Upload
leora
View
85
Download
3
Embed Size (px)
DESCRIPTION
Inteligentne Systemy Obliczeniowe Wstęp do systemów ekspertowych. Prof. Dr hab. Marek Rudnicki. SYSTEMY EKSPERTOWE i SZTUCZNA INTELIGENCJA. - PowerPoint PPT Presentation
Citation preview
Inteligentne Systemy Inteligentne Systemy ObliczenioweObliczenioweWstęp doWstęp do systemów ekspertowychsystemów ekspertowych
Prof. Dr hab. Marek Rudnicki
Prof.. Marek Rudnicki
SYSTEMY EKSPERTOWE i SZTUCZNA INTELIGENCJA
Inteligencja - (psych.) zespół zdolności umysłowych umożliwiających jednostce sprawne korzystanie z nabytej wiedzy oraz skuteczne zachowanie się wobec nowych zadań i sytuacji. Sztuczna Inteligencja (skrót AI od angielskiego określenia Artificial Intelligence ) - to pojęcie stosowane w informatyce i oznaczające rozwiązywanie problemów sposobami wzorowanymi na naturalnych działaniach i procesach poznawczych człowieka za pomocą symulujących je programów komputerowych. Definicji AI jest niemalże tyle, co osób zajmujących się nią. Możliwa jest szeroka definicja (Shalkoff,1990):
Prof.. Marek Rudnicki
Sztuczna inteligencjaSztuczna inteligencja
AI - dziedzina badań, które usiłują wyjaśnić i emulować zachowanie inteligentne w terminologii procesów obliczeniowych "in terms of computational processes". Zatem AI nie jest czystą nauką (część objaśniająca) ani podstawą nowatorskiej (engineering) inżynierskiej dyscypliny (część emulacyjna). Wyjaśnia to interdyscyplinarną naturę sztucznej inteligencji jako dziedziny. W literaturze podawana jest też definicja inżynierska sztucznej inteligencji, jako: AI to generowanie reprezentacji i procedur, które automatycznie i autonomicznie rozwiązują problemy, które dotychczas były rozwiązywane przez człowieka (Shalkoff, 1990, Charniak, McDetmott, 1985).
Prof.. Marek Rudnicki
Sztuczna inteligencjaSztuczna inteligencja”Celem AI jest zrozumienie inteligencji tak, by możliwe było wykorzystanie jej do przeprowadzania obliczeń". Odróżnia to AI od rozwoju konwencjonalnego oprogramowania dla wąsko zdefiniowanych zadań, jakie można spotkać w systemach ekspertowych. Często utożsamia się AI z ES, z powodu przewagi ES, co jest głównym źródłem zamieszania na temat: co stanowi AI. Zakres problemów zawierających się w ramach AI jest dość szeroki: gry, dowody twierdzeń, rozpoznawanie obrazów, przetwarzanie języków naturalnych, rozpoznawanie mowy, systemy ekspertowe.
Prof.. Marek Rudnicki
Systemy ekspertoweSystemy ekspertoweSystem - uporządkowany wewnętrznie układ elementów mający określoną strukturę (całość); zespół zasad organiz., norm i reguł obowiązujących w danej dziedzinie; w metodologii zespół sposobów działania (metoda).
System Ekspertowy (skrót ES od ang. nazwy Expert Systems) - komputerowy program konsultacyjny, wspomaga decyzje zastępując eksperta w danej dziedzinie, np. w diagnostyce medycznej. Naśladowanie przez system ekspertowy procesu myślenia człowieka jest związane z preferowanym przez projektantów systemów podejściem do problemu rozwiązywania zadań. W podejściu tym komputer jest traktowany jako obiekt badań, natomiast umysł ludzki jest modelem, wzorcem do naśladowania.
Prof.. Marek Rudnicki
Systemy eskpertoweSystemy eskpertoweSystemy ekspertowe są programami, zwykle ograniczonymi do specyficznego zakresu, próbującymi naśladować zachowanie ekspertów - ludzi. Typowe atrybuty ES to:
1. Wiedza jest zwykle reprezentowana w postaci deklaratywnej, umożliwiającej łatwe odczytywanie i modyfikację. Większość ES wykorzystuje struktury 'jeśli przesłanki to akcje ' (IF-THEN), systemy bazujące na regułach.
2. Struktura wiedzy jest klarowna (wyłączając neuronowe ES).
3. Reprezentacja wiedzy i mechanizm sterujący są rozdzielone. Często mechanizm sterujący korzysta z reguł, tzw. meta-reguł.
4. Ważny z punktu widzenia użytkownika interfejs I/O, pozwala na zadawanie pytań i uzyskiwanie wyjaśnień (praca interaktywna).
5. Moduły zdobywania wiedzy i modyfikacji wiedzy są często używane dla rozszerzania systemów ekspertowych.
Prof.. Marek Rudnicki
Wiedza eksperta jest zasobem rzadkim i drogim.
ES pozwalają większemu gronu ludzi działać jako 'ekspert'. Jest to użyteczne przy szkoleniu itp. Edukacyjna rola ES jest bardzo duża, np. MYCIN (system służący do diagnozowania chorób bakteryjnych) doskonale nadaje się do uczenia studentów medycyny, nie ryzykując zdrowiem pacjenta.
Połączenie wiedzy kilku ekspertów może spowodować, że ES działa lepiej niż pojedynczy ekspert. Na świecie z powodzeniem pracują systemy ekspertowe (np. MYCIN, PUFF, DENDRAL, PROSPECTOR).
CzynnikiCzynniki pobudzające rozwój pobudzające rozwój systemów ekspertowychsystemów ekspertowych
Prof.. Marek Rudnicki
CzynnikiCzynniki pobudzające rozwój pobudzające rozwój systemów ekspertowychsystemów ekspertowych
Różnice między systemami ekspertowymi pracującymi w czasie rzeczywistym a konwencjonalnymi ES. Tradycyjne systemy ekspertowe najczęściej znajdują zastosowania w zagadnieniach diagnostycznych i konsultacyjnych. W aplikacjach pracujących w czasie rzeczywistym, wnioskowanie odbywa się z uwzględnieniem najczęściej wielu szybko zmieniających się danych (high-input data rates), krytycznym wymogiem jest 'wyprodukowanie' właściwej odpowiedzi w odpowiednim, krótkim przedziale czasu. Coraz częściej technologie bazujące na systemach ekspertowych znajdują zastosowania w zadaniach czasu rzeczywistego, zwłaszcza w szczególnie ważnych zadaniach (mission-critical applications).
Prof.. Marek Rudnicki
Pamięć
Pamięć długotrwała człowieka przechowuje m.in. wiedzę o metodach rozwiązywania problemów, dane o wzajemnej zależności obiektów i osób, ważniejsze wydarzenia i szczegóły. Pamięć krótkotrwała jest natomiast pamięcią wykorzystywaną do pamiętania bieżących problemów i spraw.
Prof.. Marek Rudnicki
PamięćPamięć
Obszar pamięci systemu, w którym informacje są przechowywane w postaci symbolicznej, nazwano Bazą danych, BW (ang. Knowledge Base, KB). Pamięć krótkotrwałą człowieka zastąpiono Bazą danych bieżących, układ efektorowy zastąpiono układem układem translacji informacji między wejściem i wyjściem systemu, natomiast procesor poznawczy zastąpiono układem interpretacji metody. System z bazą danych, wykonany w taki sposób, może komunikować sie ze światem zewnętrznym za pośrednictwem użytkownika.
Prezentowany system ma zdolność przetwarzania informacji zależnie od jej znaczenia i dlatego przyjęto nazywać go SYSTEMEM EKSPERTOWYM.
Prof.. Marek Rudnicki
SESE
Jest programem komputerowym, który komunikuje się ze światem zewnętrznym za pośrednictwem operatora oraz dysponuje określonym wycinkiem wiedzy, definiowanym jako dziedzina i wykorzystywanym do rozwiązywania problemów występujących w świecie rzeczywistym.
Nazwa system ekspertowy jest uzasadniona tym, że w czasie rozwiązywania postawionych zadań naśladuje on sposób rozumowania ludzi - ekspertów. Ułatwia on również ludziom uzupełnianie ich wiedzy oraz pomaga w efektywnym wykonaniu pracy.
Prof.. Marek Rudnicki
Cechy SECechy SE
Systemy ekspertowe, ze względu na sposób działania oraz powierzone funkcje, mają następujące cechy charakterystyczne:
wykorzystują bazę wiedzy, w której są gromadzone opinie ekspertów dotyczące określonej dziedziny przedmiotowej,
użytkownikom udzielają logicznie uzasadnionych odpowiedzi na pytania dotyczące wybranej dziedziny przedmiotowej,
są wyposażone w układy interfejsowe, umożliwiające komunikowanie się użytkowników z systemem w języku coraz bardziej zbliżonym do języka naturalnego.
Prof.. Marek Rudnicki
SESE
Systemy Ekspertowe pracujące w czasie rzeczywistym znajdują zastosowanie w wielu rzeczywistych zadaniach sterowania przebiegiem procesu. Jedną z zalet, jakie daje ich stosowanie to bardzo dobre rezultaty w krótkim czasie. Działanie jest spójne niezależnie od czasu i położenia geograficznego, w których odbywa się proces. Systemy ekspertowe czasu rzeczywistego mogą wykonywać również użyteczne wstępne przetwarzanie danych, z których wyniki wykorzystywane są przez operatorów ludzi; pełnią wtedy bardzo istotną rolę pomocniczą dla pracy operatora.
Prof.. Marek Rudnicki
SESE
Nawet wtedy, gdy cała wymagana dla sterowania wiedza nie może być zredukowana do postaci reguł czy innej akceptowanej przez ES, stosowanie systemów ekspertowych może okazać się pożądane dla celów odpowiedniej filtracji wiedzy niezbędnej operatorowi. Ułatwia mu to podejmowanie decyzji i może eliminować zmęczenie lub nudę, co może przyczyniać się do lepszej reakcji operatora w ważnych sytuacjach i zapewnić większe bezpieczeństwo. Innym zyskiem zastosowania systemów ekspertowych pracujących w czasie rzeczywistym w sterowaniu procesami jest ich zdolność do wysokiej jakości przetwarzania często zmieniających się danych poprzez pełniejsze monitorowanie i inicjowanie akcji prewencyjnych.
Prof.. Marek Rudnicki
SESE
Prof.. Marek Rudnicki
SESE
EKSPERTEKSPERT
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 EKSPERTOWESYSTEMY EKSPERTOWE
Programy komputerowe wspomagające podejmowanie decyzji, których elementami są:• baza wiedzy, zawierająca wiedzę dziedzinową, istotną dla podejmowanych decyzji, • system wnioskujący, korzystający z bazy wiedzy dla wypracowania tych decyzji.
SYSTEMY EKSPERTOWESYSTEMY EKSPERTOWEPozostałe 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
Prof.. Marek Rudnicki
Struktura SEStruktura SE
Prof.. Marek Rudnicki
STRUKTURA FUNKCJONALNA STRUKTURA FUNKCJONALNA SYSTEMU EKSPERTOWEGOSYSTEMU EKSPERTOWEGO
BAZA WIEDZY
SYSTEMWNIOSKUJĄCY
EDYTORBAZY
WIEDZY
INTEREJS UŻYTKOWNIKA
DYNAMICZNA BAZA
DANYCH
Prof.. Marek Rudnicki
STRUKTURA INFORMATYCZNA STRUKTURA INFORMATYCZNA SYSTEMU EKSPERTOWEGOSYSTEMU EKSPERTOWEGO
INTERFEJSUŻYTKOWNIKA
EDYTORBAZY
WIEDZY
DYNAMICZNA BAZA DANYCH
SYSTEM WNIOSKUJĄCY
BAZA WIEDZY
Plik wykonywalny(Skorupowy system
ekspertowy)
Plik tekstowy
Istotna cecha systemu ekspertowegoIstotna 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
Prof.. Marek Rudnicki
STRUKTURA BAZY WIEDZYSTRUKTURA BAZY WIEDZY
Baza wiedzy
Baza reguł
Baza rad
Baza ograniczeń
Pliki rad
Baza modeli
Prof.. Marek Rudnicki
Spotykane synonimySpotykane synonimy
• system ekspertowy• program regułowy • program z regułową bazą wiedzy
Prof.. Marek Rudnicki
Baza rad
Pliki rad
STRUKTURA BAZY WIEDZYSTRUKTURA BAZY WIEDZY
Baza reguł - wiedza dziedzinowa logiczna
Baza ograniczeń - wiedza dziedzinowa logiczna
Baza modeli - wiedza dziedzinowa matematyczna
wiedza dziedzinowa uzupełniająca i wyjaśniająca
Prof.. Marek Rudnicki
STRUKTURA BAZY WIEDZYSTRUKTURA BAZY WIEDZY
Baza reguł
Baza ograniczeń
Baza modeli
Baza rad
mają postać klauzulzawierających zmienne
Prof.. Marek Rudnicki
Zmienne stosowane w systemach ekspertowych Zmienne stosowane w systemach ekspertowych RMSERMSE
Zmienne łańcuchowe : Dowolny ciąg znaków rozpoczynający i kończący się cudzysłowem górnym “.
W systemach ekspertowych RMSE są stosowane wyłącznie zmienne łańcuchowe
Prof.. Marek Rudnicki
Podstawowe typy zmiennych łańcuchowych w Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnychsystemach ekspertowych dokładnych
zmienne łańcuchowe typu:
• logicznego• rzeczywistego • całkowitego
Prof.. Marek Rudnicki
Logiczne zmienne łańcuchowe :
“Nazwa” jest logiczną zmienną łańcuchową,jeżeli Nazwa przyjmuje tylko wartości ze zbioru stałych logicznych {Prawda, Nieprawda}
Podstawowe typy zmiennych łańcuchowych w Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnychsystemach ekspertowych dokładnych
Prof.. Marek Rudnicki
Rzeczywiste zmienne łańcuchowe :
“Wartość” jest rzeczywistą zmienną łańcuchową, jeżeli Wartość przyjmuje wartości rzeczywiste
Podstawowe typy zmiennych łańcuchowych w Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnychsystemach ekspertowych dokładnych
Prof.. Marek Rudnicki
Całkowite zmienne łańcuchowe :
“Wartość” jest całkowitą zmienną łańcuchową, jeżeli Wartość przyjmuje wartości całkowite
Podstawowe typy zmiennych łańcuchowych w Podstawowe typy zmiennych łańcuchowych w systemach ekspertowych dokładnychsystemach ekspertowych dokładnych
Prof.. Marek Rudnicki
BAZA REGUŁBAZA REGUŁ
Reguły = wiedza dziedzinowa o charakterze ogólnym
FAKTY
REGUŁY
Fakty = wiedza dziedzinowa o charakterze szczegółowym
Prof.. Marek Rudnicki
BAZA REGUŁBAZA REGUŁ
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
Prof.. Marek Rudnicki
BAZA REGUŁBAZA REGUŁ
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 Prologu: A :- B, C, D
B, C, D – warunki regułyA – wniosek reguły - symbol implikacji w logice:- - symbol implikacji regułowej w Prologu
Prof.. Marek Rudnicki
BAZA REGUŁ
regula(Numer_reguły, Wniosek,
Lista_warunków,
Semafor_wyświetlania)
fakt(Warunek_dopytywalny)
Klauzule dokładnej bazy reguł:
Prof.. Marek Rudnicki
System ekspertowy- definicjaSystem ekspertowy- definicja
• System ekspertowy (doradczy): program komputerowy wykorzystujący procedury wnioskowania do rozwiązywania problemów, które są na tyle trudne, że wymagają znaczącej ekspertyzy specjalistów.
• Wiedza (niezbędna, by zapewnić odpowiedni poziom ekspertyzy), wraz z procedurami wnioskowania - model ekspertyzy, posiadanej przez najlepszych specjalistów w danej dziedzinie.
Prof.. Marek Rudnicki
System ekspertowySystem ekspertowy
Wiedza systemu eksperckiego: fakty i heurystyki. Fakty: powszechnie akceptowane przez specjalistów. Heurystyki: informacja subiektywna, która charakteryzuje proces oceny przez określonego specjalistę. Heurystyki: intuicyjne domysły, przypuszczenia, zdroworozsądkowe zasady postępowania. Poziom ekspertyzy - funkcja rozmiaru i jakości bazy wiedzy danego systemu.
Prof.. Marek Rudnicki
Po coPo co
Dlaczego?1. Koszty: w dłuższym okresie czasu są znacznie tańsze, pomagają w
rozwiązywaniu problemów wymagających najbardziej specjalistycznej (najdroższej) wiedzy.
2. Brak ekspertów.3. Pracują szybciej, nie męczą się, są bardziej niezawodne niż ludzie.4. Konsekwentne, spójne, obiektywne, dokładne. 5. Zawsze do dyspozycji (nie strajkują!).6. Analiza dużych ilości danych wymaga komputera.SE: systemy oparte na wszystkich sposobach reprezentacji wiedzy, najczęściej w postaci reguł produkcji.
Prof.. Marek Rudnicki
Etapy tworzenia SEEtapy tworzenia SE
Analizy problemu - oceny, czy budowa SE dla danego problem ma sens.Specyfikacji systemu - szczegółowego określenia funkcji i oczekiwań.Akwizycji wiedzy - zgromadzenia, wydobycia z ekspertów i organizacji wiedzy.Wyboru metody reprezentacji wiedzy i narzędzi do budowy SE.Konstrukcji systemu - utworzenia bazy wiedzy, reguł wnioskowania, systemu wyjaśniającego rozumowanie i prowadzenia dialogu z użytkownikiem.Weryfikacji i testowania systemu.Akwizycja wiedzy wymaga transferu ekspertyzy i jej reprezentacji.
Prof.. Marek Rudnicki
Postać wiedzyPostać wiedzy
Fakty z danej dziedziny wiedzy, np: „W starych silnikach Diesla przy przegrzaniu dochodzi do gwałtownego podwyższenia obrotów na skutek chwilowego spalania oleju.”Reguły typu: „Przed zdjęciem obudowy wyciągnąć wtyczkę.”Heurystyki, czyli co by tu zrobić: „Jak nie zaskakuje a jest iskra to warto sprawdzić przewód paliwa”.Ogólne strategie postępowania. Teoria danej dziedziny, np. działania silników samochodowych.
Prof.. Marek Rudnicki
Akwizycja wiedzyAkwizycja wiedzy
• prowadzenie wywiadów z ekspertami• analiza kwestionariuszy wypełnianych przez
ekspertów• analiza raportów pisanych przez ekspertów• analiza komentarzy ekspertów wykonywanych w
czasie pracy• obserwacja ekspertów przy pracy• introspekcja
Prof.. Marek Rudnicki
Rodzaje cd.Rodzaje cd.
Systemy kontrolne pozwalające na sterowanie skomplikowanymi systemami, takimi jak automatyczne zakłady produkcyjne itp.
Systemy diagnostyczne to jedno z najbardziej popularnych zastosowań SE, w zagadnieniach technicznych, medycynie, analizie chemicznej i wielu innych problemach.
Systemy testujące pomagają przy znajdywaniu problemów i mogą być częścią systemów kontrolnych lub systemów diagnostycznych.
Systemy naprawcze nie tylko prowadzą testy ale i planują działania korekcyjne. Można do nich zaliczyć również niektóre systemy medyczne, zalecające leczenie.
Systemy projektujące wspomagają prace projektowe, takie jak projektowanie układów elektronicznych, CAD czy CAM.
Prof.. Marek Rudnicki
Rodzaje systemów ekspertowychRodzaje systemów ekspertowych
Systemy edukacyjne czyli CAI, lub ICAI (Intelligent Computer Aided Instruction), a więc inteligentne wspomaganie nauczania, systemy algebry symbolicznej.
Systemy interpretujące wspomagające analizę i interpretację informacji, wydobywanie informacji z baz danych, interpretujące dane geologiczne.
Systemy planistyczne wspomagające strategiczne działanie i planowanie zadań, np. planowanie syntezy związków chemicznych czy budowy systemów komputerowych.
Systemy prognostyczne wspomagające wyciąganie wniosków i przewidywanie tendencji.
Prof.. Marek Rudnicki
Konstrukcja systemów ekspertowychKonstrukcja systemów ekspertowych
Zwykle próbuje się oddzielić bazy wiedzy od mechanizmów wnioskowania.
Reguły produkcji: <obiekt,atrybut,wartość>, np. <samochód,kolor,czerwony>
Stosowane są też ramy, sieci semantyczne, sieci Bayesowskie, reprezentacje bezpośrednie i proceduralne;
rzadziej reprezentacje logiczne.
Alternatywy dla ES prowadzących wnioskowanie: symulacje sytuacji w różnych warunkach, oceny statystyczne.
Prof.. Marek Rudnicki
Rodzaje rozumowania Rodzaje rozumowania
DSS (Decision Support Systems), Inteligentne DSS? Dialog z użytkownikiem + wyjaśnienia sposobów wnioskowania.
ES nie zawsze system rozumuje w sposób podobny do człowieka - inne ograniczenia.
• Rozumowanie retrospektywne (które reguły i dlaczego)
• Rozumowanie hipotetyczne (co by było gdyby ...)
• Rozumowanie „wbrew faktom” (counterfactual reasoning) - dlaczego nie udało się osiągnąć spodziewanych konkluzji?
Prof.. Marek Rudnicki
Architektury ES Architektury ES
• Architektura hierarchiczna:poziom faktów z danej dziedziny + przynajmniej jeden meta-poziom, wiedza strategiczna, fakty dotyczące reguł niższego poziomu.Systemy hierarchiczne działające w szerszych domenach wiedzy tworzą drzewa taksonomiczne usiłując podzielić całą wiedzę na rozłączne specjalistyczne dziedziny.
• Architektura wielowarstwowa: kilka warstw, leżące wyżej kontrolują działanie na niższym poziomie; meta-wiedza i kryteria strategicznego planowania i działania.
Czasami przestrzeń zamiast warstwy, np. przestrzeń działania (konkretne akcje), przestrzeń planowania (określanie celów bieżących), przestrzeń strategii (koncentracja uwagi na jakimś obszarze, cofanie działań).
Prof.. Marek Rudnicki
Przykład architektury warstwowej Przykład architektury warstwowej (MolGen)(MolGen)
InterpreterKoncentracjaPodsumowanieZgadujCofnij
Przestrzeń strategii
Sprawdź przewidywaniaOperatorykorygująceProponuj Cel
Przestrzeń projektu
SortujTransformujPołączTestuj
Przestrzeń działania
Meta-plany
Akcje
Prof.. Marek Rudnicki
Architektury ES 2Architektury ES 2
• Architektura tablicowa (blackboard): łączenie wiedzy z kilku źródeł w „pamięci roboczej”, z której korzystają moduły wnioskujące. Jedna lub kilka tablic, informacje mają hierarchiczną strukturę o wzrastającym stopniu szczegółowości.
Zastosowana po raz pierwszy w systemie HEARSAY, jednym z pierwszych działających systemów do rozpoznawania mowy.
• Architektura hybrydowa: regułowo-koneksjonistyczna
Umożliwia automatyczne tworzenie skojarzeń. Systemy koneksjonistyczne mogą służyć odkrywaniu wiedzy na podstawie analizy danych; wiedza dodawana jest do systemu. Przykład: MMPI-IDSS
Prof.. Marek Rudnicki
Architektury ES 2Architektury ES 2
• Architektura symulacyjna: modele numeryczne danej dziedziny, zależności funkcyjne nie dające się uchwycić w postaci reguł.Systemy tworzące sieci przyczynowych powiązań (causal networks) lub probabilistyczne sieci Bayesowskie.
• Architektura korzystająca z analogii (case-based reasoning). W wielu dziedzinach (prawo, medycyna) podstawą rozumowania są analogie, precedensy. Korzystają z bazy danych opisujących znane przypadki, ocen podobieństwa, reguł szukania i używania analogii. Zawierają opis klas problemów, jakie potrafią rozwiązać, wraz ze schematami rozwiązań i sposobami określania podobieństwa do znanych przypadków z danej klasy.
Prof.. Marek Rudnicki
Konstrukcja Konstrukcja ES ES Systemy klasyfikujące: wybór rozwiązania z ustalonej grupy. Systemy konstruujące: składanie rozwiązania z elementów.
Problem: niepewność wiedzy.Prawdopodobieństwa warunkowe, współczynniki ufności lub pewności (confidence factors), teoria wiarygodności, teoria zbiorów rozmytych.
Metodologia konstrukcji dużych systemów, podobna do narzędzi CASE: KADS, Common KADS i Pragmatic KADS.
Prof.. Marek Rudnicki
Języki programowania do tworzenia SEJęzyki programowania do tworzenia SE
LISP (od: List PROcessing, przetwarzanie list), 1958, John McCarthyCommon Lisp 1984 rok, wiele dialektów, np. SchemeCLOS (Common Lisp Object System) Pakiety graficzne (np. AUTOCAD), interfejsy użytkownikaKomputery dla Lispu: stacje SYMBOLICS Język funkcyjny: listy i funkcje (minimalnie 7 funkcji pozwala zrealizować
model maszyny Turinga) FACTORIAL(N):
(COND ( ( EQUAL N 1) 1 )(TRUE (TIMES N (FACTORIAL (DIFFERENCE N 1))) ))
Prof.. Marek Rudnicki
Historia języka LispHistoria języka Lisp
•Lisp--opracowany (ok. 1958) przez logika Johna McCarthy•Stosowany w AI od 30 lat•Zastosowania praktyczne» Systemy ekspertowe & oraz aplikacje AI» Rapid Application Development (RAD)
Prof.. Marek Rudnicki
Historia języka LispHistoria języka Lisp
•Lisp stosowany jest jako język wbudowany•Zastosowania: edytor tekstowy EMACS (MLisp)oraz AutoCAD (AutoLisp).•Język Prolog jest wbudowany w MS Office•Działa na głównych platformach sprzętowych•Liczne wersje free- oraz shareware.• Standard: Common Lisp
Prof.. Marek Rudnicki
LISPLISPLISP jest uniwersalnym językiem przetwarzania symbolicznego, o sprawnych i łatwo przystosowalnych strukturach danych. Nazwa LISP jest skrótem od LISt Procesor. Dane i program w LISP mają tę samą budowę, dlatego język ten jest wykorzystywany do pisania programów samomodyfikujących się oraz generujących inne programy. LISP umożliwia tworzenie nowych języków programowania. Na rynku dostępne są interpretowane i kompilowane wersje LISP.
Prof.. Marek Rudnicki
LISPLISP
Słabszą stroną tego języka jest współpraca z istniejącymi, tradycyjnymi pakietami programowymi. Wadą języka LISP jest również duża zajętość pamięci oraz wolne działanie programów. Cechą języka LISP, przez jednych uważaną za wadę, a przez innych za zaletę, jest brak rozbudowanych mechanizmów podejmowania decyzji. Większość struktur kontrolnych w tym języku należy tworzyć stosownie do zastosowań.
Prof.. Marek Rudnicki
Języki SEJęzyki SE cd cd
Prolog (Programming in Logic), Marsylia i Edynburg. Realizacja rachunku predykatów pierwszego rzędu, do prototypów, Prolog w projekcie V generacji; raczej mniejsze systemy lub prototypy Inne: POP-2 do POP-5, FUZZY Expert System Shells (ESS): EMYCIN, KAS (Knowledge Aquisition System), OPS5, KEE, Knowledge Engineering Environment, KES ESS: czas opracowania systemu 10-20 razy krótszy Ostatnio również języki zorientowane obiektowo: C++, Smalltalk, Dylan
Prof.. Marek Rudnicki
PrologProlog
•Prolog opracowany został w 1972 przez specjalistę AI Alana ColmeraurerRozwinięty na University of Montreal oraz University ofMarseilles•Stosowany w systemach kspertowych & i aplikacjach AI w tym przetwarzanie języków•Dostępny na głównych platformach sprzętowych•Wersje free oraz shareware•Standard: ‘Edinburgh-style’
Prof.. Marek Rudnicki
PROLOGPROLOG
PROLOG jest eleganckim, matematycznie czystym językiem wykorzystującym rachunek predykatów. Program napisany w PROLOG-u wykorzystuje metodę rezolucji Robinsona. Dane oraz wiedza są zapamiętywane w formie przypuszczeń i reguł na bazie twierdzeń. Powyższe cechy predysponują PROLOG do rozwiązywania problemów, w których występuje potrzeba formułowania wielu hipotez.
Wiedza może być uporządkowana z wykorzystaniem hierarchicznych zależności oraz zstępującej strategii rozwiązywania problemów.
Prof.. Marek Rudnicki
Prolog & LispProlog & Lisp
Dane i programy są listamiProgramowanie modularne za pomocą licznych funkcjiDuża liczba nawiasów z których nie wszystkie są znacząceListy są drzewami binarnymi!Definicja rekursywna
Prof.. Marek Rudnicki
Niepewność i logiki nieklasyczneNiepewność i logiki nieklasyczne
Logika założeń (default logic): nie zawsze prawdziwe wnioski.Przestrzeń wierzeń (belief spaces), odróżnia punkty widzenia. Informacja nieznana i informacja prawdopodobna.Logika wielowartościowa (Łukasiewicz, Tarski): określa kilka stopni prawdziwości stwierdzeń, np: Wykształcony(x) = [0, 0.3, 0.6, 1]. Logika rozmyta: nieskończenie wiele stopni. Wnioskowanie statystyczne i metody probabilistyczne: prawd. p(Hi |E) prawdziwości hipotezy Hi przy danej ewidencji E.
Rodzaje niepewnościRodzaje niepewności• Niepewność stochastyczna: Np. rzut kostką, wypadek, ryzyko ubezpieczenia - rachunek prawdopodobieństwa.
• Niepewność pomiarowa Około 3 cm; 20 punktów - statystyka.
• Niepewność informacyjna: Wiarygodny kredytobiorca, spełniający warunki - data mining, szukanie prawidłowości, skojarzeń.
• Niepewność lingwistyczna Np. mały, szybki, niska cena ...
Logika rozmyta (L. Zadeh 1965) i logika przybliżona.
Zbiory rozmyteZbiory rozmyteX uniwersum, zbiór uniwersalny, przestrzeń; x XA zmienna lingwistyczna, koncepcja, zbiór rozmyty.Funkcja przynależności określa stopień, w jakim x należy do A.
Zmienne lingwistyczne: sumy zbiorów rozmytych, koncepcje, predykaty logiczne o ciągłych wartościach. Stopień przynależności to nie prawdopodobieństwo; np. łysy w 80% to nie łysy 1 na 5 razy.Prawdopodobieństwo jest unormowane do jedynki, funkcja przynależności nie.Rozmyte pojęcia są subiektywne i zależne od kontekstu.
: [0,1]A X
PrzykładyPrzykładyKlasyczne i rozmyte pojęcie „młody człowiek”
„Temperatura wrzenia” ma wartość około 100 stopni (ciśnienie, skład chemiczny).
22 100TW T e
A=“młody”
x [lata]
1
0
=0.8
x=23
A=“młody”
x [lata]
1
0x=20
DefinicjeDefinicje
Support (baza) zbioru rozmytego A:supp(A) = { x X : A(x) > 0 }
Core (jądro) zbioru rozmytego A:core(A) = { x X : A(x) =1 }
-cut (-cięcie) zbioru rozmytego A:A = { x X : A(x) > }
=0.6
Wysokość = max x A(x) 1
Zbiór rozmyty normalny: sup x X A(x) = 1
Funkcje PrzynależnościFunkcje Przynależności
(x)
Singleton: (a,1) i (b,0.5)
x
1
0 a b
(x)
x
1
0 a b c
Trójkątna: <a,b,c>
; , , max min , ,0x a c xT x a b cb a c b
Zmienne lingwistyczneZmienne lingwistyczneW=20 => Wiek=młody. Zmienna lingwistyczna = wartość lingwistyczna.Zmienna lingwistyczna: : temperatura termy (zbiory rozmyte) : { zimno, ciepło, gorąco}
x [C]
(x)
1
0
zimno ciepło gorąco
4020
Liczby rozmyteLiczby rozmyteZwykle wypukłe, unimodalne (jedno maksimum).FP często się nakrywają.
Liczby: jądro = punkt, x (x)=1Monotonicznie maleją po obu stronach jądra.Typowy wybór: trójkątne funkcje (a,b,c) lub singletony.
1/ 3 2 / 3 1 2 / 3 1/ 375 6 7 8 9F
( ) /i
A i ix X
A x x
( ) /AX
A x x
Suma i iloczyn zbiorówSuma i iloczyn zbiorówA, B - zbiory rozmyte.Suma AB to zbiór o funkcji przynależności:
max można zastąpić S-normą S(a,b), niemalejącą dla obu argumentów, przemienną, łączną i S(a,0)=a, S(a,1)=1. Iloczyn AB to zbiór o funkcji przynależności:
max ,A B A Bx x x
min ,A B A Bx x x
min można zastąpić dowolną T-normą T(a,b), nierosnącą dla obu argumentów, przemienną, łączną i T(a,0)=0, T(a,1)=a.
Reguły rozmyteReguły rozmyteWiedzę potoczną można często zapisać w naturalny sposób za pomocą reguł rozmytych.
Jeśli zm. lingw-1 = term-1 i zm. lingw-2 = term-2to zm. lingw-3 = term-3
Jeśli Temperatura = zimno i cena ogrzewania = niskato grzanie = mocno
Co oznacza reguła rozmyta:Jeśli x jest A to y jest B ?
Korelacja A i B, lub implikacja A =>B, czyli (not A or B).
Zastosowania logiki rozmytejZastosowania logiki rozmytejWszędzie tam, gdzie trudno jest utworzyć matematyczny model ale daje się opisać sytuację w sposób jakościowy, za pomocą reguł rozmytych.
Kontrolery rozmyte: jeśli się przewraca to popchnąć.
Inteligentne lodówki, pralki, windy, opiekacze do grzanek, aparaty fotograficzne.Zastosowania medyczne: nieprecyzyjny język daje się przełożyć na reguły rozmyte.Wiele zastosowań przemysłowych, głównie dotyczących kontroli procesów.
Prof.. Marek Rudnicki
Systemy ekspertowe w rachunkowościW ostatnich latach powstało wiele systemów ekspertowych w dziedzinie rachunkowości a ich liczba z dnia na dzień rośnie. Systemy te można je podzielić na kilka rodzajów. Są to na przykład systemy do:
Oszacowywania rezerw firmy na trudno ściągalne i nieściągalne należnościWspomagania planowania podatkówWspomagania autoryzacji kredytuWspomagania przygotowania listy płacWspomagania minimalizacji kosztów produkcjiWspomagania kontroli w firmie
Prof.. Marek Rudnicki
Systemy ekspertowe w rachunkowościSE umożliwiają dystrybucję wiedzy z dziedziny rachunkowości (personel może je wykorzystać jako asystenta lub konsultanta)
SE pozwalają na korzystanie z wiedzy eksperta tanim kosztem lub tam gdzie nie jest on dostępny (czasami koszt wynajęcia eksperta byłby zbyt wysoki)SE podnosi zdolność podejmowania skomplikowanych analiz poprzez wykrywanie ukrytych zależności i przewidywanie efektów zmian ( w rachunkowości mamy do czynienia z bardzo dużą ilością danych, które łatwe są do rozpatrzenia pojedynczo ale czasami są trudne do rozpatrzenia w całości)
Prof.. Marek Rudnicki
ZastosowaniaZastosowaniaGiełda nowojorska, największa na świecie używa SE do modelowania i śledzenia działalności handlowej, indywidualnej i korporacji w celu wykrywania potencjalnie nielegalnych transakcji.
Arthur Andersen & Company stworzył SE wspomagający komisję SEC (Securities & Exchange Commision). Ma on na celu zbadanie poprawności sprawozdań finansowych wszystkich spółek pod kontem ich zgodności z prawem stanowym i federalnym.Firma Dun & Bradstreet rozwija SE w dziedzinie analizy finansowej on-line. System ten jest w stanie udzielić informacji na temat przedsiębiorstwa wykorzystując bieżące informacje (z dokładnością nawet do minut).
Prof.. Marek Rudnicki
LiteraturaLiteratura
Prof.. Marek Rudnicki
SESE
Prof.. Marek Rudnicki
SESE
Prof.. Marek Rudnicki
SESE
Prof.. Marek Rudnicki
Elementy ESElementy ES
Prof.. Marek Rudnicki
Elementy bazy wiedzyElementy bazy wiedzy
Prof.. Marek Rudnicki
Ogólna struktura SEOgólna struktura SE
Prof.. Marek Rudnicki
Budowa SEBudowa SE
Prof.. Marek Rudnicki
Prof.. Marek Rudnicki
Prof.. Marek Rudnicki
Podział systemów ekspertowychPodział systemów ekspertowych
Prof.. Marek Rudnicki
Cechy systemu ekspertowegoCechy systemu ekspertowego
Prof.. Marek Rudnicki
Prof.. Marek Rudnicki
Symboliczna reprezentacja wiedzySymboliczna reprezentacja wiedzy
Prof.. Marek Rudnicki
Niesymboliczne reprezentacjeNiesymboliczne reprezentacje
Prof.. Marek Rudnicki
Prof.. Marek Rudnicki
Prof.. Marek Rudnicki
Reprezentacje wiedzyReprezentacje wiedzy
Prof.. Marek Rudnicki
Reprezentacje wiedzyReprezentacje wiedzy
Prof.. Marek Rudnicki
Cechy systemów ekspertowych zgromadzenie najpełniejszej i kompetentnej wiedzy z danej dziedziny i możliwość jej aktualizacji w związku z postępem naukowym i technicznym umiejętne naśladowanie sposobu rozumowania człowieka -eksperta, który stosuje on przy rozwiązywaniu problemów tego samego typu zdolność wyjaśnienia toku "rozumowania", który doprowadził do otrzymanych wyników tzw. "user friendly" interfejs, czyli przyjazny sposób komunikowania się z użytkownikiem w jego ojczystym języku i takie przedstawienie wyników, aby były klarowne i przejrzyste
Prof.. Marek Rudnicki
Ogólna budowa
Prof.. Marek Rudnicki
Struktura systemów ekspertowych
baza wiedzy, np. zbiór reguł baza danych, np. wyniki pomiarów, dane o
obiekcie, hipotezy procedury wnioskowania - maszyna wnioskująca procedury objaśniania - wyjaśnienie strategii wnioskowania procedury sterowania dialogiem - formułowanie zadań przez użytkownika poprzez procedury wejścia/wyjścia i przekazywanie wyników przez program (zadania wykonywane przez interfejs)
procedury pozwalające na poszerzenie zakresu wiedzy i jej
Prof.. Marek Rudnicki
Schemat SESchemat SE
Prof.. Marek Rudnicki
Kategorie systemówKategorie systemówKategoria systemu Zadania przez system realizowaneInterpretacyjne dedukują opisy sytuacji z obserwacji lub stanu czujników np. rozpoznawanie
mowy, obrazówPredykcyjne wnioskują o przyszłości na podstawie danej sytuacji np. prognozowanie
pogody, rozwój chorobyDiagnostyczne ocena systemu na podstawie obserwacji (wykrywanie wad) np. elektronika,
mechanikaKompletowania konfiguruje obiekt biorąc pod uwagę istniejące ograniczenia np. konfiguracja
systemu komputerowegoPlanowanie podejmuje określone działania do osiągnięcia celuMonitorowanie porównywanie zachodzących zjawisk z ograniczeniami nałożonymi na nie np.
reakcje w elektrowniach atomowychSterowanie kierowanie działaniem systemu; w skład wchodzi interpretowanie, predykcja,
naprawa i monitorowanie zachowania się obiektuPoprawianie podaje sposób postępowania w przypadku nieprawidłowego funkcjonowania
obiektu, którego system dotyczyNaprawy ustala kolejność wykonywania napraw uszkodzonych obiektówInstruowania systemy doskonalenia zawodowego dla studentów
Prof.. Marek Rudnicki
Podział SEPodział SE
SE możemy podzielić na: systemy dedykowane oraz systemy szkieletowe. Systemy dedykowane są tworzone od podstaw przez inżyniera wiedzy współpracującego z informatykiem. Systemy szkieletowe (shells) są to systemy z pustą bazą wiedzy. Te systemy są tworzone w krótszym czasie, gdyż nie trzeba konstruować całej struktury systemu, a jedynie istniejącą już uzupełnić o konkretną wiedzę i jej odpowiednią implementację w systemie. W zależności od tego jaką wiedzę wprowadzimy do systemu możemy uzyskać system z wiedzą: eksperta-lekarza, eksperta- inżyniera, czy eksperta - prawnika.
Prof.. Marek Rudnicki
Zastosowanie systemów ekspertowych
SektorZastosowanie
Bankowość iubezpieczenia
Przemysł Handel i usługi Sektor publiczny iinne
MonitorowanieSterowanie
obserwowanietrendów
nadzorowanieprocesów,sterowanieprocesami,raportowaniespecjalnychsytuacji
obserwowanietrendów
monitorowaniereaktorów jądrowychoraz dużych sieci(gazowe, wodne)
Projektowanie projektowaniezakładów iproduktów,komputerów
wybórasortymentów,doradztwo dlarolnictwa
sieci (pocztowe,energetyczne)
Diagnostyka kredyty, pożyczkina nieruchomości,analiza ryzyka,przetwarzanieskarg
wykrywanieuszkodzeń,utrzymywaniezdolnościprodukcyjnej
kredyty, analizaryzyka
diagnoza medyczna,diagnoza techniczna
Planowanie analiza ryzyka,planowanieinwestycji
projektowaniefunkcjilogicznych,planowanieprojektu
analiza ryzyka,analiza rynku
planowanie inwestycji,planowanie nawypadek klęski,planowanie dystrybucji
Prof.. Marek Rudnicki
Zadania SEZadania SE
Podstawowe zadanie systemu to wydawanie kompetentnych i pełnych ekspertyz. Powinno się to odbywać w czasie ograniczonym pewnymi, dopuszczalnymi granicami, w których przy danym typie zadania powinna się pojawić odpowiedź systemu. Sam system powinien dysponować takimi metodami wnioskowania, które biorą pod uwagę wiedzę i intuicję eksperta, zdobytą w trakcie wieloletniej praktyki. Wówczas uzyskane wyniki powinny być bardziej porównywalne z wynikami pracy człowieka-eksperta. Dąży się do tego, aby system rozwiązując powierzone mu zadanie posługiwał się rozumowaniem człowieka, lecz popełniał minimum pomyłek.
Prof.. Marek Rudnicki
Zadania SEZadania SE
Ekspert kierując się własną intuicją nie do końca potrafi uzasadnić swoją decyzję lub ekspertyzę. Wprowadzenie takiego sposobu wnioskowania do systemu może się okazać niezwykle trudna lub gdy wymagane jest uzasadnienie wyniku, wręcz niemożliwe. Jeśli chodzi o wymagania czasowe to często zachodzi potrzeba kompromisu pomiędzy jakością uzyskanych wyników a szybkością działania. Niektóre systemy uzyskują wyniki w kilka sekund, inne znów pracują całymi dniami, czy nawet tygodniami. Zależy to także od sposoby wykorzystanego do uzyskania odpowiedzi. Systemy wykorzystujące przeszukiwanie przestrzeni rozwiązań w postaci drzewiastej charakteryzują się wykładniczym wzrostem czasu uzyskania odpowiedzi.
Prof.. Marek Rudnicki
Złożoność SEZłożoność SESama dziedzina, której dotyczy system jest często wyznacznikiem stopnia skomplikowania system eksperckiego. Nieopłacalne jest tworzenie systemów, w których zawiera się problem rozwiązywania zadań o np. łatwym opisie matematycznym zjawiska lub takich, w których ilość możliwych rozwiązań jest niewielka. Wówczas z problemem poradzi sobie człowiek, bez potrzeby odwoływania się do programu komputerowego. Ocenę złożoności można przeprowadzić rozpatrując liczbę reguł wykorzystanych w systemie:
małe - 100 - 300 reguł średnie - 300 - 2000 reguł
duże - ponad 2000 reguł
Prof.. Marek Rudnicki
Baza wiedzy
Baza wiedzy systemu zawiera w sobie reguły i fakty. Są one wykorzystywane do uzyskiwania rozwiązań w danej dziedzinie. Im większa baza wiedzy, tym rozwiązanie jest bardziej kompetentne. Fakty, które są elementem bazy, najczęściej istnieją w niej jako zdania oznajmujące np. Procesor "AMD" jest taktowany zegarem 450 MHz. Stwierdzenie to, nazywane faktem istnieje jako zapis związków pomiędzy obiektami i może się charakteryzować różnymi atrybutami. Drugim elementem w bazie wiedzy są reguły. Zapisywane są np. za pomocą operatorów IF, THEN, AND, OR. Dzięki nim zadawane są pytania o związki pomiędzy obiektami.
Prof.. Marek Rudnicki
Bazy wiedzyBazy wiedzy1. baza tekstów (text base) - występuje w niej naturalna strukturalizacja informacji, wynikająca np. z ułożenia alfabetycznego. Przykładem mogą być słowniki, które zawierają wiedzę ogólną z danej dziedziny. 2. baza danych (data base) - zawiera uporządkowane sprecyzowane, szczegółowe informacje. Typ danych jest często numeryczny, a operacje na niej wykonywane są zdeterminowane. 3. baza reguł (rule base) - zawiera zbiór zależności pomiędzy obiektami występującymi w danej dziedzinie.
Prof.. Marek Rudnicki
Systemy szkieletoweKorzyści Wadyzapewniają mechanizm dla formalnejreprezentacji wiedzy, np. reguły, ramy. itp.
niekiedy trzeba poznać język danegosystemu szkieletowego
zapewniają narzędzia do strukturalizacjibazy wiedzy
każdy system szkieletowy posiada swojąspecyficzną strukturę reguł
mają wbudowany mechanizm wnioskowania wysokie ceny oraz powiązanie zokreślonymi typami komputerów
dostarczają odpowiedni interfejs doutworzenia systemu eksperckiego,umożliwiający konstruowanie i rozbudowębazy wiedzy również dla końcowegoużytkownika
twórca systemu eksperckiego jestograniczony do możliwości danegonarzędzia - shell, który jest z regułyprzeznaczony do konkretnegozastosowania
zapewniają udogodnienia do tworzeniakomponentów systemu objaśniającego
zmiana funkcji systemu jest możliwa,jeśli jest to przewidziane i w systemieistnieje odpowiedni interfejs
dają narzędzia do sprawdzenia poprawnościbazy wiedzy
dają narzędzia do pozyskiwania wiedzy tworząc system nie trzeba znać języka wjakim powstał system szkieletowy
Prof.. Marek Rudnicki
Czas tworzenia SECzas tworzenia SE
Czas tworzenia (MM)Wielkość systemu Liczba instrukcji
Liczba reguł wzór 1 wzór 2 Technika ES
Małe 2000100-200 9,7 5,0 0,5
Średnie 8000500-1000 34,5 21,0 6 - 8
Duże 1200002000-10000 430,0 392,0 18 - 36
Prof.. Marek Rudnicki
AKSJOMATY KLASYCZNEGO RACHUNKU ZDAŃ
Aksjomaty pozytywne implikacji:A. p (q p)B. (p (q r)) ((p q) (p r))Aksjomaty pozytywne implikacji:A. (p q) (p q)B. (p q) (q p) [A i B to 7.OE]C. (p q) ((q p) (p q))Aksjomaty charakteryzujące koniunkcję i alternatywę:A. (p q) (q p)B. (p q) (q p)C. p (p q)D. (p q) pE. p (q (p q))F. ((p r) (q r)) ((p q) r)Aksjomaty charakteryzujące negację:A. (p (q ¬q)) ¬pB. (p ¬p) q (cokolwiek)Prawo wyłączonego środka:A. p ¬p
Prof.. Marek Rudnicki
AKSJOMATY KLASYCZNEGO RACHUNKU ZDAŃ
1. Reguła odrywania (RO):((p q) p) q
2. Reguła dołączania koniunkcji (DK):(p) (q) (p q)
3. Reguła opuszczania koniunkcji (OK):(p q) p(p q) q
4. Reguła dołączania alternatywy (DA):p (p q)q (p q)
5. Reguła opuszczania alternatywy (OA):((p q) ¬p) q((p q) ¬q) p
Prof.. Marek Rudnicki
AKSJOMATY KLASYCZNEGO RACHUNKU ZDAŃ
6. Reguła dołączania równoważności (DE):((p q) (q p)) (p q)7. Reguła opuszczania równoważności (OE):(p q) (p q)(p q) (q p)
Prof.. Marek Rudnicki
WYBRANE PRAWA RACHUNKU ZDAŃ
1. Sylogizm warunkowy:((p q) (q r)) (p r)
2. Modus tollens:((p q) ¬q) ¬p((¬p q) ¬q) p((p ¬q) q) ¬p((¬p ¬q) q) p
3. Mnożenie implikacji:((p q) (r s)) ((p r) (q s))
4. Dodawanie implikacji:((p q) (r s)) ((p r) (q s))
5. Dylemat konstrukcyjny złożony:((p q) (r s) (p r)) (q s)
Prof.. Marek Rudnicki
WYBRANE PRAWA RACHUNKU ZDAŃ
7. Reguła odrywania dla równoważności:((p q) p) q((p q) q) p
8. Reguła przechodniości równoważności:((p q) (q r)) (p r)
9. Reguła Dunsa Szkota:(p ¬p) q (cokolwiek)
10. Prawo podwójnej negacji:(¬¬p) ≡ p
11. Prawo transpozycji.(p q) ≡ (¬q ¬p)
12. Prawo transpozycji złożonej:[(p q) r] ≡ [(p ¬r) ¬q]
Prof.. Marek Rudnicki
WYBRANE PRAWA RACHUNKU ZDAŃ
13. Prawo negowania koniunkcji:¬(p q) ≡ (¬p ¬q)
14. Prawo negowania alternatywy:¬(p q) ≡ (¬p ¬q)
15. Prawo negowania implikacji:¬(p q) ≡ (p ¬q)
16. Prawo rozdzielności koniunkcji względem alternatywy:[p (q r)] ≡ [(p q) (p r)]
17. Prawo rozdzielności alternatywy względem koniunkcji:[p (q r)] ≡ [(p q) (p r)]
18. Prawa przemienności koniunkcji i alternatywy:(p q) ≡ (q p)(p q) ≡ (q p)
19. Prawa łączności koniunkcji i alternatywy:[(p q) r)] ≡ [p (q r)][(p q) r)] ≡ [p (q r)]
Prof.. Marek Rudnicki
WYBRANE PRAWA RACHUNKU ZDAŃ
20. Prawa tautologii dla koniunkcji i alternatywy:(p p) ≡ p (p p) ≡ p
21. Prawa zwrotności dla implikacji i równoważności:p p p ≡ p
22. Prawo symetryczności równoważności:(p ≡ q) ≡ (q ≡ p)
23. Prawo negowania członów równoważności:(p ≡ q) ≡ (¬p ≡ ¬q)
24. Prawo komutacji:[p (q r)] ≡ [q (p r)]
25. Prawo eksportacji i importacji:[(p q) r] ≡ [p (q r)]
26. Dylemat destrukcyjny złożony:[(p q) (r s) (¬q ¬s)] (¬p ¬r)
Prof.. Marek Rudnicki
WYBRANE PRAWA RACHUNKU ZDAŃ
27. Dylemat destrukcyjny prosty:[(p q) (p r) (¬q ¬r)] ¬p
28. Prawo dodawania poprzedników:[(p r) (q r)] ≡ [(p q) r]
29. Prawo mnożenia następników:[(p q) (p r)] ≡ [p (q r)]
30. Prawa zastępowania implikacji:(p q) ≡ ¬(p ¬q)(p q) ≡ (¬p q)
31. Schemat mnożenia równoważności:[(p ≡ q) (r ≡ s)] [(p r) ≡ (q s)]
Prof.. Marek Rudnicki
WYBRANE PRAWA RACHUNKU ZDAŃ
32. Schemat dodawania równoważności:[(p ≡ q) (r ≡ s)] [(p r) ≡ (q s)]
33. Prawo zastępowania równoważności:(p ≡ q) ≡ [(p q) (q p)]
34. Prawo sprzeczności:¬(p ¬p)
Prof.. Marek Rudnicki
Reguły logiczneReguły logiczne
p q pq pq pq pq1 1 1 1 1 11 0 1 0 0 00 1 1 0 1 00 0 0 0 1 1
Prof.. Marek Rudnicki
Kombinatoryka i teoria grafów
Funktory zdaniotwórcze: - lub (alternatywa, suma logiczna) - i (koniunkcja, iloczyn logiczny) - nie (negacja) - jeśli ..., to ... (implikacja) - ... wtedy i tylko wtedy, kiedy ...(równoważność)w - wartość zdania logicznego w: w =
falszywejestwjezeliprawdziwejestwjezeli
,0,1
Prof.. Marek Rudnicki
Wartość zdania logicznegoWartość zdania logicznego
a b a b a b a b a b1 1 1 1 1 11 0 1 0 0 00 1 1 0 1 00 0 0 0 1 1
Prof.. Marek Rudnicki
Kwantyfikatory i zbiory
- istnieje (kwantyfikator szczegółowy, egzystencjalny) - dla każdego (kwantyfikator ogólny)
R zbiór liczb rzeczywistychN = { 0, 1, 2, ... } zbiór liczb naturalnychZ = { ..., -2, -1, 0, 1, 2, ... } zbiór liczb całkowitych{ a1, ..., an } zbiór złożony z n elementów a1, ..., an
{ a } - zbiór jednoelementowy zaw. tylko a{ x X : w } zbiór tych elementów zbioru X, które spełniają warunek w
Prof.. Marek Rudnicki
Operacje na zbiorachOperacje na zbiorach
A B
C = A B
A B
C = A B
A
C = A \ B
B A B
C = A B
A B = (A B) (B A)
Prof.. Marek Rudnicki
Prawa de Morgana
qpqpqpqp
)()(
))(( qpqp
))(())()(( rqprqrp
pqqp ))((
qpp )(
pp
Prof.. Marek Rudnicki
DefinicjaIloczyn kartezjański zbiorów X i Y to zbiór wszystkich par uporządkowanych (x,y), takich że xX oraz yY. Oznaczenie: XY: XY = {(x,y) : xX yY}
Własnościa b (a,b) (b,a)(a,b) = (c,d) ( (a = c) (b = d) )A (B C) = (A B) (A C)A (B C) = (A B) (A C)A (B \ C) = (A B) \ (A C)Jeśli X jest zbiorem n-elementowym i Y jest zbiorem m-elementowym, to XY jest zbiorem złożonym z nm elementów (par uporządkowanych (x,y), gdzie xX, yY).
Prof.. Marek Rudnicki
Relacja dwuczłonowa jest podzbiorem iloczynu kartezjańskiego. Dana para uporządkowana (element iloczynu kartezjańskiego) należy do tego podzbioru jeśli posiada określoną własność, czyli jeśli między jej poprzednikiem i następnikiem zachodzi określona relacja.
Zbiór poprzedników par uporządkowanych (x,y) należących do relacji nazywa się dziedziną tej relacji.
Zbiór następników par uporządkowanych (x,y) należących do relacji nazywa się przeciwdziedziną tej relacji.
Prof.. Marek Rudnicki
KLASYCZNE STRATEGIE WNIOSKOWANIA
-do tylu -przed systemem stawiana jest hipoteza(zadaniem systemu jest potwierdzenie poprawności hipotezy)-do przodu -wygenerowanie wszystkich możliwych logicznych konsekwencji faktów podanych na wejściu3.możliwość uzasadnienia podawanych przez eksperta odpowiedzi za pomocą modułu objaśniającego (części interfejsu użytkownika odpowiedzialnej za objaśnienie funkcjonowania SE poprzez udzielanie odpowiedzi na pytania)4.wspomaganie i aktualizacja BW za pomocą modułu akwizycji wiedzy.
Prof.. Marek Rudnicki
Systemy ekspertowe w rachunkowościOszacowywania rezerw firmy na trudno ściągalne i nieściągalne należności
Wspomagania planowania podatkówWspomagania autoryzacji kredytuWspomagania przygotowania listy płacWspomagania minimalizacji kosztów produkcjiWspomagania kontroli w firmieSpecjalne systemy ekspertowe w rachunkowości
Prof.. Marek Rudnicki
Korzyści z zastosowania SE w rachunkowości
SE umożliwiają dystrybucję wiedzy z dziedziny rachunkowości (personel może je wykorzystać jako asystenta lub konsultanta)SE pozwalają na korzystanie z wiedzy eksperta tanim kosztem lub tam gdzie nie jest on dostępny (czasami koszt wynajęcia eksperta byłby zbyt wysoki)SE podnosi zdolność podejmowania skomplikowanych analiz poprzez wykrywanie ukrytych zależności i przewidywanie efektów zmian ( w rachunkowości mamy do czynienia z bardzo dużą ilością danych, które łatwe są do rozpatrzenia pojedynczo ale czasami są trudne do rozpatrzenia w całości)SE przyśpiesza podejmowanie decyzji ponieważ działa w oparciu o komputer i pobiera tylko te dane, które bezpośrednio są związane z problemem (wynik dostępny jest zaraz po wprowadzeniu danych)
Prof.. Marek Rudnicki
Korzyści z zastosowania SE w rachunkowości
Dzięki SE można przekazywać wiedzę i doświadczenie starszych pracowników młodemu personelowi.Dzięki SE podnosimy wydajność pracy nowych, młodych pracowników bez potrzeby długich szkoleń (skracamy etap wdrażania pracownika). SE w rachunkowości może być również używany jako narzędzie do szkolenia.
Prof.. Marek Rudnicki
Planowanie podatkówPlanowanie podatkówJednym z SE wspomagania planowania podatków jest Expert-TAX. Jest on jednym z najbardziej zaawansowanych systemów dotychczas stosowanych w rachunkowości.Używa on dialogu pytanie – odpowiedź w celu uruchomienia 3000 reguł określających najlepsze opcje podatkowe. Celem systemu jest dostarczenie dojrzałych ekspertyz. Zastępuje on starą metodę w której to zaawansowany ekspert musiał wypełniać dwustronicowy kwestionariusz aby potem znaleźć najlepsze rozwiązanie. System ten nie zastępuje księgowych ale dostarcza im porad.
Prof.. Marek Rudnicki
Autoryzacja kredytuAutoryzacja kredytu
Authorizer’s Assistant jest SE wspomagania autoryzacji kredytu i został stworzony przez American Express. Jest używany do odrzucania złych kredytów a więc do zmniejszania strat w firmie. Karty AE nie mają limitów kredytu przez co często zdarzały się oszustwa oraz przypadki złe j autoryzacji. System opiera się na ponad 800 regułach. Gromadzi on i analizuje wszystkie transakcje oraz takie czynniki jak historia rachunku, rodzaje zakupów, zaległe należności itd. Po ich sprawdzeniu system szacuje wielkość ryzyka kredytowego i zleca odrzucenie lub akceptacje transakcji wraz z wyjaśnieniem wszystkich zaleceń