u mel i nteligenci a predn ka 4
Download
Skip this Video
Download Presentation
U MEL Á I NTELIGENCI A prednáška č. 4

Loading in 2 Seconds...

play fullscreen
1 / 23

U MEL Á I NTELIGENCI A prednáška č. 4 - PowerPoint PPT Presentation


  • 104 Views
  • Uploaded on

U MEL Á I NTELIGENCI A prednáška č. 4. Znalostné systémy doc. Ing. Kristína Machová, PhD. kristina.machova @ tuke.sk Vysokoškolská, 150,. Osnova prednášky. Definícia a historickí predchodcovia Vlastnosti ZS v porovnaní s ľudským riešiteľom Miesto človeka v tvorbe a používaní ZS

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' U MEL Á I NTELIGENCI A prednáška č. 4' - evania


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
u mel i nteligenci a predn ka 4
UMELÁ INTELIGENCIA prednáška č. 4

Znalostné systémy

doc. Ing. Kristína Machová, PhD.

[email protected]

Vysokoškolská, 150,

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

osnova predn ky
Osnova prednášky
  • Definícia a historickí predchodcovia
  • Vlastnosti ZS v porovnaní s ľudským riešiteľom
  • Miesto človeka v tvorbe a používaní ZS
  • Štruktúra ZS
  • Produkčný systém
  • Dopredné a spätné reťazanie
  • Prehľadávanie inferenčnej siete
  • Spracovanie neurčitých znalostí
  • Získavanie znalostí
  • Vysvetľovací mechanizmus
  • Vyhodnocovanie ZS
  • Aplikačné možnosti ZS

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide3

1. Definícia a historickí predchodcovia

ZS je súbor počítačových programov a štruktúrovaných údajov, ktoré sú schopné nahradiť činnosť špecialistu v jeho obore, prípadne ho prekonať.

HISTORICKÍ PREDCHODCOVIA

  • DENDRAL analyzuje údaje hmotového spektrografu a zostavuje molekulárne štruktúry. Prvá aplikácia väčšieho množstva špecifických znalostí.
  • MACSYMA vykonáva symbolické manipulácie.
  • MYCIN diagnostikuje a lieči infekčné ochorenia krvi (výsledky porovnateľné s expertom).
  • HERSAY rieši úlohy na rôznych úrovniach abstrakcie, na úrovni 10 ročného dieťaťa. Chápe súvislú reč (1000 slov).

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide4

2. Vlastnosti ZS a ľudského riešiteľa

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide5

3. Miesto človeka v tvorbe a použití ZS

VLASTNOSTI ČLOVEKA, KTORÝMI ES NEDISPONUJE

sú tvorivosť, schopnosť vyrovnať sa s neočakávaným zvratom situácie, učenie sa novým stratégiám, zdravý rozum (vš. znalosti – zjednodušenie), sebareflexia.

expert

tvorca nástroja

ZS

PTZS

používateľ

znalostný inžinier

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide6

4. Štruktúra ZS

METAZNALOSTI

prázdny

dedikovaný

–––

diagnostický

plánovací

BZ

IM

BD

PP,IS

prehľadávanie IS

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide7

5. Produkčný systém

l1&m1&l5>k1 k1 k2 k3

m1&l5&m3>k2

l5&m2&l7>k3 l1 m1 l5 m3 l7

l2&m2>m1

l3vl4>m2 l2 m2 l6 l8

l6vl8>m3

l3 l4

  • Produkčné pravidlo: predpoklady PzáverZ
  • Reťazenie produkčných pravidiel (podmienka)
  • Hierarchická štruktúra – strom – inferenčná sieť
  • Uzly: koreňové, medziľahlé, listové
  • Uzly: (ne)cieľové, (ne)dotazovateľné

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide8

6. Dopredné a spätné reťazenie

Ak záver jedného pravidla obsahuje tú istú znalosť (v tej istej forme) ako predpoklad ďalšieho, je možné reťazenie pravidiel.

Existujú dva druhy reťazenia:

  • Dopredné reťazenie. Ak aktuálne platia predpoklady, potom platí záver. Vykoná sa vždy prvé pravidlo, ktorého situačná časť je splnená. Hovoríme o priamom reťazení – data driven inference, resp. forward chaining.

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

- odvodí všetky výsledky na základe stavu BD

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

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide9

7. Prehľadávanie inferenčnej siete

  • NEÚPLNÝ PRIAMY CHOD je pohyb v IS od necieľového ku koreňovému uzlu. Uzly na ceste sa neexpandujú. (Ktoré ciele sú relevantné k zadanému uzlu?)
  • ÚPLNÝ SPATNÝ CHOD je postup v IS od cieľového uzla k listovým. Uzly na ceste sa expandujú.
  • ÚPLNÝ PRIAMY CHOD je postup od listových uzlov ku koreňovým. Ak je nutná expanzia, vykoná sa.
  • NEÚPLNÝ SPATNÝ CHOD smeruje od koreňových k listovým uzlom. Uzly sa neexpandujú. Hľadáme najvierohodnejšie alternatívy (heuristický postup).

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide10

8. Spracovanie neurčitých znalostí

Iba malá časť znalostí experta má tvar, matematizovaných teórií. Expert si vytvára znalostí zo skúseností na základe jeho mentálnych modelov. Často ide o tušenia, osvedčené postupy. Spracovať ich možno napr. heuristikou.

  • ALGORITMUS. Jednoznačný výpočtový postup vedúci k optimálnemu riešeniu. Vyznačuje sa hromadnosťou, konečnosťou a resultatívnosťou..
  • HEURISTIKA. Je neformálny úsudkový postup, osvedčený v dostatočnom počte prípadov (nedokázateľný ale použiteľný). Nezaručuje hromadnosť ani optimál. riešenia.

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

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide11

9. Typy neurčitostí

  • NEURČITOSŤ v BZ. Dôležitá súčasť ZS založenom na vedomostiach experta (jeho skúsenosti, mentálne modely, nie rigorózne tvrdenia, tušenia, osvedčené postupy - heuristiky). HEURISTIKA je neformálny úsudkový postup, osvedčený v dostatočnom počte prípadov (nedokázateľný ale použiteľný, teroristi).
  • NEURČITOSŤ v BD. Neisté odpovede používateľa, subjektívnosť úsudku, odhady nedostupných informácií, zašumené dáta.
  • METÓDY: Subjektívna Bayesovská metóda, Algebraická teória, Dempster-Shafferova metóda, Fuzzy prístup (intervaly, počet hodnôt, symbolická, numerická).

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide12

10. Získavanie znalostí

ZÍSKAVANIE NOVÝCH ZNALOSTÍ

klasickou cestou

strojovým učením

priamym prenosom

DOPĹŇANIE A MODIFIKÁCIA ZNALOSTÍ

spravidla klasickou cestou

Nevýhody klasickej cesty:

ZI je laik v oblasti

E nemá čas, bojí sa o miesto, nedokáže exaktne vyjadriť znalosti používané na riešenie

TEIRESIAS je inteligentný modul priameho prenosu znalostí.

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide13

11. Klasická cesta

  • Je historicky najstarší model, v ktorom robí znalostný inžinier ZI medzičlánok medzi BZ a expertom E.
  • Slabým miestom tohto spôsobu je tak ZI (laik v danej oblasti – musí pochopiť základy domény – zdĺhavý proces) ako aj E (niekedy neschopný exaktne vyjadriť svoje znalosti používané na riešenie úloh, nemá čas, bojí sa o miesto).
  • Pokus vylúčiť z procesu získavania znalostí znalostného inžiniera viedol k PRIAMEMU PRENOSU. Pokus vylúčiť z procesu získavania znalostí experta viedol k STROJOVÉMU UČENIU.

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide14

12. Priamy prenos

  • BZ je priamo vytváraná v príslušnom editore expertom, oboznámeným s problematikou programovania.
  • Nevyhnutný je inteligentný modul priameho získavania znalostí, ktorý:

- nie je pasívnym príjemcom znalostí

- pomáha expertovi vyjadrovať znalosti

- navádza ho a kontroluje

- dokáže odhaliť logický rozpor

- má rozsiahle dialógové schopnosti

- má znalosti o štruktúre BZ

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide15

13. Strojové učenie

  • trénovacia množina algoritmus  produkčné pravidlá
  • Strojové učenie: induktívne a deduktívne

kontrolonané a nekontrolované

inkrementálne a neinkrementálne

  • Vychádza z údajov vo forme trénovacej tabuľky:

- má dátovú a rozhodovaciu časť

- delí sa na trénovaciu a testovaciu množinu

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide16

14. Vysvetľovací mechanizmus

  • Používateľ potrebuje vysvetlenie, čo sa robí, keďže nepozná všetky možnosti práce so ZS.

Používateľ sa potrebuje utvrdiť v dôveryhodnosti výsledku, keďže ide o riešenie ne-algoritmizovateľnej úlohy.

  • Vysvetľovanie je charakterizované:

1. Cieľom vysvetľovania

2. Objektom vysvetľovania

3. Spôsobom vysvetľovania

4. Adresátom vysvetľovania

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide17

15. Vysvetľovací mechanizmus - cieľ

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide18

16. Delenie vysvetlení

  • Vysvetlenia pomocou vopred pripravených textov.

S každým krokom programu je zviazaný vysvetľujúci text, ktorý bol vopred pripravený (chybové hlásenia).

Nevýhody: nutnosť predvídať otázky, nezohľadňuje dynamiku vysvetľovania, žiadny konceptuálny model.

  • Vysvetlenia generované z behu programu.

GOAL, TRACE, WHY, HOW, WHAT, WHAT-IF

  • Vysvetlenia podľa modelu.

Systém používa: IS (expertné znalosti, na riešenie problému)

kauzálny model (model znalosti,

na formuláciu vysvetlení).

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide19

17. Vyhodnocovanie ZS

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

  • Verifikáciu – kontrolu vnútornej konzistentnosti a úplnosti.
  • Validáciu – stanovenie, či ES uspokojivo realizuje ciele, pre ktoré bol navrhnutý.
  • Prijatie používateľom (user acceptance) – použiteľnosť systému pre konečného používateľa

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

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide20

18. Validácia ZS

Je komplikovaná, keďže si kladie za cieľ testovať správnosť z významového hľadiska. Existuje niekoľko prístupov:

  • Empirické metódy. Sú dominantné. Spočívajú v testovaní prototypu na testovacích príkladoch a ohodnocovaní výsledkov z hľadiska prijateľnosti, presnosti a správnosti.
  • Klasická metóda. Ak nezávislý expert nedokáže odlíšiť riešenia ZS od riešení iného experta, potom je ZS validný.

Výsledky ZS je možné testovať voči štandardu:

kde n je počet testov

a Va je miera kvality ZS.

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide21

19. Prijatie používateľom

Predstavuje ochotu používateľa ZS používať. Vyhodnocujú sa nasledovné faktory:

  • Ľahkosť učenia.
  • Riadenie. Používateľ musí mať pocit, že riadi dialóg. Systém by nemal reagovať nepredvídateľne.
  • Stupeň úsilia. Je nutné sa vyhnúť pri návrhu ZS každému nie nevyhnutnému úsiliu (mentálnemu, fyzickému)
  • Rýchlosť. Výsledky musia byť získané v reálnom čase.
  • Vstup a výstup informácií. Je potrebné rešpektovať zvyklosti používateľa.
  • Odolnosť a korekcia chýb. ZS má byť schopný korigovať náhodné chyby (výber alternatívy je lepší ako zadávanie).

Testy prebiehajú pomocou: interview, dotazník, pozorovanie.....

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide22

20. Aplikačné možnosti ZS

  • ZAHRANIČNÉ ZS: spomínané, EXSYS, CLIPS, PROSPECTOR (detekcia ložísk nerastných surovín – ekon. efekt), R1 (konfigurácie počítačov VAX), QTC (návrh súčiastok)
  • DOMÁCE ZS: PROLEX(ochorenia tráviaceho traktu), KRAVEX(optimalizácia kŕmnej dávky), EQUANT(Hájek, práca s neurčitosťou), FEL-EXPERT(Mařík, genetické ochorenia, psychofyziologické záznamy z EEG, klasif. organických toxických látok, plánovanie kusovej výroby),TEAM(zostavovanie riešiteľských tímov), CODEX(Popper, diagnostika chorôb), AREX(hodnotenie spoľahlivosti automobilov)

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

slide23

20. Aplikačné možnosti ZS

EKONOMICKÉ APLIKÁCIE

FAST...hodnotenie bonity klienta

LendingAdvisor...hodnotenie žiadosti o pôžičky (riziká, štrukt.)

PLANET...podpora auditorov, štandardizácia auditu

EXPERTAG...pomocník auditorov a daňových poradcov

NyseFocusReviewSystem...finančné problémy, NewYork-burza

MarketMind...finančné operácie v reálnom čase, NewYork-burza

CARMA...analýza trhu, používa EXSYS

FINCEN...používa ministerstvo financií USA, preverovanie transakcií nad 10.000$, odhaľovanie nelegálnych aktivít, používa ES-NexpertObject

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

ad