Umelá inteligencia 1 Znalostné systémy - PowerPoint PPT Presentation

umel inteligencia 1 znalostn syst my n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Umelá inteligencia 1 Znalostné systémy PowerPoint Presentation
Download Presentation
Umelá inteligencia 1 Znalostné systémy

play fullscreen
1 / 20
Umelá inteligencia 1 Znalostné systémy
108 Views
Download Presentation
meagan
Download Presentation

Umelá inteligencia 1 Znalostné systémy

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Umelá inteligencia 1Znalostné systémy Doc. Ing. Kristína Machová, PhD.

  2. Znalostné systémyOsnova: Definícia a historickí predchodcovia Vlastnosti znalostného systému Miesto človeka v tvorbe a používaní ZS Štruktúra znalostného systému Produkčný systém Dopredné a spätné reťazanie Spracovanie neurčitých znalostí Získavanie znalostí Vysvetľovací mechanizmus Vyhodnocovanie a validácia ZS Aplikačné možnosti ZS

  3. Znalostné systémyDefinícia a historickí predchodcovia ES 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).

  4. Znalostné systémy (ZS)Vlastnosti znalostného systému

  5. expert tvorca nástroja ZS PTZS používateľ znalostný inžinier Znalostné systémyMiesto človeka v tvorbe a používaní ZS VLASTNOSTI ČLOVEKA: tvorivosť, schopnosť vyrovnať sa s neočakávaným zvratom situácie, učenie sa novým stratégiám, zdravý rozum (vš. znalosti – zjednodušenie), sebareflexia.

  6. METAZNALOSTI prázdny dedikovaný ––– diagnostický plánovací BZ IM BD PP,IS prehľadávanie IS Znalostné systémyŠtruktúra znalostného systému

  7. Znalostné systémyProdukčný 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

  8. Znalostné systémyDopredné 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.

  9. Znalostné systémySpracovanie 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 napríklad 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.

  10. Znalostné systémyTypy neurčitostí • NEURČITOSŤ v BZ Dôležitá súčasť ES 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).

  11. Znalostné systémyZískavanie 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.

  12. Znalostné systémyKlasická 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.

  13. Znalostné systémyVysvetľovací 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: • Cieľom vysvetľovania • Objektom vysvetľovania • Spôsobom vysvetľovania • Adresátom vysvetľovania

  14. Znalostné systémyDelenie 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).

  15. Znalostné systémyVyhodnocovanie ZS ZS sa v procese tvorby opakovane vyhodnocuje, resp. testuje. Vyhodnocovanie zahŕňa tri procesy: • Verifikáciu – kontrolu vnútornej konzistentnosti a úplnosti. • Validáciu – stanovenie, či ZS 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.

  16. Znalostné systémyValidácia ZS Je obtiažna, keďže testuje 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.

  17. Znalostné systémyPrijatie 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.....

  18. Znalostné systémyAplikačné možnosti ZS • ZAHRANIČNÉ ZS: spomínané, EXSYS, CLIPS, PROSPECTOR(detekcia ložísk nerastných surovín), 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, psycho-fyziologické záznamy z EEG, klasif. organických toxických látok, plánovanie kusovej výroby), TEAM(zostavovanie riešiteľských tímov), CODEX(Popper, diagnostika chorôb), AREX(hodnotenie spoľahlivosti automobilov)

  19. Znalostné systémyAplikačné 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

  20. Znalostné systémyLiteratúra Machová Kristína: Znalostné systémy v otázkach a odpovediach. ELFA s.r.o., 2005, Košice, 101s., ISBN 80-8086-018-1.