Inteligentne systemy obliczeniowe wst p do system w ekspertowych
This presentation is the property of its rightful owner.
Sponsored Links
1 / 130

Inteligentne Systemy Obliczeniowe Wstęp do systemów ekspertowych PowerPoint PPT Presentation


  • 174 Views
  • Uploaded on
  • Presentation posted in: General

Inteligentne Systemy Obliczeniowe Wstęp do systemów ekspertowych. Prof. Dr hab. Marek Rudnicki. SYSTEMY EKSPERTOWE i SZTUCZNA INTELIGENCJA.

Download Presentation

Inteligentne Systemy Obliczeniowe Wstęp do systemów ekspertowych

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


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

Inteligentne Systemy ObliczenioweWstęp dosystemów ekspertowych

Prof. Dr hab. Marek Rudnicki


Systemy ekspertowe i sztuczna inteligencja

SYSTEMY EKSPERTOWE i SZTUCZNA INTELIGENCJA

Inteligencja - (psych.) zespół zdolności umysłowych umożliwiających jednostce sprawne korzystanie z nabytej wiedzy oraz skuteczne zachowanie się wobec nowych zadań i sytuacji.

Sztuczna Inteligencja (skrót AI od angielskiego określenia Artificial Intelligence ) - to pojęcie stosowane w informatyce i oznaczające rozwiązywanie problemów sposobami wzorowanymi na naturalnych działaniach i procesach poznawczych człowieka za pomocą symulujących je programów komputerowych. Definicji AI jest niemalże tyle, co osób zajmujących się nią. Możliwa jest szeroka definicja (Shalkoff,1990):

Prof.. Marek Rudnicki


Sztuczna inteligencja

Sztuczna inteligencja

AI - dziedzina badań, które usiłują wyjaśnić i emulować zachowanie inteligentne w terminologii procesów obliczeniowych "in terms of computational processes". Zatem AI nie jest czystą nauką (część objaśniająca) ani podstawą nowatorskiej (engineering) inżynierskiej dyscypliny (część emulacyjna). Wyjaśnia to interdyscyplinarną naturę sztucznej inteligencji jako dziedziny. W literaturze podawana jest też definicja inżynierska sztucznej inteligencji, jako: AI to generowanie reprezentacji i procedur, które automatycznie i autonomicznie rozwiązują problemy, które dotychczas były rozwiązywane przez człowieka (Shalkoff, 1990, Charniak, McDetmott, 1985).

Prof.. Marek Rudnicki


Sztuczna inteligencja1

Sztuczna inteligencja

”Celem AI jest zrozumienie inteligencji tak, by możliwe było wykorzystanie jej do przeprowadzania obliczeń". Odróżnia to AI od rozwoju konwencjonalnego oprogramowania dla wąsko zdefiniowanych zadań, jakie można spotkać w systemach ekspertowych. Często utożsamia się AI z ES, z powodu przewagi ES, co jest głównym źródłem zamieszania na temat: co stanowi AI. Zakres problemów zawierających się w ramach AI jest dość szeroki: gry, dowody twierdzeń, rozpoznawanie obrazów, przetwarzanie języków naturalnych, rozpoznawanie mowy, systemy ekspertowe.

Prof.. Marek Rudnicki


Systemy ekspertowe

Systemy ekspertowe

System - uporządkowany wewnętrznie układ elementów mający określoną strukturę (całość); zespół zasad organiz., norm i reguł obowiązujących w danej dziedzinie; w metodologii zespół sposobów działania (metoda).

System Ekspertowy (skrót ES od ang. nazwy Expert Systems) - komputerowy program konsultacyjny, wspomaga decyzje zastępując eksperta w danej dziedzinie, np. w diagnostyce medycznej. Naśladowanie przez system ekspertowy procesu myślenia człowieka jest związane z preferowanym przez projektantów systemów podejściem do problemu rozwiązywania zadań. W podejściu tym komputer jest traktowany jako obiekt badań, natomiast umysł ludzki jest modelem, wzorcem do naśladowania.

Prof.. Marek Rudnicki


Systemy eskpertowe

Systemy eskpertowe

Systemy ekspertowe są programami, zwykle ograniczonymi do specyficznego zakresu, próbującymi naśladować zachowanie ekspertów - ludzi. Typowe atrybuty ES to:

1. Wiedza jest zwykle reprezentowana w postaci deklaratywnej, umożliwiającej łatwe odczytywanie i modyfikację. Większość ES wykorzystuje struktury 'jeśli przesłanki to akcje ' (IF-THEN), systemy bazujące na regułach.

2. Struktura wiedzy jest klarowna (wyłączając neuronowe ES).

3. Reprezentacja wiedzy i mechanizm sterujący są rozdzielone. Często mechanizm sterujący korzysta z reguł, tzw. meta-reguł.

4. Ważny z punktu widzenia użytkownika interfejs I/O, pozwala na zadawanie pytań i uzyskiwanie wyjaśnień (praca interaktywna).

5. Moduły zdobywania wiedzy i modyfikacji wiedzy są często używane dla rozszerzania systemów ekspertowych.

Prof.. Marek Rudnicki


Czynniki pobudzaj ce rozw j system w ekspertowych

Czynniki pobudzające rozwój systemów ekspertowych

Wiedza eksperta jest zasobem rzadkim i drogim.

ES pozwalają większemu gronu ludzi działać jako 'ekspert'. Jest to użyteczne przy szkoleniu itp. Edukacyjna rola ES jest bardzo duża, np. MYCIN (system służący do diagnozowania chorób bakteryjnych) doskonale nadaje się do uczenia studentów medycyny, nie ryzykując zdrowiem pacjenta.

Połączenie wiedzy kilku ekspertów może spowodować, że ES działa lepiej niż pojedynczy ekspert. Na świecie z powodzeniem pracują systemy ekspertowe (np. MYCIN, PUFF, DENDRAL, PROSPECTOR).

Prof.. Marek Rudnicki


Czynniki pobudzaj ce rozw j system w ekspertowych1

Czynniki pobudzające rozwój systemów ekspertowych

Różnice między systemami ekspertowymi pracującymi w czasie rzeczywistym a konwencjonalnymi ES. Tradycyjne systemy ekspertowe najczęściej znajdują zastosowania w zagadnieniach diagnostycznych i konsultacyjnych. W aplikacjach pracujących w czasie rzeczywistym, wnioskowanie odbywa się z uwzględnieniem najczęściej wielu szybko zmieniających się danych (high-input data rates), krytycznym wymogiem jest 'wyprodukowanie' właściwej odpowiedzi w odpowiednim, krótkim przedziale czasu. Coraz częściej technologie bazujące na systemach ekspertowych znajdują zastosowania w zadaniach czasu rzeczywistego, zwłaszcza w szczególnie ważnych zadaniach (mission-critical applications).

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

Pamięć

Pamięć długotrwała człowieka przechowuje m.in. wiedzę o metodach rozwiązywania problemów, dane o wzajemnej zależności obiektów i osób, ważniejsze wydarzenia i szczegóły. Pamięć krótkotrwała jest natomiast pamięcią wykorzystywaną do pamiętania bieżących problemów i spraw.

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

Pamięć

Obszar pamięci systemu, w którym informacje są przechowywane w postaci symbolicznej, nazwano Bazą danych, BW (ang. Knowledge Base, KB). Pamięć krótkotrwałą człowieka zastąpiono Bazą danych bieżących, układ efektorowy zastąpiono układem układem translacji informacji między wejściem i wyjściem systemu, natomiast procesor poznawczy zastąpiono układem interpretacji metody. System z bazą danych, wykonany w taki sposób, może komunikować sie ze światem zewnętrznym za pośrednictwem użytkownika.

Prezentowany system ma zdolność przetwarzania informacji zależnie od jej znaczenia i dlatego przyjęto nazywać go SYSTEMEM EKSPERTOWYM.

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

SE

Jest programem komputerowym, który komunikuje się ze światem zewnętrznym za pośrednictwem operatora oraz dysponuje określonym wycinkiem wiedzy, definiowanym jako dziedzina i wykorzystywanym do rozwiązywania problemów występujących w świecie rzeczywistym.

Nazwa system ekspertowy jest uzasadniona tym, że w czasie rozwiązywania postawionych zadań naśladuje on sposób rozumowania ludzi - ekspertów. Ułatwia on również ludziom uzupełnianie ich wiedzy oraz pomaga w efektywnym wykonaniu pracy.

Prof.. Marek Rudnicki


Cechy se

Cechy SE

Systemy ekspertowe, ze względu na sposób działania oraz powierzone funkcje, mają następujące cechy charakterystyczne:

wykorzystują bazę wiedzy, w której są gromadzone opinie ekspertów dotyczące określonej dziedziny przedmiotowej,

użytkownikom udzielają logicznie uzasadnionych odpowiedzi na pytania dotyczące wybranej dziedziny przedmiotowej,

są wyposażone w układy interfejsowe, umożliwiające komunikowanie się użytkowników z systemem w języku coraz bardziej zbliżonym do języka naturalnego.

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

SE

Systemy Ekspertowe pracujące w czasie rzeczywistym znajdują zastosowanie w wielu rzeczywistych zadaniach sterowania przebiegiem procesu. Jedną z zalet, jakie daje ich stosowanie to bardzo dobre rezultaty w krótkim czasie. Działanie jest spójne niezależnie od czasu i położenia geograficznego, w których odbywa się proces. Systemy ekspertowe czasu rzeczywistego mogą wykonywać również użyteczne wstępne przetwarzanie danych, z których wyniki wykorzystywane są przez operatorów ludzi; pełnią wtedy bardzo istotną rolę pomocniczą dla pracy operatora.

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

SE

Nawet wtedy, gdy cała wymagana dla sterowania wiedza nie może być zredukowana do postaci reguł czy innej akceptowanej przez ES, stosowanie systemów ekspertowych może okazać się pożądane dla celów odpowiedniej filtracji wiedzy niezbędnej operatorowi. Ułatwia mu to podejmowanie decyzji i może eliminować zmęczenie lub nudę, co może przyczyniać się do lepszej reakcji operatora w ważnych sytuacjach i zapewnić większe bezpieczeństwo. Innym zyskiem zastosowania systemów ekspertowych pracujących w czasie rzeczywistym w sterowaniu procesami jest ich zdolność do wysokiej jakości przetwarzania często zmieniających się danych poprzez pełniejsze monitorowanie i inicjowanie akcji prewencyjnych.

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

SE

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

SE

Prof.. Marek Rudnicki


Ekspert

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.


Systemy ekspertowe1

SYSTEMY EKSPERTOWE

Programy komputerowe wspomagające podejmowanie decyzji, których elementami są:

baza wiedzy, zawierająca wiedzę dziedzinową, istotną dla podejmowanych decyzji,

system wnioskujący, korzystający z bazy wiedzy dla wypracowania tych decyzji.


Systemy ekspertowe2

SYSTEMY EKSPERTOWE

Pozostałe elementy systemu ekspertowego:

edytor bazy wiedzy, do tworzenia, modyfikowanie i kasowanie bazy wiedzy

interfejs użytkownika, do korzystania z systemu ekspertowego

dynamiczna baza danych - relacyjna baza danych do przechowywania odpowiedzi użytkownika i wyników wnioskowania


Struktura se

Struktura SE

Prof.. Marek Rudnicki


Struktura funkcjonalna systemu ekspertowego

DYNAMICZNA BAZA

DANYCH

STRUKTURA FUNKCJONALNA SYSTEMU EKSPERTOWEGO

Prof.. Marek Rudnicki


Struktura informatyczna systemu ekspertowego

Plik wykonywalny

(Skorupowy system ekspertowy)

EDYTOR

BAZY WIEDZY

BAZA WIEDZY

INTERFEJS

UŻYTKOWNIKA

SYSTEM WNIOSKUJĄCY

Plik

tekstowy

DYNAMICZNA BAZA DANYCH

STRUKTURA INFORMATYCZNA SYSTEMU EKSPERTOWEGO

Prof.. Marek Rudnicki


Istotna cecha systemu ekspertowego

Istotna cecha systemu ekspertowego

Umożliwia to szybkie odczytanie, zrozumienie i modyfikowanie wiedzy dziedzinowej, z której korzysta system ekspertowy

Baza wiedzy jest plikiem tekstowym, który może być tworzony, czytany i modyfikowany za pomocą edytora bazy wiedzy bez naruszania integralności systemu wnioskującego.


Struktura bazy wiedzy

Baza wiedzy

Baza reguł

Baza rad

Baza modeli

Baza

ograniczeń

Pliki rad

STRUKTURA BAZY WIEDZY

Prof.. Marek Rudnicki


Spotykane synonimy

Spotykane synonimy

  • system ekspertowy

  • program regułowy

  • program z regułową bazą wiedzy

Prof.. Marek Rudnicki


Struktura bazy wiedzy1

wiedza dziedzinowa uzupełniająca i wyjaśniająca

STRUKTURA BAZY WIEDZY

Baza reguł - wiedza dziedzinowa logiczna

Baza ograniczeń - wiedza dziedzinowa logiczna

Baza modeli - wiedza dziedzinowa matematyczna

Baza rad

Pliki rad

Prof.. Marek Rudnicki


Struktura bazy wiedzy2

STRUKTURA BAZY WIEDZY

Baza reguł

Baza ograniczeń

Baza modeli

Baza rad

mają postać klauzul

zawierających zmienne

Prof.. Marek Rudnicki


Zmienne stosowane w systemach ekspertowych rmse

Zmienne stosowane w systemach ekspertowych RMSE

  • W systemach ekspertowych RMSE są stosowane wyłącznie zmienne łańcuchowe

  • Zmienne łańcuchowe :

  • Dowolny ciąg znaków rozpoczynający i kończący się cudzysłowem górnym “.

Prof.. Marek Rudnicki


Podstawowe typy zmiennych a cuchowych w systemach ekspertowych dok adnych

Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnych

zmienne łańcuchowe typu:

  • logicznego

  • rzeczywistego

  • całkowitego

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnych

  • Logiczne zmienne łańcuchowe :

  • “Nazwa” jest logiczną zmienną łańcuchową,

  • jeżeli Nazwa przyjmuje tylko wartości ze zbioru stałych logicznych {Prawda, Nieprawda}

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnych

  • Rzeczywiste zmienne łańcuchowe :

  • “Wartość” jest rzeczywistą zmienną łańcuchową, jeżeli Wartość przyjmuje wartościrzeczywiste

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnych

  • Całkowite zmienne łańcuchowe :

  • “Wartość” jest całkowitą zmienną łańcuchową, jeżeli Wartość przyjmuje wartościcałkowite

Prof.. Marek Rudnicki


Baza regu

REGUŁY

FAKTY

BAZA REGUŁ

Reguły = wiedza dziedzinowa o charakterze ogólnym

Fakty = wiedza dziedzinowa

o charakterze szczegółowym

Prof.. Marek Rudnicki


Baza regu1

BAZA REGUŁ

Przykład reguły:

Jeżeli student_x_otrzymał_wszystkie_zaliczenia_w_terminie

i

student_ x_zdał_wszystkie_egzaminy_ w_terminie,

to

student_x_uzyska_wpis_na_kolejny_semestr

Przykład faktu:

student_J.Kowalski_ zdał_wszystkie_egzaminy_ w_terminie

Prof.. Marek Rudnicki


Baza regu2

BAZA REGUŁ

Reguły: zdania warunkowe, np.

  • w języku polskim:

    A jest prawdą, jeśli B i C i D są prawdą

  • w logice:

    B i C i D  A lub

  • w Prologu:

    A :- B, C, D

B, C, D – warunki reguły

A – wniosek reguły

 - symbol implikacji w logice

:- - symbol implikacji regułowej w Prologu

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

Klauzule dokładnej bazy reguł:

BAZA REGUŁ

regula(Numer_reguły,

Wniosek,

Lista_warunków,

Semafor_wyświetlania)

fakt(Warunek_dopytywalny)

Prof.. Marek Rudnicki


System ekspertowy definicja

System ekspertowy- definicja

  • System ekspertowy (doradczy): program komputerowy wykorzystujący procedury wnioskowania do rozwiązywania problemów, które są na tyle trudne, że wymagają znaczącej ekspertyzy specjalistów.

  • Wiedza (niezbędna, by zapewnić odpowiedni poziom ekspertyzy), wraz z procedurami wnioskowania - model ekspertyzy, posiadanej przez najlepszych specjalistów w danej dziedzinie.

Prof.. Marek Rudnicki


System ekspertowy

System ekspertowy

Wiedza systemu eksperckiego: fakty i heurystyki.

Fakty: powszechnie akceptowane przez specjalistów.

Heurystyki: informacja subiektywna, która charakteryzuje proces oceny przez określonego specjalistę.

Heurystyki: intuicyjne domysły, przypuszczenia, zdroworozsądkowe zasady postępowania.

Poziom ekspertyzy - funkcja rozmiaru i jakości bazy wiedzy danego systemu.

Prof.. Marek Rudnicki


Po co

Po co

Dlaczego?

1. Koszty: w dłuższym okresie czasu są znacznie tańsze, pomagają w rozwiązywaniu problemów wymagających najbardziej specjalistycznej (najdroższej) wiedzy.

2. Brak ekspertów.

3. Pracują szybciej, nie męczą się, są bardziej niezawodne niż ludzie.

4. Konsekwentne, spójne, obiektywne, dokładne.

5. Zawsze do dyspozycji (nie strajkują!).

6. Analiza dużych ilości danych wymaga komputera.

SE: systemy oparte na wszystkich sposobach reprezentacji wiedzy,

najczęściej w postaci reguł produkcji.

Prof.. Marek Rudnicki


Etapy tworzenia se

Etapy tworzenia SE

Analizy problemu - oceny, czy budowa SE dla danego problem ma sens.

Specyfikacji systemu - szczegółowego określenia funkcji i oczekiwań.

Akwizycji wiedzy - zgromadzenia, wydobycia z ekspertów i organizacji wiedzy.

Wyboru metody reprezentacji wiedzy i narzędzi do budowy SE.

Konstrukcji systemu - utworzenia bazy wiedzy, reguł wnioskowania, systemu wyjaśniającego rozumowanie i prowadzenia dialogu z użytkownikiem.

Weryfikacji i testowania systemu.

Akwizycja wiedzy wymaga transferu ekspertyzy i jej reprezentacji.

Prof.. Marek Rudnicki


Posta wiedzy

Postać wiedzy

Fakty z danej dziedziny wiedzy, np: „W starych silnikach Diesla przy przegrzaniu dochodzi do gwałtownego podwyższenia obrotów na skutek chwilowego spalania oleju.”

Reguły typu: „Przed zdjęciem obudowy wyciągnąć wtyczkę.”

Heurystyki, czyli co by tu zrobić: „Jak nie zaskakuje a jest iskra to warto sprawdzić przewód paliwa”.

Ogólne strategie postępowania.

Teoria danej dziedziny, np. działania silników samochodowych.

Prof.. Marek Rudnicki


Akwizycja wiedzy

Akwizycja wiedzy

  • prowadzenie wywiadów z ekspertami

  • analiza kwestionariuszy wypełnianych przez ekspertów

  • analiza raportów pisanych przez ekspertów

  • analiza komentarzy ekspertów wykonywanych w czasie pracy

  • obserwacja ekspertów przy pracy

  • introspekcja

Prof.. Marek Rudnicki


Rodzaje cd

Rodzaje cd.

Systemy kontrolne pozwalające na sterowanie skomplikowanymi systemami, takimi jak automatyczne zakłady produkcyjne itp.

Systemy diagnostyczne to jedno z najbardziej popularnych zastosowań SE, w zagadnieniach technicznych, medycynie, analizie chemicznej i wielu innych problemach.

Systemy testujące pomagają przy znajdywaniu problemów i mogą być częścią systemów kontrolnych lub systemów diagnostycznych.

Systemy naprawcze nie tylko prowadzą testy ale i planują działania korekcyjne. Można do nich zaliczyć również niektóre systemy medyczne, zalecające leczenie.

Systemy projektujące wspomagają prace projektowe, takie jak projektowanie układów elektronicznych, CAD czy CAM.

Prof.. Marek Rudnicki


Rodzaje system w ekspertowych

Rodzaje systemów ekspertowych

Systemy edukacyjne czyli CAI, lub ICAI (Intelligent Computer Aided Instruction), a więc inteligentne wspomaganie nauczania, systemy algebry symbolicznej.

Systemy interpretujące wspomagające analizę i interpretację informacji, wydobywanie informacji z baz danych, interpretujące dane geologiczne.

Systemy planistyczne wspomagające strategiczne działanie i planowanie zadań, np. planowanie syntezy związków chemicznych czy budowy systemów komputerowych.

Systemy prognostyczne wspomagające wyciąganie wniosków i przewidywanie tendencji.

Prof.. Marek Rudnicki


Konstrukcja system w ekspertowych

Konstrukcja systemów ekspertowych

Zwykle próbuje się oddzielićbazy wiedzy od mechanizmów wnioskowania.

Reguły produkcji:

<obiekt,atrybut,wartość>, np. <samochód,kolor,czerwony>

Stosowane są też ramy, sieci semantyczne, sieci Bayesowskie, reprezentacje bezpośrednie i proceduralne;

rzadziej reprezentacje logiczne.

Alternatywy dla ES prowadzących wnioskowanie: symulacje sytuacji w różnych warunkach, oceny statystyczne.

Prof.. Marek Rudnicki


Rodzaje rozumowania

Rodzaje rozumowania

DSS (Decision Support Systems), Inteligentne DSS?

Dialog z użytkownikiem + wyjaśnienia sposobów wnioskowania.

ES nie zawsze system rozumuje w sposób podobny do człowieka - inne ograniczenia.

  • Rozumowanie retrospektywne (które reguły i dlaczego)

  • Rozumowanie hipotetyczne (co by było gdyby ...)

  • Rozumowanie „wbrew faktom” (counterfactual reasoning) - dlaczego nie udało się osiągnąć spodziewanych konkluzji?

Prof.. Marek Rudnicki


Architektury es

Architektury ES

  • Architektura hierarchiczna:poziom faktów z danej dziedziny + przynajmniej jeden meta-poziom, wiedza strategiczna, fakty dotyczące reguł niższego poziomu.Systemy hierarchiczne działające w szerszych domenach wiedzy tworzą drzewa taksonomiczne usiłując podzielić całą wiedzę na rozłączne specjalistyczne dziedziny.

  • Architektura wielowarstwowa: kilka warstw, leżące wyżej kontrolują działanie na niższym poziomie; meta-wiedza i kryteria strategicznego planowania i działania. Czasami przestrzeń zamiast warstwy, np. przestrzeń działania (konkretne akcje), przestrzeń planowania (określanie celów bieżących), przestrzeń strategii (koncentracja uwagi na jakimś obszarze, cofanie działań).

Prof.. Marek Rudnicki


Przyk ad architektury warstwowej molgen

Koncentracja

Podsumowanie

Zgaduj

Cofnij

Sprawdź przewidywania

Operatory

korygujące

Proponuj Cel

Przestrzeń strategii

Przestrzeń projektu

Sortuj

Transformuj

Połącz

Testuj

Przestrzeń działania

Przykład architektury warstwowej (MolGen)

Interpreter

Meta-plany

Akcje

Prof.. Marek Rudnicki


Architektury es 2

Architektury ES 2

  • Architektura tablicowa (blackboard): łączenie wiedzy z kilku źródeł w „pamięci roboczej”, z której korzystają moduły wnioskujące. Jedna lub kilka tablic, informacje mają hierarchiczną strukturę o wzrastającym stopniu szczegółowości. Zastosowana po raz pierwszy w systemie HEARSAY, jednym z pierwszych działających systemów do rozpoznawania mowy.

  • Architektura hybrydowa: regułowo-koneksjonistycznaUmożliwia automatyczne tworzenie skojarzeń. Systemy koneksjonistyczne mogą służyć odkrywaniu wiedzy na podstawie analizy danych; wiedza dodawana jest do systemu. Przykład: MMPI-IDSS

Prof.. Marek Rudnicki


Architektury es 21

Architektury ES 2

  • Architektura symulacyjna: modele numeryczne danej dziedziny, zależności funkcyjne nie dające się uchwycić w postaci reguł.Systemy tworzące sieci przyczynowych powiązań (causal networks) lub probabilistyczne sieci Bayesowskie.

  • Architektura korzystająca z analogii (case-based reasoning). W wielu dziedzinach (prawo, medycyna) podstawą rozumowania są analogie, precedensy. Korzystają z bazy danych opisujących znane przypadki,ocen podobieństwa, reguł szukania i używania analogii. Zawierają opis klas problemów, jakie potrafią rozwiązać, wraz ze schematami rozwiązań i sposobami określania podobieństwa do znanych przypadków z danej klasy.

Prof.. Marek Rudnicki


Konstrukcja es

Konstrukcja ES

Systemy klasyfikujące: wybór rozwiązania z ustalonej grupy.

Systemy konstruujące: składanie rozwiązania z elementów.

Problem: niepewność wiedzy.

Prawdopodobieństwa warunkowe, współczynniki ufności lub pewności (confidence factors), teoria wiarygodności, teoria zbiorów rozmytych.

Metodologia konstrukcji dużych systemów, podobna do narzędzi CASE:

KADS, Common KADS i Pragmatic KADS.

Prof.. Marek Rudnicki


J zyki programowania do tworzenia se

Języki programowania do tworzenia SE

LISP (od: List PROcessing, przetwarzanie list), 1958, John McCarthy

Common Lisp 1984 rok, wiele dialektów, np. Scheme

CLOS (Common Lisp Object System)

Pakiety graficzne (np. AUTOCAD), interfejsy użytkownika

Komputery dla Lispu: stacje SYMBOLICS

Język funkcyjny: listy i funkcje (minimalnie 7 funkcji pozwala zrealizować model maszyny Turinga)

FACTORIAL(N):

(COND ( ( EQUAL N 1) 1 )

(TRUE (TIMES N (FACTORIAL (DIFFERENCE N 1))) ))

Prof.. Marek Rudnicki


Historia j zyka lisp

Historia języka Lisp

•Lisp--opracowany (ok. 1958) przez logika Johna McCarthy

•Stosowany w AI od 30 lat

•Zastosowania praktyczne

» Systemy ekspertowe & oraz aplikacje AI

» Rapid Application Development (RAD)

Prof.. Marek Rudnicki


Historia j zyka lisp1

Historia języka Lisp

•Lisp stosowany jest jako język wbudowany

•Zastosowania: edytor tekstowy EMACS (MLisp)

oraz AutoCAD (AutoLisp).

•Język Prolog jest wbudowany w MS Office

•Działa na głównych platformach sprzętowych

•Liczne wersje free- oraz shareware.

• Standard: Common Lisp

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

LISP

LISP jest uniwersalnym językiem przetwarzania symbolicznego, o sprawnych i łatwo przystosowalnych strukturach danych. Nazwa LISP jest skrótem od LISt Procesor. Dane i program w LISP mają tę samą budowę, dlatego język ten jest wykorzystywany do pisania programów samomodyfikujących się oraz generujących inne programy.

LISP umożliwia tworzenie nowych języków programowania. Na rynku dostępne są interpretowane i kompilowane wersje LISP.

Prof.. Marek Rudnicki


Inteligentne systemy obliczeniowe wst p do system w ekspertowych

LISP

Słabszą stroną tego języka jest współpraca z istniejącymi, tradycyjnymi pakietami programowymi. Wadą języka LISP jest również duża zajętość pamięci oraz wolne działanie programów.

Cechą języka LISP, przez jednych uważaną za wadę, a przez innych za zaletę, jest brak rozbudowanych mechanizmów podejmowania decyzji. Większość struktur kontrolnych w tym języku należy tworzyć stosownie do zastosowań.

Prof.. Marek Rudnicki


J zyki se cd

Języki SE cd

Prolog (Programming in Logic), Marsylia i Edynburg.

Realizacja rachunku predykatów pierwszego rzędu, do prototypów, Prolog w projekcie V generacji; raczej mniejsze systemy lub prototypy

Inne: POP-2 do POP-5, FUZZY

Expert System Shells (ESS):

EMYCIN, KAS (Knowledge Aquisition System), OPS5,

KEE, Knowledge Engineering Environment, KES

ESS: czas opracowania systemu 10-20 razy krótszy

Ostatnio również języki zorientowane obiektowo: C++, Smalltalk, Dylan

Prof.. Marek Rudnicki


Prolog

Prolog

•Prolog opracowany został w 1972 przez specjalistę AI Alana Colmeraurer

Rozwinięty na University of Montreal oraz University of

Marseilles

•Stosowany w systemach kspertowych & i aplikacjach AI w tym przetwarzanie języków

•Dostępny na głównych platformach sprzętowych

•Wersje free oraz shareware

•Standard: ‘Edinburgh-style’

Prof.. Marek Rudnicki


Prolog1

PROLOG

PROLOG jest eleganckim, matematycznie czystym językiem wykorzystującym rachunek predykatów. Program napisany w PROLOG-u wykorzystuje metodę rezolucji Robinsona. Dane oraz wiedza są zapamiętywane w formie przypuszczeń i reguł na bazie twierdzeń. Powyższe cechy predysponują PROLOG do rozwiązywania problemów, w których występuje potrzeba formułowania wielu hipotez.

Wiedza może być uporządkowana z wykorzystaniem hierarchicznych zależności oraz zstępującej strategii rozwiązywania problemów.

Prof.. Marek Rudnicki


Prolog lisp

Prolog & Lisp

Dane i programy są listami

Programowanie modularne za pomocą licznych funkcji

Duża liczba nawiasów z których nie wszystkie są znaczące

Listy są drzewami binarnymi!

Definicja rekursywna

Prof.. Marek Rudnicki


Niepewno i logiki nieklasyczne

Niepewność i logiki nieklasyczne

Logika założeń (default logic): nie zawsze prawdziwe wnioski.

Przestrzeń wierzeń (belief spaces), odróżnia punkty widzenia.

Informacja nieznana i informacja prawdopodobna.

Logika wielowartościowa (Łukasiewicz, Tarski): określa kilka stopni prawdziwości stwierdzeń, np: Wykształcony(x) = [0, 0.3, 0.6, 1].

Logika rozmyta: nieskończenie wiele stopni.

Wnioskowanie statystyczne i metody probabilistyczne: prawd. p(Hi |E) prawdziwości hipotezy Hi przy danej ewidencji E.

Prof.. Marek Rudnicki


Rodzaje niepewno ci

Rodzaje niepewności

  • Niepewność stochastyczna: Np. rzut kostką, wypadek, ryzyko ubezpieczenia - rachunek prawdopodobieństwa.

  • Niepewność pomiarowa Około 3 cm; 20 punktów - statystyka.

  • Niepewność informacyjna: Wiarygodny kredytobiorca, spełniający warunki - data mining, szukanie prawidłowości, skojarzeń.

  • Niepewność lingwistyczna Np. mały, szybki, niska cena ... Logika rozmyta (L. Zadeh 1965) i logika przybliżona.


Zbiory rozmyte

Zbiory rozmyte

X- uniwersum, zbiór uniwersalny, przestrzeń; xX

A- zmienna lingwistyczna, koncepcja, zbiór rozmyty.

Funkcja przynależności określa stopień, w jakim x należy do A.

Zmienne lingwistyczne: sumy zbiorów rozmytych, koncepcje, predykaty logiczne o ciągłych wartościach. Stopień przynależności to nie prawdopodobieństwo; np. łysy w 80% to nie łysy 1 na 5 razy.

Prawdopodobieństwo jest unormowane do jedynki, funkcja przynależności nie.

Rozmyte pojęcia są subiektywne i zależne od kontekstu.


Przyk ady

A=“młody”

A=“młody”

1

1

=0.8

0

0

x [lata]

x [lata]

x=20

Przykłady

Klasyczne i rozmyte pojęcie „młody człowiek”

x=23

„Temperatura wrzenia” ma wartość około 100 stopni (ciśnienie, skład chemiczny).


Definicje

Definicje

Support (baza) zbioru rozmytego A:

supp(A) = { xX : A(x) > 0 }

Core (jądro) zbioru rozmytego A:

core(A) = { xX : A(x) =1 }

a=0.6

a-cut (a-cięcie) zbioru rozmytego A:

Aa = { xX : A(x) > a }

Wysokość = maxxA(x)  1

Zbiór rozmyty normalny: sup xXA(x) = 1


Funkcje przynale no ci

Trójkątna: <a,b,c>

1

1

0

0

a

b

x

a

b

c

x

Funkcje Przynależności

Singleton: (a,1) i (b,0.5)

(x)

(x)


Zmienne lingwistyczne

(x)

zimno

ciepło

gorąco

1

0

20

40

x [C]

Zmienne lingwistyczne

W=20 => Wiek=młody. Zmienna lingwistyczna = wartość lingwistyczna.

Zmienna lingwistyczna: : temperatura termy (zbiory rozmyte) : { zimno, ciepło, gorąco}


Liczby rozmyte

Liczby rozmyte

Zwykle wypukłe, unimodalne (jedno maksimum).

FP często się nakrywają.

Liczby: jądro = punkt, x (x)=1

Monotonicznie maleją po obu stronach jądra.

Typowy wybór: trójkątne funkcje (a,b,c) lub singletony.


Suma i iloczyn zbior w

Suma i iloczyn zbiorów

A, B - zbiory rozmyte.

Suma AB to zbiór o funkcji przynależności:

max można zastąpić S-normą S(a,b), niemalejącą dla obu argumentów, przemienną, łączną i S(a,0)=a, S(a,1)=1.

Iloczyn AB to zbiór o funkcji przynależności:

min można zastąpić dowolną T-normą T(a,b), nierosnącą dla obu argumentów, przemienną, łączną i T(a,0)=0, T(a,1)=a.


Regu y rozmyte

Reguły rozmyte

Wiedzę potoczną można często zapisać w naturalny sposób za pomocą reguł rozmytych.

Jeśli zm. lingw-1 = term-1 i zm. lingw-2 = term-2

to zm. lingw-3 = term-3

Jeśli Temperatura = zimno i cena ogrzewania = niska

to grzanie = mocno

Co oznacza reguła rozmyta:Jeśli x jest A to y jest B ?

Korelacja A i B, lub implikacja A =>B, czyli (not A or B).


Zastosowania logiki rozmytej

Zastosowania logiki rozmytej

Wszędzie tam, gdzie trudno jest utworzyć matematyczny model ale daje się opisać sytuację w sposób jakościowy, za pomocą reguł rozmytych.

Kontrolery rozmyte:

jeśli się przewraca to popchnąć.

Inteligentne lodówki, pralki, windy, opiekacze do grzanek, aparaty fotograficzne.

Zastosowania medyczne: nieprecyzyjny język daje się przełożyć na reguły rozmyte.

Wiele zastosowań przemysłowych, głównie dotyczących kontroli procesów.


Systemy ekspertowe w rachunkowo ci

Systemy ekspertowe w rachunkowości

  • W ostatnich latach powstało wiele systemów ekspertowych w dziedzinie rachunkowości a ich liczba z dnia na dzień rośnie. Systemy te można je podzielić na kilka rodzajów. Są to na przykład systemy do:

  • ·Oszacowywania rezerw firmy na trudno ściągalne i nieściągalne należności

  • ·Wspomagania planowania podatków

  • ·Wspomagania autoryzacji kredytu

  • ·Wspomagania przygotowania listy płac

  • ·Wspomagania minimalizacji kosztów produkcji

  • ·Wspomagania kontroli w firmie

  • Prof.. Marek Rudnicki


    Systemy ekspertowe w rachunkowo ci1

    Systemy ekspertowe w rachunkowości

    • ·SE umożliwiają dystrybucję wiedzy z dziedziny rachunkowości (personel może je wykorzystać jako asystenta lub konsultanta)

  • · SE pozwalają na korzystanie z wiedzy eksperta tanim kosztem lub tam gdzie nie jest on dostępny (czasami koszt wynajęcia eksperta byłby zbyt wysoki)

  • ·SE podnosi zdolność podejmowania skomplikowanych analiz poprzez wykrywanie ukrytych zależności i przewidywanie efektów zmian ( w rachunkowości mamy do czynienia z bardzo dużą ilością danych, które łatwe są do rozpatrzenia pojedynczo ale czasami są trudne do rozpatrzenia w całości)·

  • Prof.. Marek Rudnicki


    Zastosowania

    Zastosowania

    • ·Giełda nowojorska, największa na świecie używa SE do modelowania i śledzenia działalności handlowej, indywidualnej i korporacji w celu wykrywania potencjalnie nielegalnych transakcji.

  • ·Arthur Andersen & Company stworzył SE wspomagający komisję SEC (Securities & Exchange Commision). Ma on na celu zbadanie poprawności sprawozdań finansowych wszystkich spółek pod kontem ich zgodności z prawem stanowym i federalnym.

  • ·Firma Dun & Bradstreet rozwija SE w dziedzinie analizy finansowej on-line. System ten jest w stanie udzielić informacji na temat przedsiębiorstwa wykorzystując bieżące informacje (z dokładnością nawet do minut).

  • Prof.. Marek Rudnicki


    Literatura

    Literatura

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    SE

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    SE

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    SE

    Prof.. Marek Rudnicki


    Elementy es

    Elementy ES

    Prof.. Marek Rudnicki


    Elementy bazy wiedzy

    Elementy bazy wiedzy

    Prof.. Marek Rudnicki


    Og lna struktura se

    Ogólna struktura SE

    Prof.. Marek Rudnicki


    Budowa se

    Budowa SE

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    Prof.. Marek Rudnicki


    Podzia system w ekspertowych

    Podział systemów ekspertowych

    Prof.. Marek Rudnicki


    Cechy systemu ekspertowego

    Cechy systemu ekspertowego

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    Prof.. Marek Rudnicki


    Symboliczna reprezentacja wiedzy

    Symboliczna reprezentacja wiedzy

    Prof.. Marek Rudnicki


    Niesymboliczne reprezentacje

    Niesymboliczne reprezentacje

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    Prof.. Marek Rudnicki


    Reprezentacje wiedzy

    Reprezentacje wiedzy

    Prof.. Marek Rudnicki


    Reprezentacje wiedzy1

    Reprezentacje wiedzy

    Prof.. Marek Rudnicki


    Cechy system w ekspertowych

    Cechy systemów ekspertowych

    ·zgromadzenie najpełniejszej i kompetentnej wiedzy z danej dziedziny i możliwość jej aktualizacji w związku z postępem naukowym i technicznym

    ·umiejętne naśladowanie sposobu rozumowania człowieka -eksperta, który stosuje on przy rozwiązywaniu problemów tego samego typu

    ·zdolność wyjaśnienia toku "rozumowania", który doprowadził do otrzymanych wyników tzw. "user friendly" interfejs, czyli przyjazny sposób komunikowania się z użytkownikiem w jego ojczystym języku i takie przedstawienie wyników, aby były klarowne i przejrzyste

    Prof.. Marek Rudnicki


    Og lna budowa

    Ogólna budowa

    Prof.. Marek Rudnicki


    Struktura system w ekspertowych

    Struktura systemów ekspertowych

    • ·baza wiedzy, np. zbiór reguł

  • ·baza danych, np. wyniki pomiarów, dane o obiekcie, hipotezy

  • ·procedury wnioskowania - maszyna wnioskująca

  • ·procedury objaśniania - wyjaśnienie strategii wnioskowania

  • ·procedury sterowania dialogiem - formułowanie zadań przez użytkownika poprzez procedury wejścia/wyjścia i przekazywanie wyników przez program (zadania wykonywane przez interfejs)

  • procedury pozwalające na poszerzenie zakresu wiedzy i jej

  • Prof.. Marek Rudnicki


    Schemat se

    Schemat SE

    Prof.. Marek Rudnicki


    Kategorie system w

    Kategorie systemów

    Prof.. Marek Rudnicki


    Podzia se

    Podział SE

    SE możemy podzielić na: systemy dedykowane oraz systemy szkieletowe. Systemy dedykowane są tworzone od podstaw przez inżyniera wiedzy współpracującego z informatykiem. Systemy szkieletowe (shells) są to systemy z pustą bazą wiedzy. Te systemy są tworzone w krótszym czasie, gdyż nie trzeba konstruować całej struktury systemu, a jedynie istniejącą już uzupełnić o konkretną wiedzę i jej odpowiednią implementację w systemie. W zależności od tego jaką wiedzę wprowadzimy do systemu możemy uzyskać system z wiedzą: eksperta-lekarza, eksperta- inżyniera, czy eksperta - prawnika.

    Prof.. Marek Rudnicki


    Zastosowanie system w ekspertowych

    Zastosowanie systemów ekspertowych

    Prof.. Marek Rudnicki


    Zadania se

    Zadania SE

    Podstawowe zadanie systemu to wydawanie kompetentnych i pełnych ekspertyz. Powinno się to odbywać w czasie ograniczonym pewnymi, dopuszczalnymi granicami, w których przy danym typie zadania powinna się pojawić odpowiedź systemu. Sam system powinien dysponować takimi metodami wnioskowania, które biorą pod uwagę wiedzę i intuicję eksperta, zdobytą w trakcie wieloletniej praktyki. Wówczas uzyskane wyniki powinny być bardziej porównywalne z wynikami pracy człowieka-eksperta. Dąży się do tego, aby system rozwiązując powierzone mu zadanie posługiwał się rozumowaniem człowieka, lecz popełniał minimum pomyłek.

    Prof.. Marek Rudnicki


    Zadania se1

    Zadania SE

    Ekspert kierując się własną intuicją nie do końca potrafi uzasadnić swoją decyzję lub ekspertyzę. Wprowadzenie takiego sposobu wnioskowania do systemu może się okazać niezwykle trudna lub gdy wymagane jest uzasadnienie wyniku, wręcz niemożliwe. Jeśli chodzi o wymagania czasowe to często zachodzi potrzeba kompromisu pomiędzy jakością uzyskanych wyników a szybkością działania. Niektóre systemy uzyskują wyniki w kilka sekund, inne znów pracują całymi dniami, czy nawet tygodniami. Zależy to także od sposoby wykorzystanego do uzyskania odpowiedzi. Systemy wykorzystujące przeszukiwanie przestrzeni rozwiązań w postaci drzewiastej charakteryzują się wykładniczym wzrostem czasu uzyskania odpowiedzi.

    Prof.. Marek Rudnicki


    Z o ono se

    Złożoność SE

    • Sama dziedzina, której dotyczy system jest często wyznacznikiem stopnia skomplikowania system eksperckiego. Nieopłacalne jest tworzenie systemów, w których zawiera się problem rozwiązywania zadań o np. łatwym opisie matematycznym zjawiska lub takich, w których ilość możliwych rozwiązań jest niewielka. Wówczas z problemem poradzi sobie człowiek, bez potrzeby odwoływania się do programu komputerowego. Ocenę złożoności można przeprowadzić rozpatrując liczbę reguł wykorzystanych w systemie:

      • ·małe - 100 - 300 reguł

  • ·średnie - 300 - 2000 reguł

  • duże - ponad 2000 reguł

  • Prof.. Marek Rudnicki


    Baza wiedzy

    Baza wiedzy

    Baza wiedzy systemu zawiera w sobie reguły i fakty. Są one wykorzystywane do uzyskiwania rozwiązań w danej dziedzinie. Im większa baza wiedzy, tym rozwiązanie jest bardziej kompetentne. Fakty, które są elementem bazy, najczęściej istnieją w niej jako zdania oznajmujące np. Procesor "AMD" jest taktowany zegarem 450 MHz. Stwierdzenie to, nazywane faktem istnieje jako zapis związków pomiędzy obiektami i może się charakteryzować różnymi atrybutami. Drugim elementem w bazie wiedzy są reguły. Zapisywane są np. za pomocą operatorów IF, THEN, AND, OR. Dzięki nim zadawane są pytania o związki pomiędzy obiektami.

    Prof.. Marek Rudnicki


    Bazy wiedzy

    Bazy wiedzy

    • 1.baza tekstów (text base) - występuje w niej naturalna strukturalizacja informacji, wynikająca np. z ułożenia alfabetycznego. Przykładem mogą być słowniki, które zawierają wiedzę ogólną z danej dziedziny.

  • 2.baza danych (data base) - zawiera uporządkowane sprecyzowane, szczegółowe informacje. Typ danych jest często numeryczny, a operacje na niej wykonywane są zdeterminowane.

  • 3.baza reguł (rule base) - zawiera zbiór zależności pomiędzy obiektami występującymi w danej dziedzinie.

  • Prof.. Marek Rudnicki


    Systemy szkieletowe

    Systemy szkieletowe

    Prof.. Marek Rudnicki


    Czas tworzenia se

    Czas tworzenia SE

    Prof.. Marek Rudnicki


    Aksjomaty klasycznego rachunku zda

    AKSJOMATY KLASYCZNEGO RACHUNKU ZDAŃ

    Aksjomaty pozytywne implikacji:A.p  (q  p)B.(p  (q  r))  ((p  q)  (p  r))Aksjomaty pozytywne implikacji:A.(p  q)  (p  q)B.(p  q)  (q  p)[A i B to 7.OE]C.(p  q)  ((q  p)  (p  q))Aksjomaty charakteryzujące koniunkcję i alternatywę:A.(p  q)  (q  p)B.(p  q)  (q  p)C.p  (p  q)D.(p  q)  pE.p  (q  (p  q))F.((p  r)  (q  r))  ((p  q)  r)Aksjomaty charakteryzujące negację:A.(p  (q  ¬q))  ¬pB.(p  ¬p)  q (cokolwiek)Prawo wyłączonego środka:A.p  ¬p

    Prof.. Marek Rudnicki


    Aksjomaty klasycznego rachunku zda1

    AKSJOMATY KLASYCZNEGO RACHUNKU ZDAŃ

    1. Reguła odrywania (RO):((p  q)  p)  q2. Reguła dołączania koniunkcji (DK):(p)  (q)  (p  q)3. Reguła opuszczania koniunkcji (OK):(p  q)  p(p  q)  q4. Reguła dołączania alternatywy (DA):p  (p  q)q  (p  q)5. Reguła opuszczania alternatywy (OA):((p  q)  ¬p)  q((p  q)  ¬q)  p

    Prof.. Marek Rudnicki


    Aksjomaty klasycznego rachunku zda2

    AKSJOMATY KLASYCZNEGO RACHUNKU ZDAŃ

    6. Reguła dołączania równoważności (DE):((p  q)  (q  p))  (p  q)7. Reguła opuszczania równoważności (OE):(p  q)  (p  q)(p  q)  (q  p)

    Prof.. Marek Rudnicki


    Wybrane prawa rachunku zda

    WYBRANE PRAWA RACHUNKU ZDAŃ

    1. Sylogizm warunkowy:((p  q)  (q  r))  (p  r)2. Modus tollens:((p q)  ¬q)  ¬p((¬p  q)  ¬q)  p((p  ¬q)  q)  ¬p((¬p  ¬q)  q)  p3. Mnożenie implikacji:((p  q)  (r  s))  ((p  r)  (q  s))4. Dodawanie implikacji:((p  q)  (r  s))  ((p  r)  (q  s))5. Dylemat konstrukcyjny złożony:((p  q)  (r  s)  (p  r))  (q  s)

    Prof.. Marek Rudnicki


    Wybrane prawa rachunku zda1

    WYBRANE PRAWA RACHUNKU ZDAŃ

    7. Reguła odrywania dla równoważności:((p  q)  p)  q((p  q)  q)  p8. Reguła przechodniości równoważności:((p  q)  (q  r))  (p  r)9. Reguła Dunsa Szkota:(p  ¬p)  q (cokolwiek)10. Prawo podwójnej negacji:(¬¬p) ≡ p11. Prawo transpozycji.(p  q) ≡ (¬q  ¬p)12. Prawo transpozycji złożonej:[(p  q)  r] ≡ [(p  ¬r)  ¬q]

    Prof.. Marek Rudnicki


    Wybrane prawa rachunku zda2

    WYBRANE PRAWA RACHUNKU ZDAŃ

    13. Prawo negowania koniunkcji:¬(p  q) ≡ (¬p  ¬q)14. Prawo negowania alternatywy:¬(p  q) ≡ (¬p  ¬q)15. Prawo negowania implikacji:¬(p  q) ≡ (p  ¬q)16. Prawo rozdzielności koniunkcji względem alternatywy:[p  (q  r)] ≡ [(p  q)  (p  r)]17. Prawo rozdzielności alternatywy względem koniunkcji:[p  (q  r)] ≡ [(p  q)  (p  r)]18. Prawa przemienności koniunkcji i alternatywy:(p  q) ≡ (q  p)(p  q) ≡ (q  p)19. Prawa łączności koniunkcji i alternatywy:[(p  q)  r)] ≡ [p  (q  r)][(p  q)  r)] ≡ [p  (q  r)]

    Prof.. Marek Rudnicki


    Wybrane prawa rachunku zda3

    WYBRANE PRAWA RACHUNKU ZDAŃ

    20. Prawa tautologii dla koniunkcji i alternatywy:(p  p) ≡ p(p  p) ≡ p21. Prawa zwrotności dla implikacji i równoważności:p  pp ≡ p22. Prawo symetryczności równoważności:(p ≡ q) ≡ (q ≡ p)23. Prawo negowania członów równoważności:(p ≡ q) ≡ (¬p ≡ ¬q)24. Prawo komutacji:[p  (q  r)] ≡ [q  (p  r)]25. Prawo eksportacji i importacji:[(p  q)  r] ≡ [p  (q  r)]26. Dylemat destrukcyjny złożony:[(p  q)  (r  s)  (¬q  ¬s)]  (¬p  ¬r)

    Prof.. Marek Rudnicki


    Wybrane prawa rachunku zda4

    WYBRANE PRAWA RACHUNKU ZDAŃ

    27. Dylemat destrukcyjny prosty:[(p  q)  (p  r)  (¬q  ¬r)]  ¬p28. Prawo dodawania poprzedników:[(p  r)  (q  r)] ≡ [(p  q)  r]29. Prawo mnożenia następników:[(p  q)  (p  r)] ≡ [p  (q  r)]30. Prawa zastępowania implikacji:(p  q) ≡ ¬(p  ¬q)(p  q) ≡ (¬p  q)31. Schemat mnożenia równoważności:[(p ≡ q)  (r ≡ s)]  [(p  r) ≡ (q  s)]

    Prof.. Marek Rudnicki


    Wybrane prawa rachunku zda5

    WYBRANE PRAWA RACHUNKU ZDAŃ

    32. Schemat dodawania równoważności:[(p ≡ q)  (r ≡ s)]  [(p  r) ≡ (q  s)]33. Prawo zastępowania równoważności:(p ≡ q) ≡ [(p  q)  (q  p)]34. Prawo sprzeczności:¬(p  ¬p)

    Prof.. Marek Rudnicki


    Regu y logiczne

    Reguły logiczne

    pqpqpqpqpq

    111111

    101000

    011010

    000011

    Prof.. Marek Rudnicki


    Kombinatoryka i teoria graf w

    Kombinatoryka i teoria grafów

    Funktory zdaniotwórcze:

    -lub(alternatywa, suma logiczna)

    -i(koniunkcja, iloczyn logiczny)

    -nie(negacja)

    -jeśli ..., to ...(implikacja)

    -... wtedy i tylko wtedy, kiedy ...(równoważność)

    w-wartość zdania logicznego w:w =

    Prof.. Marek Rudnicki


    Warto zdania logicznego

    Wartość zdania logicznego

    aba ba ba ba b

    111111

    101000

    011010

    000011

    Prof.. Marek Rudnicki


    Kwantyfikatory i zbiory

    Kwantyfikatory i zbiory

    -istnieje(kwantyfikator szczegółowy, egzystencjalny)

    -dla każdego(kwantyfikator ogólny)

    • Rzbiór liczb rzeczywistych

    • N = { 0, 1, 2, ... }zbiór liczb naturalnych

    • Z = { ..., -2, -1, 0, 1, 2, ... }zbiór liczb całkowitych

    • { a1, ..., an }zbiór złożony z n elementów a1, ..., an

    • { a }-zbiór jednoelementowy zaw. tylko a

      • { xX : w }zbiór tych elementów zbioru X, które spełniają warunek w

    Prof.. Marek Rudnicki


    Operacje na zbiorach

    Operacje na zbiorach

    Prof.. Marek Rudnicki


    Prawa de morgana

    Prawa de Morgana

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    • Definicja

    • Iloczyn kartezjański zbiorów X i Y to zbiór wszystkich par uporządkowanych (x,y), takich że xX oraz yY. Oznaczenie: XY: XY = {(x,y) : xX  yY}

    • Własności

    • a  b  (a,b)  (b,a)

    • (a,b) = (c,d)  ( (a = c)  (b = d) )

    • A  (B  C) = (A  B)  (A  C)

    • A  (B  C) = (A  B)  (A  C)

    • A  (B \ C) = (A  B) \ (A  C)

    • Jeśli X jest zbiorem n-elementowym i Y jest zbiorem m-elementowym, to XY jest zbiorem złożonym z nm elementów (par uporządkowanych (x,y), gdzie xX, yY).

    Prof.. Marek Rudnicki


    Inteligentne systemy obliczeniowe wst p do system w ekspertowych

    Relacja dwuczłonowa jest podzbiorem iloczynu kartezjańskiego. Dana para uporządkowana (element iloczynu kartezjańskiego) należy do tego podzbioru jeśli posiada określoną własność, czyli jeśli między jej poprzednikiem i następnikiem zachodzi określona relacja.

    Zbiór poprzedników par uporządkowanych (x,y) należących do relacji  nazywa się dziedziną tej relacji.

    Zbiór następników par uporządkowanych (x,y) należących do relacji  nazywa się przeciwdziedziną tej relacji.

    Prof.. Marek Rudnicki


    Klasyczne strategie wnioskowania

    KLASYCZNE STRATEGIE WNIOSKOWANIA

    -do tylu -przed systemem stawiana jest hipoteza(zadaniem systemu jest potwierdzenie poprawności hipotezy)

    -do przodu -wygenerowanie wszystkich możliwych logicznych konsekwencji faktów podanych na wejściu

    3.możliwość uzasadnienia podawanych przez eksperta odpowiedzi za pomocą modułu objaśniającego (części interfejsu użytkownika odpowiedzialnej za objaśnienie funkcjonowania SE poprzez udzielanie odpowiedzi na pytania)

    4.wspomaganie i aktualizacja BW za pomocą modułu akwizycji wiedzy.

    Prof.. Marek Rudnicki


    Systemy ekspertowe w rachunkowo ci2

    Systemy ekspertowe w rachunkowości

    • ·Oszacowywania rezerw firmy na trudno ściągalne i nieściągalne należności

  • ·Wspomagania planowania podatków

  • ·Wspomagania autoryzacji kredytu

  • ·Wspomagania przygotowania listy płac

  • ·Wspomagania minimalizacji kosztów produkcji

  • ·Wspomagania kontroli w firmie

  • ·Specjalne systemy ekspertowe w rachunkowości

  • Prof.. Marek Rudnicki


    Korzy ci z zastosowania se w rachunkowo ci

    Korzyści z zastosowania SE w rachunkowości

    ·SE umożliwiają dystrybucję wiedzy z dziedziny rachunkowości (personel może je wykorzystać jako asystenta lub konsultanta)

    ·SE pozwalają na korzystanie z wiedzy eksperta tanim kosztem lub tam gdzie nie jest on dostępny (czasami koszt wynajęcia eksperta byłby zbyt wysoki)

    ·SE podnosi zdolność podejmowania skomplikowanych analiz poprzez wykrywanie ukrytych zależności i przewidywanie efektów zmian ( w rachunkowości mamy do czynienia z bardzo dużą ilością danych, które łatwe są do rozpatrzenia pojedynczo ale czasami są trudne do rozpatrzenia w całości)

    ·SE przyśpiesza podejmowanie decyzji ponieważ działa w oparciu o komputer i pobiera tylko te dane, które bezpośrednio są związane z problemem (wynik dostępny jest zaraz po wprowadzeniu danych)

    Prof.. Marek Rudnicki


    Korzy ci z zastosowania se w rachunkowo ci1

    Korzyści z zastosowania SE w rachunkowości

    ·Dzięki SE można przekazywać wiedzę i doświadczenie starszych pracowników młodemu personelowi.

    ·Dzięki SE podnosimy wydajność pracy nowych, młodych pracowników bez potrzeby długich szkoleń (skracamy etap wdrażania pracownika). SE w rachunkowości może być również używany jako narzędzie do szkolenia.

    Prof.. Marek Rudnicki


    Planowanie podatk w

    Planowanie podatków

    Jednym z SE wspomagania planowania podatków jest Expert-TAX. Jest on jednym z najbardziej zaawansowanych systemów dotychczas stosowanych w rachunkowości.

    Używa on dialogu pytanie – odpowiedź w celu uruchomienia 3000 reguł określających najlepsze opcje podatkowe. Celem systemu jest dostarczenie dojrzałych ekspertyz. Zastępuje on starą metodę w której to zaawansowany ekspert musiał wypełniać dwustronicowy kwestionariusz aby potem znaleźć najlepsze rozwiązanie. System ten nie zastępuje księgowych ale dostarcza im porad.

    Prof.. Marek Rudnicki


    Autoryzacja kredytu

    Autoryzacja kredytu

    Authorizer’s Assistant jest SE wspomagania autoryzacji kredytu i został stworzony przez American Express. Jest używany do odrzucania złych kredytów a więc do zmniejszania strat w firmie. Karty AE nie mają limitów kredytu przez co często zdarzały się oszustwa oraz przypadki złe j autoryzacji. System opiera się na ponad 800 regułach. Gromadzi on i analizuje wszystkie transakcje oraz takie czynniki jak historia rachunku, rodzaje zakupów, zaległe należności itd. Po ich sprawdzeniu system szacuje wielkość ryzyka kredytowego i zleca odrzucenie lub akceptacje transakcji wraz z wyjaśnieniem wszystkich zaleceń

    Prof.. Marek Rudnicki


  • Login