Ismeretalapú rendszerek, szakértői rendszerek Bevezetés, alapok

Az előadások a következő témára: "Ismeretalapú rendszerek, szakértői rendszerek Bevezetés, alapok"— Előadás másolata:

1 Ismeretalapú rendszerek, szakértői rendszerek Bevezetés, alapok

2 Ajánlott irodalom Sántáné-Tóth Edit: Tudásalapú technológia, szakértő rendszerek. Dunaújvárosi Főiskola Kiadói Hivatala, 2000 Futó Iván:Mesterséges intelligencia. Aula Kiadó, 1999. Jackson, P.: Introduction to Expert Systems. Addison-Wesley Publ. Comp, 1986. Giarratano P. C.: Expert Systems: Principles and Programming. PWS Publishing Co (CLIPS) (PROTÉGÉ) (MYCIN) Kóczy László T., Tick Domonkos: Fuzzy rendszerek (keresések, segédlet) (döntési fa, segédlet)

3 Miről lesz szó? Tudásalapú rendszerek, szakértői rendszerek
felépítése, jellemzői képességei, főbb funkciói előnyei, hátrányai formális meghatározása alkalmazási területei, klasszikus példák Megoldáskereső módszerek Tudásreprezentációs módszerek

4 Tudás-/ ismeretalapú rendszerek (Knowledge Based Systems, KBS)
intelligens problémamegoldás (bonyolult problémák, tanulás korábbi tapasztalatokból, természetes nyelvű közegek megértése, képek értelmezése, ...) kevesebb ember/ kevesebb idő hibás döntések számának csökkenése egyszerűen, olcsón többszörözhető bármikor elérhető veszélyes helyekre elvihető

5 Tudásalapú rendszerek
újszerű programstruktúrával rendelkező MI programok tudásbázis (szabályok, tények, metaismeretek) következtető gép (megoldáskereső stratégia, egyéb szolgáltatások) jellemzői: intelligens információfeldolgozó rendszer tárgyköri ismeretek ábrázolása  szimbolikus módon feladatmegoldás  szimbólum-manipulációval  szimbolikus programok

6 Szakértői rendszerek (Expert Systems, ES)
ES  KBS szakértői ismeretek felhasználása szűk problémakör elég bonyolult (igény legyen szakértelemre) emberi szakértők szükségesek szakterület alapkérdéseiben egyetértés a szakértők között tanpéldák, alapadatok részproblémákra osztás

7 Szakértői rendszerek elvárások (szakértőhöz hasonlóan):
javaslatok adása javaslatok indoklása kérdés/ válasz (“egyenrangú beszélgető partner”) kérdések megmagyarázása bizonytalan szituációban elfogadható javaslat adása

8 Tudásalapú rendszerek elméleti alapjai
MI programok: intelligens problémamegoldó eszközök, bonyolult probléma, tanulás, természetes nyelvű közlés, képértelmezés, ... tudásalapú rendszerek újszerű programstruktúrával rendelkező MI programok (tudásbázis elkülönítése) szakértői rendszerek olyan tudásalapú rendszerek, amelyek: szakértői ismeretek felhasználásával magas szintű teljesítményt nyújtanak egy szűk problémakör kezelésében

9 Tudásalapú rendszerek alapvető komponensei
tudásbázis (TB) problématerületet leíró ismeretek (tudás) természetes nyelvhez közeli formalizmus szimbolikus módon leírt rendszer- specifikáció TUDÁSREPREZENTÁCIÓS MÓDSZER! következtető gép (KG) feladatmegoldás “motorja” általános problémamegoldó ismeretek MEGOLDÁSKERESŐ MÓDSZER! munkamemória (MM) kisegítő komponens konkrét feladat kiinduló/közbülső adatai információk

10 Megoldáskereső módszerek
nem-algoritmizálható/ bonyolult feladatok problémamegoldás  keresés keresés: általános problémamegoldó mechanizmus keresés szükséges: bonyolult (nem-triviális, komplex, nagy/összetett) probléma a probléma megoldásának algoritmusa nem adott nem-triviális problémamegoldás (emberhez hasonló módon) a keresési stratégia hatékonysága mérhető: talál-e (optimális) megoldást megoldás költsége keresés költsége (idő, memória)

11 Megoldáskereső módszerek
a probléma leírásának alapvető elemei kezdeti állapot(ok) műveletek/ akciók halmaza közbülső állapotok/ állapottér (implicit) célfüggvény (vagy lehetséges célállapot(ok)) műveletek költsége feladat: célállapot elérése, út/ utak keresése (akciósorozat) keresési tér megoldás közben keletkezik) reprezentálása: irányított gráffal

12 Megoldáskereső módszerek
fogalmak: csúcs/él gyökér szülő/gyermek elágazási tényező szint levél cél út költség

13

14

15 Megoldáskereső módszerek
probléma: optimális megoldási stratégia? minden lehetséges megoldás kipróbálása  kombinatorikus robbanás azonban: gyakorlati feladatoknál nem szükséges az összes megoldás  cél: „elég jó” megoldás „elég rövid” idő alatt konfliktusfeloldás: a lehetséges akciók közötti választás (keresési stratégia) heurisztikus ismeret figyelembe vétele (extra tudás a feladatról)

16 Keresési stratégiák osztályozása (felhasznált ismeretek alapján)
véletlenszerű keresés nem biztosított a véges időn belüli célbaérés vak keresések (neminformált keresések) teljes körű szisztematikus bejárás nincs információ az út/csúcs „jóságáról” az algoritmus a cél és nemcél csúcsokat különbözteti meg bonyolultabb problémáknál: kombinatorikus robbanás heurisztikus keresések (informált keresések) feladatspecifikus heurisztikus ismeretek felhasználása becslés az út/csúcs „jóságáról”

17 Keresési stratégiák osztályozása (módosíthatóság alapján)
nem-módosítható vezérlési stratégiák a kiválasztott akció nem vonható vissza másik alkalmazható akció kipróbálására nincs lehetőség minden lépés végérvényes módosítható vezérlési stratégiák felismerik a hibás/ nem megfelelő akciókat az algoritmus egy korábbi állapotba lép vissza (új irányt próbál ki), ha végállapotba ér, amely nem célállapot az adott irány nem tűnik igéretesnek

18 Nem-módosítható stratégiák
a kiválasztott akció nem módosítható/ nem vonható vissza nincs lehetőség visszalépésre az algoritmus csak az aktuális csúcsról tárol információt (korábbi elágazásokról nem) alkalmazható akciók = az aktuális csúcsra alkalmazható akciók  választás (lokális ismeret alapján, legígéretesebb gyermek) (optimális) megoldás nem biztosított

19 Hegymászó keresés

20 Módosítható stratégiák
visszalépéses vezérlési stratégiák egyszerre egy út nyilvántartása gráfkereső vezérlési stratégiák továbblépéskor a kiválasztott csúcs minden utódjának létrehozása nyílt csúcsok közül legígéretesebb csúcs kiválasztása már vizsgált utak nyilvántartása (emlékezet) nem-informált vezérlési stratégiák (mélységi, szélességi, ...) heurisztikus vezérlési stratégiák (előretekintő, A, A*, ...)

21 Visszalépéses keresés
az MI egyik legjelentősebb módosítható keresési stratégiája aktuális út és a választási pontok nyilvántartása alkalmazható akciók = az út végén levő csúcsra alkalmazható akciók  választás (első alternatíva) zsákutca esetén visszalépés (backtrack) útszakasz végének törlése legközelebbi elágazáshoz való visszalépés folytatás egy másik irányban (következő alternatíva) folytatás egy cél csúcs eléréséig vagy az összes út megvizsgálásáig

22 Visszalépéses keresés
visszalépés szükséges: a csúcsból nem vezet további út (zsákutca vége) a csúcsot nem érdemes tovább vizsgálni (heurisztika alapján) aktuális csúcsból kiinduló minden útról visszaléptünk (zsákutca torkolata) nyilvántartott út egy csúcsába jutunk (kör) túl messzire vagyunk a kezdőcsúcstól (mélységi korlát)

23 Visszalépéses keresés

24 Visszalépéses keresés
visszalépéses keresés előnye: viszonylag egyszerű, könnyen megvalósítható kicsi memóriaigényű MI rendszerekben nagy jelentősége van: szakértői rendszerek következtető gépének vezérlési stratégiája Prolog rendszerek visszalépéses keresés hátránya: nem garantált a cél elérése végtelen mélységű vagy kört tartalmazó gráfban (kiegészítés: mélységi korlát, körök figyelése) rossz irány esetén csak a zsákutca végén veszi észre azt ugyanazon zsákutcába vezető útszakaszt több út részeként is bejárhat (nincs emlékezete)

25 Gráfkereső stratégiák
az MI másik legjelentősebb módosítható keresési stratégiája az összes vizsgált út nyilvántartása (bizonyos mélységig) a cél eléréséhez legígéretesebbnek tűnő út folytatása a kiválasztott út végén levő csúcs összes gyermekének előállítása  csúcs kiterjesztése részgráf készítése az összes vizsgált út végén levő csúcsok  nyílt csúcsok (kiterjesztésre váró csúcsok) nem felejti el a keresési gráf már megvizsgált részét

26 Gráfkereső stratégiák
az általános gráfkereső algoritmus fő lépései: Add the initial node to L. (L: list of open nodes) If L is empty, return failure; otherwise choose a node n from L. If n is a goal node, stop and return the path from the initial node to n; otherwise, remove n from L, expand n, add the successors of n to L, return to step 2. különböző gráfkereső stratégiák: hogyan válasszuk a csúcsot a nyílt csúcsok halmazából hogyan (hova) tegyük az előállított csúcsokat a nyílt csúcsok halmazába

27 Gráfkereső stratégiák
néhány fontosabb gráfkereső stratégia: neminformált stratégiák: mélységi keresés szélességi keresés egyenletes keresés informált stratégiák: előretekintő keresés A* keresés

28 Gráfkereső stratégiák
Strategy Selection from L Complete? Optimal? Memory depth-first last node added no linear breadth-first first node added yes exponential uniform-cost minimal g(n) best-first minimal h(n) A* minimal f(n)

29 Tudásreprezentációs módszerek
sokrétű, nehéz pontosan jellemezni, formalizálni, változik szimbólumokkal való leírása: ismeret cél: ismeret megszerzése, “kinyerése” ismeret ábrázolása, reprezentálása ismeret hasznosítása, feladatmo-ra való felhasználása ehhez szükséges: leíró eszköz, szintaxis (nyelv, grafikus leíró eszköz) elemek jelentését meghatározó szemantika (pl. következtető módszer) }

30 Reprezentációs módszerek osztályozása
problémaleírás módja szerint: procedurális/ algoritmikus reprezentáció probléma megoldását vagy annak stratégiáját adjuk meg HOGYAN oldjuk meg a feladatot leíró/ deklaratív reprezentáció problémát írjuk le, MIT kell megoldanunk megoldást következtető rendszer végzi logika alapú leírások Tudásalapú rendszereknél jellemzően deklaratív leírás + hatékonyságnövelő algoritmikus elemek (pl. démonok, meta-szabályok)

31 Reprezentációs módszerek osztályozása
problémaleírás szerkezete szerint: egyszerű/ elemi reprezentáció egyszerű, struktúra nélküli elemek atomok, ezek kapcsolatai, rajtuk végezhető műveletek, róluk szóló állítások logika alapú rendszerek strukturált reprezentáció belső struktúrával, attribútumokkal rendelkező objektumok objektumok kapcsolata lehet: taxonomikus/ osztályozó hierarchia, pl. állatok rendszertana szervezeti hierarchia, pl. autó részei keret-alapú rendszerek

32 Reprezentációs módszerek osztályozása
procedurális reprezentáció (procedurális pr.nyelv eljárásai) logika-alapú reprezentáció logikai nyelvek (állítások, logikai következtetés) szabályalapú reprezentáció (feltételtől függő állítások, tevékenységek) formális nyelvtanok (módszerek nyelvek tulajdonságainak felismerésére) algebrai kifejezések (formalizmusok spec. mat. ismeretek leírására) strukturált/ keret-alapú reprezentáció keretek/ frame-ek (fogalom/ objektum strukturált szimbolikus leírására) asszociatív hálók/ szemantikus hálók (fizikai/ oksági kapcs. leírására) rokonsági hierarchiák (taxonómiák, rendszertanok) döntési fák (osztályozási feladatoknál alkalmazott módszerek) forgatókönyvek/ script-ek (eseménysorozatok oksági kapcs. leírására) hibrid tudásreprezentáció

33 Hagyományos programok
program = adat + algoritmus bemenő adat: konkrét feladat kimenő adat: eredmény cél: függvény leképezés megvalósítása (bemenő adatok  megfelelő kimenő adatok) HOGYAN?  algoritmus (programozó írja le) szereplők: rsz.szervező, pr.tervező, programozó, felhasználó passzív aktív

34 Adatbázis alkalmazások
adatbáziskezelő rendszerek fő elvei: nagyméretű adatbázisok, egyidőben nagyszámú felhasználó adat-függetlenség fizikailag különböző helyeken tárolt adatokhoz való hozzáférés program helyett: DB alkalmazások (pl. lekérdezések) szerkezete: adat-rész: adatbázis (több alkalmazás közösen használja) algoritmus: adatbáziskezelő rendszer cél: reláció megvalósítása, MIT (milyen mat. relációt) akarunk leíró/ deklaratív I/O adatok lehetnek halmazok  halmaz-műveletek lehetnek új szereplő: DB adminisztrátor

35 Tudásalapú rendszerek
tudásbázis + következtető gép TB részei: tények (adatok) összefüggések, tények közötti kapcsolatok problémamegoldás folyamata (emberi pr.mo-hoz hasonló): tudáselemek/ tudásdarabkák/ sémák/ ökölszabályok feladatmegoldás: tudáselemek szituációfüggő mozgósításával eredmény: adat helyett információ (magyarázattal ellátott szakértői szintű javaslat, tanács) INTELLIGENS INFORMÁCIÓFELDOLGOZÓ RENDSZER új szereplők: tudásmérnök, tárgyköri szakértő

36

37 Ismeretalapú rendszerek felépítése

38 Ismeretalapú rendszerek felépítése
tudásbázis tudásdarabkák szimbolikus leírása (reprezentációs technika) meta-ismeretek következtető gép megoldáskereső stratégia többi komponens működésének támogatása munkamemória specifikus információ (külvilágból érkező/ onnan kért) következtetések során kapott ismeretek

39 Ismeretalapú rendszerek felépítése
magyarázó alrendszer rsz. akcióinak megmagyarázása felhasználói kérésre jellegzetes magyarázatadási módok: magyarázatadás feladatmegoldás közben: WHY... (magyarázó következtetés, intelligens súgó-help) WHAT IF... (hipotetikus következtetés) WHAT IS ... (tallózás a TB-ban és MM-ban) magyarázatadás, indoklás a feladatmegoldás után: HOW ... (magyarázó következtetés, visszatekintő következtetés) WHY NOT ... (magyarázó következtetés, ellenpéldák keresése)

40 Ismeretalapú rendszerek felépítése
tudásbázis kezelő/fejlesztő alrendszer feladatai: TB építése, tesztelése, módosítása tartalmaz: TB fejlesztő eszközök, teszt-esetek könyvtára, tudásszerzést támogató szolgáltatások felhasználói felület ( user) természetes nyelvű párbeszéd, konzultáció/ javaslat speciális felületek adatbázis- és egyéb kapcsolatok fejlesztői felület ( tudásmérnök, tárgyköri szakértő)

41 Ismeretalapú rendszerek készítése
legkritikusabb része: ismeretszerzés (tudásmérnök/ tárgyterületi szakértők) tudásmérnök feladata: tudásbeszerzés, adott formába öltés: módszerek, ökölszabályok, eljárások felderítése, rendszerezése, finomítása, formalizálása tudásreprezentációs és következtetési stratégia kiválasztása tudásalapú rendszer megépítése TB ellenőrzés TB karbantartás

42 Szakértői keretrendszer (shell)
üres TB, erőteljes TB fejlesztő alrendszer tárgyterülettől független szolgáltatásokat nyújt SZR létrehozásához és működtetéséhez támogatja a gyors prototípuskészítést, inkrementális rendszerépítést pl. CLIPS, GoldWorks, G2, Level5

43 Szakértői keretrendszer (shell)

44

45

46 Tudásalapú/ szakértő rsz. előnyei
pótolják a szakértőhiányt, elérhető áron terjesztik a szakértői ismereteket (TROPICAID) tárgyterület változásait jól nyomon követik (R1) növelik a szakértő képességét fokozzák a szakértő produktivitását megőrzik a szakértelmet létrehozhatók hagyományos technológiával nem megvalósítható rendszerek (Buck Rogers) a tanácsadásban következetesek, egyenletes teljesítményűek állandóan rendelkezésre állnak képesek részleges, nem-teljes adatokkal is dolgozni képesek magyarázatot/ indoklást adni

47 Tudásalapú/ szakértő rsz. hátrányai
ismereteik egy adott szűk tárgyterületről valók, korlátaikat nem ismerik válaszaik nem mindig korrektek (tanácsaikat elemezni kell!) nincs hétköznapi józan eszük (ez a legnagyobb korlát) minden kézenfekvő ellenőrzést be kell építeni (sok kivétel  megnöveli a TB méretét, a végrehajtási időt)

48 A szakértő rendszer formális meghatározása
"Egy szakértő rendszert a számítógépben tárolt ismeretbázis megjelenítéseként értelmezünk, ahol a szakértői ismeretek olyan formában tárolódnak, hogy a rendszer képes intelligens tanácsot vagy intelligens döntést hozni az adott kérdéssel összefüggésben. További jellemző, amelyet sokan alapvetőnek is tartanak, a rendszernek az a képessége, hogy - igény szerint és az érdeklődő számára alkalmas módon - igazolja is saját okfejtését.” British Computer Society's Specialist Group, 1983

49 Tekintélyes kutatók szélsőséges véleményei a szakértői rendszerekről:
"Mindenre ezt használjuk: programírásra, programtervezésre, egyszóval mindenütt, ahol az alkotó gondolkodást rendszerezni, majd eredményét a gyakorlatban realizálni kell.” "A szakértői rendszerek révén okossá válik az értelmi fogyatékos gyerek, diagnosztizálhatók a bonyolult betegségek, az Egyesült Államok megszerzi a világhatalmat és a világ megmenekül a nukleáris katasztrófától.” "A király - legalábbis ha a mesterséges intelligencia ötödik generációjáról van szó - anyaszült meztelen, legalábbis a bokájáig, onnan lefelé viszont egy pár jól kidolgozott díszes cipőt visel, amelyet szakértő rendszereknek neveznek.” "A piacon jelenleg kapható szakértői rendszerek semmiféle mesterséges intelligenciát nem tartalmaznak."

50 Alkalmazási terület, klasszikus példák
DENDRAL (DENDritic Algorithm) Ismeretlen szerves vegyületek molekulaszerkezetének meghatározása tömegspektrográfiai és mágneses rezonancia mérési adatokból. INTERNIST Orvosi rendszer belgyógyászati betegségek diagnosztikájának támogatására. QMR (Quick Medical Reference) Elektronikus kézikönyv. MYCIN/NEOMYCIN A vér bakteriális eredetű fertőzései, agyhártyagyulladás diagnosztizálása, terápia meghatározása. EMYCIN MYCIN alapú keretrendszer.

51 Alkalmazási terület, klasszikus példák
PROSPECTOR Geológusok segítése ásványlelőhelyek felkutatásában. HEARSAY Angol beszédmegértő rendszer (1000 szavas beépített szótárral). Egymástól független ismeretforrások együttes munkáját vezérli. GUIDON/GUIDON2 Intelligens támogatás orvostanhallgatók oktatásában. (MYCIN alapú) R1/XCON VAX számítógéprendszerek konfigurálásának támogatása.

52 Hazai ismeretalapú alkalmazások
Keretrendszerek: ALL-EX Plus Tudásalapú szimulációt támogató CS-Prolog alapú eszköz. GENESYS Szabályalapú eszköz főként osztályozó, diagnosztikai típusú rendszerek fejlesztéséhez. MProlog Shell MProlog nyelvű tudásbázist kezelő eszköz.

53 Hazai ismeretalapú alkalmazások
Probléma-orientált fejlesztések: CAPE: Számítógépes protokollok elemzéséhez. CreditExpert: Hitel elbírálásához. MetabolExpert: Kémiai, orvosi, biológiai előrejelzésekhez. OPSQL: Oracle alapú intelligens adatszótár. PANGEA: Tervezés automatizálásához. ProjectExpert: Projectépítés tervezési fázisához. ZEXPERT: Banki alkalmazásokhoz.