Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Előadó: Kovács Zita 2013/2014. II. félév TUDÁSALAPÚ RENDSZEREK Következtetési technikák.

Hasonló előadás


Az előadások a következő témára: "Előadó: Kovács Zita 2013/2014. II. félév TUDÁSALAPÚ RENDSZEREK Következtetési technikák."— Előadás másolata:

1 Előadó: Kovács Zita 2013/2014. II. félév TUDÁSALAPÚ RENDSZEREK Következtetési technikák

2  A következtetési technikák részletes ismertetése  A következtetési módszerek osztályozása  Az eset-alapú következtetés

3  a szakértő rendszerek motorja  ismeretelemek láncolatán keresztül vezet a keresett cél felé  számos következtetőrendszer használható  bizonyítás, meggyőzés, elhatározás, igazolás, magyarázat, stb

4  eljárások csoportosítása:  a következtetéshez való viszony alapján (hipotézisen alapuló, analóg, stb.)  az ismeretekhez való viszony alapján (közelítő, kvalitatív, temporális, stb.)

5 1. formális következtetés  egy szimbolikus adatszerkezet szintaktikus műveletein alapul, adott szabályok szerint bizonyos szemantikus keretben  pl. elsőrendű predikátum kalkulus 2. Procedurális következtetés  minden ismeretnek a felhasználása és maga a következtetés is eljárásokon alapul

6 3. Analógián alapuló következtetés  egy struktúrált tudásbázis alstruktúráinak hasonlóságán alapul  megvalósításához egyeztetés, a hasonlóság és a függőségi kapcsolatok kiértékelése szükséges

7 4. Általánosításon és absztrakción alapuló következtetés  az öröklődési mechanizmust megvalósító eljárás  közvetlenül kapcsolódik az osztályozáson alapuló következtetéshez, amelyben az elemi ismereteket hierarchiába rendezett tulajdonságok írják le

8 4. Eset-alapú következtetés  lehetővé teszi kevésbé formalizált problémák kezelését valamint új ismeretek megtanulását és gyakorlati tapasztalatok alapján történő továbbfejlesztését 5. Közelítő következtetés  képes figyelembe venni bizonytalan és pontatlan ismereteket és adatokat

9 6. Hipotetikus következtetés  a hiányzó adatokat, amelyek különböző értékeket vehetnek fel hipotézisként kezeli  valamennyi szóba jöhető értékkel továbbdolgozik, s ha valamelyikkel ellentmondásra jut, azt elveti 7. Alapértelmezésen alapuló következtetés  a hiányzó adatokat alapértelmezésük szerint kezeli 8. Kvalitatív következtetés  a fizikai törvények kvalitatív modelljén alapul, amikor a mennyiségi adatok hiányában a minőségi változásokat használja fel

10 Három fő kategória:  levezetés jellegű (deduktív)  egyediből az általános felé haladó (induktív)  hasonlóságot figyelembe vevő (analóg)

11  formalizmus: legyenek  P és T adatstruktúrák,  A és B alstruktúra P-ben,  C és D alstruktúra T-ben  az analógián alapuló következtetés megfelelteti egymásnak az A és a C alstruktúrákat  amennyiben C-ből D-re előzőleg levontunk valamilyen következtetést, akkor ennek mintájára A-ból következtetünk B-re

12  ez az eljárás két kapcsolatot tételez fel:  A és B, illetve C és D közötti függést  A és C, illetve B és D közötti hasonlóságot  Kérdés: milyen következtetési módot használunk, amikor C-ből D viselkedését írjuk le?

13  minél nagyobb A és C között a hasonlóság (határesetben A azonos C-vel) és  minél erősebb a függés C és D között (határesetben deduktív levezetés): A-ból B-re vonatkozó analóg következtetés annál inkább tart a deduktív levezetéshez

14 Forrás probléma (C)Célprobléma (A) Forrás megoldás (D)Célmegoldás (B) hasonlóság függés T adatstruktúraP adatstruktúra

15  a hasonlóságon alapuló következtetés egyik formája  Case Based Reasoning, CBR  az előzőleg már megismert eseteket (precedens) használjuk fel az új problémák megoldása során  egyes szakmákban a tanulás nem más, mint a különböző esetek sokaságának memorizálása

16 egy eset nem más, mint:  a probléma leírása (a probléma keletkezésének leírásával együtt),  az adott probléma megoldásának leírása, valamint  a megoldott probléma hatásának, eredményességének leírása

17 olyan modell felállítását teszi lehetővé, amely magában foglalja a probléma ◦ megértését ◦ már megoldott más problémákhoz való viszonyát ◦ megoldását ◦ tanulását alkalmas ◦ hiányosan vagy pontatlanul definiált szituációk kezelésére ◦ olyan kiértékelések elvégzésére, amelyekre nem létezik jól definiált algoritmus Eset alapú következtetés

18 szükség van:  a problémát megfelelően reprezentáló alapesetekre  jó adaptáló mechanizmusra  eset-bázis: sikeres és sikertelen próbálkozások egy cél eléréséhez  sikeres esetek: segítséget nyújtanak a probléma megoldására  sikertelen esetek: felhasználhatjuk a hibák elkerülésére

19  az új szituáció megértésének képessége a régi tapasztalatok függvényében két fő részből áll:  emlékezni kell a régi tapasztalatra (felidézni azt valamilyen jellemzői alapján)  interpretálni az új szituációt a visszakeresett függvényében  ezután egy adaptációs eljárással módosítjuk a régi megoldást az új szituáció által támasztott követelmények figyelembe vételével

20  az eset alapú következtető rendszerek egyik jellegzetessége, hogy képesek tanulni a tapasztalatokból  ehhez szükség van egy bizonyos visszacsatolásra, hogy a rendszer értelmezni tudja, mi működött jól és rosszul az általa szolgáltatott megoldásban

21  az eset alapú következtetés célja formálisan: a P célproblémához hozzárendeljen egy Megoldás(P) megoldást, felhasználva az eset-bázisban talált P’ forrásproblémának a Megoldás(P’) megoldását  Eset: (P, megoldás-menete (o1,…,ol), megoldás(P)) ahol P: a probléma valamilyen reprezentációja; megoldás-menete(o1,…ol) az o1,…ol operátorok azon sorozatát jelöli, amelyek a P problémára, mint kezdeti állapotra előállítják a megoldás(P) megoldást, azaz a végállapotot

22  Eset bázis: az esetek egy véges halmaza, azaz  Eset-bázis = {eset k : k=1,…,n}, ahol eset k =(P k,megoldás-menete(o 1k, …, o lk ), megoldás(P k ))  különféle típusú problémák – diagnózis, konfiguráció, tervezés – megoldását állíthatjuk elő

23

24  ez a lépés egy keresési és egy illesztési eljárás kombinációja  két probléma: az esetek indexelése és a hasonlósági kérdések  az indexelés, azaz az esetek jellemzésére szolgáló attribútumok kialakításának problémája során az indexeknek eléggé általánosnak kell lenniük, hogy lehetővé tegyék az esetek alkalmazását a különböző szituációkban, ugyanakkor megfelelő módon specifikusnak, hogy a visszakeresés során találjunk illeszthető eseteket az eset-bázisban  az illesztéshez szükséges a hasonlóság megállapítása, ehhez viszont be kell vezetni valamilyen távolság definíciót, melynek alapján választunk a jelöltek közül

25  az előbbiek szerint megtalált esetekből kiindulva egy előzetes, közelítő megoldást konstruálunk  általában kiválasztjuk a legjobb visszakeresett eset megoldását, mint első közelítést  itt az a kérdés, hogy a régi megoldás mely részeit használjuk fel

26  mivel az új szituáció ritkán azonos valamely régivel, ezért annak megoldását módosítanunk kell az aktuális szituáció sajátos feltételeivel  például valamilyen helyettesítő eljárással meg kell oldanunk az aktuális paraméterek illesztését  két megközelítési mód: generáló adaptáció és átalakító adaptáció  generáló adaptáció esetén minden szükséges ismeret a rendelkezésünkre áll a tudásbázisban a feladat megoldásához  átalakító adaptáció esetén hiányosak az ismereteink, a tudásbázisból nem vagyunk képesek a megoldás generálására

27  az illesztés során kialakult közelítő megoldás értelmezése során ellenőrizzük az esetleges alternatív megoldásokat és a sikertelen megoldásokra magyarázatot szolgáltatunk

28  az eset-bázist kiegészítjük a kialakult új eset (probléma, megoldás, megoldás-menete) hármassal  megtörténik az új ismeretek szintézisének beépítése  ez a lépés nem feltétlenül kapcsolódik közvetlenül a CBR következtetési eljáráshoz

29  Model-Based Reasoning - MBR  a szakértő ismereteit nehezen tudja átadni, ösztönösen cselekszik (pl autószerelő)  a mélyszintű ismeretek kezelésére alkalmas  a fizikai rendszereket - akár a természet, akár az ember alkotta azokat - saját szerkezetükben és funkcionalitásukban ragadja meg

30  egy fizikai rendszer modellje lehet:  funkcionális  sztochasztikus  oksági  egy funkcionális modell  matematikai eszközökkel szimulálja a működést  lehetőséget ad arra, hogy megfelelő paraméterek megváltoztatásával beavatkozzunk a renszer működésébe

31  egy sztochasztikus modell  statisztikai eszközökkel dolgozik  egy oksági modell  a részegységek ok-okozati kapcsolatokkal leírt rendszerén dolgozik  példa: KATE (Knowledge-based Autonomous Test Engineer) ▪ a NASA fejlesztette ki folyamatok online monitorozására ▪ struktúrált (keretalapú) reprezentációval írja le az egyes komponensek funkcióit és a komponensek kapcsolatát

32  előnyei:  kiiktatható a tudásszerzés  nem kell az összes hiba tovaterjedésének hatását explicit módon megadni  hátrányai:  ha mégis szükség lenne heurisztikus tudásra, azt nehéz beépíteni  nehéz a bizonytalanságot kezelni  a legtöbb rendszer feltételezi, hogy egyetlen ok áll a hiba mögött  a rendszer hatékonysága nem éri el a klasszikus tudásalapú rendszerekét

33  Qualitative Reasoning – QR  sok olyan probléma van, amely esetén nem lehet kvantitatív, számszerű következtetést alkalmazni  fizikai rendszerek esetében ilyen helyzetek például:  nincs általános megoldó képlet  nem végezhető el numerikus szimuláció  vannak ismeretlen paraméter-értékek (amelyek nem mérhetők vagy sok munka lenne megmérni)

34  túl sok az adat  túl sok számítást kellene elvégezni  csak a viselkedés jellegét ismerjük, illetve  csak azt akarjuk megjósolni  kezdetben (a tervezés indításakor) még nem tudjuk a feladatot numerikusan leírni

35  a kvalitatív következtetések más szóval a kvalitatív szimuláció módszerei még nincsenek eléggé kidolgozva  sok mérnöki döntés alapszik ilyen jellegű megfontolásokon  például egy atomerőmű tervezésénél fontos tudni azt, hogy egy kritikus tényező (pl. a mag hőmérséklete) hogyan reagál az alapvető rendszer-beállítások megváltozására – melyekre nő, melyekre csökken az értéke

36  Kupier QSIM nyelve (Qualitative SIMulation language)  előnyei:  segít a hétköznapi gondolkodás megfogásában, valamint  a feladat szervezési struktúrájának meghatározásában  hátránya:  természetéből fakad: nem ad pontos választ a vizsgált problémára

37  Temporal Reasoning – TR  az időbeni következtésekre képes, ún. temporális rendszerek lehetővé teszik események közötti időkapcsolatok ábrázolását, illetve ennek alapján következtetések elvégzését  ez az ember számára természetes következtetési mód

38  az MI sok rendszertípusa (pl. diagnózis, tevékenységtervezés, intelligens szimuláció) megkívánja az idő explicit kezelését  a temporális logika, amely az ok-okozati kapcsolatokat a szóban forgó változásokat kiváltó szabályokkal ábrázolja, több ilyen esetben jól alkalmazható

39  legelterjedtebb módszer az idő reprezentálására és manipulálására az intervallum-alapú közelítés  ez hét primitív bináris relációval dolgozik (átlapol, megelőz, bennfoglal, találkozik, egyszerre kezdődik, egyszerre végződik, azonos; két esemény összesen 13-féle kapcsolatban lehet)

40  gyakran szükség van diszkrét időpontok ábrázolására és kezelésére is (intervallum- kezelés esetén az 1 óra az 1 évhez viszonyítva időponttá „zsugorodik”)  más rendszerek időegységek kezelését kívánják meg; a digitális óra analógiájára képzelhetjük ezt el, ahol egész számokból álló, megfelelően rendezett sorozat reprezentálja az évet, hónapot, stb.

41  (Artifical) Neural Networks – NN  az emberi agy működését elég jól modellező, funkcionális, adaptív tanuló rendszerek  e rendszerek példák alapján tanulnak, azonban nem szimbolikus eszközökkel, mint az induktív rendszerek és nem is generálnak döntési fát

42  a neuronhálózatok egyszerű átviteli függvénnyel jellemezhető processzorokból változtatható súlytényezőkkel ellátott összeköttetések hálózatán keresztül kommunikálnak egymással  a tárgyterületi ismeretanyag ábrázolás a hálózatban elosztott módon, a súlytényezők közvetítésével történik (elosztott párhuzamos reprezentáció)

43  a neuronhálózatok programozása tanítással – tanító mintákkal, példákkal történik  a tanítási módszerek osztályozása:  tanítás felügyelet mellett  vagy anélkül (ekkor önszerveződésről beszélünk)  a tanítás célja a tanító mintáknak megfelelő súlytényező beállítása (nem döntési fa generálása)

44  egy neuronhálózat viselkedését  a processzorok átviteli függvénye  a hálózat súlytényezőkkel ellátott összeköttetési sémája  a (szakértő segítségével összeállított) tanító minták – példák – és  az alkalmazott tanítási módszer határozza meg

45  sokféle típusa létezik  mindegyiknek megvan az az óriási előnye, hogy nem kell heurisztikus ismereteket a szakértőtől megszerezni; csupán a tanító mintákat kell (a szakértő irányításával) összeállítani – minél szisztematikusabb és kimerítőbb módon  ez az adathalmaz nem kell, hogy teljes legyen, továbbá lehet hibás, valamint tartalmazhat ellentmondó adatokat is (mivel a neuronhálózatok hibatűrő rendszerek)

46  teljesítményük túlszárnyalhatja tanítójuk képességeit  legnagyobb hátrányuk az, hogy feladatmegoldás közben, illetve végén nem tudnak magyarázatot, indoklást adni


Letölteni ppt "Előadó: Kovács Zita 2013/2014. II. félév TUDÁSALAPÚ RENDSZEREK Következtetési technikák."

Hasonló előadás


Google Hirdetések