1 / 23

U MEL Á I NTELIGENCI A prednáška č. 4

U MEL Á I NTELIGENCI A prednáška č. 4. Znalostné systémy doc. Ing. Kristína Machová, PhD. kristina.machova @ tuke.sk Vysokoškolská, 150,. Osnova prednášky. Definícia a historickí predchodcovia Vlastnosti ZS v porovnaní s ľudským riešiteľom Miesto človeka v tvorbe a používaní ZS

evania
Download Presentation

U MEL Á I NTELIGENCI A prednáška č. 4

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. UMELÁ INTELIGENCIA prednáška č. 4 Znalostné systémy doc. Ing. Kristína Machová, PhD. kristina.machova@tuke.sk Vysokoškolská, 150, Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  2. Osnova prednášky • Definícia a historickí predchodcovia • Vlastnosti ZS v porovnaní s ľudským riešiteľom • Miesto človeka v tvorbe a používaní ZS • Štruktúra ZS • Produkčný systém • Dopredné a spätné reťazanie • Prehľadávanie inferenčnej siete • Spracovanie neurčitých znalostí • Získavanie znalostí • Vysvetľovací mechanizmus • Vyhodnocovanie ZS • Aplikačné možnosti ZS Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  3. 1. Definícia a historickí predchodcovia ZS je súbor počítačových programov a štruktúrovaných údajov, ktoré sú schopné nahradiť činnosť špecialistu v jeho obore, prípadne ho prekonať. HISTORICKÍ PREDCHODCOVIA • DENDRAL analyzuje údaje hmotového spektrografu a zostavuje molekulárne štruktúry. Prvá aplikácia väčšieho množstva špecifických znalostí. • MACSYMA vykonáva symbolické manipulácie. • MYCIN diagnostikuje a lieči infekčné ochorenia krvi (výsledky porovnateľné s expertom). • HERSAY rieši úlohy na rôznych úrovniach abstrakcie, na úrovni 10 ročného dieťaťa. Chápe súvislú reč (1000 slov). Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  4. 2. Vlastnosti ZS a ľudského riešiteľa Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  5. 3. Miesto človeka v tvorbe a použití ZS VLASTNOSTI ČLOVEKA, KTORÝMI ES NEDISPONUJE sú tvorivosť, schopnosť vyrovnať sa s neočakávaným zvratom situácie, učenie sa novým stratégiám, zdravý rozum (vš. znalosti – zjednodušenie), sebareflexia. expert tvorca nástroja ZS PTZS používateľ znalostný inžinier Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  6. 4. Štruktúra ZS METAZNALOSTI prázdny dedikovaný ––– diagnostický plánovací BZ IM BD PP,IS prehľadávanie IS Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  7. 5. Produkčný systém l1&m1&l5>k1 k1 k2 k3 m1&l5&m3>k2 l5&m2&l7>k3 l1 m1 l5 m3 l7 l2&m2>m1 l3vl4>m2 l2 m2 l6 l8 l6vl8>m3 l3 l4 • Produkčné pravidlo: predpoklady PzáverZ • Reťazenie produkčných pravidiel (podmienka) • Hierarchická štruktúra – strom – inferenčná sieť • Uzly: koreňové, medziľahlé, listové • Uzly: (ne)cieľové, (ne)dotazovateľné Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  8. 6. Dopredné a spätné reťazenie Ak záver jedného pravidla obsahuje tú istú znalosť (v tej istej forme) ako predpoklad ďalšieho, je možné reťazenie pravidiel. Existujú dva druhy reťazenia: • Dopredné reťazenie. Ak aktuálne platia predpoklady, potom platí záver. Vykoná sa vždy prvé pravidlo, ktorého situačná časť je splnená. Hovoríme o priamom reťazení – data driven inference, resp. forward chaining. Nevýhody: - pri dokazovaní hypotézy vykoná aj mnoho nepotrebných pravidiel (nevieme ovplyvniť) - odvodí všetky výsledky na základe stavu BD 2. Spätné reťazenie. Aby platil záver, musíme dokázať tvrdenie. Hovoríme o backward chaining. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  9. 7. Prehľadávanie inferenčnej siete • NEÚPLNÝ PRIAMY CHOD je pohyb v IS od necieľového ku koreňovému uzlu. Uzly na ceste sa neexpandujú. (Ktoré ciele sú relevantné k zadanému uzlu?) • ÚPLNÝ SPATNÝ CHOD je postup v IS od cieľového uzla k listovým. Uzly na ceste sa expandujú. • ÚPLNÝ PRIAMY CHOD je postup od listových uzlov ku koreňovým. Ak je nutná expanzia, vykoná sa. • NEÚPLNÝ SPATNÝ CHOD smeruje od koreňových k listovým uzlom. Uzly sa neexpandujú. Hľadáme najvierohodnejšie alternatívy (heuristický postup). Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  10. 8. Spracovanie neurčitých znalostí Iba malá časť znalostí experta má tvar, matematizovaných teórií. Expert si vytvára znalostí zo skúseností na základe jeho mentálnych modelov. Často ide o tušenia, osvedčené postupy. Spracovať ich možno napr. heuristikou. • ALGORITMUS. Jednoznačný výpočtový postup vedúci k optimálnemu riešeniu. Vyznačuje sa hromadnosťou, konečnosťou a resultatívnosťou.. • HEURISTIKA. Je neformálny úsudkový postup, osvedčený v dostatočnom počte prípadov (nedokázateľný ale použiteľný). Nezaručuje hromadnosť ani optimál. riešenia. Znalosti o neurčitosti (4. typ znalostí): sú panoramatické, lebo sa týkajú tak predmetných, konkrétnych znalostí ako aj metaznalostí. Vyjadrujú mieru istoty experta vo výsledok. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  11. 9. Typy neurčitostí • NEURČITOSŤ v BZ. Dôležitá súčasť ZS založenom na vedomostiach experta (jeho skúsenosti, mentálne modely, nie rigorózne tvrdenia, tušenia, osvedčené postupy - heuristiky). HEURISTIKA je neformálny úsudkový postup, osvedčený v dostatočnom počte prípadov (nedokázateľný ale použiteľný, teroristi). • NEURČITOSŤ v BD. Neisté odpovede používateľa, subjektívnosť úsudku, odhady nedostupných informácií, zašumené dáta. • METÓDY: Subjektívna Bayesovská metóda, Algebraická teória, Dempster-Shafferova metóda, Fuzzy prístup (intervaly, počet hodnôt, symbolická, numerická). Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  12. 10. Získavanie znalostí ZÍSKAVANIE NOVÝCH ZNALOSTÍ klasickou cestou strojovým učením priamym prenosom DOPĹŇANIE A MODIFIKÁCIA ZNALOSTÍ spravidla klasickou cestou Nevýhody klasickej cesty: ZI je laik v oblasti E nemá čas, bojí sa o miesto, nedokáže exaktne vyjadriť znalosti používané na riešenie TEIRESIAS je inteligentný modul priameho prenosu znalostí. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  13. 11. Klasická cesta • Je historicky najstarší model, v ktorom robí znalostný inžinier ZI medzičlánok medzi BZ a expertom E. • Slabým miestom tohto spôsobu je tak ZI (laik v danej oblasti – musí pochopiť základy domény – zdĺhavý proces) ako aj E (niekedy neschopný exaktne vyjadriť svoje znalosti používané na riešenie úloh, nemá čas, bojí sa o miesto). • Pokus vylúčiť z procesu získavania znalostí znalostného inžiniera viedol k PRIAMEMU PRENOSU. Pokus vylúčiť z procesu získavania znalostí experta viedol k STROJOVÉMU UČENIU. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  14. 12. Priamy prenos • BZ je priamo vytváraná v príslušnom editore expertom, oboznámeným s problematikou programovania. • Nevyhnutný je inteligentný modul priameho získavania znalostí, ktorý: - nie je pasívnym príjemcom znalostí - pomáha expertovi vyjadrovať znalosti - navádza ho a kontroluje - dokáže odhaliť logický rozpor - má rozsiahle dialógové schopnosti - má znalosti o štruktúre BZ Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  15. 13. Strojové učenie • trénovacia množina algoritmus  produkčné pravidlá • Strojové učenie: induktívne a deduktívne kontrolonané a nekontrolované inkrementálne a neinkrementálne • Vychádza z údajov vo forme trénovacej tabuľky: - má dátovú a rozhodovaciu časť - delí sa na trénovaciu a testovaciu množinu Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  16. 14. Vysvetľovací mechanizmus • Používateľ potrebuje vysvetlenie, čo sa robí, keďže nepozná všetky možnosti práce so ZS. Používateľ sa potrebuje utvrdiť v dôveryhodnosti výsledku, keďže ide o riešenie ne-algoritmizovateľnej úlohy. • Vysvetľovanie je charakterizované: 1. Cieľom vysvetľovania 2. Objektom vysvetľovania 3. Spôsobom vysvetľovania 4. Adresátom vysvetľovania Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  17. 15. Vysvetľovací mechanizmus - cieľ Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  18. 16. Delenie vysvetlení • Vysvetlenia pomocou vopred pripravených textov. S každým krokom programu je zviazaný vysvetľujúci text, ktorý bol vopred pripravený (chybové hlásenia). Nevýhody: nutnosť predvídať otázky, nezohľadňuje dynamiku vysvetľovania, žiadny konceptuálny model. • Vysvetlenia generované z behu programu. GOAL, TRACE, WHY, HOW, WHAT, WHAT-IF • Vysvetlenia podľa modelu. Systém používa: IS (expertné znalosti, na riešenie problému) kauzálny model (model znalosti, na formuláciu vysvetlení). Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  19. 17. Vyhodnocovanie ZS ZS sa v procese tvorby opakovane vyhodnocuje, resp. testuje. Vyhodnocovanie zahŕňa tri procesy: • Verifikáciu – kontrolu vnútornej konzistentnosti a úplnosti. • Validáciu – stanovenie, či ES uspokojivo realizuje ciele, pre ktoré bol navrhnutý. • Prijatie používateľom (user acceptance) – použiteľnosť systému pre konečného používateľa Testovanie je dôležité a to v každej fáze návrhu. Každá modifikácia prototypu musí byť znovu vyhodnotená. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  20. 18. Validácia ZS Je komplikovaná, keďže si kladie za cieľ testovať správnosť z významového hľadiska. Existuje niekoľko prístupov: • Empirické metódy. Sú dominantné. Spočívajú v testovaní prototypu na testovacích príkladoch a ohodnocovaní výsledkov z hľadiska prijateľnosti, presnosti a správnosti. • Klasická metóda. Ak nezávislý expert nedokáže odlíšiť riešenia ZS od riešení iného experta, potom je ZS validný. Výsledky ZS je možné testovať voči štandardu: kde n je počet testov a Va je miera kvality ZS. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  21. 19. Prijatie používateľom Predstavuje ochotu používateľa ZS používať. Vyhodnocujú sa nasledovné faktory: • Ľahkosť učenia. • Riadenie. Používateľ musí mať pocit, že riadi dialóg. Systém by nemal reagovať nepredvídateľne. • Stupeň úsilia. Je nutné sa vyhnúť pri návrhu ZS každému nie nevyhnutnému úsiliu (mentálnemu, fyzickému) • Rýchlosť. Výsledky musia byť získané v reálnom čase. • Vstup a výstup informácií. Je potrebné rešpektovať zvyklosti používateľa. • Odolnosť a korekcia chýb. ZS má byť schopný korigovať náhodné chyby (výber alternatívy je lepší ako zadávanie). Testy prebiehajú pomocou: interview, dotazník, pozorovanie..... Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  22. 20. Aplikačné možnosti ZS • ZAHRANIČNÉ ZS: spomínané, EXSYS, CLIPS, PROSPECTOR (detekcia ložísk nerastných surovín – ekon. efekt), R1 (konfigurácie počítačov VAX), QTC (návrh súčiastok) • DOMÁCE ZS: PROLEX(ochorenia tráviaceho traktu), KRAVEX(optimalizácia kŕmnej dávky), EQUANT(Hájek, práca s neurčitosťou), FEL-EXPERT(Mařík, genetické ochorenia, psychofyziologické záznamy z EEG, klasif. organických toxických látok, plánovanie kusovej výroby),TEAM(zostavovanie riešiteľských tímov), CODEX(Popper, diagnostika chorôb), AREX(hodnotenie spoľahlivosti automobilov) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  23. 20. Aplikačné možnosti ZS EKONOMICKÉ APLIKÁCIE FAST...hodnotenie bonity klienta LendingAdvisor...hodnotenie žiadosti o pôžičky (riziká, štrukt.) PLANET...podpora auditorov, štandardizácia auditu EXPERTAG...pomocník auditorov a daňových poradcov NyseFocusReviewSystem...finančné problémy, NewYork-burza MarketMind...finančné operácie v reálnom čase, NewYork-burza CARMA...analýza trhu, používa EXSYS FINCEN...používa ministerstvo financií USA, preverovanie transakcií nad 10.000$, odhaľovanie nelegálnych aktivít, používa ES-NexpertObject Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

More Related