1 / 53

Ismeretalapú rendszerek, szakértői rendszerek Bevezetés, alapok

Ismeretalapú rendszerek, szakértői rendszerek Bevezetés, alapok. Ajánlott irodalom. Sántáné-Tóth Edit: Tudásalapú technológia, szakértő rendszerek. Dunaújvárosi Főiskola Kiadói Hivatala, 2000 Futó Iván:Mesterséges intelligencia. Aula Kiadó, 1999.

Download Presentation

Ismeretalapú rendszerek, szakértői rendszerek Bevezetés, alapok

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. Ismeretalapú rendszerek, szakértői rendszerekBevezetés, alapok

  2. Ajánlott irodalom • Sántáné-Tóth Edit: Tudásalapú technológia, szakértő rendszerek. Dunaújvárosi Főiskola Kiadói Hivatala, 2000 • Futó Iván:Mesterséges intelligencia. Aula Kiadó, 1999. • Jackson, P.: Introduction to Expert Systems. Addison-Wesley Publ. Comp, 1986. • Giarratano P. C.: Expert Systems: Principles and Programming. PWS Publishing Co. 1999. • http://clipsrules.sourceforge.net/ (CLIPS) • http://protege.stanford.edu/ (PROTÉGÉ) • http://aaai.org/AITopics/RuleBasedExpertSystems (MYCIN) • Kóczy László T., Tick Domonkos: Fuzzy rendszerek • http://aispace.org/search/ (keresések, segédlet) • http://aispace.org/dTree/ (döntési fa, segédlet)

  3. Miről lesz szó? • Tudásalapú rendszerek, szakértői rendszerek • felépítése, jellemzői • képességei, főbb funkciói • előnyei, hátrányai • formális meghatározása • alkalmazási területei, klasszikus példák • Megoldáskereső módszerek • Tudásreprezentációs módszerek

  4. Tudás-/ ismeretalapú rendszerek(Knowledge Based Systems, KBS) intelligens problémamegoldás (bonyolult problémák, tanulás korábbi tapasztalatokból, természetes nyelvű közegek megértése, képek értelmezése, ...) • kevesebb ember/ kevesebb idő • hibás döntések számának csökkenése • egyszerűen, olcsón többszörözhető • bármikor elérhető • veszélyes helyekre elvihető

  5. Tudásalapú rendszerek • újszerű programstruktúrával rendelkező MI programok • tudásbázis (szabályok, tények, metaismeretek) • következtető gép (megoldáskereső stratégia, egyéb szolgáltatások) • jellemzői: • intelligens információfeldolgozó rendszer • tárgyköri ismeretek ábrázolása  szimbolikus módon • feladatmegoldás  szimbólum-manipulációval •  szimbolikus programok

  6. Szakértői rendszerek(Expert Systems, ES) ES  KBS szakértői ismeretek felhasználása • szűk problémakör • elég bonyolult (igény legyen szakértelemre) • emberi szakértők szükségesek • szakterület alapkérdéseiben egyetértés a szakértők között • tanpéldák, alapadatok • részproblémákra osztás

  7. Szakértői rendszerek • elvárások (szakértőhöz hasonlóan): • javaslatok adása • javaslatok indoklása • kérdés/ válasz (“egyenrangú beszélgető partner”) • kérdések megmagyarázása • bizonytalan szituációban elfogadható javaslat adása

  8. Tudásalapú rendszerek elméleti alapjai • MI programok: intelligens problémamegoldó eszközök, bonyolult probléma, tanulás, természetes nyelvű közlés, képértelmezés, ... • tudásalapú rendszerek újszerű programstruktúrával rendelkező MI programok (tudásbázis elkülönítése) • szakértői rendszerek olyan tudásalapú rendszerek, amelyek: szakértői ismeretek felhasználásával magas szintű teljesítményt nyújtanak egy szűk problémakör kezelésében

  9. Tudásalapú rendszerek alapvető komponensei • tudásbázis (TB) problématerületet leíró ismeretek (tudás) természetes nyelvhez közeli formalizmus szimbolikus módon leírt rendszer- specifikáció TUDÁSREPREZENTÁCIÓS MÓDSZER! • következtető gép (KG) feladatmegoldás “motorja” általános problémamegoldó ismeretek MEGOLDÁSKERESŐ MÓDSZER! • munkamemória (MM) kisegítő komponens konkrét feladat kiinduló/közbülső adatai információk

  10. Megoldáskereső módszerek • nem-algoritmizálható/ bonyolult feladatok • problémamegoldás  keresés • keresés: általános problémamegoldó mechanizmus • keresés szükséges: • bonyolult (nem-triviális, komplex, nagy/összetett) probléma • a probléma megoldásának algoritmusa nem adott • nem-triviális problémamegoldás (emberhez hasonló módon) • a keresési stratégia hatékonysága mérhető: • talál-e (optimális) megoldást • megoldás költsége • keresés költsége (idő, memória)

  11. Megoldáskereső módszerek • a probléma leírásának alapvető elemei • kezdeti állapot(ok) • műveletek/ akciók halmaza • közbülső állapotok/ állapottér (implicit) • célfüggvény (vagy lehetséges célállapot(ok)) • műveletek költsége • feladat: célállapot elérése, út/ utak keresése (akciósorozat) • keresési tér • megoldás közben keletkezik) • reprezentálása: irányított gráffal

  12. Megoldáskereső módszerek • fogalmak: • csúcs/él • gyökér • szülő/gyermek • elágazási tényező • szint • levél • cél • út • költség

  13. Megoldáskereső módszerek • probléma: • optimális megoldási stratégia? • minden lehetséges megoldás kipróbálása  kombinatorikus robbanás • azonban: • gyakorlati feladatoknál nem szükséges az összes megoldás  cél: „elég jó” megoldás „elég rövid” idő alatt • konfliktusfeloldás: • a lehetséges akciók közötti választás (keresési stratégia) • heurisztikus ismeret figyelembe vétele (extra tudás a feladatról)

  14. Keresési stratégiák osztályozása (felhasznált ismeretek alapján) • véletlenszerű keresés nem biztosított a véges időn belüli célbaérés • vak keresések (neminformált keresések) teljes körű szisztematikus bejárás nincs információ az út/csúcs „jóságáról” az algoritmus a cél és nemcél csúcsokat különbözteti meg bonyolultabb problémáknál: kombinatorikus robbanás • heurisztikus keresések (informált keresések) feladatspecifikus heurisztikus ismeretek felhasználása becslés az út/csúcs „jóságáról”

  15. Keresési stratégiák osztályozása (módosíthatóság alapján) • nem-módosítható vezérlési stratégiák • a kiválasztott akció nem vonható vissza • másik alkalmazható akció kipróbálására nincs lehetőség • minden lépés végérvényes • módosítható vezérlési stratégiák • felismerik a hibás/ nem megfelelő akciókat • az algoritmus egy korábbi állapotba lép vissza (új irányt próbál ki), ha • végállapotba ér, amely nem célállapot • az adott irány nem tűnik igéretesnek

  16. Nem-módosítható stratégiák • a kiválasztott akció nem módosítható/ nem vonható vissza • nincs lehetőség visszalépésre • az algoritmus csak az aktuális csúcsról tárol információt (korábbi elágazásokról nem) • alkalmazható akciók = az aktuális csúcsra alkalmazható akciók  választás (lokális ismeret alapján, legígéretesebb gyermek) • (optimális) megoldás nem biztosított

  17. Hegymászó keresés

  18. Módosítható stratégiák • visszalépéses vezérlési stratégiák egyszerre egy út nyilvántartása • gráfkereső vezérlési stratégiák továbblépéskor a kiválasztott csúcs minden utódjának létrehozása nyílt csúcsok közül legígéretesebb csúcs kiválasztása már vizsgált utak nyilvántartása (emlékezet) • nem-informált vezérlési stratégiák (mélységi, szélességi, ...) • heurisztikus vezérlési stratégiák (előretekintő, A, A*, ...)

  19. Visszalépéses keresés • az MI egyik legjelentősebb módosítható keresési stratégiája • aktuális út és a választási pontok nyilvántartása • alkalmazható akciók = az út végén levő csúcsra alkalmazható akciók  választás (első alternatíva) • zsákutca esetén visszalépés (backtrack) • útszakasz végének törlése • legközelebbi elágazáshoz való visszalépés • folytatás egy másik irányban (következő alternatíva) • folytatás egy cél csúcs eléréséig vagy az összes út megvizsgálásáig

  20. Visszalépéses keresés • visszalépés szükséges: • a csúcsból nem vezet további út (zsákutca vége) • a csúcsot nem érdemes tovább vizsgálni (heurisztika alapján) • aktuális csúcsból kiinduló minden útról visszaléptünk (zsákutca torkolata) • nyilvántartott út egy csúcsába jutunk (kör) • túl messzire vagyunk a kezdőcsúcstól (mélységi korlát)

  21. Visszalépéses keresés

  22. Visszalépéses keresés • visszalépéses keresés előnye: • viszonylag egyszerű, könnyen megvalósítható • kicsi memóriaigényű • MI rendszerekben nagy jelentősége van: • szakértői rendszerek következtető gépének vezérlési stratégiája • Prolog rendszerek • visszalépéses keresés hátránya: • nem garantált a cél elérése végtelen mélységű vagy kört tartalmazó gráfban (kiegészítés: mélységi korlát, körök figyelése) • rossz irány esetén csak a zsákutca végén veszi észre azt • ugyanazon zsákutcába vezető útszakaszt több út részeként is bejárhat (nincs emlékezete)

  23. Gráfkereső stratégiák • az MI másik legjelentősebb módosítható keresési stratégiája • az összes vizsgált út nyilvántartása (bizonyos mélységig) • a cél eléréséhez legígéretesebbnek tűnő út folytatása • a kiválasztott út végén levő csúcs összes gyermekének előállítása  csúcs kiterjesztése • részgráf készítése • az összes vizsgált út végén levő csúcsok  nyílt csúcsok (kiterjesztésre váró csúcsok) • nem felejti el a keresési gráf már megvizsgált részét

  24. Gráfkereső stratégiák • az általános gráfkereső algoritmus fő lépései: • Add the initial node to L. (L: list of open nodes) • If L is empty, return failure; otherwise choose a node n from L. • If n is a goal node, stop and return the path from the initial node to n; otherwise, remove n from L, expand n, add the successors of n to L, return to step 2. • különböző gráfkereső stratégiák: • hogyan válasszuk a csúcsot a nyílt csúcsok halmazából • hogyan (hova) tegyük az előállított csúcsokat a nyílt csúcsok halmazába

  25. Gráfkereső stratégiák • néhány fontosabb gráfkereső stratégia: • neminformált stratégiák: • mélységi keresés • szélességi keresés • egyenletes keresés • informált stratégiák: • előretekintő keresés • A* keresés

  26. Gráfkereső stratégiák

  27. Tudásreprezentációs módszerek • tudás: • sokrétű, nehéz pontosan jellemezni, formalizálni, változik • szimbólumokkal való leírása: ismeret • cél: • ismeret megszerzése, “kinyerése” • ismeret ábrázolása, reprezentálása • ismeret hasznosítása, feladatmo-ra való felhasználása • ehhez szükséges: • leíró eszköz, szintaxis (nyelv, grafikus leíró eszköz) • elemek jelentését meghatározó szemantika (pl. következtető módszer) }

  28. Reprezentációs módszerek osztályozása • problémaleírás módja szerint: • procedurális/ algoritmikus reprezentáció • probléma megoldását vagy annak stratégiáját adjuk meg • HOGYAN oldjuk meg a feladatot • leíró/ deklaratív reprezentáció • problémát írjuk le, MIT kell megoldanunk • megoldást következtető rendszer végzi • logika alapú leírások Tudásalapú rendszereknél jellemzően deklaratív leírás + hatékonyságnövelő algoritmikus elemek (pl. démonok, meta-szabályok)

  29. Reprezentációs módszerek osztályozása • problémaleírás szerkezete szerint: • egyszerű/ elemi reprezentáció • egyszerű, struktúra nélküli elemek • atomok, ezek kapcsolatai, rajtuk végezhető műveletek, róluk szóló állítások logika alapú rendszerek • strukturált reprezentáció • belső struktúrával, attribútumokkal rendelkező objektumok • objektumok kapcsolata lehet: • taxonomikus/ osztályozó hierarchia, pl. állatok rendszertana • szervezeti hierarchia, pl. autó részei keret-alapú rendszerek

  30. Reprezentációs módszerek osztályozása • procedurális reprezentáció (procedurális pr.nyelv eljárásai) • logika-alapú reprezentáció • logikai nyelvek (állítások, logikai következtetés) • szabályalapú reprezentáció (feltételtől függő állítások, tevékenységek) • formális nyelvtanok (módszerek nyelvek tulajdonságainak felismerésére) • algebrai kifejezések (formalizmusok spec. mat. ismeretek leírására) • strukturált/ keret-alapú reprezentáció • keretek/ frame-ek (fogalom/ objektum strukturált szimbolikus leírására) • asszociatív hálók/ szemantikus hálók (fizikai/ oksági kapcs. leírására) • rokonsági hierarchiák (taxonómiák, rendszertanok) • döntési fák (osztályozási feladatoknál alkalmazott módszerek) • forgatókönyvek/ script-ek (eseménysorozatok oksági kapcs. leírására) • hibrid tudásreprezentáció

  31. Hagyományos programok program = adat + algoritmus bemenő adat: konkrét feladat kimenő adat: eredmény cél: függvény leképezés megvalósítása (bemenő adatok  megfelelő kimenő adatok) HOGYAN?  algoritmus (programozó írja le) szereplők: rsz.szervező, pr.tervező, programozó, felhasználó passzív aktív

  32. Adatbázis alkalmazások adatbáziskezelő rendszerek fő elvei: • nagyméretű adatbázisok, egyidőben nagyszámú felhasználó • adat-függetlenség • fizikailag különböző helyeken tárolt adatokhoz való hozzáférés program helyett: DB alkalmazások (pl. lekérdezések) szerkezete: • adat-rész: adatbázis (több alkalmazás közösen használja) • algoritmus: adatbáziskezelő rendszer cél: reláció megvalósítása, MIT (milyen mat. relációt) akarunk leíró/ deklaratív I/O adatok lehetnek halmazok  halmaz-műveletek lehetnek új szereplő: DB adminisztrátor

  33. Tudásalapú rendszerek tudásbázis + következtető gép TB részei: • tények (adatok) • összefüggések, tények közötti kapcsolatok problémamegoldás folyamata (emberi pr.mo-hoz hasonló): • tudáselemek/ tudásdarabkák/ sémák/ ökölszabályok • feladatmegoldás: tudáselemek szituációfüggő mozgósításával • eredmény: adat helyett információ (magyarázattal ellátott szakértői szintű javaslat, tanács) INTELLIGENS INFORMÁCIÓFELDOLGOZÓ RENDSZER új szereplők: tudásmérnök, tárgyköri szakértő

  34. Ismeretalapú rendszerek felépítése

  35. Ismeretalapú rendszerek felépítése • tudásbázis • tudásdarabkák szimbolikus leírása (reprezentációs technika) • meta-ismeretek • következtető gép • megoldáskereső stratégia • többi komponens működésének támogatása • munkamemória • specifikus információ (külvilágból érkező/ onnan kért) • következtetések során kapott ismeretek

  36. Ismeretalapú rendszerek felépítése • magyarázó alrendszer rsz. akcióinak megmagyarázása felhasználói kérésre jellegzetes magyarázatadási módok: • magyarázatadás feladatmegoldás közben: • WHY... (magyarázó következtetés, intelligens súgó-help) • WHAT IF... (hipotetikus következtetés) • WHAT IS ... (tallózás a TB-ban és MM-ban) • magyarázatadás, indoklás a feladatmegoldás után: • HOW ... (magyarázó következtetés, visszatekintő következtetés) • WHY NOT ... (magyarázó következtetés, ellenpéldák keresése) • WHAT IS ... (tallózás a TB-ban és MM-ban)

  37. Ismeretalapú rendszerek felépítése • tudásbázis kezelő/fejlesztő alrendszer • feladatai: TB építése, tesztelése, módosítása • tartalmaz: TB fejlesztő eszközök, teszt-esetek könyvtára, tudásszerzést támogató szolgáltatások • felhasználói felület ( user) • természetes nyelvű párbeszéd, konzultáció/ javaslat • speciális felületek • adatbázis- és egyéb kapcsolatok • fejlesztői felület ( tudásmérnök, tárgyköri szakértő)

  38. Ismeretalapú rendszerek készítése • legkritikusabb része: • ismeretszerzés (tudásmérnök/ tárgyterületi szakértők) • tudásmérnök feladata: • tudásbeszerzés, adott formába öltés: módszerek, ökölszabályok, eljárások felderítése, rendszerezése, finomítása, formalizálása • tudásreprezentációs és következtetési stratégia kiválasztása • tudásalapú rendszer megépítése • TB ellenőrzés • TB karbantartás

  39. Szakértői keretrendszer (shell) • üres TB, erőteljes TB fejlesztő alrendszer • tárgyterülettől független szolgáltatásokat nyújt SZR létrehozásához és működtetéséhez • támogatja a gyors prototípuskészítést, inkrementális rendszerépítést • pl. CLIPS, GoldWorks, G2, Level5

  40. Szakértői keretrendszer (shell)

  41. Tudásalapú/ szakértő rsz. előnyei • pótolják a szakértőhiányt, elérhető áron terjesztik a szakértői ismereteket (TROPICAID) • tárgyterület változásait jól nyomon követik (R1) • növelik a szakértő képességét • fokozzák a szakértő produktivitását • megőrzik a szakértelmet • létrehozhatók hagyományos technológiával nem megvalósítható rendszerek (Buck Rogers) • a tanácsadásban következetesek, egyenletes teljesítményűek • állandóan rendelkezésre állnak • képesek részleges, nem-teljes adatokkal is dolgozni • képesek magyarázatot/ indoklást adni

  42. Tudásalapú/ szakértő rsz. hátrányai • ismereteik egy adott szűk tárgyterületről valók, korlátaikat nem ismerik • válaszaik nem mindig korrektek (tanácsaikat elemezni kell!) • nincs hétköznapi józan eszük (ez a legnagyobb korlát) minden kézenfekvő ellenőrzést be kell építeni (sok kivétel  megnöveli a TB méretét, a végrehajtási időt)

  43. A szakértő rendszer formális meghatározása "Egy szakértő rendszert a számítógépben tárolt ismeretbázis megjelenítéseként értelmezünk, ahol a szakértői ismeretek olyan formában tárolódnak, hogy a rendszer képes intelligens tanácsot vagy intelligens döntést hozni az adott kérdéssel összefüggésben. További jellemző, amelyet sokan alapvetőnek is tartanak, a rendszernek az a képessége, hogy - igény szerint és az érdeklődő számára alkalmas módon - igazolja is saját okfejtését.” British Computer Society's Specialist Group, 1983

  44. Tekintélyes kutatók szélsőséges véleményei a szakértői rendszerekről: "Mindenre ezt használjuk: programírásra, programtervezésre, egyszóval mindenütt, ahol az alkotó gondolkodást rendszerezni, majd eredményét a gyakorlatban realizálni kell.” "A szakértői rendszerek révén okossá válik az értelmi fogyatékos gyerek, diagnosztizálhatók a bonyolult betegségek, az Egyesült Államok megszerzi a világhatalmat és a világ megmenekül a nukleáris katasztrófától.” "A király - legalábbis ha a mesterséges intelligencia ötödik generációjáról van szó - anyaszült meztelen, legalábbis a bokájáig, onnan lefelé viszont egy pár jól kidolgozott díszes cipőt visel, amelyet szakértő rendszereknek neveznek.” "A piacon jelenleg kapható szakértői rendszerek semmiféle mesterséges intelligenciát nem tartalmaznak."

  45. Alkalmazási terület, klasszikus példák • DENDRAL (DENDritic Algorithm) Ismeretlen szerves vegyületek molekulaszerkezetének meghatározása tömegspektrográfiai és mágneses rezonancia mérési adatokból. • INTERNIST Orvosi rendszer belgyógyászati betegségek diagnosztikájának támogatására. • QMR (Quick Medical Reference) Elektronikus kézikönyv. • MYCIN/NEOMYCIN A vér bakteriális eredetű fertőzései, agyhártyagyulladás diagnosztizálása, terápia meghatározása. • EMYCIN MYCIN alapú keretrendszer.

More Related