Ismeretalapú rendszerek alaptechnikái

Ismeretalapú rendszerek alaptechnikái tudásreprezentációs módszerek és következtetési/ keresési stratégiák számítógéppel megvalósított változatai Alapvető következtetési technikák: szabályalapú technikák induktív technikák (gépi tanulás) hibrid technikák szimbólum-manipulációs technikák modell-alapú következtetési technikák kvalitatív technikák eset-alapú technikák temporális következtetési technikák neurális hálók

Szabályalapú technikák

Produkciós rendszerek MI legáltalánosabb problémamegoldó szemlélete az emberi problémamegoldás modellezésére produkciós szabályok (hosszútávú memória) globális adatbázis (rövidtávú memória) vezérlési stratégia és szabályinterpreter (következtető gondolkodás)

Produkciós szabály HA <feltétel> AKKOR <tevékenység> tudásmorzsa (chunk of knowledge) reprezentálása feltétel: szabályalkalmazás feltételeit megadó tényállítás vagy ezek és/ vagy kapcsolata következmény: szabályalkalmazás egy vagy több következménye akciók (globális DB tartalmának módosítása) eljáráshívások (információcsere biztosítása) beavatkozások (rendszer által vezérelt folyamatba) információkérés (felhasználótól)

Vezérlő komponens Globális adatbázis vezérlési stratégia és szabályinterpreter fő tevékenységei: mintaillesztés alkalmazható szabályok megkeresése tüzelőképes szabályok  konfliktushalmazba szabály kiválasztása (beépített vezérlési stratégia) szabály alkalmazása (következmény végrehajtása) terminálási feltétel bekövetkeztének figyelése Globális adatbázis feladat kiinduló adatai, közbülső eredmények

Szabályalapú rendszerek A szabályalapú rendszerek tudásbázisának elemei: tényállítások (predikátumok) deklaratív ismeretek a konkrét problémáról igaz (vagy hamis) értékű állítások értékük változhat a következtetés során (időben) szabályok meta-szabályok

Szabályalapú rendszerek A szabályalapú rendszerek tudásbázisának elemei: tényállítások (predikátumok) szabályok (feltételes állítások) HA <feltétel> AKKOR <következmény> AKKOR <következmény> HA <feltétel> heurisztika vagy „ökölszabályok” reprezentálása köznapi gondolkodás modellezésére szakértői tapasztalatok (heurisztikák) leírására adott szituációkban végrehajtandó akciók specifikálására tárgyköri tudásunk általánosan érvényes része működtetés: következtető gép meta-szabályok (szabályok szabályok használatáról)

Szabályok ha A akkor B A: feltételrész (előtag) B: következmény rész (utótag) A, B: állítások állítások és/ vagy kapcsolata procedurális elemek (végrehajtandó tevékenységek) Szabályok

Ha x<y és y<z akkor x<z feltétel és következmény rész: állítás xyz x<y  y<z  x<z  Ha az üres mező egyik szomszédja az n-nel számozott lapocskát tartalmazza, akkor húzd ezt a lapocskát az üres helyre. (szabály-séma) feltételrész: állítás következmény rész: végrehajtandó tevékenység pl. üres mező jobbra i, j: 1…4 m[i,j]: 0…15 ha j3 és m[i,j]=0 akkor m[i,j]:=m[i,j+1] és m[i,j+1]:=0

Tények Akkor lesz jó a lágytojás ha sót teszel a hideg vízbe és a vizet felforralod és beleteszed a tojást és 4 percig főzöd és hideg vizet engedsz rá. feltételrész: tevékenységek következmény rész: állítás (célállítás) Tények feltétel nélküli állítások pl. hőmérséklet > 50oC 4x4-es játék „állása”

Szabályalapú következtetés cél: célállítás teljesülésének belátása célállapot elérése feladat: tények és célállítások között egy szabályok láncolatából álló megoldási út keresése következtetés eszköze: szabályalkalmazás/ illesztés modus ponens A A  B B

Kétféle következtetési módszer: MP alkalmazása szerint  két különböző következtetési forma: adatvezérelt (előrefelé haladó) következtetés cél: egy célállapot elérése vagy megkonstruálása a kezdőállapotból új következtetések előállítása MP alkalmazásával következtetés a terminálási feltétel eléréséig vagy az összes következmény előállításáig (nincs több alkalmazható szabály) célvezérelt (visszafelé haladó) következtetés cél: egy feltételezett célállapot érvényességének igazolása kezdetben érvényes tényekre támaszkodva új részcélok előállítása MP alkalmazásával következtetés az összes részcél igazolásáig vagy amíg nincs több igazolható részcél (nincs több alkalmazható szabály) Kétféle következtetési módszer:

Adatvezérelt következtetés MP alkalmazása: A és A  B  B TB-hoz új tény (adat következményei) illesztés szabály feltételi része/ tények konfliktusfeloldás konfliktusfeloldó stratégiák szabályalkalmazás következmény rész végrehajtása Adatvezérelt következtetés

Következtetés és keresés következtetés egy feladat megoldása során – állapottérben való keresés (r1): p1=t  p2=t (r2): p2=t  p3=t (r3): p3=u  p1=u kezdeti állapot: {p1=t, p2=f, p3=u}, (a0) állapotok: {p1=u, p2=f, p3=u}, (a1) {p1=t, p2=t, p3=u}, (a2) {p1=t, p2=t, p3=t}, (a3) {p1=u, p2=t, p3=u}, (a4)

Célvezérelt következtetés MP alkalmazása: cél B bizonyítása AB -ból B-re lehet következtetni, ha A igaz új cél: A bizonyítása illesztés szabály köv. része, tények/ cél(ok), részcél(ok) konfliktusfeloldás első alkalmazható szabály szabályalkalmazás szabály feltételi része: új részcél(ok) zsákutca  visszalépés (backtrack)

Melyik irányú következtetést használjuk? A módszer kiválasztását befolyásoló tényezők: lehetséges kezdő- és célállapotok száma útvonaltervezés, szimbolikus integrálás melyik irányban nagyobb az elágazási tényező tételbizonyítás szükség van-e magyarázatadásra orvosi szakértő rendszer bevált megfigyelés: kérdésre válaszadás esetén: visszafelé haladó következtetés ha új tények, állapotok elérése a cél: előrefelé haladó következtetés kétirányú keresés Prolog, MYCIN, M.1, CLIPS, GoldWorks, G2

Példa célvezérelt rendszer működésére Sebesség Kép-nyomtatás Minőség Karakter-készlet Ár Nyomtató kicsi nem levél fix alacsony daisy-wheel-type-1 1 igen vázlat változtatható közepes dot-matrix-type-1 2 közel-levél dual-dot-matrix 3 nagy * magas laser-printer 4 dot-matrix-type-2 5 daisy-wheel-type-2 6

Szabályok készítése: minden márix-sor egy szabály  gyors prototípus if sebesség=kicsi and képnyomtatás=nem and minőség=levél and karakterkészlet=fix and ár=alacsony then nyomtató=daisy-wheel-type-1 cf 80. Sebesség Kép-nyomtatás Minőség Karakter-készlet Ár Nyomtató kicsi nem levél fix alacsony daisy-wheel-type-1 1

/* cél */ goal=nyomtató. /* következtetési szabályok */ szab-5: if sebesség=nagy and képnyomtatás=igen and karakterkészlet=változtatható and ár=magas then nyomtató=laser-printer cf 100. szab-1: if sebesség=kicsi and képnyomtatás=nem and minőség=levél and karakterkészlet=fix and ár=alacsony then nyomtató=daisy-wheel-type-1 cf 80. szab-6: If sebesség=nagy and képnyomtatás=igen and minőség=közel-levél and karakterkészlet=változtatható and ár=közepes then nyomtató=dot-matrix-type-2 cf 100. szab-2: If sebesség=kicsi and képnyomtatás=igen and minőség=vázlat and karakterkészlet=változtatható and ár=közepes then nyomtató=dot-matrix-type-1 cf 75. szab-7: if sebesség=nagy and képnyomtatás=nem and then nyomtató=daisy-wheel-type-2 cf 75. szab-3: if sebesség=közepes and képnyomtatás=igen and minőség=vázlat and karakterkészlet=fix and then nyomtató=dot-matrix-type-1 cf 50. szab-8: if sebesség=kicsi and képnyomtatás=igen and and ár=magas then nyomtató=dual-dot-matrix-1 cf 60. szab-4: then nyomtató=dual-dot-matrix-1 cf 90. szab-9: if képnyomtatás=nem and minőség=levél and karakterkészlet=fix and ár=közepes then nyomtató=daisy-wheel-type-2 cf 90.

/* metadeklarációk a felhasználói párbeszéd támogatására */ question(sebesség)=„Milyen legyen a sebesség?”. legalvals(sebesség)=[kicsi, közepes, nagy]. question(képnyomtatás)=„Legyen-e képnyomtatás?”. legalvals(képnyomtatás)=[igen, nem]. question(minőség)=„Milyen legyen a minőség?”. legalvals(minőség)=[levél, vázlat, közel-levél]. question(karakterkészlet)=„Milyen legyen a karakterkészlet?”. legalvals(karakterkészlet)=[fix, változtatható]. question(ár)=„Milyen legyen az ár?”. legalvals(ár)=[alacsony, közepes, magas].

Tudásbázis részei: cél (kérdés) szabályok meta-deklarációk (párbeszéd támogatására) felhasználása mintaillesztéssel: kiírandó kérdést megkeresi, kiírja attribútum megengedett értékeit megkeresi, kiírja felhasználói menüként adatok

Példa adatvezérelt rendszer működésére (előző példa adatvezérelt módon) Tudásbázis részei: adatok szabályok meta-deklarációk Eltérés a célvezérelt esettől: problémamegoldás iránya végrehajtást a kezdeti adatok indítják

Adatvezérelt rendszerek általános felépítése

Adatvezérelt KG “tölts és tüzelj” (recognize-act) ciklusa: Illesztés  szabálykiválasztó minden szabály feltételi része/ MM adatai tüzelőképes szabály példány  konfliktushalmaz Konfliktusfeloldás  szabálykiválasztó szabálypéldány kiválasztása, tüzelésre kijelölése (stratégia) Végrehajtás  szabályinterpreter MM tartalma általában módosul ha nincs kiválasztott szabály vagy halt utasítás  leállás Ciklus újrakezdése (konfliktushalmaz törlése)

Problémák az adatvezérelt következtetési lépések során: kombinatorikus robbanás pl. s=150 szabály p=4 elem a feltételrészben szabályonként t=20 adat a MM-ban  s*tp=150*204=24.000.000 illesztés lehet ciklusonként! MM tartalma általában csak kicsit módosul  egy tüzelőképes szabály általában tüzelőképes marad, mégis újraillesztődik a következő ciklusban!

Rete algoritmus OPS-5 produkciós rsz. illesztési módszere előrefelé haladó következtetés mintaillesztési feladatának elvégzésére az illesztés állapotinformációit átmenti az előre következtetés egyes fázisai között, csak a MM változásaival végzi el az illesztést kiaknázza a szabályok feltételrészeinek strukturális hasonlóságában rejlő lehetőségeket

szabálymemória: munkamemória: Rete algoritmus: D E A B C D E A A(x)  B(x)  C(y)  D(x) (D hozzáadása) A(x)  B(y)  D(x)  E(x) (E hozzáadása) A(x)  B(x)  E(x)  A(x) (A törlése) munkamemória: {A(1), A(2), B(2), B(3), B(4), C(5)} Rete algoritmus: szabálymemória lefordítása Rete hálóvá munkamemória elemek lekérdezése egyesítések, cselekedetek elvégzése (MM módosítása), Rete háló módosítása A=D D E lekérdezés egyesítés cselekedet E(2) A(2) D(2) D(2) A=B A B C D C(5) D(2) A(1) A(2) B(2) B(3) B(4) A(2) B(2) E(2) A=E E A A(2) E(2) A(2)

Rete algoritmus előnye: megszünteti a szabályok közti átfedéseket (így egyazon ciklusban a szabályok illesztésénél minden MM-beli adattal egy illesztést kell elvégezni) megszünteti az időbeli ismétlődéseket (csak a módosításokat veszi figyelembe a törlések és hozzáadások után)

Konfliktusfeloldó stratégiák újrafelhasználhatóság vezérlés ciklusmentesítése pl. egy szabálypéldány csak egyszer tüzelhet vagy a rákövetkező ciklusban nem hajtható végre frissesség MM elemeihez időcímkék rendelése friss időcímkéjű adatok előnyben részesítése specifikusság több feltételt tartalmazó szabályok előnyben részesítése prioritásos rangsorolás Több stratégia támogatása  választás

Szabályalapú rendszerek előnyei modularitás univerzális megjelenítés természetesség bizonytalanságkezelési lehetőségekkel könnyen kiegészíthető

Szabályalapú rendszerek hátrányai végtelen láncolás új, a korábbiakkal ellentmondó ismeret beépítése szabályok módosítása során  ellentmondás szabályok/ meta-szabályok formailag nem különböznek, a kétféle ismeret keveredik  zavaró, jól strukturáltságot rontja nincs szabványosítva a szabályok nyelve  más rendszerre átvinni nehéz

Induktív technikák

Induktív rendszerek induktív következtetés: egyedi esetekből általános érvényű következtetés gépi tanulás, példák alapján történő tanulás legismertebb módszer: ID3 algoritmus attribútumaikkal megadott példák osztályozása optimális döntési fa generálása példák osztályozásának egyszerű reprezentációja belső csomópontok: attribútumra vonatkozó tesztek levelek: osztályok élek: attribútum értékek

Nyomtató-kiválasztás mátrixa Sebesség Kép-nyomtatás Minőség Karakter-készlet Ár Nyomtató kicsi nem levél fix alacsony daisy-wheel-type-1 1 igen vázlat változtatható közepes dot-matrix-type-1 2 közel-levél dual-dot-matrix 3 nagy * magas laser-printer 4 dot-matrix-type-2 5 daisy-wheel-type-2 6

Döntési fa készítése (ID3 algoritmus) „legjobb” attribútum kiválasztása az attribútum minden lehetséges értéke szerint a fa bővítése (részosztályokra bontás) az értékek szerint a példák csoportosítása a levelekhez (példák részosztályokba sorolása) minden levélre külön-külön: azonos osztályozású példa(k) esetén: leállás egyébként: 1..4 lépések

Döntési fa használata: tudásszerzés/ gyors prototípus-készítés támogatása (szabályalapú/ hibrid rendszerek induktív szolgáltatással) példákkal/ ellenpéldákkal történő magyarázatadás természetes használata

Szabályok készítése: minden márix-sor egy szabály  gyors prototípus if sebesség=kicsi and képnyomtatás=nem and minőség=levél and karakterkészlet=fix and ár=alacsony then nyomtató=daisy-wheel-type-1. Sebesség Kép-nyomtatás Minőség Karakter-készlet Ár Nyomtató kicsi nem levél fix alacsony daisy-wheel-type-1 1

Szabályok készítése: minden gyökér-levél út egy szabály  gyors prototípus if ár=alacsony and minőség=levél then nyomtató=daisy-wheel-type-1.

Induktív rendszerek fő komponensei:

Induktív rendszerek fő lépései: probléma megadása (tudásreprezentáció): attribútumok (mátrix fejléce, oszlopok előállítása, objektum osztály definiálása) tanulási példák (mátrix sorainak feltöltése, objektum példányok definiálása) következtetés (hipotézis generálás) példák ellentmondásmentességének ellenőrzése optimális döntési fa (DF) készítése  TB vezérlés (rendszer futtatása) felhasználói példák osztályozása (DF bejárásával) felhasználói példák elemzése (DF segítségével)

Hibrid technikák

Hibrid rendszerek többféle programozási mintát támogatnak: keret-struktúrákat (frame-eket) szabályokat célvezérelt adatvezérelt megvalósításuk: objektum-orientált eszközökkel

Keret (frame) ismeretelméleti alapokon kidolgozott tudásreprezentálási alapegység szerkezettel rendelkező fogalom leírására szolgáló formális eszköz keretek jellemzői: egy keret tartalmazza: fogalom nevét (egyedi azonosító) legfontosabb tulajdonságait (attribútumok)  rekeszekben, résekben (slot) tárolva (keret is lehet) osztályok, alosztályok, példányok hierarchikus struktúra (is_a, instance_of relációk) öröklődés (osztály - alosztály, osztály - példány) eseményvezérelt eljárások: démonok

Keretalapú formalizálás módszerei irányított gráf

Keretalapú formalizálás módszerei keret-nyelvű leírás frame személy frame hallgató frame tantárgy is_a class is_a személy is_a class v.név: h.ttárgy: collection_of tantárgy név: k.név: end előfelt: collection_of end tantárgy end frame Péter frame SZR instance_of hallgató isnstance_of tantárgy v.név: Kis név: Szakértői rendszerek k.név: Péter előfelt: MI h.ttárgy: SZR end

Keretalapú formalizálás módszerei objektum-attribútum-érték hármasok <Péter, v.név, Kis> <Péter, k.név, Péter> <Péter, h.ttárgy, [SZR]> <SZR, név, Szakértői rendszerek> <SZR, előfelt, [MI]>

procedurális elemek, eljárások Démonok (daemons) procedurális elemek, eljárások osztályok, példányok attribútumaihoz rendeltek aktivizálás: when-needed démon when-changed démon when-added démon when deleted démon eseményvezérelt végrehajtás, továbbgyűrűzés jól használhatók konzisztenciavizsgálatra korlátozott adatvezérelt következtetés

Démonok Szabályok Gyorsabbak, függetlenebbek, mint a szabályok. „Ok/hatás” kapcsolatban van az értékváltozásokkal és a rsz. ezekre való reakciójával. Autonóm módon működnek. Egy szabályt egy másik szabály vagy bizonyos adatok jelenléte hív életre. Ez a szituációfüggő végrehajtás nem látható előre. Kevésbé olvashatók, mint a szabályok. (adott eszköz implementációs nyelve) Igen jól olvashatók. (szimbolikus formalizmus) Céljuk az adott attribútum megjelölt értékváltozásának kezelése. A szabályokba beépített ismeret szabadon áramlik minden szabály felé. A démonok hatáskörét előre, statikusan megkötjük. (van előnye és hátránya is) A szabályok hatásköre futásidőben dinamikusan rajzolódik ki. (flexibilis, kreatív megoldáskeresést biztosít)

A keret-alapú reprezentáció előnyei: hétköznapi gondolkodáshoz illő reprezentáció fogalmi tisztaság, jól kezelhetőség hatékony következtetés az osztályok és az objektum-példányok tulajdonságairól implementáció: objektum-orientált programozás

Hibrid technika szabályok: heurisztikák leírására keretek: adott objektumokról/ eseményekről/ fogalmakról szóló leíró és procedurális információk (egy helyen!  jól olvashatók, könnyen módosíthatók, módosítások hatása jobban kézben tartható) hibrid eszközök következtető gépe rendelkezhet: öröklődést, démonokat biztosító mechanizmusokkal üzenetváltást biztosító mechanizmusok (objektum-orientált) célvezérelt/ adatvezérelt szabályvégrehajtással támogathatja a szabályok/ keretek hierarchikus modulokba szervezését támogathatja a meta-szabályok készítését/ használatát

Eset-alapú technikák

Eset-alapú technikák alapfeltevés: amilyen volt a múlt, olyan lesz a jövő is az „igazi” tapasztalat nehezen ragadható meg szabályok segítségével azt többé-kevésbé általánosított esetek szövevényes kapcsolata alkotja módszer: újra-felhasználás korábbi feladatok sikeres megoldásainak újra-felhasználása

Eset-alapú technikák eset-alapú következtetés: problémamegoldási minta alapján történő következtetés korábbi tapasztalatokban rejlő speciális tudás kihasználása egy konkrét problémamegoldás során új probléma mo.: hasonló régi eset visszakeresése és új helyzetben való alkalmazása új tapasztalat  rendszerbe épül (folyamatos tanulás)

Eset: problémahelyzet, amely tartalmazza: probléma világállapot leírása, amelyben az eset érvényes megoldás problémára adott megoldás kifejtése (megoldási út leírása) következmény az eset bekövetkezése utáni világállapot leírása (a világra gyakorolt hatás, eredményesség leírása)

Eset-alapú rendszerek fő komponensei: esetbázis (esetek könyvtára) eszköz az aktuálisan megoldandó eset kulcs-elemeinek meghatározására, legjobban illeszkedő eset visszakeresésére adatok visszakeresésének gyorsítására  indexelés illeszkedő esetek megkeresésére  illesztés, hasonlóság-becslés eszköz a megoldás adaptálására az új eset sajátosságainak megfelelően eltérések megkeresése, javasolt megoldásban változtatások végrehajtása (pl. nulladaptáció, paraméterbeállítás) ellenőrzés (adaptálás utáni megoldás megfelelő-e) tanulás (hiba okának keresése vagy esetbázishoz csatolás)

Eset-alapú rendszerek működése:

Eset-alapú rendszerek előnyei: esetek könyvtára objektívebb, formálisabb, mint a szakértői értelmezés (szakértő tudása) explicit módon ábrázolja az ismereteket hiányos vagy rosszul definiált fogalmakhoz is megadhatók alkalmazható akkor is, ha nincs algoritmikus módszer tudásszerzés egyszerű (használat közben javul) hátránya: csak az esetek által lefedett problémákat oldja meg megoldás időigényes (még megfelelő indexelés mellett is)

Szabályalapú rendszerek Esetalapú rendszerek Egy szabály: szimbolikus mintázat. Egy eset: adatok, konstansok együttese. Szabály: a többi szabálytól független elemi egység, a tárgyterületi ismeretanyag konzisztens darabkája. Eset: a többi esettől nem független (gyakran részben átfedő), elemi egység a tárgyterületi ismeretanyagból. Szabály-visszakeresés: egzakt illesztéssel. Eset-visszakeresés: részleges illesztéssel. Szabályalkalmazás: általános iteratív ciklussal. Eset-alkalmazás: több lépéssel (közelítő visszakeresés, adaptálás, finomítás). A probléma modelljét ki kell dolgozni (olykor nehéz vagy lehetetlen). Nem kell kidolgozni a probléma modelljét. A tárgyterületi ismeretek megszerzése nehéz és időigényes. A tárgyterületi ismeretek megszerzése az eddigi esetek összegyűjtésére és elemzésére korlátozódik. Hosszú fejlesztési idő. Rövid fejlesztési idő. Lassú, sok adat kezelése nehézkes. Adatbázis-kezelési technikákkal képes nagy mennyiségű adat kezelésére. Nehezen bővíthető (bővítés után a validálást meg kell ismételni). Könnyen bővíthető, fejleszthető. A tanulást nem támogatja. Képes a tanulásra: új esetek megőrzése.

Egyéb technikák

Szimbólum-manipulációs technikák Hagyományos programnyelvek LISP PROLOG numerikus számítások szimbólum-feldolgozás Neumann-elvű nyelvek utasítások meghatározott sorrendben végrehajtandó sorozata funkcionális szemléletű függvény-kifejezések kiértékelésének sorozata (-kalkulus) relációs szemléletű matematikai logikára épül (predikátumkalkulus) alapelemei: utasítások alapelemei: függvények (eljárások) alapelemei: predikátumok (objektumok közötti relációk) procedurális (előírt sorrendű végrehajtás) procedurális deklaratív (leíró) végrehajtási mechanizmust a programozónak kell megépíteni beépített végrehajtási mechanizmus (célvezérelt, visszalépéses keresés) program és adatstruktúra különböző program és adatstruktúra azonos (létrehozhat, módosíthat másik programot, módosíthatja önmagát) olvashatóság: LISP-hez közeli nehezen olvasható könnyen olvasható

Modell-alapú következtetési technikák következtetés valós fizikai rsz. explicit modelljének segítségével (elméleti jellegű, mélyszintű tudás) fizikai rendszereket saját szerkezetükben és funkcionalitásukban ragadja meg modell lehet: funkcionális (mat. eszközökkel szimulálja a működést, beavatkozás: paraméterváltoztatással) sztochasztikus (statisztikai eszközökkel dolgozik) oksági (részegységek ok-okozati kapcsolatain dolgozik, megvalósítás: szabály alapú technikák)

Modell-alapú következtetési technikák alkalmazásának előnyei: kiiktatható a tudásszerzés nem kell az összes hiba továbbterjedésének hatását explicit módon megadni hátrányok: esetleges heurisztikus tudás beépítése nehéz bizonytalanság kezelése nehéz legtöbb rendszer egy hibára egyetlen okot feltételez alkalmazása: fizikai rendszerek tervezése, analízise, szimulációja diagnosztikai, predikciós feladatok megoldása

Kvalitatív technikák kvalitatív modellek MI technikákon alapuló modellek nem teljesen ismert fizikai/ kémiai rendszereket írnak le (irányítási v. diagnosztikai célra) ismeretlen paraméterek nincs általános megoldó képlet csak a viselkedés jellegét ismerjük modell ismeretlen részeinek kezelése heurisztikus formában: intervallum/ előjel értékek szimbolikus tudáselemek rendszerosztályt definiálnak

Kvalitatív technikák kvalitatív szimuláció kvalitatív fizika kvalitatív modell (QDE) a rendszer kvalitatív viselkedése QDE megoldása: QSIM algoritmus – rendszer viselkedési fájának előállítása (kezdeti állapotból elérhető összes lehetséges állapot) használata: modell-alapú diagnosztika, beavatkozás-tervezés kvalitatív fizika konfluenciák (speciális QDE) konfluenciák megoldása: igazságtáblák előállítása használata: szenzorvalidáció, szabálybázis készítése

Temporális következtetési technikák időbeni következtetésre képes rendszerek események közötti időkapcsolatok ábrázolása következtetés időkapcsolatok alapján pl. diagnózis, tevékenységtervezés, intelligens szimuláció idő explicit kezelésének módszerei: intervallum-alapú megközelítés primitív bináris relációk (átlapol, megelőz, találkozik, …) diszkrét időpontok kezelése időegységek kezelése digitális óra analógia

Temporális következtetési technikák feladatok: intelligens riasztás (adatelemzés dinamikus bonyolult környezetben) intelligens monitorozás figyelem fókuszálása információk időrendi áttekintése, diagnózis intelligens szabályozás valós-idejű következtető rendszerek, pl. G2

Neurális hálózatok mesterséges neuronokból felépülő, párhuzamos működésű architektúrák egyszerű átmeneti függvénnyel jellemezhető processzorok processzorok kommunikálása: változtatható súlytényezőkkel ellátott összeköttetéseken keresztül neurális háló programozása: tanítással (tanító minták) tanítási módszerek: felügyelet mellett felügyelet nélkül (önszerveződés) tanítás célja: súlytényezők beállítása

Neurális hálózatok előnyei: hátránya: nem kell heurisztikus ismereteket szerezni a tárgyköri szakértőtől (tanulási példák) hibatűrő rendszerek (hibás/ ellentmondásos/ nemteljes adatok kezelése) teljesítményük túlszárnyalhatja a tanító képességeit hátránya: nem tudnak magyarázatot, indoklást adni