3. EKSPERTNI SUSTAVI - ices-study. · PDF fileinterpretacija (npr. geoloških podataka, ... interpretacije laboratorijskih rezultata) jednostavne (pr)ocjene (odobrenje kredita, kontrola

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


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


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


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


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


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


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


Primjeri tipa interpretacije (prepoznavanja uzoraka)

� identifikacija objekata (identifikacija gljiva, kartografiranje, prepoznavanje slika, prepoznavanje škarta proizvoda, meteoroloških uzoraka i sl.)

10


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


Faze razvoja ES-aSistemska analizaSistemska analiza

Dizajn sustavaDizajn sustava

KodiranjeKodiranje

TestiranjeTestiranje

ImplementacijaImplementacija

PostimplementacijaPostimplementacija

27


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


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


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


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


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


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


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

Documents

3. EKSPERTNI SUSTAVI - ices-study. · PDF fileinterpretacija (npr. geoloških podataka, ... interpretacije laboratorijskih rezultata) jednostavne (pr)ocjene (odobrenje kredita, kontrola