Expertní systémy T3: principy expertních systémů P. Berka, /19

Transkript

1 P. Berka, /19

2 Expertní systém počítačový program simulující rozhodovací činnost lidského experta při řešení složitých úloh a využívající vhodně zakódovaných speciálních znalostí převzatých od experta s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta. role expertního systému: expert kolega asistent P. Berka, /19

3 Charakteristické rysy expertních systémů oddělení báze znalostí a inferenčního mechanismu neurčitost v bázi znalostí neurčitost v odpovědích uživatele dialogový režim práce vysvětlovací činnost modularita a transparentnost báze P. Berka, /19

4 Schéma expertního systému iniciativa je na straně expertního systému; ten volí otázky, které klade iniciativa je na straně expertního systému; ten volí otázky, které klade uživateli, uživatel se nespokojí pouze s doporučením systému, ale požaduje ještě jeho zdůvodnění. P. Berka, /19

5 P. Berka, /19

6 Diagnostické: Typy expertních úloh diagnóza - proces nalezení chyb či chybných funkcí systému (MYCIN, INTERNIST) interpretace - analýza dat s cílem určení jejich významu (DENDRAL, PROSPECTOR) monitorování - průběžná (on-line) interpretace signálů a dat a určení okamžiku, kdy je nutná intervence (VM) Generativní: návrh - vytváření konfigurací objektů vyhovujících daným podmínkám (R1/XCON) plánování - nalezení posloupnosti akcí k dosažení cíle (MOLGEN) predikce - předpověď běhu budoucích událostí na základě modelu minulosti a současnosti (GLAUCOMA) P. Berka, /19

7 Typy expertních úloh P. Berka, /19

8 Aplikační oblasti Medicína: MYCIN, CASNET/GLAUCOMA, INTERNIST/CADUCEUS, PIP, RHEUM, PUFF, ONCOCIN, MEDICO, PROTIS, DM, CADIAG, NEUREX, VM, HEADMED, EEG,... Chemie: DENDRAL, CRYSALIS, SECS, SYNCHEM Genetika: MOLGEN Geologie: PROSPECTOR Mechanika: SACON, MECHANO Matematika: MACSYMA, AM Výuka: GUIDON, WHY, BLAH, SOPHIE Právo: LEGOL, TAXMAN, LRS, MATRIM Ekonomie: XCON, XSEL, FAST, PLANET,... P. Berka, /19

9 Volba aplikační oblasti 1. dvoukriteriální schéma založené na odhadu vágnosti a komplexnosti 2. Tansley a Hayball (1993): v definici úlohy jsou použity termíny typu: pravidla, vztahy, předpoklady, úloha se zdá být neřešitelná numerickým výpočtem, zpracovávaná fakta se vyznačují určitou nejistotou, úloha nevyžaduje manuální zručnost, pro úlohu existují kvalifikovaní experti. 3. pravidlo telefonního hovoru : každý problém, který expert běžně vyřeší po telefonu za 10 až 30 minut lze řešit i expertním systémem. P. Berka, /19

10 Faktory úspěchu Důvody aplikace: expert odchází a je třeba zaškolit nástupce snaha pro standardizaci způsobu rozhodování Zkušenosti z úspěšných projektů: ve znalostech je síla, získejte experta pro spolupráci, zaměřte se na koncového uživatele, použijte inkrementální vývoj metodou rychlého prototypování (rapid prototyping). P. Berka, /19

11 Příklad diagnostického systému Fast Advisor: Systém pro hodnocení bonity klienta banky tvořený třemi částmi: tabulkovým kalkulátorem pro analýzu finančních charakteristik klienta, databází s kritérii úvěrové politiky banky (preference a rizikové faktory jednotlivých odvětví) a znalostním systémem pro výsledné hodnocení klienta na základě předchozích částí. P. Berka, /19

12 Planet: Příklad generativního systému Systém pro sestavování plánu auditu používaný firmou Price Waterhouse jako podpora pro své auditory. P. Berka, /19

13 Prázdné expertní systémy Zahraniční: Tuzemské: (výzkum v pol. 80. let) P. Berka, /19

14 Diagnostické úlohy Získávání a interpretace informací relevantních pro potvrzení přítomnosti nebo nepřítomnosti nějaké závady v systému: formulování hypotézy, testování hypotézy, přijetí nebo zamítnutí hypotézy P. Berka, /19

15 Konceptuální model diagnostické úlohy Použité znalosti mohou mít charakter: popisu normálního chování systému, popisu abnormálního chování systému, výčtu závad a seznamu příznaků pro každou závadu (bez explicitních znalostí o chování systému), seznamu příznaků pro normální situaci. V reálných aplikacích se výše uvedené znalosti různě prolínají, při uvažování různých konceptuálních modelů je ale vhodné mezi nimi rozlišovat: diagnostikování odchylky od normálu, diagnostikování porovnáním abnormálního chování, diagnostikování klasifikováním abnormality. P. Berka, /19

16 Diagnostikování odchylky od normálu Tento způsob je vhodný v situacích, kdy není k dispozici dostatek znalostí o abnormálním chování a je známo pouze, jak vypadá chování normální (např. diagnostikování nového stroje). Při tomto způsobu diagnostikování se pozorované chování porovnává s chováním očekávaným a vyhodnocuje se případná odlišnost. P. Berka, /19

17 Diagnostikování porovnáním abnormálního chování Z předpokladu výskytu určité poruchy se dají predikovat některé abnormální příznaky. Ty se pak porovnávají s příznaky pozorovanými. Znalosti jsou obvykle formulovány jako kauzální vazby. Z důsledků (příznaků) se usuzuje na možné příčiny (poruchy), používá se tedy abdukce. P. Berka, /19

18 Diagnostikování klasifikováním abnormality Nepracuje se s modelem. Využívají se pouze více méně typické příznaky, které doprovázejí jednotlivé závady. Pracuje se tedy se třetím, někdy i čtvrtým typem znalostí. Použité znalosti se v tomto případě někdy označují jako mělké (shallow knowledge). Při řešení problému se zjišťuje, které závady jsou asociovány s pozorovanými příznaky. P. Berka, /19

19 Generativní úlohy Generování (plánování): sestavení sekvence akcí, která povede k dosažení požadovaného cíle, splňování omezení, kladených na požadované řešení úlohy. např. Konfigurování: požadavky na chování systému se porovnávají s chováním navrhovaného řešení. V případě, že řešení nevyhovuje, musí se modifikovat. P. Berka, /19