MYCIN, Prospector. Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] oblasti kvality rozhodování na úrovni experta.

Rozměr: px

Začít zobrazení ze stránky:

Download "MYCIN, Prospector. Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] oblasti kvality rozhodování na úrovni experta."

Renata Machová
před 8 lety
Počet zobrazení:

1 Expertní systémy MYCIN, Prospector Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] Expertní systémy jsou počítačové programy, simulující rozhodovací činnosti experta při řešení složitých úloh a využívající vhodně zakódovaných, explicitně vyjádřených speciálních znalostí, převzatých od experta, s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta.

řešení složitých úloh a využívající vhodně zakódovaných, explicitně vyjádřených speciálních

2 Hlavní rysy expertních systémů Explicitně reprezentované znalosti, striktně oddělené od řídícího mechanizmu nakládání s nimi. Znalosti obsahují celou škálu od nejobecnějších až k úzce speciálním, od exaktních až po osobní heuristiky experta. Znalosti nemají statický charakter, nýbrž se vyvíjejí a rozrůstají. Báze znalosti reprezentuje soubor pravidel, obecnou znalost. Řešit konkrétní příklad znamená dosadit data o daném případu do obecně formulovaných znalostí z báze znalostí. Musí umět pracovat s nejistými znalostmi (od experta) i nejistotě o bázi dat (konkrétním případu). Měly by být schopny vysvětlit a zdůvodnit své doporučení (i otázky). Reprezentace znalostí: modularita (logiky, pravidel) se hodí pro snadnou údržbu, ale těžko se v ní vyhledávají všechny informace relevantní k jednomu pojmu. Z tohoto pohledu jsou lepší

Báze znalosti reprezentuje soubor pravidel, obecnou znalost. Řešit konkrétní příklad znamená dosadit data o daném případu do obecně formulovaných znalostí z báze znalostí.

3 Sémantika pravidel Definition (pravidlo E H s vahou W ) Znalost je reprezentována pomocí pravidel E H s vahou W, kde E a H reprezentují elementární tvrzení. Každé pravidlo má přiřazenou svou váhu W - míru, nakolik (jistá, tj. 100%-ní) znalost E podporuje či popírá platnost tvrzení H. Potřebujeme zodpovědět následující tři otázky. 1 Jak vyjádřit neurčitost elementárního tvrzení? 2 Jak se využívá pravidla, pokud není splnění předpokladu jisté? 3 Jak se určuje míra důvery závěru H v případě, že existuje více pravidel se stejným závěrem? Různé typy reprezentace nejistoty se v odpovědi na tyto otázky liší.

Potřebujeme zodpovědět následující tři otázky. 1 Jak vyjádřit neurčitost elementárního tvrzení?

4 MYCIN, EMYCIN Přírůstek důvěry (measure of belief) je definován jako MB(H, E) = P(H E) P(H) 1 P(H) přírůstek nedůvěry (measure of disbelief) je definován jako MD(H, E) = P(H) P(H E) P(H) Pokud znalost E podporuje hypotézu H, tak se pravděpodobnost P(H) musí touto znalostí zvýšit, tj. P(H E) > P(H), tedy MB(H, E) > 0, pokud E snižuje důvěru v H, je P(H E) < P(H), a tedy MD(H, E) > 0. Pro každé pravidlo vyžadujeme, aby nebyly obě míry různé od nuly zároveň, tj. jednotlivé pravidlo buď podporuje důvěru v hypotézu či nedůvěru v ní, ale ne obojí zároveň.

znalostí zvýšit, tj. P(H E) > P(H), tedy MB(H, E) > 0, pokud E snižuje důvěru v H, je P(H E) < P(H), a tedy MD(H, E) > 0.

5 Činitel jistoty (CF) Na základě MB a MD je definován činitel jistoty (certainty factor) CF (H, E) = MB(H, E) MD(H, E) který nabývá hodnotu od -1 do +1, je-li větší než 0 je roven MB, jinak je v absolutní hodnotě roven MD. V EMYCIN je činitel jistoty definován trochu jinak: CF = což umožní snažší skládání pravidel. MB MD 1 min(mb, MD)

než 0 je roven MB, jinak je v absolutní hodnotě roven MD.

6 Nejistý předpoklad pravidla Ani předpoklad pravidla E 1 nemusíme znát s jistotou. Zavádíme míru jistoty evidence E 1 po pozorování E : CF (E 1, E ). Pravidlo E 1 H pak kombinujeme s touto mírou jistoty následovně: MB(H, E ) = MB(H, E 1 ) max{0, CF (E 1, E )} MD(H, E ) = MD(H, E 1 ) max{0, CF (E 1, E )}

Pravidlo E 1 H pak kombinujeme s touto mírou jistoty následovně: MB(H, E )

7 Skládání pravidel Skládání pravidel se stejnou hypotézou E 1 H, E 2 H je v MYCIN definováno následovně: MB(H, E 1 &E 2 ) = MB(H, E 1 ) + MB(H, E 2 ) MB(H, E 1 ) MB(H, E 2 ) MD(H, E 1 &E 2 ) = MD(H, E 1 ) + MD(H, E 2 ) MD(H, E 1 ) MD(H, E 2 ) a dopočítat CF V EMYCIN přímo: CF (H, E 1 &E 2 ) = f (CF ((H, E 1 ), CF (H, E 2 )) { x + y xy pro xy 0 kde f (x, y) = jinak x+y 1 min{abs(x),abs(y)}

= MD(H, E 1 ) + MD(H, E 2 ) MD(H, E 1 ) MD(H, E 2 ) a dopočítat CF V EMYCIN přímo: CF (H, E 1 &E

8 Skládání hypotéz Pro konjunkci či disjunkci hypotéz H 1 &H 2 MB(H 1 &H 2, E) = min{mb(h 1, E), MB(H 2, E)} MD(H 1 &H 2, E) = max{md(h 1, E), MD(H 2, E)} MB(H 1 H 2, E) = max{mb(h 1, E), MB(H 2, E)} MD(H 1 H 2, E) = min{md(h 1, E), MD(H 2, E)} Příklad.

9 PROSPECTOR Pseudobayesovský model P(H E) = P(E H) P(H) P(E) P( H E) = P(E H) P( H) P(E) Odtud P(H E) P(E H) = P( H E) P(E H) P(H) P( H) O(H E) = L O(H) O() odds - naděje, pravděpodobnostní šance, O(H) apriorní, O(H E) aposteriorní L míra postačitelnosti

10 obdobně míra nutnosti L = P(E H) P(E H) L = P( E H) P( E H) Míra nutnosti nelze dopočítat z míry postačitelnosti. Expert zadává buď L a L, nebo pravděpodobnosti P(H E), P(H E). Skládání pravidel pak je triviální: O(H E 1, E 2, E 3, E 4 ) = L 1 L 2 L 3 L 4 O(H) Nejisté pozorování není tak triviální, protože dojde k přeurčení a je třeba aproximovat (my se tím zabývat nebudeme).

Skládání pravidel pak je triviální: O(H E 1, E 2, E 3, E 4 ) = L 1 L 2 L 3 L 4 O(H) Nejisté

11 Hájek Abelovské grupy Pokud jsou k řešení úlohy k dispozici identické znalosti, pak je bez ohledu na použitý inferenční mechanismus a na použitou kombinační funkci, která je operací na uspořádané Abelově grupě výsledné uspořádání cílových hypotéz identické. Uspořádaná Abelovská grupa Komutativnost Asociativnost Existence neutrálního prvku Existence inverzního prvku Uspořádání Minimální a max. prvek + vlastnosti, jejich kombinace není def.

výsledné uspořádání cílových hypotéz identické.

12 Success story: Pathfinder Pathfinder je medicínský diagnostický systém (lymph-node diseases). Měl čtyři verze: 1 pravidlový systém založený na logice, bez nejistoty. 2 zjednodušená Bayesovská síť ( naive bayes ) pro klasifikaci: jeden uzel pro klasifikovanou veličinu, z ní vede hrana do každé pozorovatelné veličiny, tj. předpokládáme, že pozorování jsou nezávislá. Častou příčinou nesprávné klasifikace bylo, že expert přiřadil pravděpodobnost nula nepravděpodobnému, ale možnému výsledku. 3 zas naive bayes, ale dali si pozor na jevy s nízkou pravděpodobností (úspěšnost 7.9 z 10) 4 modelovali i závislosti mezi pozorováními. (úspěšnost 8.9 z 10) - srovnatelná s dobrým expertem.

předpokládáme, že pozorování jsou nezávislá. Častou příčinou nesprávné klasifikace bylo, že expert přiřadil pravděpodobnost nula nepravděpodobnému, ale možnému výsledku.

13 Pravděpodobnostní modely budou příští semestr nyní (na tabuli) naive bayes klasifikátor

14 Dempster Shapfer Dempster-Shafer teorie Mám-li čtyři možné hodnoty veličiny, pak mi pravděpodobnost neumožňuje reprezentovat znalost: na 50% to udělal A nebo B, ale nevím který z nich, na 50% to udělal C. Pokud bychom to reprezentovali pravděpodobností a dostali informaci, že to A neudělal, tak se zvýší pravděpodobnost viny C. V Dempster-Shapfer teorii vyloučíme A, tedy celých 50% přejde na B, a 50% zůstane na C. Definition (základní přiřazení) Mějme množinu možných hodnot X. Definujeme základní přiřazení m: P(X ) [0, 1], kde m( ) = 0 a A X m(a) = 1. Všiměte si, že m definujeme na potenci X, nikoli na X samotné.

Pokud bychom to reprezentovali pravděpodobností a dostali informaci, že to A neudělal, tak se zvýší pravděpodobnost viny C.

15 Tímto základním přiřazením je jednoznačně určena míra domění (belief) a plauzibilita (připustitelnost), definované: Bel(A) = m(b) B A Pl(A) = m(b) B A = tj. součet přes všechny B mající s A neprázdný průnik. Bel sumarizuje, nakolik evidence ukazuje na A. Pl říká, jak bychom věřili A, kdyby vše neznámé ukazovalo na A. pravdivá hodnota je někde mezi.

součet přes všechny B mající s A neprázdný průnik.

16 Příklad Uvažujme univerzum U = {H, C, P} a základní přiřazení m({h}) = 0.3 m({h,c}) = 0.2 m({h,c,p}) = 0.5 Pak Bel({H}) = 0.3 Pl({H}) = 1.0 Bel({H,C}) = 0.5 Pl({H,C}) = 1.0 Bel({P}) = 0 Pl({P}) = 0.5 Bel({C}) = 0 Pl({C}) = 0.7

17 Dempstrovo kombinační pravidlo Pro dvě daná základní přiřazení m 1 a m 2 definujeme jejich kombinaci m 1 + m 2 (která je také základní přiřazení) následovně: (m 1 + m 2 )(A) = X,Y ;X Y =A m 1 (X ) m 2 (Y ) 1 X,Y ;X Y = m 1 (X ) m 2 (Y )

(která je také základní přiřazení) následovně: (m 1 + m 2

18 Příklad Pro univerzum U = {D, D } a m 1 ({D}) = 0.8; m 1 ({D }) = 0; m 1 ({D,D }) = 0.2; m 2 ({D}) = 0.9; m 2 ({D }) = 0; m 2 ({D,D }) = 0.1; vytvoříme tabulku: m 2 m {D} 0 {D } 0.1 {D,D } 0.8 {D} 0.72 {D} 0 {} 0.08 {D} 0 {D } 0 {} 0 {} 0 {D } 0.2 {D,D } 0.18 {D} 0 {} 0.02 {D,D } m 1 + m 2 ({D}) = = 0.98 m 1 + m 2 ({D }) = 0 m 1 + m 2 ({D, D }) = 0.02

9 {D} 0 {D } 0.1 {D,D } 0.8 {D} 0.72 {D} 0 {} 0.08 {D} 0 {D } 0 {} 0 {} 0 {D } 0.2 {D,D } 0.

19 Problém s normalizací Counter Intuitive Behavior of Dempster Rule V následujícím příkladu vede Dempstrovo pravidlo k neočekávanému výsledku. Řekněme, že dva doktoři vyšetřili stejného pacienta, který má buď meningitidu (M), concussion (C) nebo nádor na mozku (tumor) (T). Tedy U = {M,C,T}. Doktoři se liší v diagnoze: m 1 ({M}) = 0.99; m 1 ({T }) = 0.01; m 2 ({C }) = 0.99; m 2 ({T }) = 0.01; Shodnou se na malé pravděpodobnosti nádoru T, ale neshodnou se v pravděpodobné příčině. Kombinací nám vyjde, že... Jedna možnost, jak potlačit takovéto výsledky, je přiřadit i prázdné množině nenulovou míru, která bude určovat míru neshody mezi

Doktoři se liší v diagnoze: m 1 ({M}) = 0.99; m 1 ({T }) = 0.01; m 2 ({C }) = 0.99; m 2 ({T }) = 0.

Podobné dokumenty

pseudopravděpodobnostní Prospector, Fel-Expert

Práce s neurčitostí trojhodnotová logika Nexpert Object, KappaPC pseudopravděpodobnostní Prospector, Fel-Expert (pravděpodobnostní) bayesovské sítě míry důvěry Mycin algebraická teorie Equant fuzzy logika