• Nie Znaleziono Wyników

Zarządzanie wiedzą przy użyciu systemu ekspertowego

N/A
N/A
Protected

Academic year: 2021

Share "Zarządzanie wiedzą przy użyciu systemu ekspertowego"

Copied!
10
0
0

Pełen tekst

(1)

Zarządzanie wiedzą rozumiane jest jako zespół sformalizowanych sposobów gro-madzenia i wykorzystywania wiedzy jawnej oraz niejawnej użytkowników systemu ekspertowego wspomagającego rozwiązywanie wybranych problemów z określonej dziedziny. Jest to próba jak najlepszego wykorzystania wiedzy, która jest dostępna w firmie, tworzenie nowej wiedzy oraz zwiększanie jej zrozumienia.

Zostało ono zaprezentowane przy użyciu systemu ekspertowego wspomagającego wybór kawy. System utworzono dwoma narzędziami, przy użyciu CLIPS 6.3 oraz SPHINX 4.5. Dokonano porównania przydatności tych dwóch narzędzi do tworzenia systemu ekspertowego, jako narzędzia do zarządzania wiedzą.

Słowa kluczowe: ekspert, wspomaganie decyzji, system ekspertowy, baza wiedzy, indukcja reguł Wprowadzenie

Inżynieria wiedzy i systemy ekspertowe stanowią dział inżynierii oprogramowania, który zaj-muje się gromadzeniem oraz przetwarzaniem wiedzy. Podczas tworzenia systemów komputerowych wykorzystuje się bazę wiedzy w celu rozstrzygnięcia wielopłaszczyznowych trud-ności, wymagających od człowieka wysokiego poziomu inteligencji. Wyznaczanie optymalnej decyzji, na podstawie zasobów wiedzy, coraz częściej dotyka czynności życia codziennego. Bardzo popularne stało się korzystanie z porad eksperta w celu wspomagania decyzji czy uzyskania podpo-wiedzi ewentualnego rozwiązania (np. wybór telefonu, obuwia, łącza internetowego itp.).

Zarządzanie wiedzą rozumiane jest jako zespół sformalizowanych sposobów gromadzenia i wy-korzystywania wiedzy jawnej oraz niejawnej użytkowników systemu ekspertowego wspomagającego rozwiązywanie wybranych problemów z określonej dziedziny. Jest to próba jak najlepszego wykorzystania wiedzy, która jest dostępna w firmie, tworzenie nowej wiedzy oraz zwiększanie jej zrozumienia.

Bardzo ważnym elementem tworzenia systemu ekspertowego jest tworzenie bazy wiedzy. Poszczególne fazy tworzenia bazy wiedzy mogą przebiegać następująco:

· identyfikacja – określenie charakterystyki problemu do rozwiązania, · reprezentacja – znalezienie sposobu reprezentacji wiedzy,

· formalizacja – zaprojektowanie struktur organizujących wiedzę, · implementacja – sformułowanie reguł i faktów zawierających wiedzę, · testowanie – sprawdzenie zastosowanych w systemie reguł i faktów.

Omówienie zarządzania wiedzą przy użyciu systemu ekspertowego zostało opracowane na pod-stawie literatury [1,3,7,8,13,14].

Istnieje wiele zastosowań systemów ekspertowych w różnych obszarach zarówno technicz-nych, medycznych jak i życia codziennego. Buchalski w artykule [2] przedstawił system ekspertowy wspomagający proces doradczo-decyzyjny w przedsiębiorstwie branży ciepłowniczej. Inne zasto-sowania to system ekspertowy wspomagający użytkowanie elektrowni wiatrowej [4], system ekspertowy z rzeczywistością rozszerzoną do obsługi statku powietrznego [5], system wspomagania

(2)

decyzji klinicznych w diagnozowaniu chorób rzadkich [6], system do zachęcenia osób starszych do korzystania z urządzeń mobilnych i internetu [9], system selekcji narzędzi skrawających dla tokarki CNC [12], czy system ekspertowy do wspomagania działalności bibliotecznej i informacyjnej [11].

W artykule przedstawiono wyniki pracy, której celem było utworzenie systemu ekspertowego za pomocą języka programów inteligentnych (według klasyfikacji [7]) CLIPS (część bazy wiedzy oraz mechanizmu wnioskowania) i języka algorytmicznego C# (interfejs użytkownika), dedykowa-nego do wyboru produktu spożywczego, w danym przypadku kompozycji napoju kawowego, a następnie porównanie tak utworzonego systemu z wcześniej zbudowanym na platformie SPHINX przy użyciu narzędzi CAKE i PC-Shell systemem szkieletowym, dedykowanym do wsparcia użyt-kownika w dokonywaniu takiego samego wyboru – kompozycji napoju kawowego. Oba porównywane systemy wykorzystywały bazę wiedzy oraz procedury (reguły) wnioskowania w celu doboru odpowiedniej kawy według określonych, wskazywanych przez użytkownika preferencji. Przedstawiono wyraźne różnice pomiędzy wymienionymi rozwiązaniami utworzonymi w dwóch różnych środowiskach.

1. Charakterystyka porównywanych rozwiązań

W obu systemach użyto do przeprowadzania procesu wskazywania propozycji wyboru iden-tycznego zestawu takiej samej liczb kaw, tj. 40. Z uwagi na różne mechanizmy wnioskowania w programach, każdy z nich w inny sposób realizuje proces wspomagania podejmowania decyzji. 1.1. Rozwiązanie przy użyciu SPHINX

Dane rozwiązanie wykonano za pomocą dwóch narzędzi tej platformy: CAKE (Computer Ai-ded Knowledge Engineering) i PC-Shell (szkieletowy system ekspertowy).

CAKE jest systemem komputerowego wspierania inżynierii wiedzy, który umożliwia tworze-nie aplikacji PC-Shell, będącego z kolei systemem hybrydowym, posiadającym składniki struktury tablicowej (blackboard systems) i przeznaczonym do łączenia różnych metod rozwiązywania pro-blemów i prezentacji wiedzy.

Aplikacje PC-Shell składają się z kilku modułów, w tym m.in.: · bazy metafor określających reguły systemu,

· bazy wyjaśnień „CO TO JEST?” wskazujących użytkownikowi związki między stwierdzo-nymi faktami,

· ekspertowej bazy wiedzy zawierającej fakty i reguły dotyczące zagadnienia związanego z wnioskowaniem.

Szkieletowy system PC-Shell składa się z: · mechanizmu wnioskowania,

· mechanizmu wyjaśniającego umożliwiającego wprowadzenia uzasadnień, dlaczego system za-proponował taką, a nie inną decyzję,

· wbudowanego edytora bazy danych pozwalającego na rozszerzenie systemu, modyfikację wie-dzy,

· interfejsu (pośrednictwa) do komunikowania się użytkownika z systemem.

PC-Shell wykorzystuje mechanizm wnioskowania wstecz lub regresywnego (backward chai-ning) (rys. 1). Jest to wnioskowanie dedukcyjne, które na bazie przesłanek wykazuje, że główna

(3)

hipoteza jest prawdziwa. Wnioskowanie wstecz oparte jest na regule modus tollens, która charak-teryzuje się wzorem (1):

ሺ஺՜஻ሻǡ̱஻

̱஺ (1)

 ՜  – zapis ten oznacza „B if A” lub „B jeżeli A”

Wnioskowanie wstecz polega na wyborze reguł, posiadających konkluzje, które można dopa-sować do postawionego celu. W kolejnym etapie następuje potwierdzenie prawdziwości konkluzji. W tym procesie uaktywnione są warunki wybranych reguł, przez co stają się bieżącym celem. Dalej proces się powtarza.

Rysunek 1. Schemat wnioskowania wstecz Źródło: opracowanie własne.

W systemie utworzonym na platformie SPHINX reguły zostały zaimplementowane na podsta-wie metody indukcji drzewa decyzyjnego [10]. Metoda ta związana jest z analizą zebranych danych w celu postawienia hipotezy dotyczącej zależności pomiędzy tymi danymi. Faktycznie wnioskowa-nie indukcyjne dotyczy zależności pomiędzy różnymi atrybutami, które definiują dane zebrane w postaci zbioru rekordów. Aktualnie metoda drzew decyzyjnych stanowi metodę dominującą w uczeniu maszynowym [8] ze względu na wysoką efektywność, nieskomplikowaną implementację programistyczną, klarowność i dojrzałość metodyczną, jak też liczne wdrożenia praktyczne. 1.2. Rozwiązanie przy użyciu CLIPS/C#

Wewnętrzny mechanizm języka Clips realizuje wnioskowanie w przód lub progresywne (for-ward chaining, data-driven inference) (rys. 2). Decyduje on, które reguły mają być zrealizowane – w jakiej kolejności i w jakim czasie. Wnioskowanie odbywa się w oparciu o dane, stanowiące fakty i obiekty. Po odpowiednim dostosowaniu do zadań mechanizm umożliwia sformułowanie wnio-sków.

Rysunek 2. Schemat wnioskowania w przód Źródło: opracowanie własne.

(4)

Wnioskowanie w przód oparte jest na regule modus ponens (jeżli prawdziwe są przesłanki, to prawdziwa jest także konkluzja), które charakteryzuje się wzorem (2):

ሺ E\ F;ÆE

F

(2)

W tym rozwiązaniu każdy z 40 zestawów napojów kawowych ma przyporządkowane wartości w procentach (rys. 3). W zależności od doboru preferencji, wartości procentowe napojów mogą się powielać. Ponadto specyfikacja systemu opiera się na wyborze preferencji, na które składają się reguły wyboru najlepszej temperatury, najlepszej mocy oraz najlepszego smaku. Tworzą one trzy charakterystyczne atrybuty dla czterdziestu kaw. Stanowi to główny aspekt wnioskowania.

Rysunek 3. Zasada wyboru kawy przy dwóch etapach wnioskowania Źródło: opracowanie własne.

W przypadku, gdy użytkownik wskaże swoje preferencje we wszystkich aspektach wyboru, system zaproponuje listę proponowanych napojów kawowych w malejącej kolejności trafności do-boru dla wszystkich napojów.

2. Przykład realizacji systemu ekspertowego SE Coffe przy użyciu CLIPS/C#

Do zaimplementowania listy reguł oraz faktów użyto języka systemów ekspertowych CLIPS. Do prawidłowego przebiegu konsultacji pomiędzy użytkownikiem a systemem został utworzony graficzny interfejs użytkownika w języku C# w środowisku Microsoft Visual Studio.

(5)

2.1. Utworzenie bazy wiedzy przy użyciu programu CLIPS

Na system zaimplementowany w języku CLIPS składają się reguły, fakty i obiekty. W przeci-wieństwie do innych języków programowania takich, jak np. Pascal, C, C++, czy C#, system napisany w języku CLIPS nie może być realizowany bez danych, czyli faktów, dlatego że rozstrzy-gają one, które reguły będą aktywne. W językach proceduralnych sama obecność zaimplementowanej instrukcji wystarczy, by program działał bez danych. W przypadku reguł ich konstrukcja jest porównywalna do instrukcji „if” stosowanej w większości języków programowania.

Program zawiera cztery moduły:

· MAIN – moduł główny definiujący wnioskowanie, · RULES – moduł deklaracji reguł,

· CHOOSE-QUALITIES – moduł wyboru najlepszych cech kawy, · COFFEE – moduł wyboru kawy oraz spis faktów.

Idea zastosowanej metody wnioskowania w języku CLIPS bazuje na równaniu matematycznym (w języku CLIPS są one zapisane w odwrotnej notacji polskiej, w której funkcje operatorowe, takie jak *, /, +, –, mają postać np. dla iloczynu: (* ?pert1 ?pert2).

(defrule MAIN::combine-certainties "" (declare (salience 100)

(auto-focus TRUE))

?rem1 <- (attribute (name ?rel) (value ?val) (certainty ?per1)) ?rem2 <- (attribute (name ?rel) (value ?val) (certainty ?per2)) (test (neq ?rem1 ?rem2))

=>

(retract ?rem1)

(modify ?rem2 (certainty (/ (- (* 100 (+ ?per1 ?per2)) (* ?per1 ?per2)) 100))))

Głównym założeniem tego równania matematycznego jest to, że jego wynik nigdy nie przekro-czy wartości 100, co powoduje, że najbardziej dopasowana kawa uzyska wartość dopasowania nie przekraczającą 100%. Równanie składa się z następujących działań:

· suma wartości wyrażonych w procentach (+ ?pert1 ?pert2), · iloczyn liczby 100 i powyższej sumy,

· iloczyn wartości (* ?pert1 ?pert2),

· różnica – pierwszy iloczyn pomniejszony o drugi, · iloraz różnicy i liczby 100.

Baza wiedzy uwzględnia preferencje dotyczące temperatury, mocy i smaku napoju kawowego, oraz dodatkowe wymagania – pora dnia oraz dodatki: alkohole, syropy, nabiał i pozostałe cechy preferowane wg listy nieskategoryzowane.

2.2. Komunikacja z użytkownikiem przy użyciu program C#

Komunikację pomiędzy użytkownikiem, a system ekspertowym zapewnia interfejs okienkowy – program napisany w języku C# również z nazwą SE Coffe. Utworzony jest on z elementów typo-wego programu napisanego pod system operacyjny Windows. Składa się z bloku „Preferencje”

(6)

i bloku „Dodatki”, w których zostały umieszone pola wyboru. Ponadto mieści dwie kolumny – „Kawa” i „Trafność”, suwak oraz przycisk „Reset”. Obsługa interfejsu jest bardzo intuicyjna i je-dyne, czego wymaga od użytkownika, to podstawowej znajomości obsługi komputera ze środowiskiem okienkowym Windows.

Integrację z platformą CLIPS zapewnia w tym programie biblioteka Mommosoft.ExpertSys-tem.dll.

2.3. Funkcjonalność systemu ekspertowego SE Coffe

System po uruchomieniu jest gotowy do ekspertyzy. Decyzja o doborze najbardziej odpowied-niej kawy będzie wynikała z wyboru preferencji dotyczących temperatury, mocy, smaku, a także preferowanych dodatków do kawy. Wystarczy, że konsument za pomocą pól wyboru (preferencje i dodatki), wybierze kryteria według własnych upodobań. Efektem końcowym jest wyświetlenie re-zultatu – lista proponowanych kaw z przyporządkowaną wartością procentową.

Lista kaw reprezentowana jest w postaci dwóch kolumn – kolumna „Kawa” i kolumna „Traf-ność”. Kawy, które uzyskują najlepszy wynik (największa liczba procentów) zostaną pokazane na początku listy. Natomiast kawy, które uzyskają najsłabszy wynik (najmniejsza wartość procentowa trafności doboru kawy), są wyświetlane na końcu listy. Kawy na liście pojawiają się wtedy, gdy uzyskują wartość procentową dopasowania z zakresu 10% – 100%. Maksymalna trafność, jaką mogą uzyskać kawy to 100%, a najmniejsza 10%. Dodatkowo menu systemu posiada przycisk „Re-set”, który anuluje wszystkie wybory preferencji i dodatkowych wymagań, dotychczas wykonane przez użytkownika.

2.4. Przykładowy wynik działania systemu ekspertowego SE Coffe

Po dokonaniu wyboru preferencji kawy (Temperatura – Gorąca, Moc – Mocna, Smak – Słodka) oraz określeniu dodatkowych wymagań (Nabiał – Mleko, Alkohol – Brak, Syrop – Waniliowy, Pora dnia – Popołudnie, Dodatek ulubiony – Bita śmietana) system ekspertowy uznał, że kawa Vanilia Hot Coffe spełnia większość tych wymagań osiągając 97% trafności (rys 4). Sugerowana kawa uznana jest za najlepszą dla użytkownika. Taką samą wartość osiągnęły również dwie inne kawy, które spełniają podobne wymagania.

(7)

Rysunek 4. Ekran wynikowy nr 1 systemu SE Coffe Źródło: opracowanie własne.

System został zaprojektowany tak, że nie wyświetla wyników niższych niż trafność 10%. W rezultacie najsłabszy wynik osiągnęły trzy kawy znajdujące się na końcu spisu (Esspreso po-dwójne 10%, Redy Dry Coffe 10% oraz Frappe 10%) (rys. 5). Oznacza to, że są to najmniej odpowiednie kawy dla użytkownika, gdyż spełniają tylko pojedyncze wybory klienta.

Rysunek 5. Ekran wynikowy nr 2 systemu SE Coffe Źródło: opracowanie własne.

(8)

3. Porównanie rozwiązań CLIPS i SPHINX

Cel systemu SE Coffe na platformie CLIPS/C# (VS) jest dokładnie taki sam, jak systemu na platformie SPHINX. Polega na zaproponowaniu użytkownikowi najbardziej odpowiedniej kawy. Decyzja o jej wyborze, opiera się na dobranych preferencjach użytkownika, dotyczących tempera-tury, mocy, smaku, a także preferowanych dodatków. Zależności między obiektami oraz ich cechami określa 70 reguł. Obydwa rozwiązania dają ten sam wynik dla tych samych preferencji, czyli w opisanym przykładzie działania systemu ekspertowego kawę Vanilia Hot Coffe.

System ekspertowy w Clips wykorzystuje mechanizm wnioskowania w przód, natomiast w SPHINX mechanizm wnioskowania wstecz, który jest efektywniejszy. Clips daje większą ela-styczność w implementacji systemu ekspertowego. Na wyjściu otrzymano listę najlepiej dobranych kaw. W przypadku SPHINX otrzymujemy jeden wynik, czyli jedną kawę.

W tabeli 1 podano zestaw cech, które spełniają narzędzia SPHINX i Clips. Na podstawie wy-różnionych cech można wybrać najlepsze narzędzie z punktu widzenia użytkownika i inżyniera wiedzy do tworzenia systemu ekspertowego dla wybranej dziedziny.

Tabela 1. Cechy charakteryzujące narzędzie SPHINX i Clips

Lp. Cecha SPHINX CLIPS

1. Osoby tworzące system często są ograniczane do możliwości

da-nych narzędzi √

2. Łatwe wprowadzanie danych jest możliwe dzięki wbudowanym

edytorom √

3. Posiadają wbudowany mechanizm wnioskowania, √ 4. Posiadają narzędzia do weryfikacji i strukturyzacji bazy wiedzy

oraz do jej pozyskiwania √

5. Osoba, która tworzy system nie musi znać wewnętrznego języka

systemu szkieletowego √

6. Posiadają specyficzną strukturę reguł. √

7. Interfejs graficzny należy zaprojektować poza środowiskiem

inter-pretera systemu √

8. W przypadku tworzenia interfejsu należy zachować spójność i kon-sekwencję w reprezentacji danych, ponieważ z takich plików zasobowych będzie korzystać narzędzie oraz środowisko, w którym zostanie utworzony interfejs

9. Minimalny rozmiar bazy wiedzy to 50 reguł √

10. Pozytywnie sprawdza się w rozwiązywaniu problemów

odpowied-nich dla dziedziny, w której została zebrana wiedza doświadczalna √ 11. Należy poznać strukturę języka implementacyjnego √

12. Większa elastyczność narzędzia √

13. Rekomendacja ograniczona tylko do jednego, najbardziej wg

sys-temu trafnego wyboru √

14. Rekomendacja prezentuje listę rankingową z przypisanymi do

po-zycji wartościami procentowej trafności doboru √

(9)

4. Podsumowanie

Zarządzanie wiedzą zawiera w sobie pozyskiwanie, gromadzenie oraz przetwarzanie wiedzy. Dlatego bardzo dobrze, jako narzędzie do zarządzania wiedzą, sprawdza się system ekspertowy.

W artykule zaprezentowano dwa systemy ekspertowe wspomagające wybór napoju kawowego. Zostały one utworzone zupełnie różnymi narzędziami. SPHINX, w tym PC-Shell jest szkieletowym systemem ekspertowym, czyli w skrócie można powiedzieć, że gotowym systemem ekspertowym z pustą bazą wiedzy. Natomiast Clips jest przedstawicielem języków systemów ekspertowych. Porównując języki systemów ekspertowych z językami systemów szkieletowych można stwierdzić, że te ostatnie są łatwiejsze do implementacji. Posługiwanie się językami systemów ekspertowych stwarza większe możliwości aplikacyjne, ale wymaga większego wysiłku, ponieważ trzeba nauczyć się języka programowania. W porównaniu obu rozwiązań wskazano różnice pomiędzy nimi w aspekcie technicznym (odmienne możliwości, np. tworzenia warstwy komunikacyjnej z użytkow-nikiem), jak też użytkowym (odmienna prezentacja wyniku działań – jednostkowa vs wielopozy-cyjna z rankingiem pozycji).

Bibliografia

[1] Bubeník P., Horák F., Knowledge-based systems to support production planning, Journal Tehnički Vjesnik – Technical Gazette, 21(3), 505–509, 2014.

[2] Buchalski Z., Wykorzystanie systemu ekspertowego do informatycznego wsparcia procesu doradczo-decyzyjnego, Studia Informatica, 31(2B), 193–204, 2010.

[3] Chlebus E., Krot K., Kuliberda M., Planowanie procesów technologicznych obróbki z zasto-sowaniem systemów ekspertowych, Archiwum Technologii Maszyn i Automatyzacji, 31(4), 115–123, 2011.

[4] Duer S., Wrzesień P., Duer R., Projekt systemu ekspertowego wspomagającego użytkowanie elektrowni wiatrowej, Logistyka, 3, 1116–1123, 2015.

[5] Golański P., Szczekala M., Zastosowanie przenośnego systemu ekspertowego z rzeczywisto-ścią rozszerzoną do obsługi statku powietrznego, Pomiary Automatyka Robotyka, 20(1), 69– 73, 2016, DOI: 10.14313/PAR_219/69.

[6] Jasłowska P., Jasłowski M., Jóźwiak I.J., Zastosowania systemów

wspoma-gania decyzji klinicznych w diagnozowaniu chorób rzadkich, Zeszyty

Naukowe Politechniki Śląskiej, seria: Organizacja i zarządzanie, 102, 119–

127, 2017.

[7] Larose D.T., Data mining: Methods and Models, John Wiley &Sons, New Jersey 2006. [8] Mulawka J.J., Systemy ekspertowe, WNT, Warszawa 1996.

[9] Ossowska K., Systemy ekspertowe wykorzystujące język korzyści do projektowania nowocze-snych technologii dla osób starszych, Zeszyty Naukowe Politechniki Poznańskiej, seria: Organizacja i Zarządzanie, 73, 213–224, 2017, DOI: 10.21008/j.0239-9415.2017.074.14. [10] Rojek I., System ekspertowy doboru półfabrykatów przy użyciu drzew decyzyjnych,

Studies&Proceeding of Polish Association for Knowledge Management, 83, 38–48, 2017. [11] Szulc J., Systemy ekspertowe w działalności bibliotecznej i informacyjnej: stan badań,

pro-blemy badawcze, przykłady zastosowań, http://www.sbp.pl/artykulbk/?cid=12549&prev=1, 2014.

(10)

[12] Tan C.F., Kher V.K., Ismail N., An expert system carbide cutting tools selection system for CNC lathe machine, International Review of Mechanical Engineering, 6(7), 1402–1405, 2012.

[13] Trajer J., Paszek A., Iwan S., Zarządzanie wiedzą, PWE, Warszawa 2012.

[14] Wieleba R., Inżynieria wiedzy w systemach ekspertowych, Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki, 5, 195–216, 2011.

KNOWLEDGE MANAGEMENT USING AN EXPERT SYSTEM Summary

Knowledge management is understood as a set of formalized methods of collec-tion and use of explicit and tacit knowledge of users of expert system which supports solving some problems with certain field. It is an attempt to make the best use of knowledge that is available in the company, creating new knowledge and increasing its understanding.

It was presented using an expert system supporting coffee selection. The system was created with two tools, using CLIPS 6.3 and SPHINX 4.5. The usefulness of these two tools to create an expert system as a knowledge management tool has been com-pared.

Keywords: expert, decision support, expert system, knowledge base, rule induction

Izabela Rojek Janusz Dorożyński

Daria Anna Ośka, studentka IV roku informatyki Instytut Mechaniki i Informatyki Stosowanej Wydział Matematyki, Fizyki i Techniki Uniwersytet Kazimierza Wielkiego ul. Chodkiewicza 30, 85-064 Bydgoszcz e-mail: izarojek@ukw.edu.pl

Cytaty

Powiązane dokumenty

Obszar opisu wydania składa się z nazwy wydania (zwykle tożsamej z tytułem), złożonej większym fontem, która znajduje się na górze; listy metadanych z lewej

Celem pracy było stworzenie bazy wiedzy, która w przeciwieństwie do typowej bazy wiedzy wchodzącej w skład systemu ekspertowego jest autonomiczną aplikacją.. Zapewnienia

* System ekspertowy - pojęcie z zakresu sztucznej inteligencji oznaczające system komputerowy, który emuluje proces podejmowania decyzji przez człowieka - eksperta.. Systemy

Dlatego też proces projektowania, budowania i dopuszczania do eksploatacji systemów automatyki kolejowej zawsze kończy się oceną poprawności każdego z tych etapów..

Załóżmy, przynajm niej na czas trw ania w ykładu, że przekonały nas te tw ierdzenia i oczywiste dowody postępu w krytyce, i zajm ijm y się zagadnieniem stru k

Wybór modelowania równań strukturalnych jako metody ana- lizy danych pozwala na określenie nie tyle wpływu pojedynczych zmiennych obserwowalnych (jak wiek, poziom wykształcenia

PC-Shell jest dziedzinowo—niezależnym, szkieletowym systemem ekspertowym o właściwościach hybrydowych. Dzięki zastosowaniu elementów architektury tablicowej, bazę wiedzy

Oddziaływanie masy tuszy ciepłej na uzysk cennych cz ci zasadniczych z rozbioru tuszy, w obr bie klas mi sno ci systemu klasyfikacji EUROP.. The effect of hot carcass weight on