Projektowanie Systemów Informatycznych SYSTEMY …staff.uz.zgora.pl/jjablons/wyk/psi-se.pdf · sztucznej inteligencji (ang. Artificial Inteligence ) i s ąnazywane tak że systemami

Uniwersytet ZielonogórskiInstytut Informatyki i Elektroniki

SYSTEMY EKSPERTOWE

wykład nr 9

Projektowanie Systemów Informatycznych

2Projektowanie systemów informatycznych

Inteligencja – czyli z czym komputery maj ą problemy ?

Zasadniczy problem stanowią codzienne zadania, które my (ludzie) wykonujemy bez problemów, a znalezienie dla nich algorytmów jest niezwykle trudne np.

rozpoznawanie ręcznie pisanych liter, rozpoznawanie twarzy ... ,

Jeżeli my sobie z tym radzimy, a klasyczny komputer nie, to może zrobić maszyny które będą bardziej podobne do nas.

Inteligencja – zdolności umysłowe człowieka (wg Cycerona).Inteligencja – zdolność rozumienia otaczających sytuacji i znajdowania na nie właściwych reakcji


Sztuczna Inteligencja

Sztuczna inteligencja jest nauką o maszynach realizujących zadania, które wymagają inteligencji wówczas, gdy są wykonywane przez człowieka. (Minsky’ego)

Sztuczna inteligencja stanowi dziedzinę informatyki dotyczącąmetod i technik wnioskowania symbolicznego przez komputer oraz symbolicznej reprezentacji wiedzy stosowanej podczas takiego wnioskowania. (Feigenbaum)

W metodachsztucznej inteligencji następuje przejście od przetwarzania danych do przetwarzania wiedzy .

Systemy te określa się jako systemy oparte na wiedzy(ang. knowledge-based systems).


Definicja Systemu Ekspertowego

Na obecnym „etapie rozwoju technologicznego”System Ekspertowy jest programem komputerowym, który wykonuje złożone zadania o dużych wymaganiach intelektualnych i robi to tak dobrze jak człowiek, będący

ekspertem w tej dziedzinie

Określenie „system ekspertowy” może być zastosowane do dowolnego systemu, który na podstawie szczegółowej wiedzy

może wyciągać wnioski i podejmować decyzje, działając w sposób zbliżony do procesu rozumowania człowieka

Systemy ekspertowe – stanowią jedną z gałęzi stosowanej sztucznej inteligencji (ang. Artificial Inteligence) i są nazywane także systemami doradczymi


Postać wiedzy

– Opisy (fakty) dotyczące pierwotnych cech i pojęć– Relacje opisujące zależności i asocjacje pomiędzy faktami

np..: „W starych silnikach Diesla przy przegrzaniu dochodzi do gwałtownego podwyższenia obrotów na skutek chwilowego spalania oleju.”

Wiedza – zbiór wiadomości z określonej dziedziny, jest również symbolicznym opisem otaczającego nas świata rzeczywistego

Symboliczna reprezentacja wiedzy

– Heurystyki: Obserwacje i doświadczenia zebrane z otaczającego światanp.: „Jak nie zaskakuje, a jest iskra, to warto sprawdzić przewód paliwa”.

Teoria danej dziedziny, np. teoria działania silników samochodowych.

Realizacje za pomocą sieci neuronowych lub algorytmów genetycznych

– Proceduralna określa zbiór procedur, działanie których reprezentuje wiedzęo danej dziedzinie (równania i prawa: matematyczne, fizyczne)

– Deklaratywna – polegająca na określeniu zbioru specyficznych dla danej dziedziny stwierdzeń oraz reguł. np.:„Przed zdjęciem obudowy wyciągnąć wtyczkę.”

Niesymboliczna reprezentacja wiedzy


Przykład SE

Fakty : F1: Andrzejma rybkiF2: Andrzejma grzałkę

Reguły: R1: IF x ma rybki THEN x ma akwariumR2: IF x ma grzałkę AND x ma akwariumTHEN x ma rybki żyjące

Wnioski: W1: Andrzej ma akwarium.W2: Rybki Andrzeja żyją.


Zrozumienie istoty SE – przykłady dialogów

SYSTEM DIAGNOSTYKI SILNIKA SAMOCHODOWEGO(Implementacja w języku CLIPS systemu edukacyjnego)Prosz ę odpowiada ć na pytanie tylko tak (T) lub nie (N)

Czy jest paliwo w zbiorniku ?TCzy kranik dopływu paliwa jest zamknięty ? NOdczekaj 5 min. Czy następna próba się powiodła ?NCzy paliwo wypływa z przewodu doprowadzającego je do pompy ?T

MOIM ZDANIEM: Uszkodzenie pompy paliwaEKSPERTYZA ZAKO ŃCZONACzy chcesz następnej diagnozy ?T

Czy jest paliwo w zbiorniku ?TCzy kranik dopływu paliwa jest zamknięty ? NOdczekaj 5 min. Czy następna próba się powiodła ?NCzy paliwo dopływa do gaźnika ?TCzy ustawienie przesłony rozruchowej jest prawidłowe ?TCzy główna dysza paliwa jest drożna ?T

MOIM ZDANIEM: Zanieczyszczona dysza biegu jałowego lub awaria w układzie zapłonowym

EKSPERTYZA ZAKO ŃCZONACzy chcesz następnej diagnozy ?N


Zrozumienie istoty SE – przykłady dialogów

Zaczerpnięty z systemu SCHOLAR

Pytanie u żytkownika: Ilu stroicieli fortepianów jest w Nowym Yorku ?

Odpowied ź systemu: Ponieważ w New Hawen liczącym około 300 000mieszkańców jest 3 lub 4 stroicieli fortepianów, co w stosunku do liczby mieszkańców wynosi 1 na 100 000 a New York liczy 7 milionów mieszkańców, stąd szacunkowo można określić liczbę stroicieli fortepianów na około 70, no powiedzmy 50 lub 60 stroicieli

fortepianów jest w Nowym Yorku

Pytanie u żytkownika: Czy w Rio Grande jest uprawiana kukurydza ?

Odpowied ź systemu: Nie wiem w czy kukurydza jest uprawiana w Rio Grande, chociaż wiem że roślinę tę uprawia się w pampasach. Ponieważ Rio Grande ma klimat oraz warunki glebowe podobne do pampasów, więc można się spodziewać, że na obszarze Rio Grande kukurydza jest jedną z roślin uprawnych


Dziedziny zastosowa ń Systemów Ekspertowych

Słabo sformalizowane dziedziny, którym trudno jest przypisać teorie oparte na matematyce oraz zastosować algorytmy dokładne,

lub gdy algorytm jest nieprzydatny, a z określonych względów lepiej sprawdza się heurystyka –algorytmy należące do klasy NP– zupełnych)

Finanse – strategie inwestycyjne, doradztwo giełdowe, analizy aplikacji kredytowych, systemy podatkowe

Przemysł – instrukcje naprawcze, modelowanie procesów sterowania, monitorowanie i diagnozowanie procesów produkcyjnych, kontrolowanie jakości produkcji

Zarządzanie – sterowania zapasami, informowaniekierownictwa, kontrolaadministracja jakości, wspomaganie podejmowania decyzji, planowanie,

inwestycje

Nauka i technika – diagnozowanie i konserwacja skomplikowanych maszyn, projektowanie systemów komputerowych,

identyfikacja: bakterii, węglowodanów

Medycyna – diagnozowanie i leczenie chorób, raporty medyczneInne , takie jak: geologia, prawo, astronautyka, robotyka, architektura


Korzy ści i zalety stosowania SE

Podczas gdy ludzie: łatwo się męczą, zapominają i stają się opieszali,mogąbyć tendencyjni lub niesubordynowani, mają ograniczonemożliwości percepcji, zapamiętywania...

zastępują ekspertów (których może brakować) w realizacji wybranych czynności jak również pomagają w rozwiązywaniu problemów

wymagających najbardziej specjalistycznej (najdroższej) wiedzy.

Systemy Ekspertowe: pracują szybciej, nie męczą się, są bardziejniezawodne, konsekwentne, obiektywne, dokładne

Zawsze do dyspozycji (nie strajkują!).Dodatkowo w SE możliwe jest zagregowanie wiedzy licznego zespołu ekspertów, a analiza dużych ilości danych wymaga odpowiedniego komputera.

Koszty: w dłuższym okresie czasu SE są znacznie tańsze


System Klasyczny i Ekspertowy

– wykorzystanie w procesie przetwarzania mechanizmu wnioskującego

– uzasadnienia podawanych odpowiedzi za pomocą modułu objaśniającego

– wspomaganie i aktualizacja bazy wiedzy, modułu akwizycji wiedzy

– dotyczą wąskiej dziedziny wiedzy

– możliwość wnioskowania z niepełnej wiedzy

– możliwość wyjaśniania łańcucha wnioskowania w sposób zrozumiały dla użytkownika;

– rozdział mechanizmu wnioskowania od bazy wiedzy

– zastosowanie reguł wnioskowania postaci „if ... then ...".

Podstawowe cechy systemów ekspertowych:

Cech róŜniące systemy ekspertowe od klasycznych


Podział Systemów Ekspertowych

– systemy doradcze (ang. advisery) prezentują rozwiązania, które użytkownik może odrzucić i zażądać innego

– podejmujące decyzje bez kontroli człowieka (ang. dictorial) stosowane są do sterowania obiektami do których dostęp człowieka jest utrudniony

– systemy krytykujące (ang. critical) analizują problem i przedstawiają rozwiązanie wraz z wyjaśnieniem wyboru

Ze względu na przeznaczenie

– diagnozy ocena aktualnego stanu

– prognozy przewidywanie stanu przyszłego

– planowania opis stanu, do którego należy dążyć i w jaki sposób tego dokonać.

Ze względu na to co uzyskujemy na wyj ściu



– systemy dedykowane tworzone od podstaw przez inŜyniera wiedzy współpracującego z informatykiem

– systemy szkieletowe –(shells) są to systemy z pustą bazą wiedzyW zaleŜności od tego jaką wiedzę wprowadzimy do systemu moŜemy uzyskać system z wiedzą: eksperta-lekarza, eksperta- inŜyniera, czy eksperta-prawnika.

– z logiką dwuwartościową (Boole'a) – z logiką wielowartościową– z logiką rozmytą.

– systemy z wiedzą pewną (zdeterminowaną),– z wiedzą niepewną (w przetwarzaniu wykorzystuje aparat

probabilistyczny).

ze względu na sposób realizacji

ze względu na metodę prowadzenia wnioskowania:

ze względu na rodzaj przetwarzanej informacji


Podstawy realizacji SE

Baza Wiedzy

Mechanizm Wnioskowania

Interfejs u żytkownika -umożliwia interaktywny kontakt z użytkownikiem dostarcza wyjaśnień jak uzyskano rozwiązanie

- stosuje ekspertyzę do rozwiązywania problemu w sposób kompletny, dostarczając odpowiedzi a nie danych

- przechowuje zakodowane ekspertyzy jednego lub wielu ekspertów

– siła Systemu Ekspertowego zależy od bazy wiedzy (jej jakości), a potem posiadanego oprogramowania

– baza wiedzy pozwala otrzymywać efektywne decyzje posługując się zależnościami heurystycznymi, probabilistycznymi, eksperymentalnymi. Wiedza ma charakter indywidualny

– dla posługiwania się wiedzą ekspert musi mieć możliwość korzystania z trybu dialogowego

Założenia Struktury Systemu Ekspertowego:

Struktura Systemu Ekspertowego:


Konfiguracja Systemu Ekspertowego

MODUŁ POZYSKIWANIA WIEDZY – zespół rozkazów (procedur programu), umożliwiających nabywanie wiedzy, która zostaje zapisana w Bazie Wiedzy w postaci reguł i faktów

MODUŁ WNIOSKOWANIA – rozkazy, procedury, programy, które wykorzystują i prezentują zawarte w Bazie Wiedzy reguły i fakty. Łączy fakty z regułami aby sformułowaćodpowiedź dla użytkownika.

MODUŁ OBJAŚNIAJĄCY – oprogramowanie do interpretacji uzyskanych wyników. Nie zawsze istnieje, zależy od wielkości Systemu Ekspertowego.

Moduł Dialogowy zawiera zespół procedur i program, które pozwalają użytkownikowi na zdefiniowanie problemu.

System Ekspertowy nie może istnieć bez Modułu Dialogowego.

ModułPozyskiwania

Wiedzy

ModułWnioskowania

Użytkownik

ModułObjaśniający

Ekspert oraz

Inżynier wiedzy

Baza Wiedzy z awiera dziedzinową wiedzę systemuzbiór: definicji, faktów, pojęć i relacji między nimi,

reguły wnioskowania


Etapy tworzenia SE

Wyboór metody reprezentacji wiedzy i narzędzi do budowy SE

Analizy problemu

Czy budowa SE dla danego problem ma sens ?

Konstrukcji systemu

Specyfikacji systemu

Szczegółowego określenia funkcji i oczekiwań

Akwizycji wiedzy

zgromadzenia, wydobycia z ekspertów i organizacja

utworzenia bazy wiedzy, reguł wnioskowania, systemu wyjaśniającego rozumowanie i prowadzenia dialogu

Weryfikacja i testowania systemu

Wybór sposobów reprezentacji wiedzy oraz mechanizmów wnioskowania


Najczęściej stosowane metody reprezentowania wiedzy

Reguły wnioskowania jeżeli (m1 i m2 i ... ) to (d1 i d2 ... dn)

Sieci semantyczne określają relacje pomiędzy elementami dziedziny

Trójki lub czwórki <obiekt, atrybut, wartość, (poziom ufności) >

Ramki grupują dane i procedury w obiekty, z zachowaniem hierarchicznej struktury dziedziczenia w dół .

Rozmyta reprezentacja wiedzy Zastosowanie zbiorów rozmytych i zmiennych lingwistycznych

Węzły – zdarzenia, obiekty fizyczne, czynności , (cechy obiektów)Łuki – łączą obiekty


Pozyskiwanie wiedzy do Bazy wiedzy

Metody pozyskiwania wiedzy

Manualne Wspomagane komputerowo

Automatyczne uczenie maszynowe

Półautomatyczne dialogowe Pośrednie Bezpośrednie

Metody manualne: wywiady, obserwacje, dyskusje z ekspertem, kwestionariusze, raport eksperta, „burza mózgów”

Metody półautomatyczne – metody „dialogowe” lub trenowanie systemu.Dotyczy również zdobywania w czasie eksploatacji

Metody automatyczne – bez udziału inżyniera wiedzy. Wiedza zdobywana jest na bieżąco i na bieżąco wykorzystywana.

„W ąskie gardło” SE – Problem Ekstrahowania wiedzy

Uczenie maszynowe na podstawie wyja śnień (ang.explanation – based learning) oraz uczenie maszynowe na podstawie przykładów ( ang.empirical learning)


Metody wnioskowania

Wnioskowanie w przód – wnioskowanie progresywne, dedu kcyjne

Podejście sterowane danymi, zaczyna się od faktów przesuwając się w kierunku konkluzji.Umożliwia generowanie nowych reguł, dołączenie ich do już istniejących i wyprowadzenie konkluzji.

Początkowe fakty: A, B, C, D, E4 reguły:

R1. jeżeli A i B to FR2. jeżeli C i D to GR3. jeżeli F i G to HR4. jeżeli E i H to koniec

Krok 1. Ponieważ znane są A i B reguła pozwala wywnioskować F i dołączyć go do znanych faktów. Krok 2. Ponieważ znane są F i G ...

P1

Ponieważ znane są A

P2 P3 P4 CELR1 R2 R3 R4

Schematy wnioskowania progresywnego

Wnioskowanie w gł ąb

P4

P1

P2

P3

R4

R1

R2

R3CEL

Wnioskowanie w szerz


Metody wnioskowania

Wnioskowanie wstecz – wnioskowanie regresywne

Podejście odwrotne niż w metodzie wnioskowania w przód. Podejście sterowania celem, w którym zaczyna się od hipotezy (celu), poszukuje się argumentów (przesłanek), które mogłyby tę hipotezępotwierdzić lub obalić. W przypadku nieokreślonej wartości logicznej badanej przesłanki traktuje się jąjako nową hipotezę i próbuje wykazać jej prawdziwość.

Początkowe fakty: A, B, C, D, E4 reguły:

R1. jeżeli A i B to FR2. jeżeli C i D to GR3. jeżeli F i G to HR4. jeżeli E i H to koniec

system może zapytać użytkownikasam spróbować poszukiwać informacji w bazie wiedzy.

Rozumując wstecz zaczynamy od przyjęcia hipotezy.Aby konkludować koniec reguły R4. trzeba poznać fakty E i H. E jest dany, H trzeba znaleźć. F i G są potrzebne do H.F i G aby poznać – trzeba poznać A i B z reguły R1, C i D z reguły R2 – a one są dane z założenia.Można potwierdzić hipotezę, że rozwiązaniem problemu jest fakt koniec.

Fakt 1 CEL

Fakt 4

Fakt 3

Fakt 2

Fakt 1 CEL

Fakt 4

Fakt 3

Fakt 2

Schemat wnioskowania wstecz z nawrotem

Schemat wnioskowania wstecz


Metody wnioskowania

Wnioskowanie mieszane

Fakt 1P3

CEL

Fakt 4

Fakt 3

Fakt 2

Obejmuje dwa omówione sposoby wnioskowania.Część reguł podejście wnioskowania w przód, część wnioskowanie wstecz .

CEL

P2

P4


Metody wnioskowania

Wnioskowanie rozmyte

Maszyna wnioskowania rozmytego działa na podstawie wnioskowania rozmytego,które można przeprowadzić w dzięki odpowiedniej reprezentacji wiedzy opisującej dany problem za pomocą zbiorów rozmytych.

Blok fuzyfikacji Rozmywanie

Blok inferencji Rozmywanie

Blok defuzyfikacji Wnioskowanie

Blok regułrozmytych

Zmienne ilościowe Diagnoza

Obszar zmiennych lingwistycznych jakościowych

Relacje rozmyte

Wartość lingwistyczna – słowna ocena zmiennej lingwistycznej ( słaby, du ży, fałszywy, ...)

Zmienna lingwistyczna – wielko ść któr ą chcemy opisa ć (warto ścią ) lingwistyczn ą

Jeżeli N jest duże wtedy K jest uszkodzony


Hybrydowe systemy ekspertowe

Są to systemy softwerowe, a częściej hardwerowe, naśladujące po części działanie systemów nerwowych organizmów Ŝywych.

Ich zaletą jest niemalŜe błyskawiczność działania (przy wykonaniu hardwerowym), gdyŜ informacje wprowadzane do wielu wejść sąprzetwarzane równolegle (nie szeregowo jak w typowych komputerach).

Znajdują one szczególne zastosowania w klasyfikacji i selekcji (danych, obiektów, wiedzy), rozpoznawania obrazów, rozpoznawania mowy, itp.

Działanie systemu hybrydowego moŜna więc przedstawić na przykład jako: wstępną klasyfikację przez system sieci neuronowej, wnioskowanie przez maszynę wnioskującą i końcową selekcję przez system sieci neuronowej lub w podobny sposób.

Połączeniem omówionych systemów ekspertowych z systemami "Sztucznych Sieci Neuronowych"


Hybrydowe systemy ekspertowe

Są to systemy softwerowe, a częściej hardwerowe, naśladujące po części działanie systemów nerwowych organizmów Ŝywych.

Ich kapitalną zaletą jest niemalŜe błyskawiczność działania (przy wykonaniu hardwerowym), gdyŜ informacje wprowadzane do wielu wejść sąprzetwarzane równolegle (nie szeregowo jak w typowych komputerach).

Znajdują one szczególne zastosowania w klasyfikacji i selekcji (danych, obiektów, wiedzy), rozpoznawania obrazów, rozpoznawania mowy, itp.

Działanie systemu hybrydowego moŜna więc przedstawić na przykład jako: wstępną klasyfikację przez system sieci neuronowej, wnioskowanie przez maszynę wnioskującą i końcową selekcję przez system sieci neuronowej lub w podobny sposób.

Połączeniem omówionych systemów ekspertowych z systemami "Sztucznych Sieci Neuronowych".


Neuronowe SE

pocz ątkowa sieć neuronowa

wyuczona sieć neuronowa

Wiedza początkowa

Wiedza dostrojona

wi

w1

w2

wi

f(net)

x1

x2

xi

Duża szybko ść działania – implementacja układowa

Brak metod ekstrakcji reguł

Wiedza zaszyta w sieci poł ączeniach Neuronów

Wzorowane na ludzkim organi żmie – analogia do połączeń układu nerwowego człowieka


System Klasyczny i Ekspertowy

Podstawowe cechy systemów ekspertowych:

SE korzysta z wiedzy zamiast z danych aby kontrolować proces rozwiązywania problemów. Wiedzą są heurystyki naturalne.

Wiedza jest zakodowana i utrzymywana jako składnik systemu oddzielony od programu kontrolnego, nie jest kompilowana z programem kontrolnym,

SE umożliwia wyjaśnienia jak poszczególne konkluzje zostały osiągnięte i dlaczego żądana informacja jest potrzebna podczas konsultacji

SE stosuje symboliczną reprezentacją wiedzy. (Są to reguły, sieci semantyczne i ramy) i wykonuje wnioskowanie w oparciu o obliczenie symboliczne, które sąpodobne do manipulacji w języku naturalnym. Wyjątkiem od tej reguły są sieci neuronowe.

SE często wyciągają wnioski z tzw. Metawiedzy, tzn. z wiedzy o nich samych i posiadają mechanizm uczenia się.


Przykłady SE

MYCIN – system medyczny,

EMYCIN – Empty Mycin: pusty szkielet dla innych dzie dzin,

GUIDON – sk ładnik mycin s łużący do obja śniania,

HEARSAY II – do rozpoznawania mowy,

MACSYMA – system matematyczny,

DENDRAL – system ekspertowy w dziedzinie chemii.

PROSPECTOR – odkrywanie z łóż rud żelaza – geologia.


Narzędzia budowy SE

Bazujące na systemie medycznym Mycin

Powłoki systemów ekspertowych

Expert System Shells (ESS)PC Shell, Expert Builder

Dedykowane J ęzyki programowania

LISP (List PROcessing, przetwarzanie list), Prolog (Programming in Logic), Realizacja rachunku predykatów pierwszego rzędu, do prototypów, Prolog w projekcie V generacji; raczej mniejsze systemy lub prototypy

EMYCIN, KAS (Knowledge Aquisition System),


Podsumowanie ES

Zalety:• Przydatne do rozwiązywania złożonych problemów, w

dziedzinach, w których zgromadzono wiedzę empiryczną• Potrafią odpowiadać na pytania prezentując swoje konkluzje w

intuicyjne zrozumiały sposób, nie potrzeba programistów by zrozumieć ich działanie.

• Zwykle oparte są na jednolitym sposobie reprezentacji wiedzy, np. regułach lub ramach.

• Dzięki temu łatwo jest modyfikować wiedzę.

Wady:• Trudno przewidywalne skutki dodania nowej wiedzy,

rozumowanie zdroworozsądkowe jest trudne• Trudno pozyskiwać wiedzę (uczenie maszynowe i odkrywanie

wiedzy rzadko jest częścią ES)• Traktowanie niepewności nadal jest rzadko spotykane


KONIEC wykład 9



Ze wzgl ędu na przeznaczenie :

– systemy doradcze - (ang. adwisery) prezentują rozwiązania, które użytkownik może odrzucić i zażądać innego

– podejmujące decyzje bez kontroli człowieka (ang. dictorial) stosowane są do sterowania obiektami do których dostęp człowieka jest utrudniony lub niemożliwy

– systemy krytykujące – (ang. critical) dokonują analizy problemu i przedstawiają rozwiązania wraz z komentarzem wyjaśniającym wybrane rozwiązanie

Ze względu na to co uzyskujemy na wyjście SE dzielimy na systemy:– diagnozy – ocena aktualnego stanu – prognozy – przewidywanie stanu przyszłego – planowania – opis stanu, do którego należy dążyć i w jaki sposób

tego dokonać.

Documents

Projektowanie Systemów Informatycznych SYSTEMY …staff.uz.zgora.pl/jjablons/wyk/psi-se.pdf · sztucznej inteligencji (ang. Artificial Inteligence ) i s ąnazywane tak że systemami