View
220
Download
2
Category
Preview:
Citation preview
1
POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04 SPO M. Zekić- Sušac, J. Mesarić 1
3. EKSPERTNISUSTAVI
2
SPO M. Zekić- Sušac, J. Mesarić 2POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Ekspertni sustavi – Sustavi temeljeni na znanju (eng. Expert Systems, Knowledge Based Systems,
Knowledge Automation Systems)
ES su računalni programi koji koriste znanje za rješavanje praktičnih problema za koje je inače potrebna ljudska ekspertiza.
(A. Cawsey)
3
SPO M. Zekić- Sušac, J. Mesarić 3POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Kako prikupiti i ugraditi znanje eksperta u program?� znanje eksperta je najčešće heurističko
(temeljeno na iskustvu), a može se izraziti s pomoću pravila zaključivanja
� Ekstrahiranje znanja od nekog eksperta i ugrađivanje u sustav zovemo prikupljanjem znanja (eng. Knowledge Acquisition)
� cilj: izgradnja baze znanja ES-a koja će se koristiti kada ljudski ekspert nije raspoloživ
4
SPO M. Zekić- Sušac, J. Mesarić 4POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Koraci u prikupljanju znanja za ES
� 1) intervju s ekspertom – rezultat: grubi prototip baze znanja
� 2) interakcija s korisnicima ES-a i ekspertom – dorađivanje baze znanja
� ponavljanje koraka 2) iterativno dok se ne dobije zadovoljavajući sustav
Prikupljanje znanja za ES radi se kroz dva osnovna koraka.U prvom koraku ekspert se intervjuira kako bi se od njega dobila pravila dolaženja do neke odluke. Na temelju tih pravila izgrađuje se prototip ES-a. Taj je prototip često nezadovoljavajući ES, iz više razloga:-ekspertu nije lako objasniti na koji točno način dolazi do odluke-ekspert često u prvom intervjuju zaboravi reći neka pravila koja se po njemu podrazumijevaju ili ih primjenjuje podsvjesno, dok korisnicima sustava često nisu tako vidljiva i jasnaZbog toga je važna druga faza prikupljanja znanja – interakcija s korisnicima i ekspertom, u kojoj pri korištenju sustava oni mogu dodati svoja zapažnja ili pravila koja treba dodatno ugraditi u sustav. Ova faza se odvija iterativno dok se ne ostvari zadovoljavajući ES.
Ovakav iterativni proces izgradnje baze znanja ES-a moguće je ostvariti ako je sustav napravljen tako da ga je lako modificirati. Dakle, fleksibilnost je važna karakteristika ES-a.
5
SPO M. Zekić- Sušac, J. Mesarić 5POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Karakteristike ES-aES su programi koji:� sadrže ljudsko znanje o nekoj domeni� su sposobni donositi odluke zaključivanjem iz tog znanja� dozvoljavaju da se znanje održava neovisno od ostatka
programa � mogu opravdati donesenu odluku (eng. White box)
6
SPO M. Zekić- Sušac, J. Mesarić 6POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Područja primjene ES-aES se koristi za rješavanje različitih problema u: � medicini (prvi ES: Dendral, zatim Mycine)� inžinjerstvu, geologiji, računalstvu, ekonomiji,
poslovanju, pravu, vojsci, obrazovanju, i dr.
Tipovi problema koji se rješavaju ES-om:� dijagnoza, odnosno klasifikacija (npr. pogreške stroja
(škarta), bolesti, itd)� dizajn (npr. računalnih sustava, hotela, proizvoda, itd.)� interpretacija (npr. geoloških podataka, ultrazvučnih
slika, satelitskih slika, itd).
Koju tehniku primijeniti za određeni problem ovisi umnogome o tipu problema, a ne toliko o području, jer se ES, kao i ostale tehnike umjetne inteligencije, mogu koristiti gotovo u svim područjima.
7
SPO M. Zekić- Sušac, J. Mesarić 7POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Primjeri tipa dijagnoze (klasifikacije)
� statičko pronalaženje grešaka (dijagnostika tehničke opreme, procesa, jednostavna medicinska dijagnostika)
� dinamičko pronalaženje grešaka (složena dijagnostika tehničke opreme, procesa, složena medicinska dijagnostika, terapije i interpretacije laboratorijskih rezultata)
� jednostavne (pr)ocjene (odobrenje kredita, kontrola kvalitete, monitoring) složene (pr)ocjene (pravna regulacija slučajeva, izbor biljnih kultura za zemljišta, monitoring procesa s više od dva alarma)
� selekcija (investicijsko odlučivanje, kupovina, kreiranje kataloga)
8
SPO M. Zekić- Sušac, J. Mesarić 8POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Primjeri tipa dizajna
� generiranje rasporeda� konfiguriranje računala� planiranje eksperimenta u molekularnoj genetici� planiranje radnih mjesta u složenim pogonima� iskorištenje kapaciteta strojeva� planiranje terapije kod liječenja tumora
9
SPO M. Zekić- Sušac, J. Mesarić 9POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Primjeri tipa interpretacije (prepoznavanja uzoraka)
� identifikacija objekata (identifikacija gljiva, kartografiranje, prepoznavanje slika, prepoznavanje škarta proizvoda, meteoroloških uzoraka i sl.)
10
SPO M. Zekić- Sušac, J. Mesarić 10POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Arhitektura ES-a
Baza
znanja
Baza činjenica
Mehanizam zaključivanja
Korisničko sučelje
KORISNIK
Ljuska ES-a
Izvor: Čerić, Varga (2004), modificirano
Galvni dijelovi nekog ES-a (prema Čerić, Varga, 2004) su:1) Baza znanja – predstavlja izvor znanja o nekom području (prikupljen od
eksperta ili literature, najčešće predstavljen u obliku logičkih if-then pravila, i kada se jedanput detaljno izradi, baza znanja uglavnom ostaje stabilna u sustavu
2) Baza činjenica – sadrži činjenice o stanju nekog problema koji se upravo rješava, npr. financijsko stanje nekog poduzeća. Kako se mijenja stanje problema, baza činjenica također mijenja svoj sadržaj
3) Mehanizam zaključivanja – je postupak traženja rješenja problema pretraživanjem pravila (stabla odlučivanja). Ovaj mehanizam koristi znanje i činjenice, te određuje redosljed aktiviranja elemenata znanja (aktiviranja pravila) u situacijama u kojima više elemenata zadovoljava uvjete aktiviranja
4) Korisničko sučelje – omogućuje komuniciranje korisnika sa sustavom i sadrži mehanizam objašnjavanja kako je došao do odluke (rješenja)
11
SPO M. Zekić- Sušac, J. Mesarić 11POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Prikupljanje znanja (knowledge acquisition)� On-site (uživo) promatranje eksperta� Problemska diskusija� Problemska deskripcija� Problemska analiza� Sistemska rafinacija� Sistemsko pretraživanje� Sistemsko vrednovanje
On-site (u živo) promatranje:
Promatra se ekspert pri ješavanju realnog problema i nastoji proniknuti u složenost problema i raspoloživog alata za opis problema.
Problemska diskusija
Istražuju se vrste podataka, znanja i procedure dotičnog problema. Cilj je da se odredi kako ekspert organizira znanje za svaki problem, kako predstavlja konceptI hipoteze, kako rješava nekonzistenta, neprecizna znanja i podatke koji se odnose na problem
Problemska deskripcija
Da li je ekspert opisao prototip problema za svaku kategoriju odgovora u danojdomeni. Inžinjer znanja razvija prototip sustava na bazi odgovora koji se za daniproblem mogu pojaviti.
Problemska analiza
Prezentiranje ekspertu serije realističnih problema da ih riješi iznoseći naglasmisaoni proces korak po korak.
Sistemska rafinacija
Ekspert daje inžinjeru znanja da rješava probleme od lakših ka težima uz danikoncept od eksperta I po definiranom formalizmu i pravilima.
12
SPO M. Zekić- Sušac, J. Mesarić 12POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Kako se predstavlja znanje u bazi znanja ES-a?
� Reprezentacija znanja bazirana na logici� Produkcijska pravila (if-then) - najčešće u upotrebi� Modus ponens� Hipotetički silogizam� Propozicijska logika� Predikatna logika
� Objektno orjentirana reprezentacija� Okviri� Semantičke mreže
13
SPO M. Zekić- Sušac, J. Mesarić 13POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Reprezentacija znanja� Problem: Odobrenje hipotekarnog kredita� Atributi (kriteriji) za odlučivanje:
ne postoje
postoje
Ostala zaduženja
veća od ½ plaće
Neizmeđu 1/3 i ½ plaće
> rate kredita
>= vrijednosti kredita
Ne
Da< 1/3 plaće<= rate kredita
manja od vrij. kredita
broj godinaDa
Odluka o kreditu
Rata kredita
PlaćaImovinaStarostStalni posao
14
SPO M. Zekić- Sušac, J. Mesarić 14POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Reprezentacija znanja bazirana na logici
Temelji se na produkcijskim pravilima. Pravila su forme koje imaju slijedeću interpretaciju:
AKO <uvjet> TADA <zaključak>AKO <pretpostavka> TADA <posljedica>AKO <činjenica> TADA <hipoteza>
Primjer: pravila za odobrenje hipotekarnog zajma:AKO tražilac ima stalan posao I tražilac ima adekvatne prihodeI tražilac ima dobar kreditni rejtingI imovina je dostatna TADA odobri kredit
15
SPO M. Zekić- Sušac, J. Mesarić 15POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Stablo odlučivanja – grafički prikaz produkcijskih pravila
Stalni posao
Ne
Da
Odluka = Ne
Starost
>70
<70
Odluka = Ne
Imovina
Plaća
< kredita
>=kredita
Odluka = Ne
< kredita
>=kredita
Odluka = Ne
Rata kredita
>= ½ kredita
između ½ i 1/3 kredita<= 1/3 kredita
Odluka = Ne
Odluka = Ne
Odluka =Da
16
SPO M. Zekić- Sušac, J. Mesarić 16POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Objektno orjentirana reprezentacija –semantičke mreže
KOMERCIJALNI
KREDIT
TRAŽILACKREDITA
imaime
adresa
se dajetražije ima
ima
iznos
rok
ratu
ima
ima
KOMERCIJALNI TRAŽILAC je
je
TRAŽILACINDIVIDUAL.
aktiva i pasiva
manager
imaima
17
SPO M. Zekić- Sušac, J. Mesarić 17POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Objektno orjentirana reprezentacija - okviriTražilac kreditaIme : stringAdresa: stringNamjera: prijava
IndividualniPrijava za: hipotekarni kredit(okvir)Prilaže: dokumentacija za kredit (okvir)Hipoteka : kuća (okvir)Superklasa: Tražilac kredita
Hipotekarni kreditIznos: brojKamata: brojTrajanje: brojIznos rate: izračunava se iz iznosa , kamata i trajanja
kućadokumentacija za kredit
18
SPO M. Zekić- Sušac, J. Mesarić 18POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Zaključivanje i procesiranje znanja u ESZaključivanje i procesiranje znanja u ES--uu
� Smisao procesiranja znanja je da se mogu kreirati nova znanja i izvesti valjani zaključci (conclusions).
Zaključivanje (inference) se izvodi:• Deduktivnim rezoniranjem• Induktivnim rezoniranjem
19
SPO M. Zekić- Sušac, J. Mesarić 19POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Deduktivno rezoniranje u ekspertnim sustavima
Deduktivno rezoniranje započinje aksiomima i uobičajeno prihvaćenim premisama odnosno dobro definiranim formulama koje se ne izvode iz samog sustava.
Proces zaključivanja sastoji se od dva dijela:• Jednostavnog (single) zaključivanja • Višestrukog (multiple) zaključivanja
20
SPO M. Zekić- Sušac, J. Mesarić 20POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Kontrola (testiranje) pravila u bazi
Ulančavanje unazad (backward chaining)
Kod ulančavanja unazad zaključivanje započinje s pitanjem ili ciljem. Cilj ili odgovor na pitanje je konzekvencija ili TADA dio kondicionala. Ulančavanje unazad je ciljem vođeno
Ulančavanje unaprijed (forward chaining)
Kod ulančavanja unaprijed zaključivanje ide tkao da se pronalazi svaka činjenica s antecedentom odnosno AKO dijelom pravila (podacima vođeno)
21
SPO M. Zekić- Sušac, J. Mesarić 21POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Kontrola pretraživanjem prvo u dubinuKontrola pretraživanjem prvo u dubinu
U stablu odlučivanja pretražuju se redom pravila od početnog po krajnje lijevoj grani, dok se ne postigne cilj. Ako cilj nije postignut u toj grani, program se vraća unatrag i pretražuje ostala pravila opet po krajnje lijevoj grani.
22
SPO M. Zekić- Sušac, J. Mesarić 22POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Kontrola pretraživanjem prvo u širinu Kontrola pretraživanjem prvo u širinu
U stablu odlučivanja pretražuju se redom pravila iste razine (horizontalno), dok se ne postigne cilj. Ako cilj nije postignut u toj razini, prelazi se na sljedeću razinu i nastavlja na isti način dalje.
23
SPO M. Zekić- Sušac, J. Mesarić 23POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Induktivno rezoniranje u ekspertnim sustavima
U stvarnosti znanja se dobrim dijelom stiču indukcijom. Induktivno rezoniranje u ES potrebno je zbog toga što:
• ponekad u bazama znanja tek treba razviti pravila koja će se koristiti dedukcijom
• domena znanja je takva da ne pristaje u reprezentaciju na osnovu pravila ili predikata
U induktivnom rezoniranju mora postojati skup reprezentativnih slučajeva za koje znamo cilj ili vrijednost odluke.
24
SPO M. Zekić- Sušac, J. Mesarić 24POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Tretiranje nejasnih i nepouzdanih znanja
• Probabilističke metode - Bayesova statistika
• Fuzzy (neizraziti) skupovi i fuzzy logika- Pripadnost nekog elementa skupu ne određuje se izrazito
(pripada ili ne pripada), nego s pomoću vjerojatnosti (ili stupnja) pripadanja skupu.
- Primjer: odrediti fuzzy vrijednosti za varijablu “Da li je čovjek visok?”
Ako su moguće vrijednosti: DA ili NE (0 ili1), to je klasičan skup vrijednosti.
Ako su moguće vrijednosti: (0, 0.1,..., 0.9, 1), to je neizraziti (fuzzy) skup vrijednosti
- Upotreba fuzzy podataka se preporuča kada je znanje o procesu ili sustavu uglavnom iskustveno, oblikovano riječima i dano u obliku pravila
25
SPO M. Zekić- Sušac, J. Mesarić 25POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Neizraziti (fuzzy) podaci
170 180 1900
0.5
1
Slika. Grafički prikaz klasičnog i neizrazitog skupa za varijablu: visoki ljudi (Izvor: Čerić, Varga, 2004, str. 177)
Prema klasičnom skupu, varijabla visoki ljudi je definirana sa vrijednostima:
0 = ako je čovjek niži od 180 cm, 1= ako je čovjek viši od 180 cm
Prema neizrazitom skupu, varijabla visoki ljudi je definirana:
0 = ako je čovjek niži od 170 cm, 1= ako je čovjek viši od 190 cm,
između 0 i 1 = ako je čovjek između 170 i 190 cm
Klasični skupNeizraziti skup
Kao primjeri fuzzy podataka u poslovanju mogu se navesti:-visina troškova proizvodnje (npr. Odrediti granice za kategorije: niski, srednji, visoki)-visina plaće ili honorara djelatnika (npr. Odredtiti granice za kategorije: niska, srednja, visoka)- financijsko stanje tvrtke (npr. Odrediti granice za kategorije: loše, osrednje, dobro)-Kvaliteta proizvoda (npr. Odrediti granice za kategorije: niska, osrednja,visoka), itd.
26
SPO M. Zekić- Sušac, J. Mesarić 26POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Faze razvoja ES-aSistemska analizaSistemska analiza
Dizajn sustavaDizajn sustava
KodiranjeKodiranje
TestiranjeTestiranje
ImplementacijaImplementacija
PostimplementacijaPostimplementacija
27
SPO M. Zekić- Sušac, J. Mesarić 27POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Identifikacija problema Analiza domene Identifikacija ciljeva
Modularizacija Komunikacija Identifikacija eksperata
Identifikacija problema Analiza domene Identifikacija ciljeva
Modularizacija Komunikacija Identifikacija eksperata
Sistemska analiza
Logički dizajn Prikupljanje znanja
Fizički dizajn Izbor software-aIzbor hardware-aDizajn korisničkog sučeljaFizički dizajn baze znanja
Logički dizajn Prikupljanje znanja
Fizički dizajn Izbor software-aIzbor hardware-aDizajn korisničkog sučeljaFizički dizajn baze znanja
Dizajn sustava
Kodiranje ili kupovina Kodiranje baze Kodiranje znanja korisničkog
software-a sučeljaKodiranje veza premadrugim sustavima
Kodiranje ili kupovina Kodiranje baze Kodiranje znanja korisničkog
software-a sučeljaKodiranje veza premadrugim sustavima
Kodiranje
Testiranje software-a Testiranje baze na sintaksne pogreške
Verifikacija Validacija Testiranje Pouzdanost sustava
Testiranje software-a Testiranje baze na sintaksne pogreške
Verifikacija Validacija Testiranje Pouzdanost sustava
Testiranje
Trening korisnika Dokumentiranje PodrškaTrening korisnika Dokumentiranje Podrška
Uvođenje
Prikupljanje izvješća Učenje novog Napuštanje zastarjelog iz područja i statistika znanja znanja
Prikupljanje izvješća Učenje novog Napuštanje zastarjelog iz područja i statistika znanja znanja
Postimplementacija
Razvoj ES-a kroz faze
28
SPO M. Zekić- Sušac, J. Mesarić 28POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Načini izgradnje ES-a
� Izraditi vlastiti sustav otpočetka (“from scratch”) – dugotrajnije
� Koristiti gotove ljuske ES-a – alate koji nude gotovo korisničko sučelje, editore za upisivanje baze znanja, te izbor mehanizma zaključivanja i načina prikaza rezultata – brže i efikasnije rješenje
29
SPO M. Zekić- Sušac, J. Mesarić 29POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Alati (ljuske) za razvoj ekspertnih sustava
Ljuska ES (ES Shell) je vrsta programskog alata koja pruža metodološki okvir za izgradnju ekspertnih sustava
- ljuske omogućuju korisniku da često i bez poznavanja prog. jezika izgradi ekspertni sustav koji rješava konkretan problem
- neke od njih generiraju aplikacije (exe, com) ili html dokumente koji omogućuju izvršavanje ES neovisno o platformi i na web-u
30
SPO M. Zekić- Sušac, J. Mesarić 30POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Primjeri alata - ljuski ESJess, http://herzberg.ca.sandia.gov/jess/index.shtml
CLIPS, http://www.ghg.net/clips/CLIPS.html
XpertRule, http://www.attar.com� ljuska za ekspertne sustave koji se koristi u elektroničkom poslovanju,
elektroničkoj državnoj upravi i e-obrazovanjuExSys Corvid, http://www.exsys.com� ljuska ES za automatizaciju znanja koja u evaluacijskoj verziji
omogućuje izgradnju ES te pokretanje na webu kao java runtime programa, dok u komercijalnoj verziji omogućuje i ugradnju u poslovnu aplikaciju
TexSys, http://www.pmfst.hr/~stankov/texsys/index.html� Inteligentna ljuska za ekspertne sustave kreirana na Fakultetu
prirodoslovno-matematičkih znanosti i odgojnih područja u Splitu. Sadrži interaktivne upute za korištenje programa na Webu uz primjere.
31
SPO M. Zekić- Sušac, J. Mesarić 31POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Kada ima smisla koristiti ES?� Da li ići ili ne u nabavku ili izgradnju ES-a za rješavanje nekog
problema?Smjernice su sljedeće:1) potreba za rješenjem mora opravdati troškove ES-a2) nema raspoloživog eksperta za rješavanje tog problema u svim
situacijama3) problem se može riješiti koristeći tehnike simboličke logike (nije
“računski” odnosno “numerički” problem)4) problem je slabo strukturiran, a znanje o njemu je nesigurno i
temelji se na iskustvu, 5) problem se ne može riješiti standardnim tehnikama6) postoji ekspert koji želi surađivati u prenošenju svog znanja7) problem koji treba riješiti je odgovarajuće veličine i raspona (traži
specifično znanje, a ne općenito)
Ove smjernice važne su pri donošenju odluke da li koristiti ES za rješavanje određenog problema.Manager tvrtke treba odgovoriti na sva pitanja, i ukoliko su odgovori potvrdni, te postoji očekivani povrat troškova, tada treba ići u nabavku (ili izgradnj) ES-a.
32
SPO M. Zekić- Sušac, J. Mesarić 32POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
Primjeri implementacije ekspertnih sustava
Poslovno odlučivanje• financijski management• računovodstvo• upravljanje IS- om firme• marketing istraživanje
Industrija• naftna industrija• vođenje procesa
Kemijsko inžinjerstvoMedicina (dijagnostika)AvioindustrijaVojne tehnologijePravo Transport
Primjeri poslovne upotrebe:
• odobravanje kredita u bankama
• detektiranje poslovnih teškoća tvrtke
• izbor lokacije poslovnog prostora
• izbor tehnologije, i dr.
Trend razvoja ES-a:
prema sustavima za upravljanje znanjem (Knowledge Management)
33
SPO M. Zekić- Sušac, J. Mesarić 33POSTDIPLOMSKI STUDIJ PODUZETNIŠTVO 2003/04
LiteraturaČerić, V., Varga, M. (ur.) Informacijska tehnologija u poslovanju,
Element, Zagreb, 2004.
web izvori: � A. Cawsey, Expert Systems, Heriot Watt University,
http://www.cee.hw.ac.uk/~alison/ai3notes/chapter2_5.html, 09.05.2007.
Ljuske ES: � ExSys, http://www.exsys.com/demomain.html - manji popis primjera
za koje je moguće aktivirati demo verzije na Webu� ExSys, http://www.exsys.com/app_indu.htm - veći popis primjera s
opisima, nije moguće aktivirati demo verzijeXpertRule� http://www.attar.com/deploy/demos.htm, primjeri upotrebe ove ljuske
koji se mogu pokrenuti na Webu
Recommended