Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

obiekty, ramy,
syst.agentowe

systemy

ekspertowe

klasyfikacja

bayesowska,

teoria

pewności,

logika

rozmyta

systemy

regułowe

systemy

z bazą

wiedzy

sieci

neuronowe

algorytmy

ewolucyjne

symulowane

wyżarzanie

inteligentne

systemy

obliczeniow

e

Klasyfikacja systemów Sztucznej

Inteligencji

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

obiekty, ramy,
syst.agentowe

systemy

ekspertowe

klasyfikacja

bayesowska,

teoria

pewności,

logika

rozmyta

systemy

regułowe

systemy

z bazą

wiedzy

sieci

neuronowe

algorytmy

ewolucyjne

symulowane

wyżarzanie

inteligentne

systemy

obliczeniow

e

Systemy ekspertowe

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

System ekspertowy, def.

System ekspertowy jest programem
komputerowym, zaprojektowanym do
wykonywania złożonych zadań o podłożu
intelektualnym.

System ekspertowy powinien
rozwiązywać zadania tak dobrze jak
człowiek będący ekspertem w
dziedzinie, której to zadanie dotyczy

.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Ekspert (człowiek)

Ekspert – specjalista z danej (zazwyczaj
wąskiej) dziedziny, posiadający dużą wiedzę.

Wiedzę można podzielić na:

•wiedza milcząca (tacit knowledge) – wiem jak
postępować w danych okolicznościach ale nie wiem
dlaczego i nie potrafię tego wyjaśnić

•asocjacyjna wiedza empiryczna – znam wiele
przykładów i umiem je wykorzystać do wnioskowania

•wiedza głęboka – dokładnie wiem dlaczego
(oczywiście w pewnej ontologii)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

Wiedza - termin używany powszechnie, choć
wciąż nie posiada ogólnie uznanej definicji.

Za klasyczną uznaje się definicję
Platona:
Wiedza to prawdziwe, uzasadnione
przekonanie.

Wg Encyklopedii Powszechnej:
Wiedza to ogół wiarygodnych informacji
o rzeczywistości wraz z umiejętnościami
ich wykorzystywania.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

Wiedzę można podzielić na:
•Wiedza (a priori) - niezależna od zmysłów i
dotyczy prawd "absolutnych" lub
uniwersalnych (prawa logiki, prawa
matematyki, itp.).
•Wiedza (a posteriori) - wiedza nabyta poprzez
zmysły i jej prawdziwość może być obalona
poprzez następne obserwacje

.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

Wiedzę można podzielić na:
• wiedza milcząca (tacit knowledge) – wiem

jak postępować w danych okolicznościach ale
nie wiem dlaczego i nie potrafię tego wyjaśnić

• asocjacyjna wiedza empiryczna – znam

wiele przykładów i umiem je wykorzystać do
wnioskowania

• wiedza głęboka – dokładnie wiem dlaczego

(oczywiście w pewnej ontologii)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

Cechą wiedzy jest porządek, którego poszukiwali

filozofowie zajmujący się ontologią (metafizyką),

której zadaniem jest po prostu opisanie

rzeczywistości, a więc tego co istnieje.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

Ontologia w sensie informatycznym to formalna

reprezentacja pewnej dziedziny wiedzy, na którą składa

się zapis zbiorów pojęć (ang. concepts) i relacji między

nimi.
Zapis ten tworzy schemat pojęciowy, który może służyć

jako podstawa do wnioskowania o właściwości

opisywanych ontologią pojęć.

Ontologia oznacza określony sposób formalizacji

wiedzy.

Językami zapisu ontologii m.in. OWL

[Wikipedia]

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

[Raport firmy Computer Technology Research Corp. CTR96]

Komentarz:
Mądrość nie
jest
równoznacz
na wiedzy

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

"Where is the wisdom we have lost in
knowledge?
Where is the knowledge we have lost in
information?”

T.S. Eliot

(1888-1965)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza

W obszarze sztucznej inteligencji wiedzę
traktuje się jako materiał wejściowy albo efekt
działania algorytmów sztucznej inteligencji.
Część metod sztucznej inteligencji zajmuje się
próbami formalizacji ludzkiej wiedzy celem
automatycznego wnioskowania (np. systemy
ekspertowe).
Z drugiej strony, dzięki zastosowaniu metod SI
w dużych zbiorach danych można odnaleźć
wiedzę o ich naturze (np. sieci neuronowe,
ekstrakcja wiedzy z danych, itp.).

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wiedza - reprezentacja

• reprezentacja proceduralna –

określenie zbioru procedur, których
działanie reprezentuje wiedzę o
dziedzinie (np. procedura
wyznaczania ekstremum funkcji),

• reprezentacja deklaratywna,

polegająca na określeniu zbioru
specyficznych dla rozpatrywanej
dziedziny faktów i reguł.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

System Ekspertowy

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

System ekspertowy – definicja, c.d.

System ekspertowy – definicja, c.d.

• System ekspertowy

(doradczy, ekspercki):

dowolny program komputerowy, który
wykorzystuje wiedzę i procedury wnioskowania do
rozwiązywania problemów, które są na tyle trudne,
że wymagają znaczącej ekspertyzy specjalistów.

• Wynikiem działania systemu ekspertowego jest

wiedza (niezbędna, by zapewnić odpowiedni
poziom ekspertyzy), wraz z procedurami
wnioskowania i stanowi ona model ekspertyzy,
posiadanej przez najlepszych specjalistów
(ekspertów) w danej dziedzinie.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

System ekspertowy – definicja, c.d.

System ekspertowy – definicja, c.d.

• Systemy ekspertowe to „programy z wiedzą”, które

samodzielnie realizują procedury wnioskowania i ew.
obliczania, objaśniania, uczenia, komunikowania.

• Wiedza zgromadzona w systemie może być

wykorzystywana wielokrotnie przez wielu
użytkowników korzystających z komputera kiedy
potrzebują rady. Komputer zwraca najlepszą, jego
zdaniem radę, i jeśli to konieczne tłumaczy logikę na
podstawie której powstały wnioski wyjściowe.

• Wiedza zapisana jest w osobnych zbiorach:

– może być poszerzana przez program (uczenie)
– jest od niego niezależna

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

System ekspertowy – definicja, c.d.

System ekspertowy – definicja, c.d.

Podstawowa idea systemu ekspertowego polega
na przeniesieniu wiedzy eksperta do programu
komputerowego, wyposażonego w bazę wiedzy,
konkretne reguły wnioskowania oraz język
komunikacji z użytkownikiem lub interfejs
graficzny na taką komunikację pozwalający.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Systemy ekspertowe, c.d.

Baza

Wiedz

y

Wiedza/

Działanie

Wnioskowa

nie

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Cechy systemów ekspertowych

• Jedną z podstawowych cech systemów

ekspertowych jest

oddzielenie

w nich

systemu wnioskowania

od

bazy wiedzy

.

(obniżenie kosztów tworzenia i konserwacji

oprogramowania, wiedzę systemu można

łatwo rozszerzać i modyfikować bez

konieczności zmiany kodu programu).

• Istotną cechą jest

możliwość udzielenia

przez system wyjaśnień

o przyczynach

wyboru strategii wnioskowania,

zastosowania reguł i wyciągania wniosków.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Cechy systemów ekspertowych, c.d.

• Charakterystyczną

cechą

większości

systemów ekspertowych jest to, iż opierają
się

na

technice

symbolicznego

przetwarzania informacji.

• Posługiwanie się symbolami wyróżnia

klasyczne systemy ekspertowe spośród
innych programów.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Cechy systemów ekspertowych, c.d.

•Skuteczność systemów
ekspertowych w dużej mierze zależy
od

zakodowanej w nich wiedzy

o

rozwiązywanym problemie.

•W zależności od charakteru
problemu, wiedzę zapisuje się w
różny sposób.

•Jednym z najczęściej stosowanych
zapisów są

reguły

:

JEŻELI

[przesłanka]

TO

[konkluzja]

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Przykład: tabela decyzyjna

Klient jest wiarygodny

T

T

Klient nie jest

wiarygodny

T

Klient płaci gotówką

T

T

Klient dokonuje

przedpłaty

T

T

Klient płaci

przelewem

T

T

T

Wartość kontraktu jest

duża

T

T

T

Wartość kontraktu jest

mała

T

T

T

Decyzja ostateczna:

sprzedać po cenie

standardowej

X

X

X

Decyzja ostateczna:

przyznać klientowi

upust

X

X

X

Decyzja ostateczna:

odrzucić ofertę

X

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Przykład reguły o kredytowaniu

JEŻELI

Klient płaci gotówką

I

Wartość kontraktu jest duża

TO

przyznać klientowi upust

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wyniki działania systemów ekspertowych

• Diagnoza

- jest to ocena stanu

istniejącego na podstawie posiadanych
danych.

• Prognoza -

jest to przewidywanie stanu

przyszłego na podstawie istniejących
danych.

• Plan -

jest rozumiany jako opis pewnego

stanu, do którego należy dążyć.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Kategorie systemów ekspertowych

• Systemy

doradcze

(advisory)

prezentują

rozwiązania dla użytkownika, który jest w stanie

ocenić ich jakość. Użytkownik może odrzucić

rozwiązanie oferowane przez system i zażądać

innego rozwiązania.

• Systemy podejmujące decyzje

(dictatorial)

bez

kontroli człowieka są same dla siebie końcowym

autorytetem. Są używane np. do sterowania

różnymi obiektami, gdzie udział człowieka jest

utrudniony lub wręcz niemożliwy.

• Z kolei dla

systemów krytykujących

(criticizing)

jest

przedstawiany

problem

jak

też

jego

rozwiązanie. System dokonuje w tym przypadku

analizy i komentuje uzyskane rozwiązanie.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Systemy szkieletowe i dedykowane

• Systemy dedykowane

są tworzone od

podstaw przez inżyniera wiedzy

współpracującego z informatykiem.

• Systemy szkieletowe

(shells) są to systemy z

pustą bazą wiedzy. Proces tworzenia

finalnego systemu ekspertowego jest w tym

przypadku krótszy niż w pierwszym

przypadku, gdyż jest wymagane tylko

pozyskanie wiedzy i jej odpowiednia

implementacja w systemie.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zalety systemów ekspertowych

 Jawna reprezentacja wiedzy

w postaci zrozumiałej

dla użytkownika końcowego i oddzielenie jej od

procedur sterowania.

 Systemy ekspertowe są narzędziem kodyfikacji

wiedzy eksperckiej

, mają kompetencje większe od

pojedynczego eksperta (wiedza ekspercka jest

dobrem rzadkim i kosztownym).

 Systemy

ekspertowe

mają

zdolność

do

rozwiązywania

problemów specjalistycznych, o

charakterze jakościowym,

w których dużą rolę

odgrywa doświadczenie.

 Systemy

ekspertowe

zwiększają

dostępność

ekspertyzy.

 Przetwarzanie

wiedzy

dotyczy

głównie

przetwarzania symboli,

w mniejszym zaś stopniu

obliczeń numerycznych.

 Możliwość

przyrostowej budowy bazy wiedzy.

 Systemy ekspertowe mają

zdolność wyjaśniania

własnych konkluzji.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Po co System Ekspertowy?

Po co System Ekspertowy?

1. Koszty: w dłuższym okresie czasu są znacznie

tańsze, pomagają w rozwiązywaniu problemów

wymagających najbardziej specjalistycznej

(najdroższej) wiedzy.

2. Brak ekspertów w wielu dziedzinach.
3. ES pracują szybciej, nie męczą się, są bardziej

niezawodne niż ludzie.

4. Konsekwentne, obiektywne, dokładne.
5. Zawsze do dyspozycji (nie stawiają

wygórowanych warunków! nie strajkują!).

6. Analiza dużych ilości danych wymaga

komputera.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Etapy tworzenia SE

Etapy tworzenia SE

• Analiza problemu - ocena, czy budowa SE dla

danego problem ma sens.

• Specyfikacja systemu - szczegółowe określenie

funkcji i oczekiwań.

• Akwizycja wiedzy - zgromadzenie, wydobycie z

ekspertów (i organizacji) wiedzy.

• Wybór metody reprezentacji wiedzy i narzędzi do

budowy systemu.

• Konstrukcja systemu - utworzenie bazy wiedzy,

reguł wnioskowania, systemu wyjaśniającego

rozumowanie i prowadzenia dialogu z

użytkownikiem.

• Weryfikacja i testowanie systemu.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wady systemów ekspertowych

• nieprzewidywalność działania
• możliwość wygenerowania

fałszywych wniosków (indukcyjne
metody uczenia się)

• wyniki lepsze od przypadkowych

choć niekoniecznie optymalne

• długi czas opracowania systemu
• wysoka cena

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Organizacja

sesji

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Architektura

systemu ekspertowego

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Schemat budowy systemu ekspertowego

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Baza wiedzy

• Cała wiedza systemu o danej dziedzinie

zapisana jest w zewnętrznej

bazie wiedzy

.

Jest to zwykle plik tekstowy zawierający

zestaw

faktów

i praktycznych przepisów, czyli

reguł

wnioskowania, a także np. treść pytań.

• Wszystko to zapisane jest w języku zbliżonym

do naturalnego, w formie niezależnych

elementów, łatwych do zrozumienia i

rozbudowy. Do bazy wiedzy można włączać

także funkcje i procedury. Można też

odwoływać się w niej do baz danych.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Baza wiedzy

Podczas tworzenia bazy wiedzy inżynier
wiedzy musi odpowiedzieć na
następujące pytania:
•Jakie obiekty należy zdefiniować
•Jakie są relacje między obiektami
•Jak należy formułować i przetwarzać
reguły
•Czy baza wiedzy jest kompletna i spójna

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Mechanizm wnioskujący

• Mechanizm wnioskujący to

„serce”

systemu.

Musi

wypracować

decyzje na podstawie

zbioru

luźnych reguł.

• Używa pewnej strategii nazywanej

poszukiwaniem

wstecz

lub

poszukiwania wprzód.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Podsystem pozyskiwania wiedzy

• Podsystem pozyskiwania wiedzy służy

do wprowadzania reguł wnioskowania
do systemu ekspertowego.

• Może on być zredukowany do modułu

wczytywania pliku tekstowego
zawierającego bazę wiedzy, może też
zawierać szereg udogodnień
ułatwiających

„uczenie systemu”.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces pozyskiwania wiedzy

Ekspert

dziedziny

Inżynier

wiedzy

Baza

wiedzy

Wiedza
strukturalizowana

Wiedza, koncepcja,
Nowe rozwiązania

Dane, problemy, pytania

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces pozyskiwania wiedzy przez inżyniera

wiedzy

•Technika audio-video – rejestrowanie czynności i

wypowiedzi eksperta,

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces pozyskiwania wiedzy przez inżyniera

wiedzy

•Konstruowanie drzewa hierarchii, np.

IW: - Czy może mi Pan podać przykład jakiejś potrawy?
E: - Np. kotlet schabowy.
IW: - Jakąś inną?
E: - Śledź w śmietanie.
IW: - Jaka jest różnica między nimi?
E: - Śledź w śmietanie to przystawka, a kotlet schabowy to
danie główne.
IW: - Czy są jakieś inne dania główne?
W: - Jest wiele. Filet z ryb, filet z kurczaka, pieczeń
wieprzowa, pierogi, ...
IW: - Czym te dania różnią się między sobą?
E: - Pierogi to dania jarskie, a pieczeń i kotlet to dania
mięsne
IW: - Wróćmy do śledzia. Czy istnieją jakieś inne przystawki?
E: - Surówki, flaki, .....

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces pozyskiwania wiedzy przez inżyniera

wiedzy

Drzewo hierarchii, c.d.

potrawy

przystawki

Dania główne

mięsne jarzyny

flaki

ryby

śledź

surówka

mięsne

ryby

jarskie

kotlet

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces pozyskiwania wiedzy przez inżyniera

wiedzy

Dwadzieścia pytań:
Metoda stosowana głównie
przy badaniu mechanizmów
stawiania diagnozy przez
eksperta. Inżynier wiedzy
stawia hipotetyczny problem.
Zadaniem eksperta jest za
pomocą dwudziestu pytań
postawić diagnozę:

Temperatura?

N

T

Katar?

N

T

Ból głowy?

N

T

Kaszel? T

N

Ból stawów? T

Grypa

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces pozyskiwania wiedzy przez inżyniera

wiedzy

Automatyczne akwizycja wiedzy:
Przykładem jest system przetwarzający ankiety o ściśle
określonej formie. Zasady, zgodnie z którymi ekspert
podejmuje decyzje mogą być bardzo skomplikowane,
jednak efekt końcowy, to funkcja przyporządkowująca
wypełnionej ankiecie jedno z możliwych rozwiązań.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Podsystem objaśniania

• Podsystem objaśniania

służy do

uzasadniania

użytkownikowi

konieczności zadania pytania przez
system ekspertowy. Najczęściej
odbywa się to przez cytowanie
reguł,

które

zawierają

w

przesłance informacje niezbędne
do wypracowania decyzji.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Podsystem objaśniania – przykład „Co to

jest?”

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Podsystem współpracy z użytkownikiem

• Podsystem współpracy z użytkownikiem

to interfejs systemu, jego zadanie
polega

na

przyjmowaniu,

interpretowaniu

i

wykonywaniu

rozkazów

użytkownika

oraz

formułowaniu pytań uzupełniających.
Dąży się do tego, żeby dialog z
użytkownikiem odbywał się w języku jak
najbardziej zbliżonym do naturalnego.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Okno konsultacji z użytkownikiem

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reprezentacja wiedzy

Reprezentacja wiedzy

i wnioskowanie

i wnioskowanie

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wybór reprezentacji wiedzy

• Określona dziedzina zastosowania

projektowanego systemu decyduje o wyborze

odpowiedniej reprezentacji wiedzy.

• Wśród tych metod znajdują się m in.

reguły,

drzewa decyzyjne, formuły logiki predykatów,

rozkłady prawdopodobieństw.

• Wybór najkorzystniejszego formalizmu do

rozwiązania określonego zadania

praktycznego zależy również od

doświadczenia i intuicji projektanta systemu.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Metody zapisu wiedzy

• Rachunek zdań
• Rachunek predykatów
• Zapis stwierdzeń
• Reprezentacja regułowa
• Sieci semantyczne
• Reprezentacja za pomocą ram

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek zdań

• Zdania:

A=klient jest wiarygodny

B=klient płaci przelewem

C=sprzedaż jest dopuszczalna

• Funktory zdaniotwórcze:

¬ negacja, koniunkcja.  alternatywa,

  implikacja,  równoważność

• Formuły

P = A  B  C

• Metody wykorzystania:

– metoda zerojedynkowa
– metoda dedukcji (wnioskowania)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek zdań w budowaniu wiedzy

• Logiczny zapis wiedzy
• Weryfikacja wiedzy
• Upraszczanie wyrażeń logicznych
• Częściowa automatyzacja

formułowania wiedzy

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

("Klient jest wiarygodny"



" Klient płaci przelewem"



"Wartość

kontraktu jest duża„)



"przyznać klientowi upust”

("Klient jest wiarygodny"



" Klient płaci przelewem"



"Wartość

kontraktu jest mała" )



"sprzedać po cenie standardowej"

("Klient nie jest wiarygodny"



" Klient płaci przelewem"



"Wartość kontraktu jest duża" )



"odrzucić ofertę"

(" Klient płaci gotówką"



"Wartość kontraktu jest duża”)



"przyznać klientowi upust"
(" Klient płaci gotówką"



"Wartość kontraktu jest mała" )



"sprzedać po cenie standardowej"
(" Klient dokonuje przedpłaty "



"Wartość kontraktu jest duża„)



"przyznać klientowi upust"
(" Klient dokonuje przedpłaty "



"Wartość kontraktu jest mała" )



"sprzedać po cenie standardowej"

Rachunek zdań w budowaniu wiedzy

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Metoda zerojedynkowa

A

B

A B

C

A B  C

1

1

1

1

1

1

0

0

1

1

0

1

0

1

1

0

0

0

1

1

1

1

1

0

0

1

0

0

0

1

0

1

0

0

1

0

0

0

0

1

„klient jest wiarygodny”  „klient płaci przelewem”  „sprzedaż jest dopuszczalna”

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zbiory aksjomatów

• Tautologie – zdania, które są

prawdziwe niezależnie od wartości
logicznej występujących w nich
zmiennych zadaniowych (zdania
zawsze prawdziwe), np.:

• Pada śnieg albo nie nie pada.

€

p∨¬p

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zbiory aksjomatów

)

(

)

(

p

q

q

p











Przykład tautologii:

1 1

1

0

0

1

1

1 0

0

0

1

0

1

0 1

1

1

0

1

1

0 0

1

1

1

1

1

p



q



p

q

q

p

p

q







)

(

)

(

p

q

q

p











Jeżeli prawdą jest, że jeżeli klient jest bogaty to
zasługuje na rabaty to prawdą jest także to, że
jeżeli nie zasługuje na rabaty to znaczy, że klient
nie jest bogaty

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zbiory aksjomatów

Przykład tautologii:

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

("Klient nie jest wiarygodny"



" Klient płaci przelewem” )



"odrzucić ofertę"

(("Klient jest wiarygodny"



" Klient płaci gotówką"



„

Klient

dokonuje przedpłaty”)

 „

Wartość kontraktu jest duża" )



"przyznać klientowi upust„

(("Klient jest wiarygodny"



" Klient płaci gotówką"



„

Klient

dokonuje przedpłaty”)

 „

Wartość kontraktu jest mała" )



"sprzedać po cenie standardowej"

Upraszczanie wyrażeń

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły Łukasiewicza

Reguła zastępowania definicyjnego

)]

(

)

[(

)

(

|

r

p

r

q

q

p













p

p

p









)

(

|

Reguła podstawienia

Reguła odrywania

)

(

|

q

p

p









Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Definicje funktorów

DEF1:

q

p

q

p









DEF2:

DEF3:

)

(

q

p

q

p











)

(

)

(

p

q

q

p

q

p











Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wywodzenie tez - przykład

)

(

|

)

(

|

)

(

|

q

p

p

q

p

p

q

p

p





























Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Poszukiwanie implikacji

)

(

|

)

(

|

)

(

|

)]

(

)

[(

)

(

|

r

p

r

q

q

p

r

p

r

q

q

p

























Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Alfabet teorii

• Stałe: oznaczające obiekty, funkcje i

predykaty

• Zmienne
• Symbole operacji logicznych

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Formuły

• Formuły atomowe – proste predykaty

bez użycia symboli logicznych

• Formuły – obiekty zbudowane z

użyciem symboli logicznych i
kwantyfikatorów







)]

(

)

,

(

[

)]

,

(

(

)

(

[

)

(

y

P

y

x

Q

y

x

f

P

y

P

x

P

y

y

x















Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Formuły

• x, y – liczba oktanowa paliwa
• P(x) – paliwo o liczbie oktanowej x

nadaje się do silnika

• f(x,y) – średnia ważona x i y
• Q(x,y) – paliwo o licznie oktanowej y

jest domieszką paliwa o liczbie
oktanowej x

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Klauzule

• Literał – formuła postaci ~a lub a, gdzie a

jest dowolna formułą atomową

• Literały ~a i a nazywamy literałami

komplementarnymi

• Klauzula – alternatywa dowolnej

skończonej liczby literałów (formuła bez
kwantyfikatorów)

• Każdy zbiór poprawnie zbudowanych

formuł można przekształcić w zbiór klauzul

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Klauzule

• Jeżeli paliwo o liczbie oktanowej x nadaje

się do silnika to prawdziwa jest konkluzja,

że paliwo o liczbie oktanowej y nie nadaje

się do silnika lub paliwo o liczbie oktanowej

będącej średnią x i y nadaje się do silnika –

jeżeli jeden ze składników paliwa nadaje się

do silnika to tylko w przypadku dolania

składnika nie nadającego się do tego celu

uzyskamy złą mieszankę

))

,

(

(

)

(

)

(

y

x

f

P

y

P

x

P







Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Klauzule Horna

n

m

B

B

B

A

A

A

...

...

2

1

2

1













współpracują(X1,X2) if
część(X1,wałek) and
część(X2,panewka)

B

1

if

A

1

and

A

2

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zasada rezolucji

E

D

B

A

E

D

C

C

B

A





















|

__

__________

|

|

rezolwenta

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Dedukowanie

• Podstawiamy X1=w001, X2=w001

)

001

,

001

(

)

,

001

(

|

______

__________

__________

)

,

001

(

|

)

001

,

001

(

)

,

001

(

)

,

001

(

|

w

w

ja

wspolpracu

panewka

w

walek

w

czesc

w

w

ja

wspolpracu

panewka

w

walek

w

czesc













Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Dedukowanie

• Podstawiamy X1=w001, X2=p04

)

04

,

001

(

)

,

04

(

|

______

__________

__________

)

,

001

(

|

)

04

,

001

(

)

,

04

(

)

,

001

(

|

p

w

ja

wspolpracu

panewka

p

walek

w

czesc

p

w

ja

wspolpracu

panewka

p

walek

w

czesc













Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Dedukowanie

)

04

,

001

(

|

______

__________

__________

)

,

04

(

|

)

04

,

001

(

)

,

04

(

|

p

w

ja

wspolpracu

panewka

p

czesc

p

w

ja

wspolpracu

panewka

p









Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Baza wiedzy w systemie regułowym

REGUŁY, FAKTY

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Fakty

Podstawowym elementem faktów jest trójka

<

O,A,W>

(

obiekt, atrybut, wartość)

np. miesięczny_obrót_mld (firma_X) = 14.5

firma_X – obiekt;
miesięczny_obrót_mld - atrybut;

Fakty nie mogą zawierać zmiennych, a

operatorem pomiędzy atrybutem i
wartością jest znak „=„

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły - w postaci ogólnej

•

JEŻELI [

przesłanka

] TO

[konkluzja].

zbiór prostych zdań
(faktów) połączonych
funktorami AND, OR

(warunek)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły - w postaci ogólnej

•

JEŻELI [

przesłanka

] TO

[

konkluzja

].

zbiór prostych zdań
(faktów) połączonych
funktorami AND, OR

(warunek)

zbiór prostych
zdań połączonych
funktorami AND,
OR

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły

W notacji (odwróconej) języka Prolog i systemu

PC-Shell:

[konkluzja]

if

[warunek_1]

and

[warunek_2]

and

...

and

[warunek_n];

np.

ocena_sprawności_działania = "wysoka sprawność działania"

if

wskaźnik_operacyjności = "WO < 50%",
wskaźnik_rotacji_należności = "niski",
wskaźnik_rotacji_zapasów = "zawyżony";

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły

Składnia konkluzji jest taka sama jak

faktów, z tą różnicą, że w konkluzjach

mogą pojawić się zmienne.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Przykładowe reguły w Bazie Wiedzy

• 1: decyzja_kredytowa = "

przyznać kredyt

"

if profil_klienta = "ok",
gwarancje_kredytowe="dostateczne",
sytuacja_finansowa="dobra";

• 2: decyzja_kredytowa = "

skonsultuj z

przełożonym

" if profil_klienta="ok",

gwarancje_kredytowe="niedostateczne",
sytuacja_finansowa="dobra";

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły

Przykład:

Jeżeli u pacjenta występują jednocześnie
następujące objawy:

•wysoka temperatura,

•bóle mięśni,

•silny kaszel

To diagnoza:

grypa

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły

Dysponując taką wiedzą, możemy
przystąpić do jej formalizacji w postaci
prostej reguły.

Należy ustalić związki <A,W>,
decydując przy okazji o tym co jest
atrybutem, a co wartością oraz jaką
postać (symbol, identyfikator) im nadać.
Np.:

<diagnoza, grypa>
<temperatura, wysoka>
<bóle mięśni, występują>
<kaszel, silny>

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły

Sformalizowana postać wiedzy w regułę
systemu PC-Shell:

Diagnoza = „grypa” if

Temperatura = „wysoka” &
Bóle_mięśni = „występują” &
Kaszel = „silny”;

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reguły

Możliwość tzw. przyrostowej rozbudowy
bazy wiedzy typu <A,W>:

Temperatura = „wysoka” if

Temperatura_ciała > 38;

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Przykład

Klient jest wiarygodny

T

T

Klient nie jest

wiarygodny

T

Klient płaci gotówką

T

T

Klient dokonuje

przedpłaty

T

T

Klient płaci

przelewem

T

T

T

Wartość kontraktu jest

duża

T

T

T

Wartość kontraktu jest

mała

T

T

T

Decyzja ostateczna:

sprzedać po cenie

standardowej

X

X

X

Decyzja ostateczna:

przyznać klientowi

upust

X

X

X

Decyzja ostateczna:

odrzucić ofertę

X

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

If

stwierdzenie(1) = "Klient jest wiarygodny"

And

stwierdzenie(2) =

" Klient płaci przelewem"

And

stwierdzenie(2) = "Wartość kontraktu

jest duża"

Then

konkluzja = "przyznać klientowi upust”

If

stwierdzenie(1) = "Klient jest wiarygodny"

And

stwierdzenie(2) =

" Klient płaci przelewem"

And

stwierdzenie(2) = "Wartość kontraktu

jest mała"

Then

konkluzja = "sprzedać po cenie standardowej"

If

stwierdzenie(1) = "Klient nie jest wiarygodny"

And

stwierdzenie(2) = " Klient płaci przelewem"

And

stwierdzenie(2) =

"Wartość kontraktu jest duża"

Then

konkluzja = "odrzucić ofertę"

If

stwierdzenie(2) = " Klient płaci gotówką"

And

stwierdzenie(2) =

"Wartość kontraktu jest duża"

Then

konkluzja = "przyznać klientowi upust"

If

stwierdzenie(2) = " Klient płaci gotówką"

And

stwierdzenie(2) =

"Wartość kontraktu jest mała"

Then

konkluzja = "sprzedać po cenie standardowej"

If

stwierdzenie(2) = " Klient dokonuje przedpłaty"

And

stwierdzenie(2) = "Wartość kontraktu jest duża"

Then

konkluzja = "przyznać klientowi upust"

..............

Przykład

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek predykatów

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek predykatów

Predykat - wzorzec (struktura zdaniowa
-czasownikowa), który opisuje własność
obiektów, relacje między obiektami, lub relacje
między obiektami reprezentowanymi przez
zmienne.
Np.
Cytryna jest żółta,
Kwiatek, który kupiłem Żonie jest żółty.
Okładka tej książki jest żółta.

.... jest żółte

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek predykatów

Predykat - wzorzec (struktura zdaniowa
-czasownikowa), który opisuje własność
obiektów, relacje między obiektami, lub relacje
między obiektami reprezentowanymi przez
zmienne.
Np.
Cytryna

jest żółta

,

Kwiatek, który kupiłem Żonie

jest żółty

.

Okładka tej książki

jest żółta

.

.... jest żółte

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek predykatów

• Predykat: wyrażenie W(x), które

staje się prawdziwe lub fałszywe gdy
w miejsce zmiennej x podstawimy
stałą

• Rozszerzenie rachunku zdań o

kwantyfikatory:

– „dla każdego” - 
– „istnieje takie że” - 

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek predykatów

• Mechanizm wnioskowania oparty o

zasady wnioskowania w logikach
klasycznych (zasada rezolucji)

• Możliwość dedukowania nowych

faktów na podstawie innych znanych
faktów bez stosowania tablic
prawdziwości

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Rachunek predykatów

(przykład)

Fakt1: część(w001,wałek)
Fakt2: część(p04,panewka)
Fakt3: twardość(w001,wysoka)
Reguła1: współpracują(X1,X2) if

część(X1,wałek) and
część(X2,panewka)

Reguła2: twardość (X1,X3) if

współpracują (X1,X2) and
twardość(X2,X3)

wniosek

Fakt: twardość(p04,wysoka)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zapis stwierdzeń

• Stwierdzenia to wzorzec do zapisu

faktów i argument w regułach
wnioskowania

• uporządkowana trójka:

(<OBIEKT>,<ATRYBUT>,<WARTOŚĆ>)

(<klient>,<wiarygodność>,<wysoka>)
(<klient>,<wysoka wiarygodność>,<T>)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zapis stwierdzeń

(niepewność)

• uporządkowana czwórka:

(<OBIEKT>,<ATRYBUT>,<WARTOŚĆ>,<CF>)

CF – (Certain Factor ) stopień pewności

zazwyczaj CF  [-1,1] lub CF  [0,1] lub CF  [0,10]

(<klient>,<wiarygodność>,<wysoka>,<0,8

>)

(<klient>,<wiarygodność>,<niska>,<0,4>)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reprezentacja regułowa

IF

przesłanka

THEN

konkluzja

IF

przesłanka

THEN

konkluzja1

ELSE

konluzja2

• przesłanka – stwierdzenie (predykat) lub pewna

liczba stwierdzeń (predykatów) połączonych

funktorami logicznymi

• konkluzja – stwierdzenie (predykat)

IF

stwierdzenie1

AND

stwierdzenie2

.......

AND

stwierdzenie

THEN

konkluzja

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reprezentacja regułowa (reguły ogólne)

IF (<@obiekt>,<atrybut1>,<@wartość>)
AND (<@obiekt>,<atrybut2>,<@wartość>)
THEN (<@obiekt>,<atrybut3>,<@wartość>)
IF (@wał, współpracuje_z, @łożysko)
AND (@łożysko, jest, ślizgowe)
THEN (@wał, wykonany_z, żeliwo)
IF (wałek W02, współpracuje_z, łożysko ŁŚ03)
AND (ŁŚ03, jest, ślizgowe)
THEN (wałek W02, wykonany_z, żeliwo)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reprezentacja regułowa

(kontekst)

IF brak wsadu do walcowni zimnej
AND brak wsadu do walcowni gorącej
AND priorytet zadania jest zwykły
AND wielkość zamówienia > 70% objętości pieca
THEN uruchomić wytop

= kontekst)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reprezentacja regułowa

(kontekst)

IF brak wsadu do walcowni zimnej
AND brak wsadu do walcowni gorącej
THEN potrzebny wytop

= kontekst)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Reprezentacja regułowa

(kontekst)

IF brak wsadu do walcowni zimnej
AND brak wsadu do walcowni gorącej
AND priorytet zadania jest zwykły
AND wielkość zamówienia > 70% objętości pieca
THEN uruchomić wytop

= kontekst)

IF brak wsadu do walcowni zimnej

AND brak wsadu do walcowni gorącej

AND priorytet zadania jest zwykły

AND wielkość zamówienia < 70%

objętości pieca

THEN przenieść zamówienie do

kolejki

= kontekst)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Metody wnioskowania

w systemach regułowych

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Metody wnioskowania w systemach

regułowych

• do przodu
• wstecz
• mieszane

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wnioskowanie do przodu

• przebiega od faktów poprzez reguły,

aż do końcowych konkluzji:

Fakty  Reguły  Konkluzje

Podstawę logiczną stanowi reguła

modus

ponens

,

która mówi, że jeśli

spełnione (prawdziwe) są przesłanki,

to prawdziwa jest również konkluzja

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

modus ponens

• Jeżeli z przesłanki

A wynika B i A jest

prawdziwe

, to uznajemy, że

B

również

jest

prawdziwe.

• W notacji używanej w systemie

ekspertowym

można zapisać jako regułę

„B

jeśli A”.



(A B),A

B

B

A

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

modus ponens

Jeśli dziś jest ładna pogoda (A), to idę

na spacer (B)

Dziś jest ładna pogoda (A)

____________________________ idę na
spacer (B)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wnioskowanie do przodu

• System najpierw stwierdza, jakie fakty

są mu znane.

• Następnie szuka reguł, w których

znajomość tych faktów pozwala określić

wartość wniosków – powiększa tym

samym liczbę znanych już faktów.

• Proces ten powtarza się do momentu

osiągnięcia celu.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wnioskowanie do przodu

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Baza wiedzy – stan początkowy

Fakty

F1 – pojazd Pana Z. jest sedanem

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest samochodem

F1 i R2 są zgodne

Fakty

F1 – pojazd Pana Z. jest sedanem

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest samochodem

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Baza wiedzy – stan początkowy

Fakty

F1 – pojazd Pana Z. jest sedanem

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest samochodem

F1 i R2 są zgodne

Fakty

F1 – pojazd Pana Z. jest sedanem

F2 – pojazd

Pana Z. ma 4 drzwi

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest samochodem

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Stan aktualny

Fakty

F1 – pojazd Pana Z. jest sedanem

F2 – pojazd Pana Z. ma 4 drzwi

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest samochodem

F1 i R3 są zgodne

Fakty

F1 – pojazd Pana Z. jest sedanem

F2 – pojazd Pana Z. ma 4 drzwi

F3 – pojazd Pana Z. jest samochodem

Reguły

R1 – IF x jest samochodem THEN x ma

silnik

R2 – IF x jest sedanem THEN x ma 4

drzwi

R3 – IF x jest sedanem THEN x jest

samochodem

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Stan aktualny

Fakty

F1 – pojazd Pana Z. jest sedanem

F2 – pojazd Pana Z. ma 4 drzwi

F3 – pojazd Pana Z. jest samochodem

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest

samochodem

F3 i R1 są zgodne

Fakty

F1 – pojazd Pana Z. jest sedanem

F2 – pojazd Pana Z. ma 4 drzwi

F3 – pojazd Pana Z. jest samochodem

F4 – pojazd Pana Z. ma silnik

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest

samochodem

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Baza wiedzy – stan początkowy

Fakty

F1 – pojazd Pana Z. jest sedanem

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest samochodem

Baza wiedzy – stan końcowy

Fakty

F1 – pojazd Pana Z. jest sedanem

F2 – pojazd Pana Z. ma 4 drzwi

F3 – pojazd Pana Z. jest samochodem

F4 – pojazd Pana Z. ma silnik

Reguły

R1 – IF x jest samochodem THEN x ma silnik

R2 – IF x jest sedanem THEN x ma 4 drzwi

R3 – IF x jest sedanem THEN x jest

samochodem

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wnioskowanie wstecz

• Przebiega

od postawionego problemu

(celu, hipotezy)

poprzez reguły

aż

do

faktów

.

Cel (hipoteza)  Reguły  Fakty

Podstawę logiczną stanowi reguła

modus tollens

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

reguła

modus tollens

Z implikacji, i wyrażenia sprzecznego

z jej następnikiem, wynika

wyrażenie sprzeczne z jej

poprzednikiem



(A B),B

A

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

• Jeżeli Michał jest dzieckiem (A) to

Michał jest niepełnoletni (B)

Michał nie jest niepełnoletni (-B)
______________________________Michał
nie jest dzieckiem (-A)

reguła

modus tollens

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wnioskowanie wstecz

Zadaniem
systemu
jest
potwierdze
nie hipotezy
f.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wnioskowanie wstecz

• Polega na określeniu lub znalezieniu celu konsultacji.

Znając cel mechanizm wnioskujący stara się nadać mu

wartości.

• W pierwszym rzędzie wybiera te reguły, które zawierają we

wnioskach wartości celu.

• Następnie stara się wyznaczyć wartości przesłanek dla

tych reguł. W tym celu ponownie przegląda bazę wiedzy

sprawdzając, w których regułach szukane przesłanki

występują jako wnioski.

• Proces ten jest powtarzany tak długo, aż mechanizm

wnioskujący określi wartości wszystkich przesłanek

potrzebnych do określenia wartości celu.

• Jeżeli mechanizm wnioskujący nie może znaleźć

odpowiedniej wartości ,to zadaje użytkownikowi pytanie

uzupełniające.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wnioskowanie mieszane

• Polega na połączeniu w różnych

proporcjach obu wcześniej
omówionych metod.

• Część konkluzji jest wyprowadzana

w procesie wnioskowania wstecz, a
pozostałe są rezultatem
wnioskowania do przodu.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Języki sztucznej inteligencji

• Języki sztucznej inteligencji:

PROLOG, LISP

• Języki do tworzenia systemów

ekspertowych i systemy szkieletowe:

CLIPS, EMYCIN, SPHINX

• Języki ogólnego stosowania:

C, C++

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zalety i wady ES

Zalety i wady ES

•

Przydatne do rozwiązywania złożonych problemów, w

dziedzinach, w których zgromadzono wiedzę empiryczną

•

Potrafią odpowiadać na pytania prezentując swoje

konkluzje w intuicyjne zrozumiały sposób, nie potrzeba

programistów by zrozumieć ich działanie.

•

Zwykle oparte są na jednolitym sposobie reprezentacji

wiedzy, np. regułach lub ramach.

•

Dzięki temu łatwo jest modyfikować wiedzę.

Wady: 
•

Trudno jest przewidzieć, jakie będą skutki dodania nowej

wiedzy, rozumowanie zdroworozsądkowe jest trudne.

•

Trudno jest pozyskiwać wiedzę (uczenie maszynowe i

odkrywanie wiedzy rzadko jest częścią ES).

•

Traktowanie niepewności nadal jest rzadko spotykane.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Niesymboliczne metody reprezentacji

wiedzy

Metody te odwołują się do
obserwacji i doświadczeń
zebranych na podstawie
otaczającego nas świata żywych
istot:

– sztuczne sieci neuronowe,
– algorytmy genetyczne,
– strategie ewolucyjne.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Metody działania systemów ekspertowych

• Heurystyka

- umiejętność odkrywania

nowych prawd przez odpowiednie
stawianie

hipotez;

umiejętność

wyszukiwania

i

gromadzenia

materiałów