Eksperyment II. Weryfikacja modelu przetwarzania wiedzy z

Celem eksperymentu drugiego jest wykazanie przydatności samoorganizujących się modeli ocenowych i jego wstępnych wersji w modelu MPPW. Na potrzeby tego modelu przygotowano model samoorganizujący się w oparciu o środowisko RAD. Model ten stwarzał warunki do automatycznego generowani reguł dla potrzeb otrzymania modelu kompletnego zgodnego z terminologią modeli rozmytych. Celem budowy modelu samoorganizującego było uproszczenie procesów pozyskiwania wiedzy dzięki automatycznemu generowaniu regułowych modeli ocenowych o dowolnej strukturze. Model o takiej strukturze ułatwia współpracę z ekspertami dla generowania prognoz.

Rysunek 38 prezentuje sposób implementacji reguł modelu ocenowego. Implementacja ta była konsekwencją wielokrotnych zmian zmiennych wejściowych przy próbach budowy modeli ocenowych. Przyjęto parametryzację modelu ocenowego tak, aby modyfikacja zmiennych przez eksperta stosunkowo szybko mogła być implementowana na jego potrzeby.

Trzeba zwrócić uwagę, że takie ujęcie zmian wskazuje na potrzebę modyfikacji opracowanego modelu MPPW — konieczne jest dodanie do modelu pozyskiwania wiedzy wstępnych modeli ocenowych weryfikowanych w trakcie procesów współpracy z ekspertami.

Modele ocenowe, w przeciwieństwie do faktów obiektywnych, podlegają weryfikacji pod kątem przydatności do potrzeb modelu przetwarzania wiedzy.

Źródło: opracowanie własne, zrzut ekranu z prototypowego narzędzia do pozyskiwania i przetwarzania wiedzy Rys. 38 Implementacja modelu – fragment bazy reguł lingwistycznych

Funkcjonalności modelu realizowane są w warstwie przetwarzania modelu. Przykładem warstwy przetwarzania danych jest implementacja faktów w oparciu o schemat:

Nazwa stacji pomiarowej, nazwa dozymetru, rok, miesiąc, wartość (25)

Przykładowo:

Am5, Radiello, 2007, 2, 83.77651297 (26)

Źródło: opracowanie własne, zrzut ekranu z prototypowego narzędzia do pozyskiwania i przetwarzania wiedzy

Rys. 39 Implementacja modelu – fragment bazy reguł rozmytych

Zgodnie z założeniami dla modelu przetwarzania wiedzy (por. poprzedni rozdział) konstrukcja zasobów wiedzy została zaprojektowana pod potrzeby modelu rozmytego.

W podstawowej wersji modelu zaimplementowano funkcjonalność samoorganizacji reguł.

Wobec tego tylko część wiedzy została pozyskana w sposób jawny od eksperta (fakty).

Dodatkowo założono, że ekspert wprowadzi parametry określające kierunki i siły (wagi) wpływu zmiennych wejściowych na zmienne wyjściowe. W porozumieniu z inżynierem wiedzy ekspert dostarczy informacje związane z samym modelem rozmytym, w szczególności liczbę ziaren dla zmiennych wejściowych.

Takie podejście do organizacji wiedzy ma w założeniu pozwolić na automatyczne wygenerowanie bazy reguł lingwistycznych oraz ich proces rozmywania. Podczas wstępnych wywiadów z ekspertami okazało się, iż zadanie przygotowania kompletnej bazy reguł (ustalenie konkluzji dla wszystkich kombinacji zmiennych wejściowych) uznali oni za żmudne, czasochłonne, a nawet wręcz niewykonalne. Aby uporządkować procesy przetwarzania wiedzy na potrzeby modelu przetwarzania wiedzy, zaproponowano zastosowanie modelu, którego strukturę przedstawiono na rysunku 40.

Źródło: opracowanie własne

Rys. 40 Model generyczny procesów przetwarzania wiedzy rozszerzony dla potrzeb modelu MPPW

Powyższy schemat uwzględnia bazy wiedzy wykorzystywane przez modele ocenowe wsparte buforem wiedzy. Bufor wspiera trzy bazy wiedzy. Zarówno obie bazy faktów, jak i baza reguł mają odpowiednią instancję w buforze. W tym przypadku zastosowanie bufora wynika z potrzeby wykorzystania modelu w trybie alternatywnym, który wprowadza dodatkowe kroki związane z analizą zawartości bufora wiedzy. Analiza ta obejmuje:

− analizę każdego faktu z bazy faktów istniejącej w buforze — w oparciu o następujące zasady:

• jeżeli fakt (pomiar z tego samego źródła dotyczący tego samego czasu) znajduje się w bazie faktów i zawiera inną wartość pomiaru w bazie bufora, to fakt znajdujący się w bazie przetwarzania zostaje zamieniony faktem z bufora,

• gdy w buforze zostanie znaleziony fakt nieistniejący wcześniej w bazie przetwarzania, zostaje uznany za nowy i dodany do bazy produkcyjnej,

− analizę każdej reguły z bazy reguł istniejącej w buforze — w oparciu o następujące zasady:

• jeżeli w buforze zostanie znaleziona reguła sprawdzane są dwa warunki: 1) czy iloczyn stopni przynależności jej przesłanek jest większy niż iloczyn przyjęty dla tej samej reguły (iloczyn oznacza siłę wpływu reguły — tylko „silniejsza” reguła w buforze może być wykorzystana w bazie przetwarzania), 2) czy iloczyn stopni przynależności reguły jest niemniejszy niż zadany z góry poziom, tzw. „poziom istotności” (brane są pod uwagę tylko te iloczyny stopni przynależności reguł z bufora, których wpływ na wynik jest odpowiednio znaczący).

Należy zauważyć, że w przypadku reguł nie ma drugiej opcji — nie zakłada się dodawania nowych reguł do bazy w przypadku odnalezienia ich w buforze. Dodawanie reguł

PARAMETRY:

- KIERUNKI I SIŁY WPŁYWU ZMIENNYCH WEJŚCIOWYCH NA ZMIENNE WYJŚCIOWE

- ILOŚĆ ZIAREN FAKTY

WEJŚCIOWE

FAKTY WYJŚCIOWE

REGUŁY LINGWISTYCZNE

REGUŁY ROZMYTE BAZY ZASILANE

PRZEZ EKSPERTA

BAZY GENEROWANE AUTOMATYCZNIE

PRZEZ SYSTEM

Wiedza pozyskana od ekspertów

Odpowiedź generowana przez model rozmyty

byłoby możliwe tylko w sytuacji niepełnej bazy wiedzy. W opisywanym przypadku wynikiem automatycznego procesu generowania reguł jest zawsze kompletna baza reguł.

Działający w taki sposób mechanizm bufora zakłada bezwzględne wykorzystanie jego zawartości w sytuacji, gdy spełnione są powyższe warunki. Użytkownik, który uruchamia tę procedurę, musi być więc świadom jej skutków. Ze względu na to, że wykorzystanie bufora to realna ingerencja w zasoby bazy wiedzy (zmiana jej zawartości), wszystkie wykonywane przez w ramach modelu procesy są monitowane i podawane są odpowiednie komunikaty (rysunek 41).

Źródło: opracowanie własne, zrzut ekranu z prototypowego narzędzia do pozyskiwania i przetwarzania wiedzy Rys. 41 Przykładowe komunikaty informacyjne aplikacji związane z uruchomieniem funkcjonalności bufora

Powołując się na opisywane wcześniej założenia, na których oparty jest mechanizm gromadzenia zasobów w buforze modelu pozyskiwania wiedzy, trzeba przypomnieć, iż celem jego wykorzystania jest zapewnienie jakości prognoz modeli ocenowych. Dlatego też proponowany mechanizm weryfikuje jej poprawność na poziomie bufora, a dopiero później wykorzystuje na poziomie modeli ocenowych. W przypadku automatycznego generowania wiedzy na poziomie faktów obiektywnych (fakty — z pomiarów, reguły — jako wynik procedur samoorganizacji modelu) bufor daje możliwości ingerencji eksperta w przypadkach:

− wykrycia wiedzy niepoprawnej (zauważony błąd pomiaru),

− konieczności skorygowania (dostrojenia) efektów wyliczeń automatu samoorganizującego reguły w modelu rozmytym.

Taka implementacja modelu MPPW wskazuje na potrzebę modyfikacji proponowanego modelu poprzez dodanie mechanizmów weryfikacji zasobów bufora modelu pozyskiwania wiedzy.

9.4.4. Eksperyment III. Weryfikacja modelu przetwarzania wiedzy z wykorzystaniem