Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

1 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,

Podobne prezentacje


Prezentacja na temat: "1 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"— Zapis prezentacji:

1 1 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE WYKŁAD 3 SYSTEMY EKSPERTOWE Dr hab. inż. Barbara Dębska, prof. PWSZ KROSNO

2 2 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno ISTOTA SYSTEMU EKSPERTOWEGO EKSPERT - człowiek posiadający specjalistyczną wiedzę z pewnej dziedzinie (wiedzę dziedzinową) i umiejętność stosowania jej dla podejmowania decyzji związanych z tą dziedziną (umiejętność wnioskowania w oparciu o posiadaną wiedzę), nabyte w wyniku studiów i praktyki. SYSTEMY EKSPERTOWE Programy komputerowe wspomagające podejmowanie decyzji, w skład których wchodzą dwa zasadnicze elementy: baza wiedzy, zawierająca wiedzę dziedzinową, istotną dla podejmowanych decyzji, system wnioskujący, korzystający z bazy wiedzy dla wypracowania tych decyzji. Pozostałe elementy systemu ekspertowego: edytor bazy wiedzy, do tworzenia, modyfikowanie i kasowanie bazy wiedzy interfejs użytkownika, do korzystania z systemu ekspertowego dynamiczna baza danych - relacyjna baza danych do przechowywania odpowiedzi użytkownika i wyników wnioskowania

3 3 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno STRUKTURA FUNKCJONALNA SYSTEMU EKSPERTOWEGO EDYTOR BAZY WIEDZY BAZA WIEDZY INTERFEJS UŻYTKOWNIKA SYSTEM WNIOSKUJĄCY DYNAMICZNA BAZA DANYCH

4 4 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno STRUKTURA INFORMATYCZNA SYSTEMU EKSPERTOWEGO DYNAMICZNA BAZA DANYCH INTERFEJS UŻYTKOWNIKA EDYTOR BAZY WIEDZY MASZYNA WNIOSKUJĄCA Plik wykonywalny (Szkieletowy system ekspertowy) BAZA WIEDZY Plik tekstowy

5 5 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno ISTOTNA CECHA SYSTEMU EKSPERTOWEGO Baza wiedzy jest plikiem tekstowym, który może być tworzony, czytany i modyfikowany za pomocą edytora bazy wiedzy bez naruszania integralności systemu wnioskującego. Umożliwia to szybkie odczytanie, zrozumienie i modyfikowanie wiedzy dziedzinowej, z której korzysta system ekspertowy Spotykane synonimy System ekspertowy Program regułowy Program z regułową bazą wiedzy

6 6 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno STRUKTURA BAZY WIEDZY Baza wiedzy Baza reguł Baza rad Baza ograniczeń Baza graficzna Baza modeli

7 7 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno ZALETY ROZDZIELENIA BAZY WIEDZY I SYSTEMU WNIOSKUJĄCEGO Możliwość tworzenia systemów ekspertowych szkieletowych, tzn. uniwersalnych systemów ekspertowych, które użytkownicy mogą ładować własną, użytkowaną przez nich wiedzą dziedzinową. Łatwość dostępu do wiedzy dziedzinowej, danej w jawnej postaci pliku tekstowego. Prostota modyfikacji bazy wiedzy bez potrzeby naruszania integralności właściwego programu – systemu wnioskującego.

8 8 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Decyzja o przyznaniu lub odmowie kredytu jest wynikiem stosowania kilkunastu reguł określonych przez kierownictwo banku. Reguły te są zapisane w postaci pliku tekstowego, którego odczytanie, zrozumienie i zmodyfikowanie nie nastręcza trudności. W miarę zbierania przez bank doświadczeń i w miarę zmiany sytuacji na rynku pieniężnym, reguły przyznawania kredytów muszą ulec zmianie. Gdyby reguły te były zanurzone w programie nie będącym systemem ekspertowym i napisanym w języku proceduralnym, odczytanie, zrozumienie i zmodyfikowanie tych reguł byłoby bardzo trudne, a dla osób nie będących twórcami tego programu – wręcz niemożliwe. Przykład zastosowania systemu ekspertowego do diagnostyki: Etap pierwszy – budowy bazy wiedzy: Etap drugi – uzupełnienie bazy nowymi regułami: System ekspertowy KREDYT oceniający wiarygodność kredytową klienta banku (jest nim np: mały przedsiębiorca) i podejmujący decyzję o przyznaniu lub odmowie kredytu

9 9 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno STRUKTURA BAZY WIEDZY Baza rad uzupełnienia i wyjaśnienia Baza reguł - wiedza dziedzinowa logiczna Baza ograniczeń - wiedza dziedzinowa logiczna Baza graficzna - wiedza w postaci graficznej (obrazy wiedzy) Baza reguł Baza ograniczeń Baza modeli Baza rad mają postać klauzul-faktów Baza modeli - wiedza dziedzinowa matematyczna

10 10 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA GRAFICZNA

11 11 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA REGUŁ Reguły = wiedza dziedzinowa o charakterze ogólnym FAKTY Fakty = wiedza dziedzinowa o charakterze szczegółowym REGUŁY Przykład reguły: Jeżeli student_x_otrzymał_wszystkie_zaliczenia_w_terminie i student_ x_zdał_wszystkie_egzaminy_ w_terminie, to student_x_uzyska_wpis_na_kolejny_semestr Przykład faktu: student_J.Kowalski_ zdał_wszystkie_egzaminy_ w_terminie

12 12 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA REGUŁ c.d. Reguły: zdania warunkowe, np. –w języku polskim: A jest prawdą, jeśli B i C i D są prawdą –w logice: B i C i D A lub – w Pascalu: if B and C and D then A B, C, D - warunki reguły A- konkluzja reguły (wniosek) - symbol implikacji w logice then- symbol implikacji regułowej w Pascalu

13 13 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA REGUŁ c.d. reguła ( Numer_reguły, Wniosek, Lista_warunków ) Klauzule dokładnej bazy reguł: Wniosek: Dowolny łańcuch znaków przedstawiający nazwę zmiennej logicznej, Np. wysoka temperatura Lista_warunków: [Warunek_1,..., Warunek _i,..., Warunek _n] Dowolny łańcuch znaków przedstawiający nazwę zmiennej logicznej Warunek_i :

14 14 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno ZMIENNA LOGICZNA Zmienna przyjmująca jedną z dwóch wartości: prawda lub fałsz BAZA REGUŁ regula(Numer_reguły, Wniosek, Lista_warunków) Sens reguły: Wniosek jest prawdą wtedy i tylko wtedy, jeżeli wszystkie warunki są prawdą jest następujący:

15 15 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Wniosek Warunek_1,..., Warunek n ( Symbol implikacji regułowej ) POGLĄDOWE PRZEDSTAWIANIE REGUŁ Reguły mogą się zagnieżdżać: Zagnieżdżanie reguł: wniosek jednej reguły może być warunkiem innej reguły: reguła(N, Wniosek, [...,ABCD,....]) reguła(M, ABCD, Lista_warunków)

16 16 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno ZAGNIEŻDŻANIE REGUŁ Baza Reguł: 1. A D 2. F, H G 3. B L 4. D, J M 5. C, D F 6. A, E J Wnioski niektórych reguł są warunkami innych reguł. Np. : wniosek F reguły 5 jest warunkiem reguły 2 wniosek J reguły 6 jest warunkiem reguły 4 wniosek D reguły 1 jest warunkiem reguły 4

17 17 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno ZAGNIEŻDŻANIE REGUŁ Zagnieżdżające się reguły mogą mieć warunki dwojakiego rodzaju: 1.Warunki dopytywalne: nie są wnioskami reguł. Wartość logiczna tych warunków jest określana przez użytkownika systemu ekspertowego. 2.Warunki niedopytywalne: są wnioskami reguł. Wartość logiczna tych warunków jest określana przez system ekspertowy. WARUNKI DOPYTYWALNE I NIEDOPYTYWALNE Baza Reguł: 1. A D 2. F, H G 3. B L 4. D, J M 5. C, D F 6. A, E J Podział warunków: Warunki dopytywalne: A, B, C, E i H. System ekspertowy pyta użytkownika o wartość logiczną tych warunków Warunki niedopytywalne: F, D i J. System ekspertowy nie pyta o te warunki, bo ich wartości logiczne wynikają z bazy reguł i warunków dopytywalnych

18 18 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA REGUŁ Fakty: zdania bezwarunkowe, uznawane za prawdziwe, np.: A_ jest_prawdą student_J.Kowalski_ zdał_wszystkie_egzaminy_ w_terminie Baza reguł rzadko ma własne fakty Fakty są deklarowane przez użytkownika albo są generowane z reguł w wyniku wnioskowania SPOTYKANE SYNONIMY wniosek = konkluzja, rezultat warunek = przesłanka, założenie

19 19 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno KLASYFIKACJA BAZ REGUŁ (1) Ze względu na sposób występowania warunków niedopytywalnych rozróżniamy: PRZYKŁAD ELEMENTARNEJ BAZY REGUŁ Warunki niedopytywalne W i V reguł 2 i 3 występują w tej bazie w postaci niezanegowanej, tzn. są w takie same jak wnioski reguł 1 i 2. bazy reguł elementarne: warunki niedopytywalne nie występują w postaci zanegowanej bazy reguł rozwinięte: warunki niedopytywalne mogą występować w postaci zanegowanej 1. A, B, C W 2. W, D, E V 3. V, H, I, J U

20 20 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Niedogodność: W bazach reguł elementarnych dokładnych często trzeba formułować zarówno reguły dla wniosków (W) i dla negacji wniosków (nieprawda_W) Przykład bazy elementarnej: pojadę_na_wycieczkę_zagraniczną jeżeli dostanę_urlop i będę_miał_pieniądze nie_pojadę_na_wycieczkę_zagraniczną jeżeli nie_dostanę_urlopu nie_pojadę_na_wycieczkę_zagraniczną jeżeli nie_będę_miał_pieniędzy

21 21 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Przykład rozwiniętej bazy reguł: 1. A, B, C W 2. nW, D, E V 3. nV, H, I, J U nX = nieprawda_X Warunki niedopytywalne nW i nV reguł 2 i 3 są zanegowanymi wnioskami reguł 1i 2. Zalety baz rozwiniętych: Brak potrzeby formułowania reguł dla wniosków (W) i ich negacji (nW). Przykład bazy rozwiniętej: pojadę_na_wycieczkę_zagraniczną jeżeli dostanę_urlop i będę_miał_pieniądze kłopot_z_psem jeżeli pojadę_na_wycieczkę_zagraniczną narastające_zmęczenie jeżeli nie_pojadę_na_wycieczkę_zagraniczną

22 22 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno KLASYFIKACJA BAZ REGUŁ (2) Ze względu na pewność reguł, warunków i wniosków rozróżnia się: bazy reguł przybliżone, których reguły, warunki i wnioski mogą mieć różne stopnie pewności. bazy reguł dokładne, których reguły są prawdą, których warunki i wnioski mogą być albo prawdą, albo nieprawdą

23 23 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno KLASYFIKACJA BAZ REGUŁ (3) Bazy reguł dokładne Bazy reguł przybliżone Bazy reguł elementarne Bazy reguł rozwinięte Bazy reguł rozwinięte przybliżone (BRP) Bazy reguł rozwinięte dokładne (BRD) Bazy reguł elementarne przybliżone (BEP) Bazy reguł elementarne dokładne (BED)

24 24 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno KLASYFIKACJA SYSTEMÓW WNIOSKUJĄCYCH (1) Bazy reguł rozwinięte dokładne (BRD) Wnioskowanie elementarne dokładne Bazy reguł elementarne dokładne (BED) Wnioskowanie rozwinięte dokładne Wnioskowanie dokładne

25 25 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno KLASYFIKACJA SYSTEMÓW WNIOSKUJĄCYCH (2) Bazy reguł rozwinięte przybliżone (BRP) Wnioskowanie elementarne przybliżone Bazy reguł elementarne przybliżone (BEP) Wnioskowanie rozwinięte przybliżone Wnioskowanie przybliżone

26 26 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA OGRANICZEŃ Baza ograniczeń zawiera zbiory warunków dopytywalnych wykluczających się. np.: ( temperatura_jest_wyższa_od _40ºC, temperatura_jest_niższa_od_10 ºC, temperatura_jest_pomiędzy_10ºC _i_40ºC). (nie_C, C) lub: Klauzule bazy ograniczeń: ograniczenie (Nr_ograniczenia, Lista_warunków_dopytywalnych_wykluczających_się)

27 27 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno ZAŁOŻENIE ZAMKNIĘTEGO ŚWIATA Dla wszystkich systemów ekspertowych dokładnych zakłada się, że: prawdą jest tylko to, co wynika z reguł bazy reguł, z ograniczeń bazy ograniczeń, z modeli bazy modeli oraz z faktów i wartości argumentów zadeklarowanych przez użytkownika. Wszystko, co nie wynika z bazy reguł, bazy ograniczeń i bazy modeli oraz z deklaracji użytkownika, uważa się za nieprawdziwe. Jeżeli oskarżonemu nie udowodniono winy, uważa się go za niewinnego Założenie zamkniętego świata = in dubio pro reo

28 28 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Stąd różnica pomiędzy implikacją logiki a implikacją regułową systemu ekspertowego: Implikacja logiki: q p q p q p Prawda Prawda Prawda Nieprawda Prawda Prawda Nieprawda Nieprawda Prawda Implikacja regułowa: q p q p q p Prawda Prawda Prawda Nieprawda Nieprawda Prawda

29 29 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne


Pobierz ppt "1 Wykład 3 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"

Podobne prezentacje


Reklamy Google