Úvod do expertních systémů

Transkript

1 Úvod do expertních systémů

2 Expertní systém Definice ES (Feigenbaum): expertní systémy jsou počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně zakódovaných, explicitně vyjádřených znalostí, převzatých od experta, s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta. Charakteristické rysy ES: oddělení znalostí a mechanismu jejich využívání, rozhodování za neurčitosti, schopnost vysvětlování.

3 Expertní systémy a znalostní systémy Znalostní systém (knowledge-based system) je podle staršího pojetí obecnější pojem než expertní systém. Expertní systémy tedy lze chápat jako zvláštní typ znalostních systémů, který se vyznačuje používáním expertních znalostí a některými dalšími rysy, jako je např. vysvětlovací mechanismus. V poslední době dochází ke stírání rozdílů mezi těmito pojmy.

4 Základní složky ES báze znalostí, inferenční mechanismus, I/O rozhraní (uživatelské, vývojové, vazby na jiné systémy), vysvětlovací modul, modul pro udržování znalostí.

5 Architektura ES Báze znalostí Znalostní inženýr, expert Prázdný ES Vysvětlovací modul Inferenční mechanismus Modul udržování znalostí Uživatelské rozhraní Rozhraní k jiným systémům Uživatel DBS, programy, měřicí přístroje,

6 Báze znalostí a báze faktů Báze znalostí obsahuje znalosti z určitého oboru a specifické znalosti o řešení problémů v tomto oboru. Báze faktů se vytváří v průběhu řešení konkrétního problému a obsahuje data k řešenému problému. Prostředky reprezentace znalostí: matematická logika, pravidla (rules), sémantické sítě (semantic nets), rámce a scénáře (frames and scripts), objekty (objects).

7 Inferenční mechanismus Inferenční mechanismus obsahuje obecné (oborově nezávislé) algoritmy schopné řešit problémy na základě manipulace se znalostmi z báze znalostí. Typický inferenční mechanismus je založen na inferenčním pravidle pro odvozování nových poznatků z existujících znalostí, strategii prohledávání báze znalostí.

8 Metody inference Dedukce odvozování závěrů z předpokladů. Indukce postup od specifického případu k obecnému. Heuristiky pravidla zdravého rozumu založená na zkušenostech. Generování a testování metoda pokusů a omylů. Analogie odvozování závěru na základě podobnosti s jinou situací. Defaultní inference usuzování z obecných znalostí při absenci znalostí specifických. Nemonotonní inference je možná korekce resp. ústup od dosavadních znalostí. Intuice obtížně vysvětlitelný způsob usuzování, zatím nebyl v ES implementován.

9 Neurčitost v expertních systémech Neurčitost se může vyskytovat jednak v bázi znalostí a jednak v bázi faktů. Zdroje neurčitosti: nepřesnost, nekompletnost, nekonzistence dat, vágní pojmy, nejisté znalosti. Prostředky pro zpracování neurčitosti: Bayesovský přístup, Bayesovské sítě fuzzy logika.

10 Typy ES: Problémově orientovaný ES: báze znalostí obsahuje znalosti z určitého oboru. Prázdný ES (shell): báze znalostí je prázdná. Diagnostický ES: jeho úkolem je určit, která z hypotéza z předem definované konečné množiny cílových hypotéz nejlépe koresponduje s daty týkajícími se daného konkrétního případu. Plánovací ES: obvykle řeší takové úlohy, kdy je znám cíl řešení a počáteční stav a je třeba s využitím dat o konkrétním řešeném případu nalézt posloupnost kroků, kterými lze cíle dosáhnout.

11 Tvorba ES zahrnuje procesy: Tvorba ES získání a reprezentace znalostí, návrh uživatelského rozhraní, výběr hardwaru a softwaru, implementace, validace a verifikace. Vytvářením ES se zabývá znalostní inženýrství (knowledge engineering). V procesu tvorby ES představuje úzké místo akvizice znalostí (knowledge acqusition bottleneck). Toto úzké místo pomáhají překonat metody strojového učení (machine learning).

12 Nástroje pro tvorbu expertních systémů Prázdné expertní systémy: EXSYS, FLEX, G2, HUGIN, M4,... Speciální programová prostředí: CLIPS, OPS5, Lisp, Prolog,... Obecná programová prostředí: Pascal, Delphi, C, C++Builder,...

13 Aplikace ES Aby mělo smysl použít expertní systém pro řešení nějakého problému, musejí být splněny dvě podmínky: 1. Musí se jednat o problém složitý rozsahem nebo neurčitostí vztahů, pro nějž exaktní metoda řešení buď není k dispozici, nebo není schopna poskytnout řešení v požadované době. 2. Efekty plynoucí z použití expertního systému musejí převyšovat vynaložené náklady. To znamená, že by mělo jít o problém s opakovanou potřebou řešení a značnými finančními dopady, pro nějž lidští experti jsou drazí nebo omezeně dostupní.

14 Typické kategorie způsobů použití ES Konfigurace sestavení vhodných komponent systému vhodným způsobem. Diagnostika zjištění příčin nesprávného fungování systému na základě výsledků pozorování. Interpretace vysvětlení pozorovaných dat. Monitorování posouzení chování systému na základě porovnání pozorovaných dat s očekávanými. Plánování stanovení posloupnosti činností pro dosažení požadovaného výsledku. Prognózování předpovídání pravděpodobných důsledků zadaných situací. Ladění sestavení předpisu pro odstranění poruch systému. Řízení regulace procesů (může zahrnovat interpretaci, diagnostiku, monitorování, plánování, prognózování a ladění). Učení inteligentní výuka při níž studenti mohou klást otázky např. typu proč, jak, co kdyby.

15 Výhody ES: Výhody a nevýhody ES schopnost řešit složité problémy, dostupnost expertíz a snížené náklady na jejich provedení, trvalost a opakovatelnost expertízy, trénovací nástroj pro začátečníky, uchování znalostí odborníků odcházejících z organizace. Nevýhody ES: nebezpečí selhání ve změněných podmínkách, neschopnost poznat meze své použitelnosti.

16 Historie vývoje ES Poté, co při řešení praktických problémů selhaly obecné metody řešení, byla pochopena nutnost využívat specifické (expertní) znalosti z příslušné problémové domény. Etapy vývoje: počáteční fáze (Dendral) výzkumné prototypy (MYCIN, PROSPECTOR, HEARSAY II) experimentální nasazování komerčně dostupné systémy

17 1.generace ES Charakteristické rysy 1.generace ES: jeden způsob reprezentace znalostí, malé schopnosti vysvětlování, znalosti pouze od expertů.

18 2.generace ES Charakteristické rysy 2.generace ES: modulární a víceúrovňová báze znalostí, hybridní reprezentace znalostí, zlepšení vysvětlovacího mechanismu, prostředky pro automatizované získávání znalostí. V rámci 2.generace ES se také objevují hybridní systémy, v nichž se klasické paradigma expertních systémů kombinuje s dalšími přístupy, jako jsou neuronové sítě a evoluční metody.

19 Rozdělení expertních systémů dle úrovně jejich využívání poradce - pomůcka experta na potvrzení či zpochybnění svých profesionálních názorů. Má hlavně kontrolní funkci rovnocenný partner - ES navrhuje řešení, konečné rozhodnutí však dělá uživatel expert - pracuje úplně autonomně na úkolech, které uživatel není schopen sám vyřešit. Systém má konečné slovo v rozhodování a svá rozhodnutí často také ihned provádí. Uživatel obvykle není ani schopen kontrolovat správnost těchto rozhodnutí. VŠB - TU Ostrava,

20 Produkční (pravidlové) systémy Poskytují vhodnou strukturu na opis a provádění procesu prohledávání. Tři základní složky produkčních systémů: báze dat (reprezentace faktů) báze (produkčních) pravidel inferenční mechanizmus (interpreter) VŠB - TU Ostrava,

21 Produkční pravidlo předpoklady důsledek (akce) předpokladová část důsledková (akční) část VŠB - TU Ostrava,

22 Inferenční mechanizmus Inferenční mechanizmus určuje, jak a v jakém pořadí aplikovat pravidla na bázi dat. Principiálně lze rozlišit: přímé (dopřední) řetězení, kdy při aplikaci produkčních pravidel postupujeme ve směru od počátečního stavu k některému ze stavů cílových (strategie řízená daty) zpětné řetězení, kdy se vychází od cíle ve směru počátečních stavů (strategie řízená cílem) VŠB - TU Ostrava,

23 Příklad a) A (Je zamračeno.) & B (Je podzim.) E (Bude pršet.) b) C (Zmoknu.) & D (Jsem mimo domova.) G (Dostanu chřipku.) c) E (Bude pršet.) H (Nateče mi do bot.) d) B (Je podzim.) & G (Dostanu chřipku.) I (Dostanu zápal plic.) e) E (Bude pršet.) & H (Nateče mi do bot.) C (Zmoknu.) f) G (Dostanu chřipku.) & E (Bude pršet.) F (Budu dlouho nemocná/ý.) g) I (Dostanu zápal plic.) & K (Nebudu se léčit.) F (Budu dlouho nemocná/ý.) Báze dat ať obsahuje data B, D a E, cílový údaj ať je symbol G. VŠB - TU Ostrava,

24 Přímé řeťezení Báze dat: B (Je podzim) D (Jsem mimo domova) E (Bude pršet) Cíl: G (Dostanu chřipku) Řešení: c) E (Bude pršet) H (Nateče mi do bot) e) E (Bude pršet) & H (Nateče mi do bot) C(Zmoknu) b) C (Zmoknu) & D (Jsem mimo domova) G (Dostanu chřipku) VŠB - TU Ostrava,

25 Zpětné řeťezení Cíl: G (Dostanu chřipku) Báze dat: B (Je podzim) D (Jsem mimo domova) E (Bude pršet) Řešení: b) C (Zmoknu) & D (Jsem mimo domova) G (Dostanu chřipku) e) E (Bude pršet) & H (Nateče mi do bot) C(Zmoknu) c) E (Bude pršet) H (Nateče mi do bot) VŠB - TU Ostrava,