Information Technology | Artificial Intelligence » A mesterséges intelligencia alapjai tételek, 2001

Mesterséges intelligencia Mesterséges Intelligencia alapjai Z1/12 A mesterséges intelligencia meghatározása, fontosabb kutatási területei. MI programok, tudásalapú rendszerek, szakértő rendszerek - meghatározásuk és kapcsolatuk. Az MI kutatások jelenlegi fő irányai A mesterséges intelligencia (MI) a számítástudomány azon területe, amely intelligens számítógépes rendszerek kifejlesztésével foglalkozik. Az MI kutatások célja "intelligens" számítógépes rendszerek kifejlesztése. Egy MI program olyan módon oldja meg a problémákat, olyan "viselkedést" mutat, amit emberek esetében intelligensnek neveznénk. Az MI program: − problémákat old meg, − tanul korábbi tapasztalataiból, − képeket értelmez, − olyan viselkedést mutat, amit emberek esetében intelligensnek neveznénk. Tudásalapú rendszer (KBS: Knowledge-Based System): olyan MI program, amelyben a tárgyköri ismeretanyag explicit formában (tudásbázisban) a

program egyéb komponensétől elkülönítve van jelen. Szakértő rendszer (ES: Expert System): olyan tudásalapú rendszer, amely szakértői ismeretek felhasználásával magas szintű teljesítményt nyújt egy szűk problémakör kezelésében. Egy szakértő rendszer hasonló javaslatokat tud adni, mint az emberi szakértő, általában egyenrangú beszélgetőpartnere a felhasználónak, kérdéseit magyarázza, javaslatait indokolja, bizonytalan szituációban a korrekt válaszadás mellett ill. helyett képes meghatározott bizonyosság mellett elfogadható javaslatokat adni. A tudásalapú rendszerek tudásbázisában a tárgyköri ismeretek szimbolikus módon vannak ábrázolva, a feladatmegoldás pedig szimbólum-manipulációk révén történik, a rendszereket ezért szimbolikus programoknak is nevezzük. A szakértő rendszereket olyan területeken alkalmazzák, melyeket egy ember több évi tanulással, gyakorlással tud csak elsajátítani. Az ilyen rendszerek

fejlesztésének legkritikusabb része a rendszerépítő tudásmérnök és a tárgyterületi szakértő(k) közötti ismeretszerző együttműködés. Az ismeretszerzés célja az adott feladatról szóló ismeretek, valamint a szakértői feladatmegoldás során alkalmazott módszerek, szabályok, eljárások felderítése, rendszerezése és a feladathoz illő formába öntése, tudásreprezentáció, ill. következtetési stratégia kiválasztása és a szakértő rendszer tudásbázisba való beillesztése céljából. 1 Mesterséges intelligencia Kapcsolatuk: MI programok Tudásalapú rendszerek Szakértõ rendszerek Az MI fontosabb részterületei: 1. automatikus programozás 2. automatikus tételbizonyítás 3. beszédfelismerés/beszédgenerálás 4. bizonytalanságkezelés 5. gépi látás 6. gépi tanulás 7. 8. 9. 10. 11. 12. neurális hálózatok parallel feldolgozás robotika tervezés automatizálás természetes nyelv feldolgozás tudásalapú/szakértő

rendszerek MI kutatások jelenlegi fő irányai: − integrálás a hagyományos műszaki alkalmazásokkal és a CASE (Computer Aided System Engineering) technológiával, valamint nagygépes számításokkal, − kölcsön- és kereszthatások létesítése az MI különböző területei között, − törekvés a kutatási eredmények mielőbbi hasznosítására - szoros kapcsolatok, hidak kiépítése a kereskedelemmel, − alkalmazás-specifikus, ún. vertikális eszközök kifejlesztése és intenzív alkalmazásba vétele (az eddigi általános célú, ún. horizontális eszközök, shell-ek helyett, ill. mellett) Z1/13 A tudásalapú technológia kialakulásának kezdetei, a tudás elve. A szakértő rendszer piac fejlődésének fázisai, az utolsó fázisra jellemző rendszerépítési szemléletmódok. A hazai helyzet rövid jellemzése A második és harmadik fázisra jellemző rendszerépítési szemléletmódok. A szakértői tudás és a szakértői rendszerek első és

második generációjának jellemzői. • A tudásalapú technológia kialakulása: Közel 3000 évvel ezelőtt létrehozták a logika, a szintaxis és az ismeret-elmélet olyan rendszereit, amelyet ma is meghatározóak. A második világháború idején jelentek meg a számítógépek. A háború után a gépi fordítórendszerekkel kezdtek el foglalkozni.  Az 50-es évek közepére kifejlesztették az első információ feldolgozó nyelvet az IPL-t (Information Processing Language). Az 1956-os konferenciára készülve használta (John McCarthy) először a mesterséges intelligencia elnevezést.(Artificial Intelligence, AI) Ezekben az években az emberi problémamegoldást vizsgálták absztrakt neuronhálók modellezésével. Az emberi szem retinájának durva modellezését célozta meg Pl.: Frank Rosnblatt PERCEPTION modellje A kutatókat a neuronhálók tanulságai arra késztették, hogy ne "mikro" hanem "makro" szinten modellezzék a

problémamegoldást. A Neweel, Shaw és Simon által kidolgozott problémamegoldó keret a GPS (General Problem Solver) azonban csak kísérlet maradt. Ez egy következtető mechanizmust tartalmazott, mely a feladat adott kezdeti állapotából indulva próbált megoldást találni a műveletek egymásutánjával, azonban bonyolult feladat esetén járhatatlan út volt.  A 60-as években megjelent a LISP (List Processing). Az első "amerikai alapnyelv" melyet a másik "európai " alapnyelv a 70-es években megalkotott Prolog (PROgramming in LOGic) követ. Az MI eredményei 2 Mesterséges intelligencia ebben az időben a matematikai logika tételek bizonyítása és a játékelmélet, főleg a sakkjáték, valamint az automatikus programozás volt. A keresési stratégiák területén is változások kezdődtek már nem általános célúak voltak, hanem feladat-specifikusak.  A 70-es évekre rájöttek arra, hogy a feladatot akkor lehet igazán jól

megoldani, ha a számítógépben magát a feladatot és annak megoldási lépéseit leíró ismeretanyagot ábrázolják megfelelően. Az ilyen rendszereket tudásalapú rendszereknek nevezzük (KBS: Knowledge Based Systems) Ezekben a gépekben a tudásbázis jól elhatárolódik a rendszer egyéb komponenseitől, így a tudásbázist működtető következtető mechanizmustól is. Az ekkor kifejlesztett szakértői ismeretekkel rendelkező tudásalapú rendszereket szakértői rendszereknek nevezik. (ES: Expert Systems) ilyen az orvosi témájú MYCIN, vagy a beszédmegértő HEARSAY-II, geológiai témájú PROSPECTOR és a szerves kémiai témájú DENDRAL is. A tudásalapú/szakértő rendszerek felhasználó barát környezetben működnek, az elvégzett feladathoz indoklást, és magyarázatot is adnak. Rájöttek, hogy ezek a funkciók jól hasznosíthatók adatbázisok feltöltésére és meghajtására. Ilyen keretrendszer, üres adatbázissal rendelkező

"kagylóhéj", shell pl az EMYCIN (Empty MYCIN) illetve a beindult a tudásbázisban tárolt ismeretanyag oktatórendszerként való hasznosítása pl.: a MYCIN alapú GUIDON oktatórendszer.  A 80-as évek elején beindult a tudásalapú rendszer alkalmazások fejlesztése, és megjelentek a piacon az első shellek is. A piacon ekkor már az MI más részterületei is jelen voltak: az MI hardverek, MI nyelvek, a természetes nyelv feldolgozása, a beszédfelismerés-beszédgenerálás, a gépi látás, robotika. A gépi tanulás kutatása is beindult pl.: EURISCO Ekkortájt jelentették be a japánok az 5 generációs (5g) számítógéprendszer projektjüket. Mely az intelligens információ-feldolgozó rendszerek kifejlesztését és alkalmazását tűzte ki célul A japán kihívásra ellenprojektek jelentek meg: Alvey(Anglia), ESPPRIT (Európai Közös piac), DARPA (USA Hadügy).Azonban az 5g gépeknek nem volt nagy sikere a japánok már a 6 generációs gépeket

kezdték tervezni, melyben az emberi agyhoz hasonló (brain-line) számítógépeket, neurális hálózatokat valósítanának meg. • A tudás elve: A probléma megoldás képessége lényegében attól függ, hogy mennyi és milyen magasan kvalifikált ismeretanyag áll rendelkezésre az adott tárgyterület vonatkozásában. • A szakértő rendszer piac fejlődésének 3 szakasza : 1. szakasz : 1983-1985 Az új tudásalapú technológia kutatása : − általános célú, horizontális, LISP alapú nagygépes shellek kifejlesztése belső felhasználásra − négy nagy fejlesztő, értékesítő vállalat volt jelen a shelljével Intellicorp.: Inference Corp.: Teknowledge: Carnegie Group Inc.: KEE (Knowlwdge Engineer Environment) ART (Automated Reasoning Tool) S.1 (System 1) KC (Knowledge Craft) 2. szakasz : 1986-1988 Az új technológia bizonyítása a piacokon : − a tudásalapú eszközök megjelenése a piacon − horizontális shellek kidolgozása közép és kisgépekre

− viszonteladó cégek megjelenése − shell háború kitörése − alkalmazás prototípusok készítése, de a legtöbb alkalmazás fejlesztés megáll egy egyszerű rendszerváltozat, prototípus kidolgozása után − piac telítődése és időleges befagyása 3. szakasz : 1989-től A hagyományos és az új technológia integrálása : • alkalmazás-orientált, "vertikális" eszközök megjelennek, • technológia-váltás az eszközök terén: az érdeklődés kezd áttolódni az egyszerű tudásreprezentációt támogató (pc-s) szabályalapú shellek felöl a több reprezentációt támogató hibrid shellek felé, 3 Mesterséges intelligencia • integrált alkalmazásokat kezdenek kidolgozni, • integrált alkalmazások építését támogató módszerek iránt megnő az igény, • tudásalapú rendszerépítési technológia kidolgozását több project tűzi ki célul. Azonban ez a technológia még nem elég jó mert, ⇒ az

alkalmazás-fejlesztések még csak módszertani ajánlásokat követnek, ⇒ napirenden van a tudásbázis elemzés kérdése (validitás, vertifikálás és tesztelés), ⇒ a szabványosításra nagy szükség van. 1994 legnépszerűbb shelljei Észak-Amerikában: Exsys: Information Builders: IBM: Inference: Intellicorp: NEURON DATA: Trinzic: COSMIC/NASA: WordTech System: Exsys RuleBook, Exsys Professional Level5 Object, Level5 Object Professional TIRS ART-IM, ART Enterprise, CBR Express KappaPC, KAPPA Nexpert Object, Smart Elements Architecture AionDS, KBMS CLIPS VP-Expert • A rendszerépítési szemléletmódok : − a 2. szakasznál : technológia vezérelt és prototípus centrikus, vagyis adott shellhez, eszközkészlethez kerestek megfelelő alkalmazásokat. Ebben a szakaszban sok szakértő rendszer prototípus készült, de kb. 20 volt igazán használt, használható − a 3. szakasznál : feladatvezérelt, vagy modellvezérelt, vagyis adott feladathoz keresnek ahhoz

illő shellt, eszközkészletet. Ez csak olyan flexibilis, integrált rendszerépítési technológia (eszközkészlet+ módszertan) alapján lehetséges, amellyel hatékonyan lehet intelligens integrált rendszereket kifejleszteni. (többfelhasználós rendszerek) • A hazai helyzet rövid jellemzése: − 50-es évek: Kalmár László professzor matematikai formulanyelven vezérelt és logikai gépe. − 1975: Az első hazai Prolog (PROgramming in LOGic) implementáció elkészült. − 1979-82: Az Mprolog, egy kifejezetten gyakorlati feladatok megoldására alkalmas logikai programozási nyelv és fejlesztőrendszer elkészült. − 1976: Mesterséges Intelligencia Szakosztály megalakulása. • A szakértői tudás és a szakértői rendszerek első és második generációjának jellemzői: − A jelenlegi, 1. generációs szakértő rendszerek ismérvei: − jellemzően csak a szakértő felszíni ismereteinek egy részét tartalmazzák, − hiányzik belőlük a hétköznapi

józan ész, − működésük során az ismeretanyagaikat nem bővítik: nem tanulnak saját tapasztalataikból. A fejlesztési technika "éretlen", hiányoznak a tudásreprezentációs szabványok, a fejlesztési módszertan és az azt támogató eszközkészlet, valamint a tudásbázis elemzés. − A 2. generációs szakértő rendszerektől elvárt főbb ismérvek: - a "hétköznapi gondolkodás" minél jobb közelítése - kétszintű tudásábrázolás (felszíni és mélyszintű) 4 Mesterséges intelligencia - a gépi tanulás módszereinek alkalmazása az ismeretszerzés és az "önfejlesztő" futtatások során. Z1/14 A tudásalapú rendszerek felépítésének elvi sémája, jellemző magyarázatadási módok. A tudásalapú és a szakértő rendszerek építésének alapvető technikái A prototípus technika előnyei és hátrányai a szakértő rendszerek építésénél. • A tudásalapú rendszerek felépítésének elvi sémája:

Tudásbázis Munkamemória Következtető gép Tudásbázis fejlesztő, ismeretszerzést támogató alrendszer Speciális felületek (pl. adatbázis kapcsolat) Magyarázó alrendszer Felhasználói felület Tudásmérnök és/vagy tárgyköri szakértő Végfelhasználó Tudásbázis: az adott problémakörre vonatkozó specifikus ismeretek szimbólikus leírása, egy vagy több tudásreprezentációs módszer szerint rendezve és tartalmazhat a tárgyköri ismeretek felhasználását előíró metaismereteket is. Következtető gép: az alkalmazott tudásreprezentációs módot kiszolgáló megoldáskereső vagy vezérlési stratégia implementált változata, amely támogatja a többi komponens működését is. A feladatmegoldást indító kezdő adatokból vagy célból kiindulva, menet közben a külső környezettel kapcsolatot tartva, lépésről-lépésre halad a megoldások felé, a magyarázó alrendszer számára biztosítva a szükséges információkat.

Konzultáció: felhasználóval párbeszédet folytató feladatmegoldás Munkamemória: az adott konkrét feladat specifikus információit tartal-mazza: a külvilágból érkező információkat, valamint a következtetések során kapott ismereteket. Munkatábla architektúra: a közös munkamemória adminisztrációját és az együttes munka felügyeletét végzi a tudásbázis több moduljának párhuzamos működése esetén. Magyarázó alrendszer: feladatmegoldás közben és után tájékoztat a megoldás aktuális állapotáról, és megindokolja a rendszer javaslatát Tudásbázis fejlesztő alrendszer: a tudásbázis megépítéséhez, teszteléséhez és módosításához nyújt felhasználóbarát fejlesztő szolgáltatásokat. Általában teszt-eseteket tartalmazó adatbázisa és az ismeretszerzést támogató eszközei is vannak. Felhasználói felület: keretet biztosít az ember és a gép kommunikációjához Shell: tudásalapú keretrendszer (fontos

fejlesztőeszköz) • Jellemző magyarázatadási módok: 1. Feladatmegoldás közben : WHY: Miért kérdezed? : az aktuálisan végrehajtás alatt levő ismeretdarabka megmutatása, s a hozzá vezető végrehajtási út visszapörgetése WHAT IF: Mi lenne, ha (ezt és ezt) válaszolnám? : a további lépések során visszavonható válasz, több shell ezt a szolgáltatást a feladatmegoldás után is nyújtja WHAT IS: Mi van a tudásbázisban? Mi van a munkamemóriában? tájékozódás, tallózás a munkamemóriában 5 Mesterséges intelligencia 2. Feladatmegoldás után: HOW: Hogyan jutottál ehhez az eredményhez? az eredményhez vezető végrehajtási út visszapörgetése, s az út leírásából kinyert tömör indoklás WHY NOT: Miért nem (ez és ez) az eredmény? az eredményhez vezető végrehajtási úton haladva annak a meghiúsult lépésnek a keresése, amely a kérdezett eredményhez vezetett volna, s az útszakasz leírásából nyert tömör indoklás. WHAT

IS: Mi van a tudásbázisban? Mi van a munkamemóriában? tájékozódás, tallózás a tudásbázisban, a munkamemóriában • A tudásalapú és a szakértő rendszerek építésének alapvető technikái: 1. Induktív technikák: egyedi esetből az általánosba A legismertebb ilyen a ID3 algoritmus Két fő komponense: a tudásreprezentáció és következtetés Menete: 1. probléma megadása 2. hipotézis (döntési fa) generálás 3. a megépített rendszer futtatása 2. Szabályalapú technikák: mindent szabályokkal írunk le (metaszabály, definíciós-, és heurisztikus szabályok) a.) vezérlési stratégia iránya szerint: - célvezérelt: a bizonyítandó célból indul ki, és igyekszik az annak bebizonyításához szükséges tények fennállását kimutatni. - adatvezérelt: adatokból indul ki és a szabályok alkalmazásával megpróbál olyan szituációhoz eljutni, amely a feladat megoldásaként elfogadható. b.) a tudásbázis szabályainak szervezése szerint:

- egyszerű - struktúrált: a szabályokat modulokra bontjuk, majd ezeket az adott feladat "megoldásszerkezetét" tükröző hierarchikusan csoportosított kontextusfába szervezzük. 3. Hibrid technikák: többféle programozási mintát alkalmaznak, neveze-tesen: framestruktúrák szabályok és hierarchikusan szervezett modulok. − Szimbolikus információkkal dolgoznak. − Feladatleírás: deklaratív módon. − Feladatmegoldás: következtetéssel − Elfogadható következtetéssel, heurisztika alkalmazásával történő feladatmegoldás. − A tudásbázisba építendő szakértői tudás megszerzése nehéz és drága. − A szaktudás jellemzője, hogy nem pontos: zajos, nem teljes, és gyakran ellentmondásos. − A rendszerrel generálhatók felhasználóbarát magyarázatok, indoklások. • A prototípus technika előnyei és hátrányai a szakértő rendszerek építésénél: Hátrányok: − Nagy a szakadék a szakértő verbális közlései és a

prototípus, mint megvalósítási kísérlet között. − A prototípus megvalósítási eszköze megszorítja a megoldandó feladat elemzésének lehetőségeit és torzított modellt eredményez. − Nehéz eldobni, bármennyire indokolt (a prototípus csak kísérlet!) Előnyök a szoftver fejlesztésekor jelentkeznek − A rendszerrel szemben támasztott követelmények meghatározásánál. 6 Mesterséges intelligencia − − − − − − Egy lehetséges megoldás megtervezésénél. A felhasználói és egyéb kapcsolódó felületek kikísérletezésére. A tervezett rendszernek az alkalmazói környezetre való hatásának vizsgálatára. Segédeszközként a felhasználók betanítására. Marketing célú demonstrációk bemutatására. A külső környezeti változásoknak az alkalmazói környezetre való hatásának vizsgálata. Z1/15 A bizonytalanság kezelésének fontosabb numerikus, szimbolikus és heurisztikus módszereinek jellemzése.

Bizonytalanságkezelés az MI shell-ben • A bizonytalanság kezelésének fontosabb. Ha a tudásunk hiányos, nem teljesen megbízható, pontos lenne, de a kifejező eszközünk nem precíz, ellentmondásos, akkor bizonytalan információval manipulálunk. Az esemény kétféleképp lehet bizonytalan: - objektív: hosszú időn keresztül megfigyelt relatív gyakoriság alapján kialakított bizonytalansági mérték szerint. - szubjektív: az egyén saját tapasztalatai, megfigyelései alapján kialakított ítélet. A bizonytalanságkezelés numerikus modelljeinek elmélete van a legjobban kidolgozva. ∗ Főbb numerikus modellek: -Bayes-módszer (klasszikus valószínűség elmélet) -fuzzy-modell ("bizonytalan módon körülhatárolt") -Dempster-Shafer-modell (képes formalizálni a "bizonytalanságról szóló bizonytalanságunkat") 7 Mesterséges intelligencia BAYES: A bizonytalanság kezelésére legrégebb óta használt technika (a legjobban

definiált is) a Bayes-szabály, amely a valószínűségelméleten alapul. A Bayes-szabály a feltételes valószínűség fogalmára épül. Minden valószínűségelméleti probléma valamely véletlen kísérlettel kapcsolatos; ez olyan kísérlet, amelynek kimenetelét az általunk figyelembevett feltételek nem határozzák meg egyértelműen. Valamely kísérlet lehetséges kimeneteleit elemi eseményeknek, az elemi események összességét pedig eseménytérnek nevezzük. Sokszor kíváncsiak vagyunk arra, hogy két esemény milyen kapcsolatban van, például befolyásolja-e az A eseményt a B esemény bekövetkezése, és ha igen, mennyire. Ennek mértékét az A esemény B eseményre vonatkozó feltételes valószínűsége adja meg: P(A|B)=P(AB)/P(B) feltéve, hogy P(B)!=0. A Bayes-szabály: P(Ai|B)=P(B|Ai)/∑j=1n P(B|Aj)P(Aj). A Bayes-szabályt akkor célszerű alkalmazni, ha elegendő információ áll rendelkezésünkre. Heurisztikákon alapuló szakértői

szituációkban gyakorlatilag nem alkalmazható. A Bayes-szabály alkalmazásának előnyei : - szilárd elméleti alapok (valószínűség-számítás) - jól definiált szemantika A Bayes-szabály alkalmazásának hátrányai : - nagyon sok valószínűséget kell megadni, s a számításhoz egyetlen valószínűség sem hiányozhat - az elsődleges és feltételes valószínűségek megadása problémás - a tárgyterület megváltozásának követése rengeteg munkát, s a teljes tudásbázis módosítását okozza - a következtetések során/végén nem kap szakértői szintű magyarázatot, mert a Bayesmódszerrel kiszámított valószínűségek nem igazán magyarázhatók - az előző ok miatt a tudásbázisban való tallózás (WHAT IS) sem tud elegendő mélységű információt szolgáltatni FUZZY: Az alkalmazás előnyei: - közel áll az ember napi valóságszemléletéhez - a többi num. módszerrel szemben jelentősen egyszerűbb, rendszerleírást tesz lehetővé - a

Fuzzy bizonytalanságokkal könnyű "számolni" és "természetes nyelvű" ∗ Szimbolikus (nem numerikus) modellek: A hiányzó adat helyett feltételezés, ill. ellentmondásos adat vagy ellentmondásos következtetés kezelésére alkalmas formalizmusok. A nem-monoton következő rendszerek a legismertebb szimbolikus modellek. A hiányos tudásból származó "űrt" feltételekkel pótoljuk A végrehajtás során ha ellentmondásra jut, akkor visszalép és a feltételezések közül visszavonja valamelyiket, ami majd az ellentmondás kiküszöböléséhez vezet. − Diagnózis ( "Találd meg az abnormálisan működő azon legszűkebb komponenshalmaz, mely felelős a hibás működésért!") − Objektumtervezés vagy konfigurálás (nagy tervezési tér esetén egy ígéretes alternatíva gyors megkeresését segíthetik a nem-monoton technikák) − Tevékenységtervezés vagy ütemezés (feltesszük, hogy a a tevékenység elvégzése

után minden változatlanul marad, kivéve, amelyeket szükséges megváltoztatni) − További feladatok (pl: angol nyelvű szövegből kivonat készítése) 8 Mesterséges intelligencia ∗ Heurisztikus modellek Formailag hasonlítanak a numerikus modellekhez, de ezek elméletileg nem megalapozott numerikus modellek. Szimbolikus és numerikus módszerek keveréke Ezek konkrét szakértő rendszer alkalmazásához kidolgozott módszerek. A bizonyossági tényezői numerikus értékek Két klasszikus modell, módszer: − MYCIN − PROSPPECTOR • Bizonytalanság kezelése az MI shell-ben: Az MI bizonyossági tényezőjének definíciója(cf) cf eleme [0,100] úgy, hogy: cf=100 "teljesen bizonyos","definíció szerint igaz" (alapértelmezés) cf=20 a bizonyosság, a hihetőség alsó küszöbe (ez alatt a hipotézist elveti) cf=0 "teljesen elvetve", "definíció szerint hamis" Az MI kombinációs szabályai: 1. egy szabályon belül:

-ÉS/VAGY kombinálás "e1 AND/OR e2" feltételrészletnél: cf(e1∧e2) = min {cf1,cf2} cf(e1∨e2) = max {cf1,cf2} - kombinálás a szabály alkalmazásánál: cf(h)=cfe*cfr/100 2. független forrásokból származó bizonyítékok esetén, azaz ha két vagy több szabály vezet ugyanarra a H hipotézisre. Legyen a végrehajtás sprán a H-ra kapott két tényező cf1 és cf2, ekkor H erdedő bizonyosságát 100-al normálva kapjuk:(100*cf1 + 100cf2 - cf1cf2) /100 Z1/16 A tudásreprezentálási módszerek osztályozásának szempontjai. A procedurális, a logikai-alapú, a strukturált és a hibrid tudásreprezentációk jellemzése. • A tudásreprezentálási módszerek osztályozásának szempontjai : ∗ 1. Asszerint, hogy a probléma megoldását és annak stratégiáját adjuk meg, vagy csak magát a problémát írjuk le: − Algoritmikus vagy procedurális: azt mondjuk el, hogy "HOGYAN" oldjuk meg a feladatot − Leíró vagy deklaratív: azt írjuk le,

hogy "MIT" kell megoldani ∗ 2. Annak megfelelően, hogy a probléma leírását egyszerű, vagy összetett objektumokkal adjuk meg: − Elemi vagy egyszerű: A problématerületet atomok, vagy elemi szintű osztatlan objektumok, valamint azok kapcsolatai, a rajtuk végezhető műveletek halmazával ábrázolják. "LOGIKA-ALAPÚ" − Strukturált reprezentációk: Belső struktúrával rendelkező dolgok, attribútumokkal rendelkező objektumok világát ábrázolják." FRAME ALAPÚ" ∗ 3. Az előző szempontokat, valamint a leíró eszközt veszi alapul • Jellemzések: a. Procedurális reprezentáció : valamely procedurális programozási nyelv eljárásai b. Logikai alapú reprezentáció : - logikai nyelvek : a Prolog egy megfelelően implementált logikai nyelv. Egy logikai nyelv 3 alkotóeleme: objektumok világa, szintaxis és szemantika. - szabályalapú reprezentációk és klasszikus produkciós rendszerek, feltételtől függő állítások,

tevékenységek leírására alkalmas módszerek. Tényállások és "ha-akkor" szerkezetű feltételes állítások fogalmazhatók meg a segítségükkel. 9 Mesterséges intelligencia - formális nyelvtanok, nyelvek tulajdonságainak felismerésére alkalmas módszerek - algebrai kifejezések, speciális matematikai ismeretek reprezentálására alkalmas formalizmusok c. Struktúrált vagy frame- alapú reprezentáció : -framek: tulajdonságaikkal jelzett fogalmak és kapcsolataik leírására, valamint manipulálására alkalmas módszerek. Egy frame: egy fogalom, vagy egy objektum struktúrált szimbolikus modellje, névvel ellátott, megkülönböztető tulajdonságokkal rendelkező fogalom vagy objektum ábrázolása. -asszociatív vagy szemantikus hálok: fogalmak, tulajdonságok és mindezek kapcsolatainak kezelésére alkalmas módszerek. Címkézett gráfok, ahol a csúcsok a fogalmak vagy objektumok, az élek pedig a köztük fennálló viszonynak felelnek

meg. Hierarchikus kapcsolatok ábrázolása és az öröklődés megvalósítása. -rokonsági hierarchiák : rendszertanok, taxonómiák -döntési fák : osztályzási feladatoknál alkalmazott módszerek -scriptek vagy "forgatókönyvek": tipikus szituációk, esemény-sorozatok oksági kapcsolatának leírására alkalmas módszerek. A frame-eknél specifikusabb d. Hibrid reprezentáció: az előbbi reprezentációk együttes alkalmazása -frame-alapú reprezentáció, kiegészítve szabályalapú és procedurális elemekkel (egyre jellemzőbb az alkalmazása tudásalapú rendszereknél) Z1/17 Alapvető szakértő rendszer problématípusok és jellemző megvalósítási technikák. Szabályalapú technikák és jellemző alkalmazási problématípusaik. "Össze nem illő" prob-lématípusok és tudásalapú technikák. • Alapvető szakértői rendszer problématípusok: − procedurális : Ha az adott tárgyköri ismeretanyag leírható valamely egyszerű

eljárással, procedurával állunk szembe. Alaptechnika: hagyományos programozás − diagnosztizáló : megoldás oldalról ( ok, javaslat ) indul, amit a kiinduló adatokkal ( tünetek, észleletek ) próbál igazolni. A lehetséges okok adottak, számuk kevés Alaptechnika: szabályalapú technika, célvezérelt következtetéssel vagy hibrid technika − konfiguráló/objektumtervező : Nincs előre megadva az összes lehetséges megoldás. Kiinduló adatokból ( igényekből, kívánt részegységekből ) indul ki, megfigyelések alapján a rendszer maga dolgozza ki a cél(oka)t, vagyis lehetséges "ép" konstrukciókat állít elő Alaptechnika: szabályalapú technika, adatvezérelt következtetéssel, hibrid technika − monitorozó/örző : kiinduló adatokból ( észlelt jelekből, jelzésekből ) indulva, azokat elemezve, okukat keresve figyelmeztet, ha a kívánttól eltérő esetről van szó Alaptechnika: szabályalapú technika, adatvezérelt

következtetéssel, hibrid technika − tevékenységtervező/ütemező : tevékenységek olyan sorozatát határozza meg, melyeknek az adott körülmények között történő végrehajtása az eléje kitűzött célokhoz vezet Alaptechnika: hibrid technika,egyszerűbb esetben: adatvezérelt technika. 10 Mesterséges intelligencia • Tudásalapú rendszerek alaptechnikái: ∗ 1. Induktív technikák: az induktív rendszerekben a tanulás példák alapján történik ∗ 2. Szabályalapú technikák: kétféle szempont szerint csoportosíthatók : a. vezérlési technika iránya szerint: - célvezérelt (visszafelé haladó vagy hátraláncoló) - adatvezérelt (előrefelé haladó vagy előreláncoló) b. a tudásbázis szabályainak szervezése szerint : - egyszerű - struktúrált (modularizált, kontextus fával tagolt) ∗ 3. Napjainkban az érdeklődés az egyszerű tudásreprezentációt támogató szabályalapú shellek felől a több reprezentációt támogató hibrid

shellek felé tolódott el. Ezért a frame-alapú technikát nem külön, hanem a frame- és szabályalapú tudásreprezentációt együttesen támogató, az objektumorientált programozási technikák bázisán megvalósított hibrid rendszerek keretén belül szokás tárgyalni. => hibrid technikák (frame- és szabályalapú technikák ötvözése) ∗ 4. Szimbólum manipulációs technika: a tudásalapú és hagyományos technikák integrálása. ∗ 5. Az integrált technikák: tudásalapú és hagyományos technikákat együttesen alkalmazzák. A gyakori feladatokat ellátó konkrét tudásalapú rendszerek jellemzően integrált rendszerek. • A szabályalapú technikák és jellemző alkalmazási problématípusok: Célvezérelt: − Kevés cél (megoldási javaslat), sok kiinduló adat − Csak annyi kiinduló adatot kér be, amennyi az igazolandó cél, megoldási javaslat alátámasztásához szükséges. − Megadja az összes lehetséges javaslatot (ezért közelebb

áll a procedurálishoz, mint az előrehaladó következtetés). Jellemző problématípus: -diagnosztizáló -kis- és középméretű monitorozó -kis- és középméretű konfiguráló/objektumtervező Adatvezérelt: − Sok cél (lehetséges megoldás), kevés kiinduló adat. − "Beéri" annyi inputtal, amennyit a felhasználó megad, és ezekből konstruál elfogadható célt vagy megoldást. − Nem konstruál meg minden lehetséges megoldást, csak egyet vagy többet közülük. Jellemző problématípus: -kis- és középméretű monitorozó -kis- és középméretű konfiguráló/objektumtervező • "Össze nem illő" problématípusok: 1. Kisméretű célvezérelt, vagy középméretű eszköz nem alkalmas: - konfiguráló/objektumtervező vagy - ütemező problématípusra 2. Nagy, bonyolult eszköz nem alkalmas: - kis, diagnosztizáló problématípusra ("nagyágyú") 11 Mesterséges intelligencia Z1/18 Az ismeretszerzés lényege és

szerepe az egyes rendszer-fejlesztési fázisokban. Az ismeretszerzés direkt módszereinek jellemzése. Az ismeretszerzés nemcsak a szakértő rendszer fejlesztés végéig tartó folyamat, hanem a tárgyterület változásait figyelembe vevő folyamatos tudás-bázis aktualizálásnak is elengedhetetlen összetevője. Az ismeretszerzés nagyon fiatal kutatási terület, hiányzik az elméleti megalapozás. Az ismeretszerzés a tudásalapú rendszer által kezelendő tárgyterületi ismeretek -forrásának feltárása, majd a szükséges ismeretek -összegyűjtése, elemzése, rendszerezése és finomítása szakértőkkel készített interjúk, irodalomkutatás vagy önmegfigyelés útján. Az ismeretszerzéshez tartozik még az összegyűjtött ismeretanyag -formalizálása, majd -megvalósítása, azaz számítógéppel feldolgozható formába öntése. Az ismeretszerzés folyamatának szereplői: -tárgyterületi szakértő, akinek tudását szeretnénk megszerezni

-tudásmérnök, aki jól ismeri az ismeretszerzés módszereit -rendszerszervező -tudásadminisztrátor KADS = szakértői ismeretek struktúrált modellezését célzó, szoftverrel támogatott módszertan A javasolt ismeretszerzési módszerek szempontjából megkülönböztetett rendszerfejlesztési fázisok: − projekt kiválasztás (kezdeti interjúk szakértőkkel, felhasználókkal, vezetőkkel) Cél: a feladat megismerése, megvalósíthatóságának eldöntése − elemzés és tervezés (kezdet ismeretszerzés-célú interjúk, dokumentumok tanulmányozása) Cél: annyi ismeretanyag megszerzése, hogy a feladathoz prototípust lehessen készíteni. − prototípus fejlesztés (a rendelkezésre álló ismeretanyag felhasználásával egy egyszerűsített, futtatható prototípus készítését és tesztelését támogató interjúk) − rendszerfejlesztés ( egy vagy több prototípussal végzett kísérletek tapasztalatainak felhasználásával indul a rendszerépítés,

de folytatódik az ismeretszerzés, újabb és újabb interjúk. • Direkt módszerek: 1. Interjú Tudásmérnök a probléma megoldásának folyamatát figyelve, arra vonatko-zó explicit kérdések segítségével igyekszik megszerezni a szakértőtől a tárgyterületre vonatkozó ismereteket. - témák: tárgyköri fogalmak és összefüggéseik. - interjú-szabályok:optimális időtartam, fokozatos közelítés, türelem, empátia - kiértékelési módszerek: prototípus készítése, használata, felülbírálások - hibaforrások: a szakértő olykor pont a lényeget nem mondja el 2. Protokoll elemzés A szakértő a tényleges problémahelyzetben hangosan gondolkodik a probléma megoldása közben, amit a tudásmérnök rögzít. - ez a protokoll 3. Megszakítások utáni elemzés 12 Mesterséges intelligencia Ugyanaz, mint a protokoll elemzés, de a tudásmérnök csak az általa nem értett helyzetekre készít protokollt. 4. Közvetlen megfigyelés A

megfigyelésről készített jegyzethez a szakértő utólag fűz magyarázatot. 5. Fokuszálás A tudásmérnök úgy beszélget a szakértővel, hogy a megfigyelési teret leszűkítik a sikert ígérő területekre. Ez a módszer megtévesztő lehet 6. Fogalmak hierarchikus elrendezése A fontosabb fogalmak felsorolása, definiálása, lapokra írása és átrendezése különböző szempontok szerint./háló, fa/ 13