą dostarczać rad, zaleceń i diagnoz dotyczących problemów tej dziedziny.

System ekspertowy – definicja…

Zastosowania systemów ekspertowych:

• diagnozowanie chorób

• poszukiwanie złóż minerałów

• identyfikacja struktur molekularnych

• udzielanie porad prawniczych

• diagnoza problemu (np. nieprawidłowego działania urządzenia)

Inteligencja ludzka a sztuczna inteligencja ?

Systemy ekspertowe:

•są narzędziem kodyfikacji wiedzy eksperckiej,

•mają zdolność rozwiązywania problemów specjalistycznych, w których

duża rolę odgrywa doświadczenie a wiedza ekspercka jest dobrem

rzadkim i kosztownym,

•zwiększają dostępność ekspertyzy,

•zapewniają możliwość prowadzenia jednolitej polityki przez centralę

firm mających wiele oddziałów,

•poziom ekspertyzy jest stabilny - jej jakość nie zależy od warunków

zewnętrznych i czasu pracy systemu,

•jawna reprezentacja wiedzy w postaci zrozumiałej dla użytkownika

końcowego,

•zdolność do objaśniania znalezionych przez system rozwiązań,

•możliwość przyrostowej budowy i pielęgnacji bazy wiedzy.

Systemy ekspertowe…

Dwie podstawowe strategie wnioskowania:

Wnioskowanie

Wnioskowanie w przód, zwane też wnioskowaniem progresywnym. Polega ono na

uaktywnianiu reguł spełnionych, a więc takich, których przesłanki są w zbiorze

faktów. Uaktywnienie reguły powoduje dopisanie nowego faktu, co może

spowodować, że spełniona i potem uaktywniona może zostać kolejna reguła.

Wnioskowanie w przód nie może odbyć się bez faktów. Mówi się, że jest ono

sterowane faktami ( ang. data driven).

Wnioskowanie wstecz, zwane też regresywnym. Polega ono na potwierdzeniu

prawdziwości postawionej hipotezy, zwanej celem wnioskowania. Hipoteza jest

potwierdzona wtedy, gdy istnieje reguła, której przesłanki są w bazie faktów a

konkluzja zgodna jest z hipotezą. Ustalenie prawdziwości przesłanek może

powodować konieczność uaktywnienia wielu reguł.

Wnioskowanie wstecz nie może odbyć się bez ustalonej hipotezy, stanowiącej cel

wnioskowania. Mówi się, że jest ono sterowane celem ( ang. goal driven).

Architektura SE

• Udzielanie jak najbardziej precyzyjnych i wiarygodnych odpowiedzi

• Prostota obsługi dla każdego użytkownika

• Rozwiązywanie problemów w określonym czasie

• Umiejętność imitowania wiedzy i wieloletniego doświadczenia eksperta

• Uniwersalność

• Rozbudowana i dobrej jakości baza danych

Wyznaczniki dobrego systemu ekspertowego:

Medyczny System Ekspertowy będzie jedynie wspomagał, ale nie zastąpi pracy lekarza. W

szpitalu w Ottawie, w izbie przyjęć nie dyżuruje specjalista chirurg, lecz stażyści, interniści,

a nawet wykwalifikowane pielęgniarki. Chirurg jest pod telefonem. Tymczasem trzeba

ocenić, czy konkretnemu małemu pacjentowi chirurg jest potrzebny. To nie jest takie proste.

Trafność decyzji, czy przywołać chirurga, czy skierować na obserwację, czy też odesłać do

domu, jest rzędu sześćdziesięciu procent. Czyli często się zdarza, że do domu odsyła się

kogoś bardzo chorego, a chirurga wzywa się do banalnego zatrucia pokarmowego.

Dzięki sztucznej inteligencji, maszyna może wyindukować z danych reguły decyzyjne,

jednak, na przykład w przypadku medycyny, dopiero po zrozumieniu i akceptacji tych reguł

przez lekarza reguły te mogą pretendować do miana wiedzy i prowadzić do interesującego,

potwierdzającego intuicję odkrycia.

…że niby komputer zamiast lekarza ?

Niewątpliwie maszyny w coraz większym stopniu będą wyręczały człowieka w wykonywaniu pewnych intelektualnych czynności, bo są sprawniejsze

obliczeniowo, bardziej pojemne pamięciowo, nie męczą się, nie mają złych dni itd. W związku z tym potrafią wykonywać prace, które przerastają

człowieka swoim ogromem i uciążliwością.

Architektura SE

Tworzenie SE

Właściwości systemów ekspertowych • Są narzędziem kodyfikacji wiedzy;

• Mają zdolność rozwiązywania problemów specjalistycznych, w których dużą rolę odgrywa doświadczenie a wiedza ekspercka jest dobrem rzadkim i kosztownym;

• Zwiększają dostępność ekspertyzy;

• zapewniają możliwość prowadzenia jednolitej polityki przez centralę firm mających wiele oddziałów;

• poziom ekspertyzy jest stabilny – jej jakość nie zależy od warunków zewnętrznych i czasu pracy systemu;

• jawna reprezentacja wiedzy w postaci zrozumiałej dla użytkownika końcowego;

• zdolność do objaśniania znalezionych przez system rozwiązań;

• możliwość przyrostowej budowy i pielęgnacji bazy wiedzy.

• System ekspertowy służy do rozwiązywania problemów, które charakteryzują się jedną lub wieloma z następujących cech:

• problem nie da się sformalizować w postaci liczbowej;

• cele nie dadzą się opisać za pomocą matematycznych funkcji celu;

• nie istnieją formalne algorytmy rozwiązywania problemu;

• dane i wiedza systemu są obarczone nieznanym błędem lub są one niepełne, niepewne.

• Przyczyny tworzenia systemu ekspertowego (uogólnione):

• tylko jeden (lub bardzo niewielu) specjalista posiada niezbędną wiedzę, co grozi jej utratą;

• ekspertyza jest wymagana często, lub jest niezbędna w wielu miejscach;

• ekspertyza jest niezbędna w miejscach niedostępnych dla człowieka lub szkodliwych dla zdrowia.

Baza wiedzy

• Baza wiedzy w systemie zawiera wiedzę zapisaną za pomocą faktów i reguł, przy czy sposób zapisu tej wiedzy zależy od przyjętej reprezentacji wiedzy. Wiedza w systemie odzwierciedla fragmenty logicznego rozumowania eksperta.

• Wiedza eksperta może mieć różny zakres i różną szczegółowość. Sensownym jest tworzenie bazy wiedzy o wysokim poziomie szczegółowości wąskim zakresie , lub o niskiej szczegółowości i szerokim zakresie wiedzy (patrz rys. 3, obszary zakreskowane).

Rozmiar baz danych współczesnych systemów informatycznych osiąga

wielkości rzędu terabajtów.

Średniej wielkości hipermarket rejestruje dziennie sprzedaż przynajmniej

kilkunastu tysięcy produktów.

Puchną bazy danych systemów e-commerce, dostępnych na bieżąco, 24

godziny na dobę – wzrasta liczba ich klientów oraz liczba zawieranych

transakcji.

Fakty… liczby…

Jednocześnie….

•Konkurencja pomiędzy firmami zaostrza się.

•Coraz trudniej znaleźć nowe obszary ekspansji, nisze rynkowe.

•Coraz trudniej utrzymać dotychczasowych klientów.

•Bazy danych zawierają ogromne ilości użytecznych informacji,

pozwalających firmom utrzymać lub wzmocnić ich pozycje rynkową.

Fakty… liczby… (cd.)

Użyteczne informacje są wyrażone niejawnie, są ukryte w danych, należy je

odkryć, wydobyć.

Proces ten nazywa się potocznie eksploracją danych (ang. Data Mining).

Świadomość istnienia ukrytego potencjału informacyjnego baz danych jest

znana od lat.

Jednak dopiero w ciągu ostatnich kilkunastu lat intensywnie prowadzi się

badania nad odkrywaniem metod eksploracji danych oraz wykorzystuje się te

metody w praktyce.

Korporacyjne bazy danych kopalnią użytecznych informacji:

Co więc można się wywiedzieć z danych ?

Faktów nigdy za wiele…

1.odkrywanie asocjacji (associations)

znajdowanie reguł typu:piwo -> orzeszki

2.wzorce sekwencji (sequential patterns)

znajdowanie sekwencji dot. np. zakupów klienta: (TV, video, kamera)

3. klasyfikacja (classifications)

klasyfikacja danych do grup ze względu na atrybut decyzyjny, np.:

klasyfikacja klientów przez bank do grup: dać kredyt / nie dać kredytu

4. analiza skupień (clustering)

grupowanie danych na wcześniej nieznane klasy, znajdowanie wspólnych cech, np.:

wyodrębnienie różnych rodzajów klientów – różnych taryf – przez sieć telefonii

komórkowej

5. podobieństwo szeregów czasowych (time-series similarities)

badanie podobieństwa przebiegów czasowych, np. wykresów giełdowych

6. wykrywanie odchyleń (deviation detection)

znajdowanie anomalii, wyjątków, np.: rozpoznawanie kradzieży karty kredytowej

(nietypowe operacje na koncie)

Jaką wiedzę odkrywamy dzięki DM …

“Eksploracja danych

polega na

torturowaniu danych

tak długo, aż zaczną

zeznawać”

Mniej poważna definicja DM …

Data mining – eksploracja danych – jest dziedziną informatyki zajmującą się

odkrywaniem wiedzy zapisanej niejawnie w dużych zbiorach danych oraz

przedstawieniem jej w zrozumiały dla użytkownika sposób.

Pod pojęciem wiedzy rozumieć będziemy relacje, powiązania, związki i

wzorce odkrywane przez algorytmy eksploracji danych w sposób

autonomiczny.

Eksploracja danych (DM – Data Mining) określana jest również pojęciem

odkrywania wiedzy w bazach danych (KDD – Knowledge Discovery in

Databases)

Różne metody – cel ten sam !!!

Jeżeli jest ładna pogoda to mam dobry humor.

pogoda=ladna → humor=tak

Jeżeli jest ładna pogoda i mam czas wolny to pójdę na spacer.

pogoda=ladna czas_wolny=tak → zajecie=spacer

Baza danych – przykład

14 rekordów produkuje 14 reguł... . A jeżeli rekordów będzie kilkadziesiąt tysięcy?

Kto potrzebuje wiedzy w postaci kilkudziesięciu tysięcy reguł ?????

Tablica decyzyjna ?

Po wyodrębnieniu atrybutów warunkowych i decyzyjnych taka tabela staje się tablicą

decyzyjną. Z tablicy można próbować bezpośrednio odczytywać reguły:

Zachmurzenie=slonce

temperatura = goraco

wilgotnosc = wysoka

wiatr=slaby

→

grac=nie

Klasyfikator wybawcą ?

Kiedy tworzyć SE:

• - gdy tylko jeden specjalista (lub bardzo niewielu) posiada niezbędną wiedzę, co grozi jej utratą

• - gdy ekspertyza jest wymagana często lub jest niezbędna równocześnie w wielu miejscach

• - gdy ekspertyza jest niezbędna w warunkach szkodliwych dla zdrowia. • • Etapy tworzenia SE: • 1 - analiza problemu pod kątem faktu, czy kwalifikuje się on do budowy SE • 2 - opracowanie specyfikacji systemu i zdefiniowanie jego zadań, danych i

oczekiwanych wyników • 3 - przejęcie wiedzy od ekspertów i jej opracowanie • 4 - wybór metody reprezentacji wiedzy oraz "narzędzi" do budowy systemu • 5 - organizacja i kodowanie wiedzy , często realizowane dwuetapowo, tj. najpierw

w postaci prototypu systemu a następnie jego pełnej wersji • 6 - weryfikacja i testowanie systemu

System ekspertowy służy do rozwiązywania problemów, które charakteryzują się jedną lub wieloma z następujących cech:

• problem nie da się sformalizować w postaci liczbowej;

• cele nie dadzą się opisać za pomocą matematycznych funkcji celu;

• nie istnieją formalne algorytmy rozwiązywania problemu;

• dane i wiedza systemu są obarczone nieznanym błędem lub są one niepełne, niepewne.

Przyczyny tworzenia systemu ekspertowego (uogólnione):

• tylko jeden (lub bardzo niewielu) specjalista posiada niezbędną wiedzę, co grozi jej utratą;

• ekspertyza jest wymagana często lub jest niezbędna w wielu miejscach;

• ekspertyza jest niezbędna w miejscach niedostępnych dla człowieka lub szkodliwych dla zdrowia.

Pojęcia z dziedziny systemów ekspertowych

• Inżynieria wiedzy - dziedzina sztucznej inteligencji zajmująca się projektowaniem i realizacją systemów ekspertowych.

• Inżynier wiedzy – projektant SE, osoba łącząca wiedzę na temat technik budowy SE z umiejętnością pozyskiwania i formalizacji wiedzy eksperckiej.

• Akwizycja wiedzy – proces pozyskiwania wiedzy niezbędnej do realizacji systemu ekspertowego.

• Na proces składają się: rozpoznanie problemu, wywiady z ekspertem, oraz reprezentacja wiedzy eksperta. Akwizycja kończy się w momencie zapisania wiedzy eksperta w bazie wiedzy SE.

Zasady tworzenia systemu ekspertowego

Etapy tworzenia systemu ekspertowego:

• analiza problemu, pod kątem, czy kwalifikuje się on do budowy systemu ekspertowego,

• opracowanie specyfikacji systemu, zdefiniowanie jego zadań i oczekiwanych wyników;

• przejęcie wiedzy od ekspertów i jej opracowanie;

• wybór metody reprezentacji wiedzy oraz „narzędzi” do budowy systemu;

• organizacja i kodowanie wiedzy (prototyp, pełna wersja);

• weryfikacja i testowanie systemu.

• Każda sekcja ustala zakres tematyczny wiedzy eksperta, którego miałby zastąpić tworzony System Ekspertowy.

• Wiedza eksperta może mieć różny zakresy różną szczegółowość jednak sensownym jest tworzenie bazy wiedzy o wysokim poziomie szczegółowości i niskim zakresie lub o niskiej szczegółowości i wysokim zakresie

Trzy sposoby przejmowania wiedzy od eksperta

• I. Ekspert sam przedstawia łańcuch logicznego rozumowania ciągnący się od przyczyny do skutku. Przekazuje swoją wiedzę w formie łańcucha przyczynowo-skutkowego typu: „Jeśli......to........” .

• Zalety:

• · łatwo można takie łańcuchy wykorzystać do zapisu w bazie wiedzy;

• · na bazie tych zapisów łatwo stworzyć blok objaśnień.

• Wady:

• · Ekspert nie jest często w stanie przekazać wiedzy w realnym czasie;

• · Ekspert nie pamięta co już powiedział, a co nie

• · Dla eksperta jest to zadanie nietypowe, musi przeprowadzić syntezę swojej wiedzy, a zwykle zajmuje się pojedynczymi przypadkami.

• II. Ekspert określa prawdopodobieństwo wpływu pojedynczych cech (atrybutów) na podporządkowanie sytuacji określonemu zdarzeniu. (Np. lekarz-ekspert określa jakie jest prawdopodobieństwo, że taka czy inna wartość diagnozowanego objawu odpowiada pewnej chorobie. Każda para objaw-choroba rozpatrywana jest osobno.

• Wady:

• · Ludzie z natury źle oceniają prawdopodobieństwo;

• · W realnych sytuacjach, właśnie połączenia cech określają na ile ta, czy inna sytuacja jest prawdopodobna.

• III. Budowa bazy wiedzy „na przykładach” (np. skorzystanie ze zdiagnozowanych przypadków (kartoteki pacjentów)). Przykłady powinny być różnorodne, ich liczba powinna być duża.

• Przejmowanie wiedzy od eksperta może przebiegać w różny sposób, w zależności od wykorzystywanego środowiska sprzętowego, programowego oraz od zaangażowanych w ten proces zasobów ludzkich.

Architektura SE

Metoda grupowej oceny ekspertów

W analizie systemowej wykorzystuje się ocenę ekspertów w sytuacji charakteryzującej się niepewnością. Kierunki wykorzystania ocen ekspertów: 1. Wprowadzanie nowych koncepcji 2. Szacowanie danych 3. Prognozowanie wydarzeń 4. Prognozowanie normatywne (jaka powinna być przyszłość )

Dobór ekspertów do badań

• - ustalenie charakteru wymaganych wiadomości i umiejętności • - określenie, które z osób są najbardziej biegłe w danej dziedzinie • Wybór przez wstępną, analizę ekspertów za pomocą specjalnych

ankiet lub kwestionariuszy, w których dokonują oni samooceny. • Najprostszym sposobem pobudzenia ekipy ekspertów do wymiany

poglądów jest dyskusja „okrągłego stołu", prowadzona przynajmniej w początkowym okresie na zasadzie „burzy mózgów". Krytyka nawet najbardziej zwariowanych pomysłów jest ograniczona.

• Jeżeli dysponujemy ocenami ekspertów musimy opracować jednoznaczną opinię, zwaną grupowa ocena ekspertów. Ocenę można uzyskać bezpośrednio jako wynik odpowiednio usystematyzowanej dyskusji. Temu celowi służy m.in. metoda delficka i gry.

Metoda delficka • stanowi instrument pozwalający dokonać integracji ocen ekspertów. Metoda

została opracowana w latach 50-tych dla celów militarnych przez Olafa Helmera i Normana Dalkeya. W 1963 roku została zastosowana do badań z dziedziny prognozowania naukowo-technicznego.

• Podstawą jest ankieta zawierająca pytania_związane z centralnym zadaniem ekspertyzy, Sformułowania poszczególnych pytań powinny zabezpieczyć jednoznaczność odpowiedzi oraz wyrażenie ich w postaci ilościowej oceny. Jeżeli natomiast jakościowej cesze trudno przypisać ocenę ilościową, wówczas przeprowadza się ocenę porównawczą danej cechy, np. za pomocą metod porządkowania.

•

• Metody zbierania informacji:

• - zaoczna - ankiety wysyła sic pocztą do poszczególnych ekspertów.

• - osobowa - ekspert instruktor bezpośrednio i zgodnie współpracuje z pozostałymi ekspertami. Ze względu na formę pytań można je podzielić na:

• - otwarte - jeżeli odpowiedź może być udzielona w dowolnej formie.

• - zamknięte - podana jest treść wariantów możliwych odpowiedzi.

Ankieta powinna pozwolić uzyskać

• 1. ilościowe określenie odpowiedzi na przedłożone ekspertom pytania (ocenę wyraża się w jednostkach, np. w punktach od 0 do 100 )

• 2. sformalizowanie wiadomości o charakterze źródeł informacji, a także stopnia wpływu każdego, ze źródeł na odpowiedź każdego eksperta ( eksperci wskażą źródła i określą ich wpływ up. w skali: wysoki, średni, niski).

• 3. ilościową ocenę stopnia znajomości przez eksperta danej dziedziny.

• Eksperci wypełniają kwestionariusze i otrzymują informacje zwrotną o rezultatach poprzedniej rundy. Eksperci podają uzasadnienie wyrażonych w poprzedniej rundzie opinii. Zestawienie anonimowe wszystkich uzasadnień jest przedstawione każdemu z ekspertów, aby w świetle tych uwag rozpatrzył swoje stanowisko i dokonał jego rewizji, lub przedstawił kontrargumenty, wyjaśniające dlaczego podane uzasadnienie nic przekonuje go. Celem jest pobudzenie ekspertów do myślenia i zwrócenie uwagi na czynniki, które mogli pominąć, bądź były ich zdaniem mało istotne.

Najczęstszy przebieg ( 4 rundy )

• 1. podanie pierwszej oceny • 2. dokonanie jej ewentualnej korekty - przedstawienie

uzasadnienia, dlaczego podana ocena różni się od mediany wyników uzyskanych w pierwszej rundzie

• 3. sformułowanie nowej oceny przy uwzględnieniu przedstawionych uzasadnień, ewentualne podanie kontrargumentów.

• 4. ponowne sformułowanie oceny w świetle przytoczonych kontrargumentów.

• Mediana odpowiedzi uzyskanych w czwartej rundzie jest zazwyczaj uznawana za ocenę najbardziej bliską tej, która uzyskałaby jednomyślną akceptację wszystkich ekspertów.

• Proces kończymy jeżeli uzyskamy pewną stabilność ocen.

Mini metoda delficka

• 1. każdy uczestnik niezależnie od innych, opracowuje w wersji pisemnej swoją ocenę lub oszacowanie danej wielkości

• 2. zbiór wszystkich ocen przedstawiany jest całej grupie (anonimowo)

• 3. krótka dyskusja nad rozbieżnościami opinii • 4. każdy uczestnik ponownie formułuje swoją

ocenę • 5. mediana tych ostatnich wyników jest

przyjmowana jako decyzja grupy ekspertów

Architektura SE

REGUŁOWA REPREZENTACJA WIEDZY

• Wiedza dziedzinowa (ang. domain knowldege) - dotyczy danego fragmentu rzeczywistości dla którego tworzymy model w postaci systemu informatycznego. System taki musi oczywiście w pewien sposób przechowywać wiedzę o interesującym nas fragmencie rzeczywistości.

• W ramach wiedzy dziedzinowej wyróżnić można wiedzę strukturalną i wiedzę relacyjną.

• Wiedza strukturalna jest ukierunkowana na systematyzowanie informacji o typach obiektów występujących w danej dziedzinie zastosowań. Przedmiotem jej zainteresowania jest struktura podziału obiektów na pewne kategorie, określenia hierarchii klasyfikacji obiektów lub poddziedzin.

• Wiedza relacyjna skupia się na relacjach występujących pomiędzy obiektami opisanymi wiedzą strukturalną. W aspekcie systemów sztucznej inteligencji szczególne znaczenie ma wiedza relacyjna odwzorowująca związki przyczynowo-skutkowe zachodzące pomiędzy określonymi obiektami czy układami obiektów w danej dziedzinie.

REGUŁY PRODUKCJI

Reprezentacja faktów (zapis stwierdzeń).

• Istotnym elementem formalizmu zapisu wiedzy jest sposób reprezentacji pewnych atomowych porcji informacji. Takimi informacjami są fakty (stwierdzenia, obserwacje) opisujące zdarzenia, stany, objawy, sytuacje z modelowanej w bazie wiedzy rzeczywistości.

• Podstawową formą reprezentacji dla tego rodzaju informacji są trójki <OAV>, co stanowi skrót terminu Obiekt-Atrybut-Wartość (ang. Object-Attribute-Value triples).

• Obiekt stanowi reprezentacje pewnego podmiotu (bytu) z danej dziedziny zastosowań. Obiekt zwykle posiada atrybuty go opisujące, stanowiące odzwierciedlenie cech i właściwości podmiotów ze świata rzeczywistego. Dla każdego atrybutu określa się zbiór możliwych wartości, pokrywają- cy możliwe wcielenia danej cechy czy właściwości określonego podmiotu. Trójka <OAV> reprezentuje zatem informację, że dany obiekt posiada atrybut o ściśle określonej wartości.

• Poniżej przedstawione zostały przykłady ilustrujące możliwości wykorzystania trójek <OAV> do reprezentacji faktów (atrybuty dyskretne).

• Często w danym zastosowaniu nie da się wyodrębnić obiektów lub nie ma potrzeby ich wyodrębniania. Wtedy stosuje się notację dwójkową, tzn. fakty zapisywane są w postaci dwójek <AV> - atrybut i jego wartość. Inny zbliżony sposób zakłada opis w postaci trójek <ARV> co stanowi akronim terminu Atrybut-Relacja-Wartość (ang. Atributr-Relation-Value). W tej trójce nowy element - relacja kwalifikuje dodatkowo powiązanie pomiędzy atrybutem a wartością. Przykładowe relacje są semantycznie równoważne znanym operatorom takim jak: równy, mniejszy, mniejszy lub równy itp.). W pewnych przypadkach istotne jest także odnotowanie faktu, że pewien atrybut na pewno nie posiada pewnej wartości, co może odwzorowywać relacja nierówny, czy idąc dalej nie posiada wartości.

• Przedstawione powyżej metody zapisu faktów bywają często rozszerzane o możliwości reprezentacji faktów niepewnych. Daną trójkę (czy dwójkę) uzupełnia się wtedy o pewien ilościowy opis pewności posiadania danej cechy. Opis ten jest ściśle uwarunkowany stosowaną metodą reprezentacji wiedzy niepewnej, zwykle jest to pewna liczba o interpretacji zależnej od przyjętego formalizmu. Najczęściej spotykanym opisem jest współczynnik pewności CF (ang. certain factor) będący liczbą (zwykle z przedziału od 0..1 lub -1..1), liczba rozmyta przy wykorzystaniu logiki rozmytej (ang. fuzzy logic) czy wartość masy przy wykorzystaniu teorii Dempstera-Shafera. Zagadnienia te są również poruszone w rozdziale poświęconym reprezentacji wiedzy niepewnej w systemie reguł produkcji.

Regułowa reprezentacja wiedzy (inaczej mówiąc: w postaci reguł produkcji), jest jedną z najbardziej rozpowszechnionych metod zapisu wiedzy. Jest ona bardzo popularna i stale wykorzystywana zarówno w swej czystej postaci jaki w najróżniejszych mutacjach i wariantach w systemach ekspertowych i doradczych.

W bazie wiedzy oprócz zapisu stwierdzeń (faktów) zapisane są zbiory reguł.

Reguły można zapisać w następującej postaci:

Jeżeli <Przesłanka> To <Konkluzja>

lub

<Konkluzja> Jeżeli <Przesłanka>

gdzie:

Przesłanka: wyrażenie złożone z zdań logicznych (zwykle wyrażeń prostych), połączonych spójnikami (funktorami) "and" (i) lub "or" (lub). Wyrażenie proste to zwykle trójka <OAV>, <ARV>.

Konkluzja: stwierdzenie (zdanie logiczne), które staje się prawdziwe gdy prawdziwa jest przesłanka. Takie stwierdzenie staje się zatem faktem.

W przesłankach alternatywa zwykle nie jest wykorzystywana. Stosuje się zastępowanie pojedynczej reguły z alternatywą kilkoma regułami zawierające przesłanki będące składnikami alternatywy. Na przykład regułę postaci

Jeżeli (p1 lub p2 lub ... lub pN) To q

gdzie p1, p2, pN, q to zdania logiczne, zamienia się na reguły:

Jeżeli p1 To q

Jeżeli p2 To q

. . .

Jeżeli pN To q

Takie postępowanie pozwala na przyjęcie zasady, że interpreter reguł analizuje przesłanki do napotkania pierwszego niespełnionego warunku.

Z tego samego powodu nie rozpatruje się reguł w pełnej postaci, tzn.

Jeżeli <Przesłanka> To <Konkluzja_1> W przeciwnym wypadku <Konkluzja_2>

Zalety reprezentacji regułowej

1. Naturalność.

Reguły umożliwiają zapis wiedzy w sposób intuicyjnie prosty. Wyrażają one naturalną dążność do opisywania rzeczywistości i zachodzących w niej procesów w kategorii związków przyczynowo–skutkowych. Wymogi formalne nie są zbyt krępujące a jednocześnie dostatecznie ścisłe, ostateczny zapis jest przejrzysty i łatwy w zrozumieniu, bliski językowi naturalnemu.

2. Modularność.

Reguły umieszczane w bazie wiedzy są w dużym stopniu niezależne. Każda reguła reprezentuje pewną atomową porcję wiedzy potencjalnie niezależną od innych reguł.

3. Zdolność do generowania objaśnień.

Jednym z najważniejszych zadań systemu ekspertowego jest uzasadnianie wyników wnioskowania. Typowe rodzaje objaśnień to:

HOW - JAK: Tego typu objaśnienia mają na celu przedstawienie użytkownikowi systemu sposobu, w jaki system osiągnął dane rozwiązanie. Polega to najczęściej na przedstawieniu użytkownikowi w dogodnej dla niego formie ciągu reguł, których stosowanie doprowadziło do określonego celu (patrz system ATEST). Dzięki określonej syntaktyce zapisu reguł stosunkowo łatwo jest dokonać translacji reguł na odpowiadające im teksty w języku naturalnym.

WHY - DLACZEGO: Tego typu objaśnienia przedstawiane są na wyraźne żądanie użytkownika, najczęściej w przypadku, gdy system zadaje mu pewne pytanie a użytkownik chce być świadomy przyczyn zadania tego pytania. Zatem objaśnienia tego typu umożliwiają sprawdzenie zasadności pytań generowanych przez system. Również w tym przypadku użytkownik otrzymuje informację w postaci tekstowej reprezentacji ostatnio aplikowanej reguły.

Wady reprezentacji regułowej. 1. Problemy z generacją kompleksowych objaśnień.

Mimo opisywanej wcześniej łatwości generowania objaśnień procesu wnioskowania, istnieją spore trudności w uzyskiwaniu objaśnień natury bardziej ogólnej. Trudno mianowicie uzyskać objaśnienia związane ze stosowaniem wiedzy strategicznej. Objaśnienia generowane przez system mogą mówić, CO zostało zrobione a nie DLACZEGO właśnie w taki sposób.

2. Problemy związane z efektywnością.

Działanie interpretera prowadzi bardzo często do powstania zbioru reguł jednakowo prawdopodobnych. Powoduje to konieczność wyboru wśród tych reguł takiej, która będzie w następnym kroku pracy interpretera zastosowana.

Po uzyskaniu zbioru reguł jednakowo prawdopodobnych pozostaje do rozwiązania problem jego redukcji. W praktyce stosuje się pewne mechaniczne kryteria wyboru reguły do zastosowania, takie jak: pierwsza reguła o prawdziwej przesłance, lub reguła o pewnym najwyższym ustalonym priorytecie, itd. Obie te operacje mogą powodować znaczny spadek efektywności systemu.

3. Ograniczenia związane z syntaktyką zapisu reguł – problem reprezentacja wiedzy negatywnej i dyzjunkcyjnej.

Zapis wiedzy negatywnej wymaga stosowania odpowiednich operatorów (np. różny oznaczany zwykle symbolem "<>"), atrybutów (np. istnieje - exist) czy wartości (np. false -nieprawda). Dodatkowo wiedza negatywna występować może w przesłance lecz nie w konkluzji reguły.

Podobnie jest w przypadku wiedzy dyzjunkcyjnej. Wyrażenie jej w warstwie przesłanek wymaga rozdzielenia na osobne reguły zawierające poszczególne składniki sumy jako przesłanki a posiadające wspólną konkluzję. Natomiast nie jest możliwe zapisanie dysjunkcji w konkluzji, tzn. zdefiniowanie reguły, która w razie prawdziwości przesłanki prowadzi do wielu alternatywnych i równoprawnych konkluzji (np. Jeżeli Kaszel To Koklusz Lub Zapalenie Oskrzeli Lub Grypa).

Wnioski:

• Regułowa reprezentacja wiedzy była, jest jedną z najpopularniejszych form reprezentacji wiedzy. Wady jak i zalety takiej reprezentacji zostały skrótowo omówione powyżej. Mimo wielu ograniczeń modelu regułowego niezaprzeczalne wydają się takie jego cechy jak prostota i naturalność zapisu, modularność bazy wiedzy i dość duża niezależność zapisanych w niej reguł. Istotna jest również zdolność do generowania prostych objaśnień toku przeprowadzania wnioskowania.

• Dodatkowym argumentem na korzyść modelu regułowego jest duża ilość działających, popularnych i praktycznie wykorzystywanych systemów regułowych. Istnieje również wiele systemów, dla których reprezentacja regułowa stanowiła bazę do modyfikacji i rozwoju

• Należy sądzić, że te zalety modelu regułowego sprawią, że będzie on stanowił bazową reprezentację wiedzy wszędzie tam, gdzie problem w naturalny sposób da się podzielić na sekwencję w miarę niezależnych związków przyczynowo-skutkowych.

Zastosowania Systemów Ekspertowych • Obszary zastosowań systemów ekspertowych obejmują w głównej mierze

następujące dziedziny:

• Interpretacja -- formowanie wniosków następuje na podstawie danych

• Prognozowanie -- przewidywanie możliwych konsekwencji wystąpienia określonych sytuacji

• Diagnostyka -- wykrywanie przyczyn niesprawności w oparciu o zaobserwowane symptomy

• Projektowanie -- określenie konfiguracji składowych systemu, spełniającej określone kryteria działania przy określonych ograniczeniach

• Planowanie -- określanie sekwencji działań prowadzących do celu przy zadanych warunkach startowych

• Monitoring -- porównywanie zaobserwowanego funkcjonowania z oczekiwanymi działaniami

• Serwis -- wykrywanie i usuwanie usterek

• Szkolenie i instruktaż -- wykrywanie i korygowanie błędów w rozumieniu przedmiotu danej dziedziny

• Sterowanie automatyczne -- nadzór nad funkcjonowaniem złożonych systemów

Zalety i ograniczenia

• Tak szeroki wachlarz zastosowań wynika niewątpliwie z pewnych cech, które jednocześnie są zaletami systemów ekspertowych. Należą do nich:

• - większa dostępność ekspertyzy • - mniejszy koszt ekspertyzy • - mniejsze ryzyko w warunkach szkodliwych dla zdrowia

ciągłość pracy • - wyjaśnianie decyzji • - szybkość uzyskania ekspertyzy • stała, niewrażliwa na emocje i pełna ekspertyza • - uczenie metodą prób i błędów • - inteligentny interfejs człowiek-komputer

Architektura SE

Wnioskowanie

Typy wnioskowania

• Wnioskowanie w przód (data driven)

• Wnioskowanie wstecz (goal driven)

• Wnioskowanie mieszane

Wnioskowanie w przód

Wnioskowanie wstecz

Metody realizacji systemów ekspertowych w środowisku systemu PC-Shell

Właściwości:

• są narzędziem kodyfikacji wiedzy eksperckiej,

• mają zdolność rozwiązywania problemów specjalistycznych, w których duża rolę odgrywa doświadczenie a wiedza ekspercka jest dobrem rzadkim i kosztownym.

• zwiększają dostępność ekspertyzy,

• zapewniają możliwość prowadzenia jednolitej polityki przez centralę firm mających wiele oddziałów,

• poziom ekspertyzy jest stabilny - jej jakość nie zależy od warunków zewnętrznych i czasu pracy systemu,

• jawna reprezentacja wiedzy w postaci zrozumiałej dla użytkownika końcowego,

• zdolność do objaśniania znalezionych przez system rozwiązań,

• możliwość przyrostowej budowy i pielęgnacji bazy wiedzy.

Reprezentacja wiedzy…

Reguły proste

Reguły złożone

Ogólna charakterystyka szkieletowego systemu ekspertowego PC-Shell

PC–Shell jest podstawowym elementem pakietu sztucznej inteligencji Sphinx®

• PC–Shell jest dziedzinowo niezależnym narzędziem do budowy systemów ekspertowych, posiada właściwości hybrydowe, wykorzystuje elementy architektury tablicowej;

• wykorzystuje różne metody reprezentacji wiedzy:

1. deklaratywna w postaci reguł i faktów,

2. wiedza rozproszona w sieci neuronowej,

3. imperatywna w formie programu algorytmicznego,

4. faktograficzna w formie tekstów, grafiki, dźwięku, sekwencji wideo;

• system zapewnia wyjaśnienia:

1. jak (ang. how),

2. dlaczego (ang. why),

3. co to jest (ang. what is),

4. metafory (ang. metaphor),

5. opisu faktów;

• wykorzystywane jest wnioskowanie wstecz (z nawrotami),

• bazy wiedzy mogą być parametryzowane,

• system ma możliwość bezpośredniego pozyskiwania informacji z baz danych (ODBC),

wykorzystuje mechanizm DDE,

• system PC–Shell współpracuje z innymi elementami pakietu – systemem Neuronix przeznaczonym do tworzenia sieci neuronowych, systemem CAKE przeznaczonym do wspomagania pracy inżyniera wiedzy oraz realizującym funkcje systemu dbMaker, zarządzającego bazami wyjaśnień.

Tworzenie BW w PC-Shellu

Właściwości systemów ekspertowych:

• Są narzędziem kodyfikacji wiedzy; • Mają zdolność rozwiązywania problemów specjalistycznych, w

których dużą rolę odgrywa doświadczenie a wiedza ekspercka jest dobrem rzadkim i kosztownym;

• Zwiększają dostępność ekspertyzy; • Zapewniają możliwość prowadzenia jednolitej polityki przez centralę

firm mających wiele oddziałów; • Poziom ekspertyzy jest stabilny – jej jakość nie zależy od warunków

zewnętrznych i czasu pracy systemu; • Jawna reprezentacja wiedzy w postaci zrozumiałej dla użytkownika

końcowego; • Zdolność do objaśniania znalezionych przez system rozwiązań; • Możliwość przyrostowej budowy i pielęgnacji bazy wiedzy.