1.14k likes | 1.37k Views
Ekspertni sistemi prof. dr. Vladislav Rajkovič http://lopes1.fov.uni-mb.si. Cilji. Študentje pri tem predmetu spoznajo:. metode in tehnike umetne inteligence s posebnim poudarkom na tehnologijah znanja in ekspertnih sistemih
E N D
Ekspertni sistemi prof. dr. Vladislav Rajkovič http://lopes1.fov.uni-mb.si
Cilji Študentje pri tem predmetu spoznajo: • metode in tehnike umetne inteligence s posebnim poudarkom na tehnologijah znanja in ekspertnih sistemih • kaj lahko in česa ne moremo pričakovati od sodobnih tehnologij za upravljanje znanja v poslovnem svetu • zgradbo in delovanje ekspertnih sistemov • postopke in orodja za razvoj poslovnih ekspertnih sistemov V.Rajkovič
Metoda dela • Predavanja • Izdelava seminarske naloge • Ustni izpit in zagovor seminarske naloge V.Rajkovič
Literatura ES 1/3 • Krapež, A., Rajkovič, V., Tehnologije znanja pri predmetu informatika, Zavod RS za šolstvo, 2003 • Jereb, E., Bohanec, M., Rajkovič, V., DEXi – računalniški program za večparametrsko odločanje, Moderna organizacija, 2003 • Rajkovič, V., Tim in sodobna informacijska tehnologija, v: Mayer, J. (edt), Skrivnost ustvarjalnega tima, 2001,90-102 • Bratko, I., Prolog: Programming for Artificial Intelligence, Addison-WEsley, 1999 • Bratko, I., Mozetič, I., Lavrač, N., Kardio, MTI, 1989 • Bohanec, M., Zupan, B., Rajkovič, V., Applications of Qualitative Multi-attribute Decision Models in Health Care, Int. Journal of Medical Informatics 58-59, 2000, 191-205 V.Rajkovič
Literatura ES 2/3 • Beerel, A., Expert Systems in Business: Real world applications, Ellis Horwood, 1993 • Masuch, M., Warglien, M., (eds), Artificial intelligence in organizational and management Theory, North-Holland, 1992 • Jereb, E., Rajkovič, U., Rajkovič, V, A hierarhical multi-attribute system approach to porsonnel selection, International Journal of Selection and Assessment 13 (3): 198-205,2005 • Rajkovič, V., Šušteršič, O., Informacijski sistem patronažne zdravstvene nege, Moderna organizacija, 2000 • Quintas, P., Ray, T., Managing Knowledge: An Essential Reader, Sage Publications, 2002 V.Rajkovič
Literatura ES 3/3 • Simon A. R., Shaffer S. L., Data Warehousing and Business Intelligence for e-Commerce, Morgan Kaufmann, 2001 • Baum E. B., What is thought?, MIT, 2004 • različni avtorji,Data Mining: Next generation and Future Directions, Ed: Kargupta H., Joshi A., Sivakumar K., Yesha Y., AAAI Press / MIT Press, 2004 • Konar A., Computational Intelligence: Principles, Techniques and Applications, Springer, 2005 • Witten I. H., Frank E., Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2005 V.Rajkovič
Intenzivna uporaba znanja. Delamo stvari, ki jih do sedaj nismo. Razbremenitev pri delu. Računalniška pismenost. Ravni uporabe IKT http://research.microsoft.com/towards2020science/downloads.htm V.Rajkovič
Znanje razumemo kot ustrezno organizirane podatke oz. informacije za reševanje kakega problema. Upravljanje z znanjem (knowledge management) je proces sinergetskega povezovanja med metodami in tehnikami procesiranja podatkov in informacij s sodobno informacijsko in telekomunikacijsko tehnologijo (ITKT) in ustvarjalnimi ter inovativnimi sposobnostmi človeka. Gre za sprejemanje izzivov ITKT za povečanje človekovih umskih sposobnosti za obvladovanje problemov vse bolj kompleksnega sodobnega sveta. V.Rajkovič
Umetna inteligenca (UI) • Je znanstvena disciplina, ki se ukvarja z • metodami • tehnikami • orodji • arhitekturami • … • za reševanje logično zapletenih problemov, • ki bi jih bilo težko ali celo nemogoče rešiti s • klasičnimi metodami V.Rajkovič
Cilji umetne inteligence “inteligentno” obnašanje računalnikov večja uporabnost računalnikov proučevanje principov inteligence boljše razumevanje človekovega inteligentnega obnašanja V.Rajkovič
Teme umetne inteligence: • Hevristično reševanje problemov • Predstavitev znanja in mehanizmi sklepanja • Ekspertni sistemi (ES) • Procesiranje naravnega jezika • Strojno učenje in sinteza znanja • Inteligentni roboti • Računalniški vid • Avtomatsko programiranje • Nevronske mreže • . . . http://www.kurzweilai.net/meme/frame.html?main=/articles/art0683.html V.Rajkovič
položaj roke motorji v zglobih položaj kocke ROKA ROBOTA KAMERA Signali za krmiljenje motorjev v zglobih roke RAČUNALNIK Slika iz kamere V.Rajkovič
vogal V1 9 cm 21 cm 6 6 6 6 6 6 2 2 2 2 2 2 2 2 6 6 6 6 6 6 2 2 2 2 2 2 2 2 6 6 6 6 6 6 2 2 2 2 2 2 2 1 4 5 6 6 6 6 2 2 2 2 1 1 1 1 3 3 3 4 5 6 2 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 V.Rajkovič 666666222222226666662222222266666622222221456666222211113334562111111133..
Kaj je ekspertni sistem? UPORABNIK KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA ES V.Rajkovič
UPORABNIK KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA ES Baza znanja (knowledge base) del ES, ki vsebuje znanje izbrane domene, npr.: pravilo 1: ČEavto noče vžgati, POTEMje problem verjetno v električnem sistemu pravilo 2: ČEje problem verjetno v električnem sistemu INje napetost akumulatorja pod 10V, POTEMje razlog prazen akumulator V.Rajkovič
UPORABNIK KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA ES Mehanizmi sklepanja (inference engine) na osnovi baze znanja izvaja sklepe o problemu, ki ga rešujemo primer dialoga med ES in uporabnikom UPORABNIK:Avto noče vžgati. ES:Je napetost akumulatorja pod 10V? UPORABNIK:Da, tako je. ES: Napaka je prazen akumulator. V.Rajkovič
UPORABNIK KOMUNIKACIJSKI VMESNIK BAZA ZNANJA MEHANIZEM SKLEPANJA ES Razlaga KAKO? UPORABNIK:Kako? ES:Ker avto noče vžgati, domnevam, da je napaka v električnem sistemu. Ko sem odkril, da je napetost akumulatorja pod 10V, vem, da je akumulator prazen. Razlaga ZAKAJ? ES:Ali avto noče vžgati? UPORABNIK:Zakaj? ES:Če vem, da avto noče vžgati, potem ponavadi domnevam, da je problem v električni napeljavi. V.Rajkovič
1.Pacientovo ime: **Janez Porenta 2.Spol: **moški 3.Starost: **60 MYCIN ES za predpisovanje antibiotikov 4.Od kod je vzet vzorec KULTURE 1? **kri 5.Pred koliko dnevi? **2 6.Navedite organizem 1 najden v krvi: **UNK 7. Navedite značilnosti tega organizma (acidfast, grampoz, gramneg): **gramneg 8. Je organizem paličast, kokusbakt., itd.: **paličast 9. Obstaja KULTURA 2? **da 10.Od kod je vzet vzorec KULTURA 2? **slina V.Rajkovič
Primer pravila v MYCIN-u atribut objekt vrednost verjetnost predmet opaz. kultura kri (1.0) morfolorija organizem paličast (1.0) lastnost organizem gramneg (0.7) identiteta organizem pseudomonas (0.6) ČE POTEM V.Rajkovič
Terapevtski nasvet je osnovan na naslednjih postavkah: org 1 je morda PSEUDOMANS (0.357) org 2 je morda KLEBSIELLA (0.177) org 3 je morda ENTEROBACTER (0.166) . . . Sledijo vprašanja o alergijah pacienta na antibiotike, zatem pa različne mešanice antibiotikov Razlage: Na osnovi katerih pravil, vprašanj in odgovorov je prišel MYCIN do zaključkov (organizmov in verjetnosti). Predlog 2: Predlog 2: Predlog 1: 1. GENTAMICIN 1.7mg/kg Q 8 H - IV ali IM 2. CARBENICILIN 25 mg/kg Q 2 H -IV
Dejstva: A 1) A je na B 2) B je na C 3) C je na MIZI Zakonitosti: 1) če ne obstaja Y, tako da je Y nad X, potem je X prazen 2) za vsak X in Y: če je X na Y, potem je X nad Y 3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y, potem je X nad Y B C MIZA V.Rajkovič
Prolog: A jena (a,b). jena (b,c). jena (c,miza). prazen (x) :- not ( jena ( _,x) ). nad (x,y) :- jena (x,y). nad (x,y) :- jena (x,z), nad (z,y). ?-nad (a,c). B C MIZA V.Rajkovič
Shemi za reševanje problemov: • Konjunktivno-disjunktivni (AND/OR) graf • Prostor stanj V.Rajkovič
Konjunktivno-disjunktivni graf: A nad C A or B Z 2 Z 3 C and MIZA A na C A na Z Z nad C or NE Z=B A na B Z 2 Z 3 . . . DA Z na C Z=B B na C DA Z2) za vsak X in Y: če je X na Y, potem je X nad Y Z3) za vsak X in Y: če obstaja Z, da je X na Z in Z nad Y, potem je X nad Y
Prostor stanj: A B C MIZA C B A A B C B A C B A C B C A C A B A B C A B C C A B C A B A B C A C B B A C V.Rajkovič
Sheme za predstavitev znanja: • Zahteve: • Učinkovita uporaba • Dopolnjevanje in spreminjanje • Razumljivost • Verifikacija V.Rajkovič
Sheme za predstavitev znanja: • Pravila • Semantične mreže • Okviri • Predikatni račun V.Rajkovič
Pravila (rules): pogoj, premisaČEje desna roka opazovane osebe večja kot leva sklep, akcija, conclusion, actionPOTEMoseba opravlja ročno delo npr. tabela iz MYCIN-a V.Rajkovič
Pravila za vnovčitev čeka: (1)ČE ček ustrezno izpolnjen IN plačnik znan IN stanje pozitivno POTEMga izplačaj (2)ČE ček prav datiran IN podpis ustrezen IN vsota jasna IN prinašalec identificiran POTEMje ček ustrezno izpolnjen (3)ČE je datum čeka današnji ALI ni starejši od 90 dni POTEMje ček prav datiran V.Rajkovič
Prednosti pravil: • Vsako pravilo predstavlja majhen relativno neodvisen del znanja • Dodajanje in spreminjanje pravil je relativno enostavno • Podpira transparentnost sistema. Kako si prišel do rešitve? Zakaj potrebuješ nek podatek? V.Rajkovič
kaj dela DIHANJE ŽIVAL kaj ima KOŽA kaj dela je SE PREMIKA je RIBA zna LETETI PTICA ima KRILA ima je je PERJE KANARČEK NOJ je zna ne zna je PETI RUMEN LETETI VELIK Primer semantične mreže: V.Rajkovič
Semantične mreže (semantic networks): lastnik NN PLAŠČ stanje rokavov OGULJENI stanje gumbov MANJKAJO • opisujemo hierarhične strukture • pri obravnavanju naravnega jezika • sklepanje na področju teorije množic V.Rajkovič
PLAŠČ Odprtina (slot) Vrednost (entry) LASTNIK NN STANJE ROKAVOV OGULJENI STANJE GUMBOV MANJKAJO . . . . . . VELIKOSTna osnovi mer uporabi tabelo 14 Okviri (frames): • Objektni način • Vrednost je lahko tudi postopek • Obravnavanje kompleksnih sistemov V.Rajkovič
Predikatni račun (predicate calculus): • Uporablja formalno logiko • IZREK je odgovor na vprašanje, ki ga izpeljem iz dejstev in zakonitosti. • Prednost so hitri algoritmi. • Pomanjkanje mehanizmov za modeliranje mehkega znanja. V.Rajkovič
protislovje • človek (Sokrat) • (vsak x) clovek (x) :- zmotljiv (x) • ali • 2. ( x) zmotljiv (x) V človek (x) • Zmotljiv (Sokrat)? x = Sokrat zmotljiv (x) V človek (x) človek (Sokrat) zmotljiv (Sokrat) človek (Sokrat) • Sokrat je človek • Vsak človek je zmotljiv • Vprašanje: • Ali je Sokrat zmotljiv? V.Rajkovič
Predstavitve znanja: • Semantične mreže so najbolj splošne. Vozli in povezave rabijo za predstavitev dejstev in povezav med njimi. • Logična pravila in okvirji so poseben primer mreže. • Okvirji so prikladnejši za kompleksnejše sisteme. • Predikatni račun nima verjetnosti. V.Rajkovič
TEHNOLOG ZNANJA EKSPERT(I) Tri učne zanke: ZAJEMANJE ZNANJA BAZA ZNANJA (BZ) PREDSTAVITEV BZ SKLEPANJE V.Rajkovič
artikulacija SAY HOW Feigenbaumovo ozko grlo BZ tehnolog znanja strojno učenje model KNOW HOW Izgradnja baze znanja: KNOW HOW ekspert primeri SHOW HOW V.Rajkovič
programski jezik LISP PREMISE (SAND (SAME CNTXT INFECT PRIMARY-BACTERIA) (MEMBF CNTXT SITE STERILESITES) (SAME CNTXT PORTAL GI)) ACTION (CONCLUDE CNTXT IDENT BACTEROIDES TALLY .7) LISP MACHINE(MIT) • Jeziki za programiranje ES: • Osnovne lastnosti: • nenumerični podatki • vračanje (po drevesu) • ni razlike med postopki in podatki • drevesne strukture – rekurzija Jeziki kot so npr. Pascal in C praviloma niso dovolj fleksibilni. V.Rajkovič
programski jezikPROLOG • PROLOG : vsi ostali (z LISPom vred) • razvit 1975 na univerzi v Marseille-u (Kowalsky) • matematična osnova je formalna logika – predikatni račun • nedeterminizem in avtomatsko vračanje • neproceduralna (deklarativna) narava drugi jeziki: KAKO povezati podatke z rezultati, korak po koraku PROLOG: relacija med podatki in rezultati • Wirth: program = algoritem + podatkovne strukture • Kowalsky: algoritem = logika + upravljanje (Control) V.Rajkovič
PASCAL: y := f(x) PROLOG:f(x,y) x in y sta v relaciji f x f y x f y {x}=? f {y}=? DA f(x,y) NE x y f V.Rajkovič
e d b a f c Primer: vzorčno vodeni sistem a: -b. b implicira a b: -c. b: -d. d: -e. d: -f. e: e gotovo drži f: c: Vprašanje: ? –a. ali je a res (drži), odgovor je “da” Sistem logično izpelje a iz dejstev e,f in c ter ostalih pravil. V.Rajkovič
Primer: sorodstveno drevo Relacije: starš (Tom, Boris) starš (Tom, Liza) starš (Boris, Ana) starš (Boris, Peter) 1) succ (x,y) :- starš (y,x) 2) succ (x,y) :- starš (y,z), succ (x,z) Tom Boris Liza Ana Peter 1) Za vse pare x in y je x naslednik (succ) y, če je y starš x-a 2) Za vse pare x in y je x naslednik y, če eksistira tak z, da je y starš z in x naslednik z Vprašanje: ? – starš (Boris, x) Odg. Prologa: x = Ana; x = Peter ? – succ (Peter, y) y = Boris; y = Tom V.Rajkovič
DEX:Lupina ekspertnega sistemaza večparametrsko odločanje 19871995, DOS DEXi:Računalniški program za večparametrsko odločanje 1999, Windows V.Rajkovič
Osnove sistemov DEX in DEXi • VEČPARAMETRSKO ODLOČANJE • modeliranje s kriteriji in funkcijami koristnosti • strukturiranje odločitvenega problema (drevo kriterijev) • vrednotenje variant • EKSPERTNI SISTEMI • kvalitativne (simbolične) merske lestvice • funkcije koristnosti predstavljene s pravili tipa če-potem • odločitveni model = baza znanja • poudarek na razlagi in analizi rezultatov vrednotenja (DEX) V.Rajkovič
Faze odločitvenega procesa • 0. IDENTIFIKACIJA PROBLEMA • IDENTIFIKACIJA KRITERIJEV (ATRIBUTOV) • spisek kriterijev • struktura kriterijev (drevo kriterijev) • merske lestvice • DEFINICIJA ODLOČITVENIH PRAVIL • OPIS VARIANT • ANALIZA VARIANT V.Rajkovič
1.a Spisek kriterijev Spisek kriterijev, ki vplivajo na odločitev (neurejen) Nakup prenosnega računalnika hitrost velikost diska cena zanesljivost zaslon barve servis razširljivost baterija procesor proizvajalec miška tipkovnica velikost pomnilnika Pazimo, da ne spregledamo pomembnih, bistvenih kriterijev V.Rajkovič
PRENOSNIK CENA TEH. KAR. DODATKI AVTONOMIJA ZUN. ENOTE NOT. ENOTE PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA 1.b Drevo kriterijev Združimo kriterije, ki “spadajo skupaj” Pazimo na strukturo: praviloma dva do trije nasledniki notranjega vozlišča V.Rajkovič
nespr , spr, dob, odl PRENOSNIK CENA TEH. KAR. DODATKI 5000 , 4000, 3000 ali visoka , srednja, nizka AVTONOMIJA ZUN. ENOTE NOT. ENOTE 2h , 3h, 4h PROCESOR POMNILNIK DISK ZASLON TIPKOVNICA nespr , spr, dob 1.c Merske lestvice Zaloge vrednosti so diskretne, praviloma urejene od slabih proti dobrim Število vrednosti naj raste počasi od listov proti korenu V.Rajkovič