- PowerPoint PPT Presentation

1 / 25
About This Presentation
Title:

Description:

vod do expertn ch syst m Expertn syst m Definice ES (Feigenbaum): expertn syst my jsou po ta ov programy, simuluj c rozhodovac innost experta ... – PowerPoint PPT presentation

Number of Views:49
Avg rating:3.0/5.0
Slides: 26
Provided by: JirD154
Category:
Tags: lisp

less

Transcript and Presenter's Notes

Title:


1
Úvod do expertních systému
2
Expertní systém
  • Definice ES (Feigenbaum) expertní systémy jsou
    pocítacové programy, simulující rozhodovací
    cinnost experta pri rešení složitých úloh a
    využívající vhodne zakódovaných, explicitne
    vyjádrených znalostí, prevzatých od experta, s
    cílem dosáhnout ve zvolené problémové oblasti
    kvality rozhodování na úrovni experta.
  • Charakteristické rysy ES
  • oddelení znalostí a mechanismu jejich využívání,
  • rozhodování za neurcitosti,
  • schopnost vysvetlování.

3
Expertní systémy a znalostní systémy
  • Znalostní systém (knowledge-based system) je
    podle staršího pojetí obecnejší pojem než
    expertní systém. Expertní systémy tedy lze chápat
    jako zvláštní typ znalostních systému, který se
    vyznacuje používáním expertních znalostí a
    nekterými dalšími rysy, jako je napr.
    vysvetlovací mechanismus.
  • V poslední dobe dochází ke stírání rozdílu mezi
    temito pojmy.

4
Základní složky ES
  • báze znalostí,
  • inferencní mechanismus,
  • I/O rozhraní (uživatelské, vývojové, vazby na
    jiné systémy),
  • vysvetlovací modul,
  • modul pro udržování znalostí.

5
Architektura ES
Báze znalostí
Znalostní inženýr, expert
Prázdný ES
Vysvetlovací modul
Modul udržování znalostí
Inferencní mechanismus
Uživatelské rozhraní
Rozhraní k jiným systémum
DBS, programy, mericí prístroje,
Uživatel
6
Báze znalostí a báze faktu
  • Báze znalostí obsahuje znalosti z urcitého oboru
    a specifické znalosti o rešení problému v tomto
    oboru.
  • Báze faktu se vytvárí v prubehu reÅ¡ení
    konkrétního problému a obsahuje data k rešenému
    problému.
  • Prostredky reprezentace znalostí
  • matematická logika,
  • pravidla (rules),
  • sémantické síte (semantic nets),
  • rámce a scénáre (frames and scripts),
  • objekty (objects).

7
Inferencní mechanismus
  • Inferencní mechanismus obsahuje obecné (oborove
    nezávislé) algoritmy schopné rešit problémy na
    základe manipulace se znalostmi z báze znalostí.
  • Typický inferencní mechanismus je založen na
  • inferencním pravidle pro odvozování nových
    poznatku z existujících znalostí,
  • strategii prohledávání báze znalostí.

8
Metody inference
  • Dedukce odvozování záveru z predpokladu.
  • Indukce postup od specifického prípadu
    k obecnému.
  • Heuristiky pravidla zdravého rozumu založená
    na zkušenostech.
  • Generování a testování metoda pokusu a omylu.
  • Analogie odvozování záveru na základe
    podobnosti s jinou situací.
  • Defaultní inference usuzování z obecných
    znalostí pri absenci znalostí specifických.
  • Nemonotonní inference je možná korekce resp.
    ústup od dosavadních znalostí.
  • Intuice obtížne vysvetlitelný zpusob usuzování,
    zatím nebyl v ES implementován.

9
Neurcitost v expertních systémech
  • Neurcitost se muže vyskytovat jednak v bázi
    znalostí a jednak v bázi faktu.
  • Zdroje neurcitosti
  • nepresnost, nekompletnost, nekonzistence dat,
  • vágní pojmy,
  • nejisté znalosti.
  • Prostredky pro zpracování neurcitosti
  • Bayesovský prístup, Bayesovské síte
  • fuzzy logika.

10
Typy ES
  • Problémove orientovaný ES báze znalostí obsahuje
    znalosti z urcitého oboru.
  • Prázdný ES (shell) báze znalostí je prázdná.
  • Diagnostický ES jeho úkolem je urcit, která
    z hypotéza z predem definované konecné množiny
    cílových hypotéz nejlépe koresponduje s daty
    týkajícími se daného konkrétního prípadu.
  • Plánovací ES obvykle reší takové úlohy, kdy je
    znám cíl rešení a pocátecní stav a je treba
    s využitím dat o konkrétním rešeném prípadu
    nalézt posloupnost kroku, kterými lze cíle
    dosáhnout.

11
Tvorba ES
  • Tvorba ES zahrnuje procesy
  • získání a reprezentace znalostí,
  • návrh uživatelského rozhraní,
  • výber hardwaru a softwaru,
  • implementace,
  • validace a verifikace.
  • Vytvárením ES se zabývá znalostní inženýrství
    (knowledge engineering). V procesu tvorby ES
    predstavuje úzké místo akvizice znalostí
    (knowledge acqusition bottleneck). Toto úzké
    místo pomáhají prekonat metody strojového ucení
    (machine learning).

12
Nástroje pro tvorbu expertních systému
  • Prázdné expertní systémy
  • EXSYS, FLEX, G2, HUGIN, M4, ...
  • Speciální programová prostredí
  • CLIPS, OPS5, Lisp, Prolog, ...
  • Obecná programová prostredí
  • Pascal, Delphi, C, CBuilder, ...

13
Aplikace ES
  • Aby melo smysl použít expertní systém pro reÅ¡ení
    nejakého problému, musejí být splneny dve
    podmínky
  • 1. Musí se jednat o problém složitý rozsahem nebo
    neurcitostí vztahu, pro nejž exaktní metoda
    rešení bud není k dispozici, nebo není schopna
    poskytnout rešení v požadované dobe.
  • 2. Efekty plynoucí z použití expertního systému
    musejí prevyšovat vynaložené náklady. To znamená,
    že by melo jít o problém s opakovanou potrebou
    rešení a znacnými financními dopady, pro nejž
    lidští experti jsou drazí nebo omezene dostupní.

14
Typické kategorie zpusobu použití ES
  • Konfigurace sestavení vhodných komponent
    systému vhodným zpusobem.
  • Diagnostika zjiÅ¡tení prícin nesprávného
    fungování systému na základe výsledku pozorování.
  • Interpretace vysvetlení pozorovaných dat.
  • Monitorování posouzení chování systému na
    základe porovnání pozorovaných dat s ocekávanými.
  • Plánování stanovení posloupnosti cinností pro
    dosažení požadovaného výsledku.
  • Prognózování predpovídání pravdepodobných
    dusledku zadaných situací.
  • Ladení sestavení predpisu pro odstranení poruch
    systému.
  • Rízení regulace procesu (muže zahrnovat
    interpretaci, diagnostiku, monitorování,
    plánování, prognózování a ladení).
  • Ucení inteligentní výuka pri níž studenti mohou
    klást otázky napr. typu proc, jak, co kdyby.

15
Výhody a nevýhody ES
  • Výhody ES
  • schopnost reÅ¡it složité problémy,
  • dostupnost expertíz a snížené náklady na jejich
    provedení,
  • trvalost a opakovatelnost expertízy,
  • trénovací nástroj pro zacátecníky,
  • uchování znalostí odborníku odcházejících
    z organizace.
  • Nevýhody ES
  • nebezpecí selhání ve zmenených podmínkách,
  • neschopnost poznat meze své použitelnosti.

16
Historie vývoje ES
  • Poté, co pri reÅ¡ení praktických problému selhaly
    obecné metody rešení, byla pochopena nutnost
    využívat specifické (expertní) znalosti
    z príslušné problémové domény.
  • Etapy vývoje
  • 1965-70 pocátecní fáze (Dendral)
  • 1970-75 výzkumné prototypy (MYCIN,
    PROSPECTOR, HEARSAY II)
  • 1975-80 experimentální nasazování
  • 1981- komercne dostupné systémy

17
1.generace ES
  • Charakteristické rysy 1.generace ES
  • jeden zpusob reprezentace znalostí,
  • malé schopnosti vysvetlování,
  • znalosti pouze od expertu.

18
2.generace ES
  • Charakteristické rysy 2.generace ES
  • modulární a víceúrovnová báze znalostí,
  • hybridní reprezentace znalostí,
  • zlepÅ¡ení vysvetlovacího mechanismu,
  • prostredky pro automatizované získávání znalostí.
  • V rámci 2.generace ES se také objevují hybridní
    systémy, v nichž se klasické paradigma expertních
    systému kombinuje s dalšími prístupy, jako jsou
    neuronové síte a evolucní metody.

19
Rozdelení expertních systému dle úrovne jejich
využívání
  • poradce - pomucka experta na potvrzení ci
    zpochybnení svých profesionálních názoru. Má
    hlavne kontrolní funkci
  • rovnocenný partner - ES navrhuje reÅ¡ení, konecné
    rozhodnutí však delá uživatel
  • expert - pracuje úplne autonomne na úkolech,
    které uživatel není schopen sám vyrešit. Systém
    má konecné slovo v rozhodování a svá rozhodnutí
    casto také ihned provádí. Uživatel obvykle není
    ani schopen kontrolovat správnost techto
    rozhodnutí.

20
Produkcní (pravidlové) systémy
  • Poskytují vhodnou strukturu na opis a provádení
    procesu prohledávání.
  • Tri základní složky produkcních systému
  • báze dat (reprezentace faktu)
  • báze (produkcních) pravidel
  • inferencní mechanizmus (interpreter)

21
Produkcní pravidlo
predpoklady
dusledek (akce)
dusledková (akcní) cást
predpokladová cást
22
Inferencní mechanizmus
  • Inferencní mechanizmus urcuje, jak a v jakém
    poradí aplikovat pravidla na bázi dat.
    Principiálne lze rozlišit
  • prímé (doprední) retezení, kdy pri aplikaci
    produkcních pravidel postupujeme ve smeru od
    pocátecního stavu k nekterému ze stavu cílových
    (strategie rízená daty)
  • zpetné retezení, kdy se vychází od cíle ve smeru
    pocátecních stavu (strategie rízená cílem)

23
Príklad
  • A (Je zamraceno.) B (Je podzim.) ? E (Bude
    pršet.)
  • C (Zmoknu.) D (Jsem mimo domova.) ? G (Dostanu
    chripku.)
  • E (Bude prÅ¡et.) ? H (Natece mi do bot.)
  • B (Je podzim.) G (Dostanu chripku.) ?I (Dostanu
    zápal plic.)
  • E (Bude prÅ¡et.) H (Natece mi do bot.) ? C
    (Zmoknu.)
  • G (Dostanu chripku.) E (Bude prÅ¡et.) ? F (Budu
    dlouho nemocná/ý.)
  • I (Dostanu zápal plic.) K (Nebudu se lécit.) ?F
    (Budu dlouho nemocná/ý.)
  • Báze dat at obsahuje data B, D a E, cílový údaj
    at je symbol G.

24
Prímé retezení
Báze dat B (Je podzim) D (Jsem mimo domova) E
(Bude pršet)
Cíl G (Dostanu chripku)
Rešení
c) E (Bude pršet) ? H (Natece mi do bot)
e) E (Bude pršet) H (Natece mi do bot) ?
C(Zmoknu)
b) C (Zmoknu) D (Jsem mimo domova) ? G
(Dostanu chripku)
25
Zpetné retezení
Báze dat B (Je podzim) D (Jsem mimo domova) E
(Bude pršet)
Cíl G (Dostanu chripku)
b) C (Zmoknu) D (Jsem mimo domova) ? G
(Dostanu chripku)
Rešení
e) E (Bude pršet) H (Natece mi do bot) ?
C(Zmoknu)
c) E (Bude pršet) ? H (Natece mi do bot)
Write a Comment
User Comments (0)
About PowerShow.com