Előadó: Kovács Zita 2013/2014. II. félév

1. Tudásalapú rendszerek Előadó: Kovács Zita 2013/2014. II. félév Következtetési technikák

2. Tartalom • A következtetési technikák részletes ismertetése • A következtetési módszerek osztályozása • Az eset-alapú következtetés

3. Következtető rendszerek • a szakértő rendszerek motorja • ismeretelemek láncolatán keresztül vezet a keresett cél felé • számos következtetőrendszer használható • bizonyítás, meggyőzés, elhatározás, igazolás, magyarázat, stb

4. Következtető rendszerek • eljárások csoportosítása: • a következtetéshez való viszony alapján (hipotézisen alapuló, analóg, stb.) • az ismeretekhez való viszony alapján (közelítő, kvalitatív, temporális, stb.)

5. Következtetési módok • formális következtetés • egy szimbolikus adatszerkezet szintaktikus műveletein alapul, adott szabályok szerint bizonyos szemantikus keretben • pl. elsőrendű predikátum kalkulus • Procedurális következtetés • minden ismeretnek a felhasználása és maga a következtetés is eljárásokon alapul

6. Következtetési módok • Analógián alapuló következtetés • egy struktúrált tudásbázis alstruktúráinak hasonlóságán alapul • megvalósításához egyeztetés, a hasonlóság és a függőségi kapcsolatok kiértékelése szükséges

7. Következtetési módok • Általánosításon és absztrakción alapuló következtetés • az öröklődési mechanizmust megvalósító eljárás • közvetlenül kapcsolódik az osztályozáson alapuló következtetéshez, amelyben az elemi ismereteket hierarchiába rendezett tulajdonságok írják le

8. Következtetési módok • Eset-alapú következtetés • lehetővé teszi kevésbé formalizált problémák kezelését valamint új ismeretek megtanulását és gyakorlati tapasztalatok alapján történő továbbfejlesztését • Közelítő következtetés • képes figyelembe venni bizonytalan és pontatlan ismereteket és adatokat

9. Következtetési módok • Hipotetikus következtetés • a hiányzó adatokat, amelyek különböző értékeket vehetnek fel hipotézisként kezeli • valamennyi szóba jöhető értékkel továbbdolgozik, s ha valamelyikkel ellentmondásra jut, azt elveti • Alapértelmezésen alapuló következtetés • a hiányzó adatokat alapértelmezésük szerint kezeli • Kvalitatív következtetés • a fizikai törvények kvalitatív modelljén alapul, amikor a mennyiségi adatok hiányában a minőségi változásokat használja fel

10. Következtetési módok Három fő kategória: • levezetés jellegű (deduktív) • egyediből az általános felé haladó (induktív) • hasonlóságot figyelembe vevő (analóg)

11. Hasonlóságon alapuló következtetés • formalizmus: legyenek • P és T adatstruktúrák, • A és B alstruktúra P-ben, • C és D alstruktúra T-ben • az analógián alapuló következtetés megfelelteti egymásnak az A és a C alstruktúrákat • amennyiben C-ből D-re előzőleg levontunk valamilyen következtetést, akkor ennek mintájára A-ból következtetünk B-re

12. Hasonlóságon alapuló következtetés • ez az eljárás két kapcsolatot tételez fel: • A és B, illetve C és D közötti függést • A és C, illetve B és D közötti hasonlóságot • Kérdés: milyen következtetési módot használunk, amikor C-ből D viselkedését írjuk le?

13. Hasonlóságon alapuló következtetés • minél nagyobb A és C között a hasonlóság (határesetben A azonos C-vel) és • minél erősebb a függés C és D között (határesetben deduktív levezetés): A-ból B-re vonatkozó analóg következtetés annál inkább tart a deduktív levezetéshez

14. Hasonlóságon alapuló következtetés T adatstruktúra P adatstruktúra Forrás probléma (C) Célprobléma (A) hasonlóság függés Forrás megoldás (D) Célmegoldás (B)

15. Eset alapú következtetés • a hasonlóságon alapuló következtetés egyik formája • CaseBasedReasoning, CBR • az előzőleg már megismert eseteket (precedens) használjuk fel az új problémák megoldása során • egyes szakmákban a tanulás nem más, mint a különböző esetek sokaságának memorizálása

16. Eset alapú következtetés egy eset nem más, mint: • a probléma leírása (a probléma keletkezésének leírásával együtt), • az adott probléma megoldásának leírása, valamint • a megoldott probléma hatásának, eredményességének leírása

17. Eset alapú következtetés • olyan modell felállítását teszi lehetővé, amely magában foglalja a probléma • megértését • már megoldott más problémákhoz való viszonyát • megoldását • tanulását • alkalmas • hiányosan vagy pontatlanul definiált szituációk kezelésére • olyan kiértékelések elvégzésére, amelyekre nem létezik jól definiált algoritmus

18. Eset alapú következtetés szükség van: • a problémát megfelelően reprezentáló alapesetekre • jó adaptáló mechanizmusra • eset-bázis: sikeres és sikertelen próbálkozások egy cél eléréséhez • sikeres esetek: segítséget nyújtanak a probléma megoldására • sikertelen esetek: felhasználhatjuk a hibák elkerülésére

19. Eset alapú következtetés • az új szituáció megértésének képessége a régi tapasztalatok függvényében két fő részből áll: • emlékezni kell a régi tapasztalatra (felidézni azt valamilyen jellemzői alapján) • interpretálni az új szituációt a visszakeresett függvényében • ezután egy adaptációs eljárással módosítjuk a régi megoldást az új szituáció által támasztott követelmények figyelembe vételével

20. Eset alapú következtetés • az eset alapú következtető rendszerek egyik jellegzetessége, hogy képesek tanulni a tapasztalatokból • ehhez szükség van egy bizonyos visszacsatolásra, hogy a rendszer értelmezni tudja, mi működött jól és rosszul az általa szolgáltatott megoldásban

21. Eset alapú következtetés • az eset alapú következtetés célja formálisan: a P célproblémához hozzárendeljen egy Megoldás(P) megoldást, felhasználva az eset-bázisban talált P’ forrásproblémának a Megoldás(P’) megoldását • Eset: (P, megoldás-menete (o1,…,ol), megoldás(P)) ahol P: a probléma valamilyen reprezentációja; megoldás-menete(o1,…ol) az o1,…ol operátorok azon sorozatát jelöli, amelyek a P problémára, mint kezdeti állapotra előállítják a megoldás(P) megoldást, azaz a végállapotot

22. Eset alapú következtetés • Eset bázis: az esetek egy véges halmaza, azaz • Eset-bázis = {esetk: k=1,…,n}, ahol esetk=(Pk,megoldás-menete(o1k, …, olk), megoldás(Pk)) • különféle típusú problémák – diagnózis, konfiguráció, tervezés – megoldását állíthatjuk elő

23. A CBR életciklusa

24. A CBR életciklusa –1. az eset visszakeresése • ez a lépés egy keresési és egy illesztési eljárás kombinációja • két probléma: az esetek indexelése és a hasonlósági kérdések • az indexelés, azaz az esetek jellemzésére szolgáló attribútumok kialakításának problémája során az indexeknek eléggé általánosnak kell lenniük, hogy lehetővé tegyék az esetek alkalmazását a különböző szituációkban, ugyanakkor megfelelő módon specifikusnak, hogy a visszakeresés során találjunk illeszthető eseteket az eset-bázisban • az illesztéshez szükséges a hasonlóság megállapítása, ehhez viszont be kell vezetni valamilyen távolság definíciót, melynek alapján választunk a jelöltek közül

25. A CBR életciklusa –2. egyeztetés, a közelítő megoldás javaslata • az előbbiek szerint megtalált esetekből kiindulva egy előzetes, közelítő megoldást konstruálunk • általában kiválasztjuk a legjobb visszakeresett eset megoldását, mint első közelítést • itt az a kérdés, hogy a régi megoldás mely részeit használjuk fel

26. A CBR életciklusa –3. Illesztés, adaptáció • mivel az új szituáció ritkán azonos valamely régivel, ezért annak megoldását módosítanunk kell az aktuális szituáció sajátos feltételeivel • például valamilyen helyettesítő eljárással meg kell oldanunk az aktuális paraméterek illesztését • két megközelítési mód: generáló adaptáció és átalakító adaptáció • generáló adaptáció esetén minden szükséges ismeret a rendelkezésünkre áll a tudásbázisban a feladat megoldásához • átalakító adaptáció esetén hiányosak az ismereteink, a tudásbázisból nem vagyunk képesek a megoldás generálására

27. A CBR életciklusa –4. Felülvizsgálat, igazolás • az illesztés során kialakult közelítő megoldás értelmezése során ellenőrizzük az esetleges alternatív megoldásokat és a sikertelen megoldásokra magyarázatot szolgáltatunk

28. A CBR életciklusa –5. Tanulás, memorizálás • az eset-bázist kiegészítjük a kialakult új eset (probléma, megoldás, megoldás-menete) hármassal • megtörténik az új ismeretek szintézisének beépítése • ez a lépés nem feltétlenül kapcsolódik közvetlenül a CBR következtetési eljáráshoz

29. Modell-alapú rendszerek • Model-BasedReasoning - MBR • a szakértő ismereteit nehezen tudja átadni, ösztönösen cselekszik (pl autószerelő) • a mélyszintű ismeretek kezelésére alkalmas • a fizikai rendszereket - akár a természet, akár az ember alkotta azokat - saját szerkezetükben és funkcionalitásukban ragadja meg

30. Modell-alapú rendszerek • egy fizikai rendszer modellje lehet: • funkcionális • sztochasztikus • oksági • egy funkcionális modell • matematikai eszközökkel szimulálja a működést • lehetőséget ad arra, hogy megfelelő paraméterek megváltoztatásával beavatkozzunk a renszer működésébe

31. Modell-alapú rendszerek • egy sztochasztikus modell • statisztikai eszközökkel dolgozik • egy oksági modell • a részegységek ok-okozati kapcsolatokkal leírt rendszerén dolgozik • példa: KATE (Knowledge-basedAutonomousTest Engineer) • a NASA fejlesztette ki folyamatok online monitorozására • struktúrált (keretalapú) reprezentációval írja le az egyes komponensek funkcióit és a komponensek kapcsolatát

32. Modell-alapú rendszerek • előnyei: • kiiktatható a tudásszerzés • nem kell az összes hiba tovaterjedésének hatását explicit módon megadni • hátrányai: • ha mégis szükség lenne heurisztikus tudásra, azt nehéz beépíteni • nehéz a bizonytalanságot kezelni • a legtöbb rendszer feltételezi, hogy egyetlen ok áll a hiba mögött • a rendszer hatékonysága nem éri el a klasszikus tudásalapú rendszerekét

33. Kvalitatív következtetést biztosító rendszerek • QualitativeReasoning – QR • sok olyan probléma van, amely esetén nem lehet kvantitatív, számszerű következtetést alkalmazni • fizikai rendszerek esetében ilyen helyzetek például: • nincs általános megoldó képlet • nem végezhető el numerikus szimuláció • vannak ismeretlen paraméter-értékek (amelyek nem mérhetők vagy sok munka lenne megmérni)

34. Kvalitatív következtetést biztosító rendszerek • túl sok az adat • túl sok számítást kellene elvégezni • csak a viselkedés jellegét ismerjük, illetve • csak azt akarjuk megjósolni • kezdetben (a tervezés indításakor) még nem tudjuk a feladatot numerikusan leírni

35. Kvalitatív következtetést biztosító rendszerek • a kvalitatív következtetések más szóval a kvalitatív szimuláció módszerei még nincsenek eléggé kidolgozva • sok mérnöki döntés alapszik ilyen jellegű megfontolásokon • például egy atomerőmű tervezésénél fontos tudni azt, hogy egy kritikus tényező (pl. a mag hőmérséklete) hogyan reagál az alapvető rendszer-beállítások megváltozására – melyekre nő, melyekre csökken az értéke

36. Kvalitatív következtetést biztosító rendszerek • Kupier QSIM nyelve (QualitativeSIMulationlanguage) • előnyei: • segít a hétköznapi gondolkodás megfogásában, valamint • a feladat szervezési struktúrájának meghatározásában • hátránya: • természetéből fakad: nem ad pontos választ a vizsgált problémára

37. Temporális következtetést biztosító rendszerek • TemporalReasoning – TR • az időbeni következtésekre képes, ún. temporális rendszerek lehetővé teszik események közötti időkapcsolatok ábrázolását, illetve ennek alapján következtetések elvégzését • ez az ember számára természetes következtetési mód

38. Temporális következtetést biztosító rendszerek • az MI sok rendszertípusa (pl. diagnózis, tevékenységtervezés, intelligens szimuláció) megkívánja az idő explicit kezelését • a temporális logika, amely az ok-okozati kapcsolatokat a szóban forgó változásokat kiváltó szabályokkal ábrázolja, több ilyen esetben jól alkalmazható

39. Temporális következtetést biztosító rendszerek • legelterjedtebb módszer az idő reprezentálására és manipulálására az intervallum-alapú közelítés • ez hét primitív bináris relációval dolgozik (átlapol, megelőz, bennfoglal, találkozik, egyszerre kezdődik, egyszerre végződik, azonos; két esemény összesen 13-féle kapcsolatban lehet)

40. Temporális következtetést biztosító rendszerek • gyakran szükség van diszkrét időpontok ábrázolására és kezelésére is (intervallum-kezelés esetén az 1 óra az 1 évhez viszonyítva időponttá „zsugorodik”) • más rendszerek időegységek kezelését kívánják meg; a digitális óra analógiájára képzelhetjük ezt el, ahol egész számokból álló, megfelelően rendezett sorozat reprezentálja az évet, hónapot, stb.

41. Mesterséges neuronhálózatok • (Artifical) NeuralNetworks – NN • az emberi agy működését elég jól modellező, funkcionális, adaptív tanuló rendszerek • e rendszerek példák alapján tanulnak, azonban nem szimbolikus eszközökkel, mint az induktív rendszerek és nem is generálnak döntési fát

42. Mesterséges neuronhálózatok • a neuronhálózatok egyszerű átviteli függvénnyel jellemezhető processzorokból változtatható súlytényezőkkel ellátott összeköttetések hálózatán keresztül kommunikálnak egymással • a tárgyterületi ismeretanyag ábrázolás a hálózatban elosztott módon, a súlytényezők közvetítésével történik (elosztott párhuzamos reprezentáció)

43. Mesterséges neuronhálózatok • a neuronhálózatok programozása tanítással – tanító mintákkal, példákkal történik • a tanítási módszerek osztályozása: • tanítás felügyelet mellett • vagy anélkül (ekkor önszerveződésről beszélünk) • a tanítás célja a tanító mintáknak megfelelő súlytényező beállítása (nem döntési fa generálása)

44. Mesterséges neuronhálózatok • egy neuronhálózat viselkedését • a processzorok átviteli függvénye • a hálózat súlytényezőkkel ellátott összeköttetési sémája • a (szakértő segítségével összeállított) tanító minták – példák –és • az alkalmazott tanítási módszer határozza meg

45. Mesterséges neuronhálózatok • sokféle típusa létezik • mindegyiknek megvan az az óriási előnye, hogy nem kell heurisztikus ismereteket a szakértőtől megszerezni; csupán a tanító mintákat kell (a szakértő irányításával) összeállítani – minél szisztematikusabb és kimerítőbb módon • ez az adathalmaz nem kell, hogy teljes legyen, továbbá lehet hibás, valamint tartalmazhat ellentmondó adatokat is (mivel a neuronhálózatok hibatűrő rendszerek)

46. Mesterséges neuronhálózatok • teljesítményük túlszárnyalhatja tanítójuk képességeit • legnagyobb hátrányuk az, hogy feladatmegoldás közben, illetve végén nem tudnak magyarázatot, indoklást adni