ILCV441, ILDV443 Előadó: Kovács Zita 2013/2014. I. félév TUDÁSALAPÚ RENDSZEREK 2013. december 7.

Az előadások a következő témára: "ILCV441, ILDV443 Előadó: Kovács Zita 2013/2014. I. félév TUDÁSALAPÚ RENDSZEREK 2013. december 7."— Előadás másolata:

1 ILCV441, ILDV443 Előadó: Kovács Zita 2013/2014. I. félév TUDÁSALAPÚ RENDSZEREK 2013. december 7.

2 Leíró logikák  description logic - DL  ismeretábrázolási nyelvcsaládot alkotnak  fogalom, individuum (egyed), szerep fogalmakat használja  fogalom: individuumok halmazának reprezentálására szolgál  szerep: indiviuumok közötti bináris relációt ábrázolja  a fogalom általános, az individuum speciális, a fogalom tulajdonságait viseli

3 Alapelvek A fogalom, szerep és individuum a következő alapelveknek felelnek meg:  A fogalom és a szerep strukturális leírásában konstruktorok vesznek részt. A fogalom és a szerep leírásához egy szemantika kapcsolódik az interpretáción keresztül. A különböző műveleteket ezen szemantikával összhangban hajtjuk végre.

4 Alapelvek Az ismereteket különböző szinteken vesszük figyelembe:  A fogalmak, szerepek ábrázolása és a műveleteik a terminológia szintjén,  az individuumok leírása és műveleteik a tények és a hozzárendelések szintjén jelennek meg. A szakirodalomban a terminológia szintjét TBox-nak, a tények és hozzárendelések szintjét Abox-nak nevezik.

5 Alapelvek  A fogalmakat (és esetenként a szerepeket) hierarchiába rendezhetjük a rajtuk értelmezett alárendelés (subsumption) reláció alapján.  Azt mondhatjuk, hogy egy C fogalom alárendeli a D fogalmat, ha C általánosabb, mint D abban az értelemben, hogy a D által reprezentált individuumok halmazát C tartalmazza.

6 Alapelvek  a következtető rendszerben két művelet jelenik meg: az osztályozás (classification) és az egyedesítés (instanciation)  Az osztályozást a fogalmakra és az egyedekre alkalmazzuk. Lehetővé teszi, hogy egy adott fogalom, vagy szerep helyét meghatározzuk a hierarchiában.  Az egyedesítés lehetővé teszi, hogy megtaláljuk azt a fogalmat, amelynek egy adott individuum a megjelenési formája lehet. (Ez a fogalom eltér az OO nyelvekben szokásos egyedesítés fogalmától, hiszen ott egy adott osztályból hozunk létre egyedeket.)

7 Példák  táblán

8 Következtető rendszerek  A szakértő rendszerek motorjaként tekinthető következtetőrendszer ismeretelemek láncolatán keresztül vezet a keresett cél felé.  számos következtetőrendszer használható  bizonyítás, meggyőzés, elhatározás, igazolás, magyarázat, stb.  eljárások csoportosítása:  a következtetéshez való viszony alapján (hipotézisen alapuló, analóg, stb.)  az ismeretekhez való viszony alapján (közelítő, kvalitatív, temporális, stb.)

9 Következtetési módok  formális következtetés  egy szimbolikus adatszerkezet szintaktikus műveletein alapul, adott szabályok szerint bizonyos szemantikus keretben, pl. elsőrendű predikátum kalkulus  procedurális következtetés  minden ismeretnek a felhasználása és maga a következtetés is eljárásokon alapul  analógián alapuló következtetés  egy struktúrált tudásbázis alstruktúráinak hasonlóságán alapul  megvalósításához egyeztetés, a hasonlóság és a függőségi kapcsolatok kiértékelése szükséges

10 Következtetési módok  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  eset-alapuló következtetés  lehetővé teszi kevésbé formalizált problémák kezelését valamint új ismeretek megtanulását és gyakorlati tapasztalatok alapján történő továbbfejlesztését

11 Következtetési módok  közelítő következtetés  képes figyelembe venni bizonytalan és pontatlan ismereteket és adatokat  hipotetikus következtetés  a hiányzó adatokat, amelyek különböző értékeket vehetnek fel hipotézisként kezeli. Valamennyi szóba jöhető értékkel továbbdolgozik, s ha valamelyikkel ellentmondásra jut, azt elveti.  alapértelmezésen alapuló  a hiányzó adatokat alapértelmezésük szerint kezeli  kvalitatív következtetés  a fizikai törvények kvalitatív modelljén alapul, amikor a mennyiségi adatok hiányában a minőségi változásokat használja fel

12 Következtetési módok Három fő kategória:  levezetés jellegű (deduktív)  egyediből az általános felé haladó (induktív)  hasonlóságot figyelembe vevő (analóg)

13 Eset alapú következtetés  a hasonlóságon alapuló következtetés egyik formája  Case Based Reasoning, CBR  az előzőleg már megismert eseteket használjuk fel az új problémák megoldása során  egyes szakmákban a tanulás nem más, mint a különböző esetek sokaságának memorizálása

14 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

15 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  sikeres esetek: felhasználhatjuk a hibák elkerülésére Eset alapú következtetés

16  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

17 Eset alapú következtetés  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

18 Eset alapú következtetés  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

19 Eset alapú következtetés  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

20 A CBR életciklusa

21 1. az eset visszakeresése  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

22 A CBR életciklusa 2. egyeztetés, a közelítő megoldás javaslata  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 3. Illesztés, adaptáció  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

23 A CBR életciklusa  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 4. Felülvizsgálat, igazolás  az illesztés során kialakult közelítő megoldás értelmezése során ellenőrizzük az esetleges alternatív megoldásokat és a sikertelen megoldásokra magyarázatot szolgáltatunk 5. Tanulás, memorizálás  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

24 Bizonytalanságkezelés  Szakértő rendszerek készítésekor a tárgyköri szakértők ismerete nehezen reprezentálható, nehezen formalizálható.  az ismeretek reprezentálása során használhatunk olyan adatokat, illetve tudást, amely csak bizonyos valószínűséggel biztos, az ilyen adatok kezelését nevezzük bizonytalanságkezelésnek.

25 Bizonytalanságkezelés  Bizonytalan adatok kezelése egy szakértői rendszerben azokban az esetekben indokolt, amikor a rendelkezésre álló információ  hiányos vagy  nem teljesen megbízható vagy  pontos lenne, de a reprezentáló nyelv nem elég precíz vagy  ellentmondásos

26 Bizonytalanságkezelés Módszerek, modellek osztályozása  numerikus modellek klasszikus valószínűségszámítás Fuzzy logika  szimbolikus modellek nem monoton logikák  heurisztikus módszerek

27 Bizonytalanságkezelés Felmerülő problémák  hogyan reprezentáljuk a bizonytalan információt?  hogyan kombináljunk több bizonytalan információt (and, or, not)?  a következtetés problémája

28 Fuzzy logika  60-as évek közepén Zadeh dolgozta ki a fuzzy halmazelméletet a nyelvi fogalmakban rejlő pontatlanság matematikai kezelésére  Zadeh bevezette a parciális tagság fogalmát, annak kifejezésére, hogy bizonyos objektumok jobban beletartoznak egy halmazba, mások kevésbé  ezt a parciális tagságot egy [0,1] intervallumbeli számmal jellemezte, ahol az 1 azt jelenti, hogy az objektum benne van a halmazban, a 0 pedig hogy nincs benne, míg a kettő közötti érték azt a meggyőződésünket, hogy milyen mértékben tartozik az adott objektum a halmazhoz (nagyon, kissé, eléggé, meglehetősen)

29 Fuzzy logika  Tagsági függvény: egy adott halmazhoz tartozás fokát fejezi ki egy [0,1] intervallumbeli számmal. A köznapi nyelvben kissé, eléggé, meglehetősen, nagyon, stb, módosítószavakkal fejezzük ki.

30 példa a színek U halmazán definiálhatjuk az S = { x: Zoli kedveli az x színt} halmazt a következő tagsági függvénnyel: 1, ha x eleme U kék 0,5, ha x eleme U fehér ds(x)= 0,2, ha x eleme U piros 0, egyébként szokásos megadás: S = {(kék, 1), (fehér, 0,5), (piros, 0,2)}

31 Fuzzy logika  a halmazelméleti műveletek kiterjesztése alapján az ugyanazon alaphalmazon értelmezett fuzzy halmazok egyesítése, metszete és komplemense is fuzzy halmaz lesz az alábbi tagsági függvényekkel  legyenek A és B fuzzy halmazok az U alaphalmazon, da(x) és db(x) tagsági függvénnyel, ekkor: A U B = {(x, max(da(x); db(x))) : x eleme U} A ∩ B = {(x, min(da(x); db(x))) : x eleme U} Ā = {(x; (1-da(x))) : x eleme U}

32 Fuzzy logika a szokásos halmazműveleteken túl a nyelvi módosítóknak megfelelő műveleteket is definiálhatunk (fuzzy műveletek):  dilatáció (többé-kevésbé) növeli a tagsági függvény értékét  koncentráció (nagyon) csökkenti a tagsági függvény értékét  intenzitás (meglehetősen, eléggé) 0,5 alatti értékre csökkenti, 0,5 felettire növeli a tagsági függvény értékét

33 Fuzzy műveletek  DIL(A) = {(x, da 1/2 (x)): x eleme U}  CON(A) = {(x, da 2 (x)): x eleme U}  INT(A) = {(x, i(x)): x eleme U}, ahol  i(x) = 2* da 2 (x), ha 0<= da(x)<= 0,5  i(x) = 1-2*(1-da(x)) 2, ha 0,5<= da(x)<= 1

34 Fuzzy logika Előnyei:  Szemlélete közel áll a napi valóságszemléletünkhöz.  E rendszerleírás egyszerűbb, mint más numerikus modell esetén.  Előnyösen alkalmazható hiányos adatokkal dolgozó, bonyolult feladatok esetén.  A fuzzy bizonyosságokkal könnyű számolni.

35 Fuzzy logika Hátrányai:  Elmélete még nem teljesen megalapozott.  Kombinációs függvények(egymást kizáró halmazok együttes bizonyossága a két halmaz bizonyosságának minimuma és nem nulla).

36 Szakértő rendszerek készítésének fázisai 1. a projekt kezdete 2. a rendszer analízise és tervezése 3. gyors prototípus 4. rendszerfejlesztés 5. alkalmazás 6. utómunkálatok

37 1. A projekt kezdete 1. probléma megfogalmazása, igények felmérése 2. alternatív megoldások vizsgálata 3. a szakértő rendszer megközelítéses értékelése 4. tanulmányterv 5. költséghatékonysági vizsgálat 6. kérdések a vezetőség számára 7. fejlesztőcsapat megszervezése

38  Aszalós jegyzetben a többi

39 Esettanulmányok gyakorlat:  http://www.inf.unideb.hu/~aszalos/diak/mik/mik_c lips.htm http://www.inf.unideb.hu/~aszalos/diak/mik/mik_c lips.htm