• Nie Znaleziono Wyników

Systemy ekspertowe i sztuczna inteligencja

N/A
N/A
Protected

Academic year: 2021

Share "Systemy ekspertowe i sztuczna inteligencja"

Copied!
26
0
0

Pełen tekst

(1)

Systemy ekspertowe i sztuczna inteligencja

dr Agnieszka Nowak – Brzezioska Email: agnieszka.nowak@us.edu.pl

(2)

Architektura SE

(3)

Pojęcia z dziedziny systemów ekspertowych

• Inżynieria wiedzy - dziedzina sztucznej inteligencji zajmująca się projektowaniem i realizacją systemów ekspertowych.

• Inżynier wiedzy – projektant SE, osoba łącząca wiedzę na temat technik budowy SE z umiejętnością pozyskiwania i formalizacji wiedzy eksperckiej.

• Akwizycja wiedzy – proces pozyskiwania wiedzy niezbędnej do realizacji systemu ekspertowego.

• Na proces składają się: rozpoznanie problemu, wywiady z ekspertem, oraz reprezentacja wiedzy eksperta. Akwizycja kooczy się w momencie zapisania wiedzy eksperta w bazie wiedzy SE.

(4)

Zasady tworzenia systemu

ekspertowego

(5)

Etapy tworzenia systemu ekspertowego:

• analiza problemu, pod kątem, czy kwalifikuje się on do budowy systemu ekspertowego,

• opracowanie specyfikacji systemu, zdefiniowanie jego zadao i oczekiwanych wyników;

• przejęcie wiedzy od ekspertów i jej opracowanie;

• wybór metody reprezentacji wiedzy oraz

„narzędzi” do budowy systemu;

• organizacja i kodowanie wiedzy (prototyp, pełna wersja);

• weryfikacja i testowanie systemu.

(6)

Właściwości systemów ekspertowych:

• Są narzędziem kodyfikacji wiedzy;

• Mają zdolnośd rozwiązywania problemów specjalistycznych, w których dużą rolę odgrywa doświadczenie a wiedza ekspercka jest dobrem rzadkim i kosztownym;

• Zwiększają dostępnośd ekspertyzy;

• Zapewniają możliwośd prowadzenia jednolitej polityki przez centralę firm mających wiele oddziałów;

• Poziom ekspertyzy jest stabilny – jej jakośd nie zależy od warunków zewnętrznych i czasu pracy systemu;

• Jawna reprezentacja wiedzy w postaci zrozumiałej dla użytkownika koocowego;

• Zdolnośd do objaśniania znalezionych przez system rozwiązao;

• Możliwośd przyrostowej budowy i pielęgnacji bazy wiedzy.

(7)

System ekspertowy służy do rozwiązywania problemów, które charakteryzują się jedną lub wieloma z następujących cech:

• problem nie da się sformalizowad w postaci liczbowej;

• cele nie dadzą się opisad za pomocą matematycznych funkcji celu;

• nie istnieją formalne algorytmy rozwiązywania problemu;

• dane i wiedza systemu są obarczone

nieznanym błędem lub są one niepełne, niepewne.

(8)

Przyczyny tworzenia systemu ekspertowego (uogólnione):

• tylko jeden (lub bardzo niewielu) specjalista posiada niezbędną wiedzę, co grozi jej utratą;

• ekspertyza jest wymagana często lub jest niezbędna w wielu miejscach;

• ekspertyza jest niezbędna w miejscach

niedostępnych dla człowieka lub szkodliwych dla zdrowia.

(9)

Wnioskowanie

(10)

Typy wnioskowania

• Wnioskowanie w przód (data driven)

• Wnioskowanie wstecz (goal driven)

• Wnioskowanie mieszane

(11)

Sterowanie wnioskowaniem

(12)
(13)

Mechanizm wnioskowanie w przód

(14)

Mechanizm wnioskowanie w przód

(15)

Idea wnioskowania wstecz

(16)

Algorytm wnioskowania wstecz

(17)

Mechanizm wnioskowania wstecz dla

hipotezy „v”

(18)
(19)
(20)

Idea wnioskowania mieszanego

(21)

Przykład1

Dana jest baza wiedzy :

• R1: Jeżeli„a” i „b” i „c” to „d”

• R2: Jeżeli„a” i „b” to „g”

• R3: Jeżeli„b” i „c” to „e”

• R4: Jeżeli„a” i „c” to „f”

• R5: Jeżeli„e” i „b” i „c” to „f”

Dane sa fakty : „a”, „b”, „c”.

Wyprowadź całą możliwą wiedzę z systemu.

(22)

Przykład2

Dana jest baza wiedzy :

• R1: Jeżeli „a” i „b” i „c” to „d”

• R2: Jeżeli „a” i „d” to „g”

• R3: Jeżeli „a” i „f” to „b”

• R4: Jeżeli „b” i „g” to „f”

• R5: Jeżeli„a” i „e” to „f”

• R6: Jeżeli„e” i „f” to „a”

• R7: Jeżeli „a” i „b” to „c” Dane są fakty : „a” i „e”.

Udowodnid hipotezę „g”.

(23)

Ćwiczenie 3

• Dana jest baza wiedzy:

• R1: Jeżeli „b” i „d” to „f”

• R2: Jeżeli „a” to „b”

• R3: Jeżeli„e” i „f” to „g”

• R4: Jeżeli „b” i „c” to „e”

• Fakty: „a”, „c” i „d”. Szukane „b”

(24)

Ćwiczenie 4

• Dana jest baza wiedzy:

• R1: Jeżeli „j” i „k” to „l”

• R2: Jeżeli „j” to „n”

• R3: Jeżeli „n” i „m” to „o”

• R4: Jeżeli „n” i „l” to „m”

• Fakty: „j”, „k”, „l”, „p”. Szukane „p”.

(25)

Ćwiczenie 5

• Dana jest baza wiedzy:

• R1: Jeżeli „j” i „k” to „l”

• R2: Jeżeli „j” to „n”

• R3: Jeżeli „n” i „m” to „o”

• R4: Jeżeli „n” i „l” to „m”

• Fakty: „j”, „k”, „l”, „p”. Szukane „p”.

(26)

Ćwiczenie 6

• Dana jest baza wiedzy:

• R1: Jeżeli „l” i „m” to „n”

• R2: Jeżeli „j” to „o”

• R3: Jeżeli „j” i „k” to „m”

• R4: Jeżeli „n” i „o” to „p”

• Fakty: „j”, „k”, „l”. Szukane „p”.

Cytaty

Powiązane dokumenty

Proces wnioskowania odbywa się zgodnie z wybraną metodą wnioskowania, wywodzącą się najczęściej z nauk matematycznych – logiki, rachunku..

Narty z grupy slalomTop stosuje się do jazdy rekreacyjnej, dla osób preferujących krótki skręt, o normalnym stylu jazdy i wysokich lub średnich umiejętnościach. Narty z

• Akwizycja wiedzy – proces pozyskiwania wiedzy niezbędnej do realizacji systemu ekspertowego.. • Na proces składają się: rozpoznanie problemu, wywiady z ekspertem,

logiki niemonotoniczne: metody przetwarzania wiedzy niepełnej, w których dopuszcza się, że pojawienie się nowych stwierdzeń może anulować. wyprowadzenie

Jej twórca wzorował się jednak nie na obrazie z dawnej kolekcji Karola Lanckorońskiego czy na podobnych mu malowidłach a na słynnych mantuańskich płótnach Mantegni z około

inteligentnych systemów komputerowych, przejawiających własności, które wiążemy z inteligencją w zachowaniu ludzkim – zrozumienie języka, uczenie się, rozwiązywanie

Horzyk, A., Innovative Types and Abilities of Neural Networks Based on Associative Mechanisms and a New Associative Model of Neurons - referat na zaproszenie na

Akwizycja wiedzy – proces pozyskiwania wiedzy niezbędnej do realizacji systemu ekspertowego.. Na proces składają się: rozpoznanie problemu, wywiady z ekspertem, oraz