SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA MODUŁ DRUGI : SYSTEMY EKSPERTOWE Bazowe komponenty wiedzy ekspertowej. 6. Inżynieria Wiedzy- pojęcie i cele. 7. Systemy Ekspertowe – pojęcie, struktura, rodzaje. 8. Zastosowania Systemów Ekspertowych w rozwiązywaniu problemów NP-zupełnych. 9. Tworzenie, narzędzia i przebudowa baz wiedzy w Systemach Ekspertowych. 10. Narzędzia programowe do tworzenia baz wiedzy dla Systemów Ekspertowych. 11. Metody symbolicznej reprezentacji wiedzy wykorzystujące zasady logiki formalnej. 12. Nieformalne metody symbolicznej reprezentacji wiedzy. 13. Metody nie symbolicznej reprezentacji wiedzy. 14. Strategie przeszukiwania grafów stosowane w bazach wiedzy. 15. Klasyczne metody wnioskowania stosowane w bazach

IF warunek THEN wniosek AND/OR akcja 5a. Bazowe komponenty wiedzy ekspertowej. Aby zbudować inteligentny program, należy go wyposażyć w dużą ilość dobrej jakości, specyficznej wiedzy o danym przedmiocie. ”More knowledge less search” - Im pełniejsza jest wiedza tym szybciej uzyskuje się rozwiązanie. Moc programu ekspertowego tkwi w zakodowanej w nim wiedzy, a nie w formaliźmie i schematach wnioskowania, których ten program używa. Fakty – zdania oznajmujące, reprezentowane w postaci związku między obiektami oraz atrybutów Reguły mają postać: Baza wiedzy zawiera fakty i reguły, które są niezbędne do rozwiązania problemu. IF warunek THEN wniosek AND/OR akcja Uznanie jakiejś reguły nazywa się uaktywnianiem reguły (firing – odpalanie). Dzięki odpalaniu reguł nowe fakty (wnioski) są dodawane do bazy wiedzy i/lub odpowiednie akcje są wykonywane. Nazywa się to często systemami regułowymi (rule based programming)

5b. Bazowe komponenty wiedzy ekspertowej (c.d.) Wiedza Opisy (fakty) Procedury Relacje BAZA OPISÓW BAZA RELACJI Odzwierciedlenie zależności i asocjacji (skojarzeń) pomiędzy faktami w bazie wiedzy Formy: – asocjacja empiryczna eksperta, – wnioskowanie logiczne – reprezentacja symboliczna BAZA PROCEDUR Przykłady: – procedury heurezy ekspertowej (dla wiązania probabilistycznych, niepewnych a nawet błędnych danych w celu postawienia diagnozy lub interpretacji faktów) – procedury wnioskowania dedukcyjnego (dla przewidywania stanów przyszłych na podstawie teorii, obserwacji i tworzenia uogólnień – aksjomaty logiczne, aksjomaty specyficzne, mechanizmy dedukcyjne „twierdzenie poprawne syntaktycznie jest prawdziwe semantycznie i na odwrót” Zdania, wyrażane językiem, którego elementarnymi składnikami są pierwotne cechy i pojęcia. Reguły lub algorytmy do interpretowania danych wyjściowych w konkretnych zastosowaniach

– strukturalizacja wiedzy, – przetwarzanie wiedzy, 6. Inżynieria Wiedzy- pojęcie i cele. Knowledge Engineering zajmuje się procesem konstruowania systemów ekspertowych. Jej celem jest: – pozyskiwanie wiedzy, – strukturalizacja wiedzy, – przetwarzanie wiedzy, – rozwijanie metodologii i narzędzi budowy systemów ekspertowych.

7. Systemy Ekspertowe – pojęcie, struktura, rodzaje. System ekspertowy jest programem komputerowym, który wykonuje złożone zadania o dużych wymaganiach intelektualnych i robi to tak dobrze jak człowiek, będący ekspertem w tej dziedzinie. Systemy ekspertowe Podejmujące decyzje bez kontroli człowieka (dictatorial) Krytykujące (criticizing) Doradcze (advisory) Prezentacja rozwiązań, które użytkownik może odrzucić i zażądać innego rozwiązania Są dla siebie końcowym autorytetem (np. sterowanie obiektami, do których dostęp człowieka jest utrudniony lub niemożliwy) Prezentacja problemu plus rozwiązanie, a następnie analiza i komentarz rezultatu

8. Zastosowania Systemów Ekspertowych rozwiązywaniu problemów NP-zupełnych. 1. Dziedziny, z niepewną informacją (wiedzą). 2. Dziedziny, które nie są w jednoznaczny sposób sformalizowane (nie istnieje model matematyczny algorytmów rozwiązujących problem). 3. Rozwiązywanie problemów NP-zupełnych (są opracowane teorie, lecz niemożliwe jest ogarnięcie za pomocą algorytmów wszystkich teoretycznie możliwych przypadków, w rozsądnym czasie). Dla problemów NP-zupełnych złożoność obliczeniowa (czyli liczba kroków koniecznych do ich rozwiązania) jest funkcją wykładniczą ich rozmiarów (tzn. przy liniowym wzroście wymiaru problemu czas potrzebny na jego rozwiązanie wzrasta wykładniczo) Bariera złożoności obliczeniowej dla problemów NP-zupełnych koszt Przetwarzanie danych Systemy ekspertowe złożoność obliczeniowa

9. Tworzenie, narzędzia i przebudowa baz wiedzy w Systemach Ekspertowych. Bazy wiedzy tworzą się za pomocą edytorów tekstowych, upraszczających wprowadzanie danych i umożliwiających wykrywanie oraz eliminację niektórych błędów. Edytory tekstowe winny spełniać następujące warunki: 1. wygodny dla użytkownika sposób komunikacji, 2. zautomatyzowana rejestracja i rozmieszczanie informacji, 3. kontrolowanie syntaktycznej poprawności wprowadzanej informacji tekstowej, 4. sprawdzanie semantycznej niesprzeczności pomiędzy dotychczasową zawartością bazy dany, a nowo wprowadzanymi faktami, 5. stosowanie odpowiednich okien dla wprowadzania informacji w postaci graficznej. Przebudowa baz wiedzy realizowana jest najczęściej w dwóch konwencjach: 1. Kontrola poprawności semantycznej (w trybie konwersacji z inżynierem wiedzy) 2. Automatyczne testowanie.

10. Narzędzia programowe do tworzenia baz wiedzy dla Systemów Ekspertowych. Narzędzia programowe systemów ekspertowych (expert system tools) możemy podzielić na: 1. systemy szkieletowe (expert system shells) 2. środowiskowe programy ułatwiające implementację systemu (np. programy ułatwiające zarządzanie bazą wiedzy, programy grafiki komputerowej) 3. języki systemów ekspertowych (np. Clips, Flops, OPS5) 4. języki programowania symbolicznego (np. Lisp, Prolog) 5. języki algorytmiczne (np. Basic. Pascal, C, C++ ...)

11a. Metody symbolicznej reprezentacji wiedzy wykorzystujące zasady logiki formalnej. Rachunek zdań Opis cech otaczającego świata formułujemy w postaci zdań. Wnioskowanie wywodzi się z logiki dwuwartościowej. Zdania oznaczamy symbolami, np. A, B, C, D ... . Mogą one być łączone za pomocą spójników logicznych:  negacja,  koniunkcja,  alternatywa,  implikacja,  równoważność. Łącząc zdania spójnikami można tworzyć wyrażenia logiczne, tzw. formuły. Formuły, które zawsze dają zdanie prawdziwe niezależnie od wartości logicznych zmiennych zdaniowych nazywamy tautologiami.

11b. Metody symbolicznej reprezentacji wiedzy wykorzystujące zasady logiki formalnej. Rachunek predykatów Rachunek predykatów jest rozszerzeniem rachunku zdań przez wprowadzenie: kwantyfikatora ogólnego x oznaczającego, że formuła jest prawdziwa dla wszystkich wartości związanych ze zmienną x, oraz kwantyfikatora szczegółowego x oznaczającego, że istnieje przynajmniej jedno znaczenie x, dla którego związana formuła jest słuszna. Rachunek predykatów składa się z: alfabetu, formalnego języka, aksjomatów i reguł wnioskowania. Alfabet zawiera: predykaty, zmienne, funkcje, stałe, spójniki, kwantyfikatory i ograniczniki (nawiasy, przecinki).

Stwierdzenia są jednym z głównych elementów baz wiedzy. 12a. Nieformalne metody symbolicznej reprezentacji wiedzy. Stwierdzenia Stwierdzenia są jednym z głównych elementów baz wiedzy. Dotyczą: zdarzeń, zjawisk, objawów, czynności. Najczęściej są zapisywane w postaci uporządkowanej trójki: (<OBIEKT>, <ATRYBUT>, <WARTOŚĆ>) Dla uproszczenia zapisów stwierdzeń stosuje się słowniki nazw obiektów i atrybutów oraz ich wartości. W niektórych systemach stwierdzenia są zapisywane w postaci uporządkowanej czwórki: (<OBIEKT>, <ATRYBUT>, <WARTOŚĆ>, <CF>) gdzie CF jest stopniem pewności (Cerntainty Factor), prowadząc do tzw. stwierdzeń przybliżonych. Stopnie pewności wyznacza się subiektywnie (np. w przedziale: [0,1] bądź [-1,1])

12b. Nieformalne metody symbolicznej reprezentacji wiedzy 12b. Nieformalne metody symbolicznej reprezentacji wiedzy. Wektory wiedzy Wektory wiedzy są pewnego rodzaju uogólnieniem regułowych metod reprezentacji wiedzy, dla których stosujemy zapis reguł w postaci wektorowej. Wykorzystujemy trzy symbole ilustracji wiedzy: * – dany warunek/wniosek w regule nie występuje, T – dany warunek/wniosek jest prawdziwy, N – dany warunek/wniosek jest fałszywy.

Jest tu więc, jak gdyby, wyrysowany mechanizm dedukcji. 12c. Nieformalne metody symbolicznej reprezentacji wiedzy. Sieci semantyczne Sieć semantyczna (Semantic Net) jest pewnego rodzaju logiką, w ramach której relacje między obiektami są przedstawione w postaci graficznej. Jest tu więc, jak gdyby, wyrysowany mechanizm dedukcji. Wnioskowanie odpowiada „poruszaniu się” po grafice. Na podstawie inspekcji sieci wyprowadza się różne konkluzje.

Ramy są podobne do reprezentacji wiedzy za pomocą stwierdzeń: 12d. Nieformalne metody symbolicznej reprezentacji wiedzy. Systemy ramowe Rama jest strukturą, opisującą dany obiekt i składa się z podstruktur, tzw. klatek (slots). Każda klatka reprezentuje pewną właściwość albo cechę obiektu, opisywanego przez ramę. Ramy są podobne do reprezentacji wiedzy za pomocą stwierdzeń: (<obiekt> <atrybut> <wartość>). W przypadku systemów ramowych mamy jednak szerszy opis, ponieważ wartość zapisania w klatce jest jednym z wielu możliwych elementów klatki. Klatka dzieli się na mniejsze części – fasety. Każda: rama, klatka i faseta musi mieć swoją nazwę.

12e. Nieformalne metody symbolicznej reprezentacji wiedzy 12e. Nieformalne metody symbolicznej reprezentacji wiedzy. Modele obliczeniowe Modele obliczeniowe służą do reprezentacji wiedzy potrzebnej do rozwiązywania prostych problemów z dziedzin elementarnych, np. matematyki, fizyki. Modele te są także szczególnie przydatne w pakietach programów do wspomagania projektowania, gdzie wykonuje się dużo prostych zadań obliczeniowych na mało skomplikowanych modelach.

– metoda systemów uczących się, – metoda strategii ewolucyjnych. 13. Metody nie symbolicznej reprezentacji wiedzy. Metody te odwołują się do obserwacji i doświadczeń zebranych z otaczającego nas świata żywych istot: – metoda sieci neuronowych: symuluje dynamiczne przetwarzanie wiedzy i właściwości jej reprezentacji w komórkach nerwowych ludzi i zwierząt (sposób połączeń poszczególnych neuronów oraz wartościowanie wag reprezentujących siłę tych połączeń), – metoda algorytmów genetycznych: technika reprezentacji zapisanej w genach wiedzy umożliwiająca przekazywanie wiedzy o całym gatunku; w kolejnych generacjach następuje poprawa cech całej populacji, – metoda systemów uczących się, – metoda strategii ewolucyjnych.

Strategie heurystyczne 14. Strategie przeszukiwania grafów stosowane w bazach wiedzy. Strategie ślepe Strategie heurystyczne Strategia w głąb Strategia wszerz Strategia: „najpierw najlepszy” Strategia z powracaniem Strategia zachłanna Strategia: A*

15. Klasyczne metody wnioskowania stosowane w bazach wiedzy. Idea wnioskowania w przód polega na generowaniu (na podstawie dostępnych reguł i faktów) nowych faktów tak długo, aż wśród wygenerowanych faktów znajdzie się postawiony cel (np. hipoteza). Podstawową cechą tego sposobu wnioskowania jest możliwość zwiększania się bazy faktów. Aby zastosować określoną regułę ze zbioru reguł możliwych do uaktywnienia, korzysta się z metod sterowania wnioskowaniem ograniczających liczność ww. reguł. Najbardziej popularne strategie ograniczające: – strategia świeżości, – strategia blokowania, – strategia specyficzności. Wnioskowanie wsteczpolega na wykazaniu prawdziwości hipotezy głównej na podstawie prawdziwości przesłanek. Jeśli nie wiemy, czy jakaś przesłanka jest prawdziwa, to traktujemy tę przesłankę jako nową hipotezę i próbujemy ją wykazać. Jeśli w wyniku takiego postępowania zostanie wreszcie znaleziona reguła, której wszystkie przesłanki są prawdziwe, to konkluzja tej reguły jest prawdziwa. Na podstawie tej konkluzji dowodzi się następną regułę, której przesłanka nie była poprzednio znana itd. Postawiona hipoteza jest prawdziwa, jeśli wszystkie rozważane przesłanki dadzą się wykazać.