1 / 67

Sistemas de Soporte a la Decisión

Sistemas de Soporte a la Decisión. GIRONA 2002. Sistemes Experts. Sistemes Experts. Definició:

nyx
Download Presentation

Sistemas de Soporte a la Decisión

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Sistemas de Soporte a la Decisión GIRONA 2002

  2. Sistemes Experts

  3. Sistemes Experts • Definició: • Són Sistemes Basats en el Coneixement que resolen problemes molt especialitzats i complexes, pels que es confia habitualment en experts humans, per a la seva resolució, en un domini concret J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  4. Per què van sorgir els SE? • Necessitats econòmiques • Disposar d’experts altament qualificats és car i no sempre possible • Eines econòmiques d’aprenentatge per a altres experts/no experts • Preservació del coneixement dels experts • Necessitats d’eficiència computacional • Els mètodes generals de resolució de problemes són força ineficients (mètodes febles) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  5. CONEIXEMENT + INFERÈNCIA = SE Coneixement expert DADES + ALGORISME = PROGRAMA J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  6. Classificació dels SE segons les tasques [Hayes-Roth et al., 1983] (1) Sistemes d’Interpretació Inferir descripcions de situacions, a partir d’observacions / dades Sistemes de Predicció Inferir conseqüències versemblants a partir de situacions o successos Sistemes de Diagnòstic Inferir les falles del sistema a partir de símptomes Sistemes de Disseny Desenvolupar configuracions d’objectes que satisfan certes restriccions J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  7. Classificació dels SE segons les tasques [Hayes-Roth et al., 1983] (2) Sistemes de Planificació Generar seqüències d’accions per a conseguir certs objectius Sistemes de Monitorització Estudiar el comportament d’un sistema al llarg del temps Sistemes de Correció /Reparació Generar solucions per a les falles d’un sistema Sistemes de Control Estudiar i governar el comportament d’un sistema dinàmic J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  8. Fases de l’enginyeria del coneixement (1) [Buchanan et al., 1983] IDENTIFICACIÓ REFORMULACIÓ REQUERIMENTS CONCEPTUALITZACIÓ CONCEPTES FORMALITZACIÓ REDISSENY ESTRUCTURA IMPLEMENTACIÓ REFINAMENT REGLES PROVA J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  9. Fases de l’enginyeria del coneixement (2) • IDENTIFICACIÓ • Viabilitat de la construcció del SE • Cercar les fontsde coneixement (experts, llibres, etc.) • Determinar les dades necessàries per a resoldre el problema • Determinar els objectius (solucions) i els criteris que determinen la solució J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  10. Fases de l’enginyeria del coneixement (3) CONCEPTUALITZACIÓ Detallar els elements bàsics per a caracteritzar el domini (fets rellevants) i les seves relacions. Distingir les evidències, les hipòtesis i les accions a realitzar Detallar les diferents hipòtesis/objectius Descomposar el problema en subproblemes Caracteritzar els blocs de raonament i el flux de raonament J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  11. Fases de l’enginyeria del coneixement (4) FORMALITZACIÓ Determinar els esquemes de raonament necessaris: Classificació / diagnosi / planificació temporal / estructures causals / disseny espaial / configuració Identificar l’espai de cerca i el tipus de cerca Identificar la metodologia de la resolució: classificació heurística / resolució constructiva / hipòtesi i prova jeràrquica Analitzar la inexactitud (incertesa, imprecisió o incompletitud) i la completesa J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  12. Fases de l’enginyeria del coneixement (5) IMPLEMENTACIÓ Representació i implementació del coneixement Definició de la base de fets Estructura modular de la base de coneixements Definició de les regles d’inferència dels mòduls Decisions sobre el control de la resolució (metaconeixement) Definició de les meta-regles associades als mòduls PROVA Determinar amb el/s expert/s un conjunt de casos de prova Avaluar el funcionament del sistema (prototipus) Correctesa? / Completesa? / Inexactitud? / Credibilitat i explicacions? J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  13. Arquitectura d’unSistema Expert J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  14. Base de Coneixements (1) • Coneixement del domini + coneixement heurístic • Tipus de coneixement: Coneixement Factual Coneixement Condicional Coneixement Relacional Objectes i característiques Condicions i deduccions Relacions temporals, causals i conceptuals J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  15. Mètodes de Representació del Coneixement Base de Coneixements (2) Sistemes de regles d’inferència/Sistemes de Producció: Els més habituals i els primers Representacions estructurades Per a modelitzar objectes i relacions Abans-de Xarxes semàntiques/Frames Tipus de Per a descriure el domini Part_de Representacions mixtes: Regles + Representacions estructurades J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  16. Base de Coneixements (3) • Organització del coneixement sobre el domini i sobre el procés de resolució Regles d’inferència SI <Condicions> LLAVORS <Accions> J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  17. Base de coneixements (4) • Cadascuna de les regles pot incorporar: • <Indentificador-regla> • <Condicions o premisses> • Proposicions • Predicats d’ordre 1 • <Certesa de la regla> • <Accions o conclusions> • Noves deduccions • Accions • Càlculs J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  18. Base de coneixements (5) • Exemples (RDECP03 (R08007 Concentració-fanf-decp-alta No Neutropènia No Purga-fang-decp Associades-dermatologia ectima-gangrenosum 0.8 molt-possible Netejar-canonada Pseudomones . . . ) . . . ) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  19. Motors d’inferències Motor d’inferències  Mòdul de raonament Deduir nous fets, executar accions per a resoldre el problema plantejat, a partir d’un conjunt inicial de fets i d’un cert coneixement, amb la interacció de l’usuari. Motor d’inferències Intèrpret de regles + Estratègia de control J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  20. Cicle general d’un motor d’inferències • Detecció:Obtenció del conjunt de regles aplicables Formació del conjunt de conflictes • Selecció: Selecció de la regla a aplicar Resolució de conflictes • Aplicació: Aplicació de la regla seleccionada Inferència J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  21. Cicle general: Detecció • Construcció del conjunt de regles candidates a ser aplicades • Les regles seran candidates o no depenent de l’estratègia de control • L’intèrpret de regles fa els càlculs i les instanciacions necessàries que siguin possibles en cada estat de resolució del problema. • Una regla es pot utilizar amb vàries instanciacions (CP1) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  22. Cicle general: Selecció • Selecció de la millorregla d’entre les obtingudes en el pas anterior • La selecció dependrà de l’estratègia de resolució de conflictes emprada pel motor d’inferències. • Criteris més utilizats (sovint es combinen varis criteris) : • La més/menys utilitzada • La més específica/més general • La més informativa  dóna un major número de fets desconeguts • La regla amb un grau de certesa més alt • La primera regla en ordre J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  23. Cicle general: Aplicació • L’intèrpret de regles executa la regla seleccionada modificant l’estat de la base de fets amb noves deduccions, càlculs, accions i/o nous subojectius • Propagació de les instanciacions (en CP1) • Si s’escau, propagació de la certesa de les premisses cap a les conclusions, mijançant les diferents connectives lògiques J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  24. Fi del cicle • El cicle acaba quan ja no hi ha cap més regla aplicable, o bé quan es troba la conclusió desitjada • Depenent del problema i de l’estratègia de control pot ser que la cadena de raonament quedi tallada Cal reconsiderar passos anteriors J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  25. Motors d’Inferència: estratègies (I) • Motors Deductius/Encadenament progressiu • Encadenament cap endavant forward chaining • Estratègia dirigida per les dades  data driven • Evidències, símptomes, dades  conclusions i/o hipòtesis A  B  C H  J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  26. Motors d’Inferència: estratègies (II) • Motors Inductius/Encadenament regressiu • Encadenament cap enrera backward chaining • Estratègia dirigida pels objectius goal driven • Conclusions i/o hipòtesis  Evidències, símptomes, dades A  B  C H  J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  27. Encadenament cap endavant • Basat en el modus ponens: • A, AB |- B • És un mètode deductiu segons la lògica clàsica • Resolució del problema: Cerca des de l’estat inicial fins el final (l’objectiu), passant pels estats intermitjos que marquen les cadenes d’inferència que es deriven de l’aplicació de les regles • Partir de les evidències/simptomes/dades i deduir tot el es pugi J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  28. Encadenament cap endavant. Funcionament • La base de fets s’inicialitza amb el conjunt de fets coneguts • Obtenir les conseqüències derivables del conjunt de fets: • Seleccionar les regles aplicables. Les que tenen els antecedents coneguts (ie són a la base de fets) o bé són preguntables. • Afegir les noves conclusions/valors a la base de fets J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  29. Encadenament cap endavant. Pro’s i contres • Problemes • No focalitzaen l’objectiu: La estratègia de resolució de conflictes es crítica • Explosió combinatoria: Degut a les possibles instanciacions dels predicats de les premisses (CP1) • Avantatges • Facilita la formalització del coneixement • El modus ponens és força intuitiu J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  30. Encadenament cap endavant. Exemple Base de conèixements Base de fets Objectiu R1: A  B  C  D A G?? R2: A  E  F  G E R3: B  C  D  H B R4: E  C R5: A  H  F R6: A  C  H J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  31. 3: 1: A, E, B 2: A, E, B, C(R4) R1 R6 A,E,B,C,D A,E,B,C,H R5 R6 R1 R3 A,E,B,C,D,H A,E,B,C,D,H R6 R5 A,E,B,C,D,H,F A,E,B,C,D,H A,E,B,C,D,H,F,G! A,E,B,C,D,H,F .... Encadenament cap endavant. Exemple J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  32. Encadenament cap enrera • Es un mètode inductiu: trenca el sentit de la deducció: • B, AB ¬ |- A • Està guiat per un objectiu: Hipòtesi que es vol validar. Reconstruir la cadena de raonament en ordre invers • Cada pas implica nous subobjectius o subhipòtesis que s’han de validar J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  33. Encadenament cap enrera. Funcionament • Inicialitzar la base de fets amb un conjunt inicial de fets • Inicialitzar el conjunt d’hipòtesis o objectius a verificar • Mentre hi hagi hipòtesis per a validar fer • Validar una hipòtesi de la llista • Fmentre • Validar l’hipòtesi consisteix en: • si ja ho està  treure-la de la llista • Comprovar si ja està verificada en la BF • sino usar la BC i la BF per a validarla • Seleccionar una regla • Afegir les premisses de la regla com nous subojectius a validar en lloc de la hipòtesi J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  34. Encadenament cap enrera. Avantatges • La resolució del problema està millor dirigida. Només es considera el necessari per a la resolució del problema • El procés de resolució consisteix en l’exploració d’un graf i/o J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  35. Encadenament cap enrera. Exemple (I) Base de conèixements Base de fets Objectiu R1: A  B  C A H?? R2: C  D B R3: E  F  G R4: A  E R5: D  G R6: A  G H J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  36. A R4 R6 R6 R6 A A A E E R3 H R3 H H F F G G G D R5 D R5 H A G G E F G A F Encadenament cap enrera. Exemple (II) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  37. A Suposem que F és preguntable R4 R6 A E R3 H NO F G D R5 S´ha de tornar enrera i reconsiderar altres opcions G A F = NO Encadenament cap enrera. Exemple (III) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  38. A A R6 R6 H H R5 R2 R5 G D C G D G H D C Encadenament cap enrera. Exemple (IV) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  39. A R6 H A R2 R5 C G D B C A  B  Encadenament cap enrera. Exemple (V) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  40. Avantatges dels SE • Adequats en dominis poc estructurats • Eficaços en tasques de diagnosi i classificació • Capacitat d’autoexplicació • Facilitat de comunicació amb l’usuari • Permet extensions fàcilment (raonament aproximat) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  41. Inconvenients dels SE • Fragilitat • Dificultat amb el control del raonament • Baixa reusabilitat de les B.C. • Són incapaços d’aprendre • Problemàtica de l’adquisició del coneixement • Problemàtica de la validació J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  42. Història dels SE (1) • Els més antics  1965 • DENDRAL (1965-1970) • Interpretació d’espectografia de masses i ressonàncies magnètiques de molècules orgàniques • META-DENDRAL (1970) • Construcció de regles heurístiques a partir de dades • MACSYMA • Manipulació de fórmules algebraiques J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  43. Història dels SE (2) • MYCIN (1972-1976) • Diagnosi d’enfermetats infeccioses a la sang • 400 regles • Raonament amb incertesa • EMYCIN (1980) • Exporta el sistema de control de MYCIN • Primer entorn de SE (shell) • HEARSAY-II (1975) • Interpretació del LN (hear + say) • 1000 paraules J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  44. Història dels SE (3) • PROSPECTOR (1977) • Prospeccions mineres • Un altre mètode de raonament amb incertesa • R1/XCON (1980) • Configuració d’entorns computacionals • DEC,  200.000 regles • INTERNIST (1982) • Diagnosi en medicina interna • 500.000 - 1.000.000 regles J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  45. Història dels SE (4) • CENTAUR (1983) • Diagnosi d’infeccions pulmonars • Regles i prototipus • MOLE (1986) • Shell de SE per a classificació • TEST (1987) • Troubleshooting Expert System Tool • Diagnosi / classificació • VT (1988) • Vertical Transportation • Disseny de sistemes elevadors J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  46. Metaconeixement / Metaraonament • Metaconeixement coneixement sobre el (propi) coneixement • Control sobre com i quan aplicar el coneixement • Metaconeixement implícit • Estratègia de resolució de conflictes (criteris) • En els primers Sistemes Experts : Premisses artificials per a controlar l’aplicabilitat de les regles (ie repeat o !) • Metaconeixement explícit • Introdució de les meta-regles (Davis, 1980) : Regles que actuen sobre les regles • Separació entre control i coneixements • Mecanisme de raonament unificat: Motor d’inferències utilizat per les regles i les meta-regles • Concepte d’estratègia: Ordenació del elements necessaris per a la resolució J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  47. Meta-regles • Meta-regla: unitat de control sobre el coneixement • Tipus de meta-regles. • Meta-regles sobre regles • Inhibir / desinhibir regles • Meta-regles sobre mòduls • Tipus de cerca en els mòduls (endavant, enrera) • Nivell de tall en la certesa mínima de les regles • Subsumpció de regles • Meta-regles sobre estratègies • Estratègia: conjunt ordenat de mòduls a ser tractats • Excepcions • Meta-regles sobre plans d’actuació • Quina estratègia s’aplica primer quan n’hi ha més d’una J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  48. Meta-regles: exemples (MR-DECP01 OK-BOMBA 1.0 (INHIBIR-REGLES RDECP005 RDECP006 RDECP007 RDECP008 RDECP009 RDECP019 RDECP020)) (MR-PRINC TÉ-FEBRE 1.0 (MOTOR-ENRERA GRIP)) (MR-ESTR01 CLASSE1 POSSIBLE (MÒDULS-A-TRACTAR C1)) (MR-03024 SIDA POSSIBLE (MÒDULS-A-TRACTAR BACTERIANA-ATÍPICA PNEUMOCISTIS-CARINI TBC CITOMEGALOVIRUS CRIPTOCOC NOCARDIA ASPERGILLUS PNEUMOCOC ENTEROBACTÈRIES)) (MR-02012 EDAT < 14 SEGUR (PARAR-SISTEMA)) J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

  49. Raonament Basat en Casos(Case-Based Reasoning, CBR)

  50. Raonament Basat en Casos (I) • Perquè va sorgir el CBR? • Problema: Moltes vegades les dificultats en construïr Sistemes Experts provenen de intentar expressar la experiència en regles. • Habitualment és molt difícil per a un expert en una matèria el procés d’abstracció necessari per a crear regles genèriques a partir de sucessos especifics del passat. Experiència REGLES J. Vázquez & KEMLg. IA-LSI, UPC. jvazquez@lsi.upc.es

More Related