slajdy v pdf

Expertní systémy
T4: reprezentace znalostí
Znalosti a jejich reprezentace
Znalost je lidský odhad uložený v mysli,
získaný pomocí zkušeností a interakcí s okolním
prostředím.
Znalost je fyzický, mentální nebo elektronický
záznam o vztazích, o kterých věříme, že
existují mezi skutečnými či imaginárními
entitami, silami, jevy,
Znalost je vnitřní náhled, porozumění a
praktické know-how, které všichni ovládáme –
je to základní zdroj, který nám umožňuje
chovat se inteligentně
Znalost je informace o světě, která umožňuje
expertovi udělat rozhodnutí.
(Wikipedia)
P. Berka, 2012
1/30
Expertní systémy
T4: reprezentace znalostí
Znalosti
Explicitní: formalizované, artikulované a
tedy sdílené.
Implicitní: primárně skryté (v datech) ale
potenciálně formalizovatelné a tedy i
sdělitelné.
Tacitní: nevědomé a nesdělitelné znalosti
skryté v myslích jedinců – expertů.
P. Berka, 2012
2/30
Expertní systémy
T4: reprezentace znalostí
Znalosti
Deklarativní: zachycující co platí (statické
pravdy)
Procedurální: zachycující jak postupovat
při provádění nějakých akcí (usuzování)
Znalosti
Individuální
Kolektivní
P. Berka, 2012
3/30
Expertní systémy
T4: reprezentace znalostí
Tři dimenze znalostí
(převzato z Bureš, Čech, 2006)
P. Berka, 2012
4/30
Expertní systémy
T4: reprezentace znalostí
Data, informace, znalosti …
…z pohledu znalostního managementu
(managementu znalostí)
1.
2.
3.
4.
Data (+ relevance + účel =)
Informace (+ aplikace =)
Znalosti (+ intuice + zkušenosti =)
Moudrost
(Tobin, 1996)
1. Data (+ význam + struktura =)
2. Informace (+ uvažování + abstrakce +
aplikace =)
3. Znalosti (+ výběr + zkušenosti + principy +
ohraničení + učení =)
4. Expertíza (jednotlivý expert) (+ integrace
+ distribuce + navigace =)
5. Kompetence (způsobilost organizace)
(Beckman, 1997)
P. Berka, 2012
5/30
Expertní systémy
T4: reprezentace znalostí
Data, informace, znalosti …
…z pohledu procesu rozhodování
Jestliže se můžeme spolehnout při sběru
materiálu na automatický proces nebo úředníka,
hovoříme o datech. Správnost dat vzhledem k
reálnému světu může být objektivně verifikována
srovnáním s jeho opakovaným pozorováním.
Jestliže hledáme experta, který by poskytl
materiál, potom hovoříme o znalostech. Znalosti
obsahují abstrakce a generalizace objemného
materiálu. Obvykle jsou méně přesné a nemohou
být objektivně verifikovány.
(Widerhold, 1986)
P. Berka, 2012
6/30
Expertní systémy
T4: reprezentace znalostí
Požadavky na reprezentované
znalostí
Transparentnost (znalosti musí být
srozumitelné)
Modulárnost (soubor znalostí je obvykle
tvořen řadou jednoduchých elementů)
Modifikovatelnost (musí existovat způsob
jak znalosti upravovat a měnit)
Užitečnost (znalosti musí být použitelné –
např. pro podporu rozhodování)
P. Berka, 2012
7/30
Expertní systémy
T4: reprezentace znalostí
Role reprezentace znalostí
Náhražka reality umožňující odhadovat
důsledky naších akcí pouze na základě
usuzování a nikoliv konání v reálném světě
Soubor ontologických závazků, tedy
odpověď na otázku, v jakých pojmech mám
usuzovat o světě
Fragmentární teorie inteligentního
usuzování
Výpočetní prostředí ve kterém probíhá
strojové usuzování
Prostředí pro lidské vyjadřování, tedy
jazyk, pomocí kterého mluvíme o světě
(Davis, Shrobe, Szolovits, 1993)
P. Berka, 2012
8/30
Expertní systémy
T4: reprezentace znalostí
Základní prostředky reprezentace
znalostí
(v expertních systémech)
Predikátová logika
Sémantické sítě
Rámce
Pravidla
Případy
P. Berka, 2012
9/30
Expertní systémy
T4: reprezentace znalostí
Predikátová logika
Jazyk predikátové logiky
- konstanty: např. karel, zikmund
- proměnné: např. X, Y
- predikátové symboly (relace): např. muž(zikmund)
- funkční symboly (operace): např. věk(zikmund)
- logické spojky: , , , ,
- kvantifikátory: ,
Termy
- jednoduché (konstanty nebo proměnné)
- složené (vzniklé aplikací funkce na termy, tedy
např. věk(X)).
Literál
predikát (nebo jeho negace) aplikovaný na množinu termů
např. muž(zikmund), nebo větší_než(věk(zikmund),23)))
- pozitivní literál neobsahuje negaci: např.
muž(zikmund)
- negativní literál obsahuje negaci: např.
muž(eliška)
P. Berka, 2012
10/30
Expertní systémy
T4: reprezentace znalostí
Formule
Atomická formule má tvar P(t1,t2,..,tn), kde P je
predikátový symbol a ti jsou termy (jde tedy o
literál)
Jsou-li a
formule, pak jsou formulemi i
,
,
,
,
, x (x), x (x)
Příklad správně utvořené formule
x opice(x)
savec(x)
Jiným příkladem správně utvořené formule je definice
spojitosti funkce f v bodě a:
( >0)( >0) ( x) |x - a| <
|f(x) – f(a)| <
Klauzule
Formule tvořená disjunkcí literálů L1
L2
…
Ln
Hornova klauzule
Klauzule která obsahuje nejvýše jeden pozitivní literál,
tedy např.
H v L1 …
Ln
tuto klauzuli můžeme ekvivalentně zapsat jako implikaci
L1 … Ln
H.
P. Berka, 2012
11/30
Expertní systémy
T4: reprezentace znalostí
Prolog
Deklarativní způsob programování - specifikuje se co se
má spočítat, aniž by se podrobně specifikovalo jak se to
má spočítat.
Termy:
jednoduché, tzn. konstanty (např. karel) a
proměnné (např. X)
složené, tvořené funktorem a n-ticí termů
(např: den(sobota), otec(karel_IV,zikmund)).
Klauzule:
atomické formule, které odpovídají složeným
termům (lze je chápat jako fakta v databázi),
A1
podmíněné příkazy ve tvaru implikace
A1 A2 … An
B
B :- A1,A2,...,An
cílové klauzule, které mají tvar dotazu
?- C1,C2,...,Cn.
P. Berka, 2012
12/30
Expertní systémy
T4: reprezentace znalostí
Prolog a reprezentace znalostí:
Pravidla jako Prologovské klauzule
savec(X) :- dava_mleko(X).
savec(X) :- ma_srst(X).
dravec(X) :- savec(X),zere_maso(X).
kocka(X) :- dravec(X),mnouka(X).
pes(X) :- dravec(X),steka(X).
pes(X) :- dravec(X),chodi_na_voditku(X).
Odpovědi na otázky jako Prologovská
fakta:
ma_srst(bobek).
ma_srst(sultan).
ma_srst(tyrl).
zere_maso(mici).
zere_maso(sultan).
zere_maso(tyrl).
mnouka(mici).
dava_mleko(stracena).
steka(sultan).
chodi_na_voditku(tyrl).
P. Berka, 2012
13/30
Expertní systémy
T4: reprezentace znalostí
Sémantické sítě
navrženy R. Quillianem v druhé pol. 60. let v
rámci prací na porozumění přirozenému jazyku
jako model asociativní paměti člověka.
Sémantická síť umožňuje popisovat realitu jako
objekty, které jsou navzájem v nějakých vztazích
(relacích). Sémantická síť má přirozenou grafovou
reprezentaci; objekty jsou uzly a relace mezi nimi
jsou hrany v grafu.
P. Berka, 2012
14/30
Expertní systémy
T4: reprezentace znalostí
(Unified Medical Language System - UMLS)
P. Berka, 2012
15/30
Expertní systémy
T4: reprezentace znalostí
Predikátová logika vs. sémantické
sítě
x; student(x)
person(x)
x; professor(x)
person(x)
x; person(x)
y; numer(y) age(x,y)
x; student(x)
y; professor(y) supervisor(x,y)
student(marie)
profesor(harry)
numer(23)
P. Berka, 2012
16/30
Expertní systémy
T4: reprezentace znalostí
Rámce
navrženy v polovině 70. let Marvinem Minskym
z MIT jako prostředek pro reprezentaci
stereotypních situací.
Rámec (frame):
Datová struktura (objekt) obsahující data (položky,
slots), meta-data (meta-položky, meta-slots) a
procedury (metody).
Základní rysy:
postupné vyplňování stránek
předdefinované hodnoty (defaults)
standardní položky (ako, isa, part_of)
hierarchie (generalizace/specializace),
dědičnost, zapouzdřenost
Rámce se staly inspirací pro objektově-orientované
programování
P. Berka, 2012
17/30
Expertní systémy
T4: reprezentace znalostí
(defclass auto (vozidlo)
(pohon :initform 'motor))
(defclass osobní_auto (auto)
(účel :initform 'přeprava_osob))
syntaxe Common Lisp Object System (CLOS)
P. Berka, 2012
18/30
Expertní systémy
T4: reprezentace znalostí
Příklad metapoložek:
způsob, jakým se systém ptá uživatele na
hodnotu
inferenční priorita
priorita dědění
typ dědičnosti (lze dědit vlastnosti, hodnoty i
metapoložky,
pořadí zdrojů (Order of Sources):
o zpětné řetězení,
o dědění dolů,
o dědění vzhůru.
o dotaz uživateli,
o inicializace na počátku konzultace,
o zjišťování při běhu (default),
o načtení z databáze,
o zavolání externí procedury.
akce po změně hodnoty (If Changed)
(systém Nexpert Object)
P. Berka, 2012
19/30
Expertní systémy
T4: reprezentace znalostí
Pravidla
IF-THEN struktury dobře známé z programovacích
jazyků, použití pravidel vychází z implikací ve
výrokové logice
A
0
0
1
1
B
0
1
0
1
A
B
1
1
0
1
Sémantika:
procedurální
jestliže situace pak akce
( typické pro generativní systémy)
deklarativní
jestliže předpoklad pak závěr
( typické pro diagnostické systémy)
P. Berka, 2012
20/30
Expertní systémy
T4: reprezentace znalostí
Procedurální pravidlo
IF
The current context is assigning devices to Unibus
models and
There is an unassigned dual-port disk drive and
The type of controller it requires is known and
There are two such controllers, neither of which has
any device assigned to it, and
The number of devices that these controllers can
support is known
THEN
Assign the disk drive to each of the controllers,
and
Note that the two controllers have been associated
and that each supports one drive
(systém R1/XCON)
Deklarativní pravidlo
IF
The site of the culture is blood, and
The identity of the organism is not known with
certainty, and
The stain of the organism is gramneg, and
The morfology of the organism is rod, and
The patient has been seriously burned
THEN
There is a weakly suggestive evidence (.4) that the
identity of the organism is pseudomonas
(systém MYCIN)
P. Berka, 2012
21/30
Expertní systémy
T4: reprezentace znalostí
IF rozumný_záměr AND seriózní_klient THEN půjčit
IF NOT podvodník AND záruky_splacení THEN seriózní_klient
IF movitosti
THEN záruky_splacení
IF nemovitosti
THEN záruky_splacení
P. Berka, 2012
22/30
Expertní systémy
T4: reprezentace znalostí
Atributy a výroky
Situace, předpoklad a závěr pravidel jsou
kombinace ( , , ) tvrzení o stavu světa:
Tvrzení:
výrok (auto má červenou barvu)
atribut, hodnota (barva_auta = červená)
objekt, atribut, hodnota (auto: barva =
červená)
(u každého tvrzení lze zjistit jeho pravdivost)
Typy atributů:
kategoriální - tvrzení tvořena hodnotami
atributů
o binární (např. žena)
o nominální (např. barva vlasů)
o ordinální (např. dosažené vzdělání)
numerické (např. věk) - tvrzení tvořena
intervaly hodnot
P. Berka, 2012
23/30
Expertní systémy
T4: reprezentace znalostí
Inferenční síť
AND-OR graf
dotazy - tvrzení, která se nevyskytují v
závěrech pravidel
cíle - tvrzení, která se nevyskytují v
předpokladech pravidel
mezilehlé uzly - ostatní tvrzení
P. Berka, 2012
24/30
Expertní systémy
T4: reprezentace znalostí
Tvrzení v systému NEST
Tvrzení (výroky) tvořeny dvojicí atribut,
hodnota
Atributy
Výroky
binární
nominální
numerické
True, False
hodnoty atributu
fuzzy intervaly
Fuzzy intervaly
nominální atributy jednoduché vs. množinové
atributy případu vs. atributy prostředí
P. Berka, 2012
25/30
Expertní systémy
T4: reprezentace znalostí
Pravidla v systému NEST
Pravidla s prioritami
IF předpoklad THEN závěr A akce
kde předpoklad je disjunktivní forma (disjunkce
konjunkcí) literálů, závěr je seznam literálů a akce
je seznam akcí (externích programů).
Pravidla:
kompozicionální - každý literál v závěru doplněn
vahou
IF noha(malá) AND dobrá_rodina THEN princ[3,000]
apriorní - kompozicionální pravidla bez
předpokladu
Apriori THEN princ[-1,000]
logická - nekompozicionální pravidla bez vah;
pouze tato pravidla mohou dát absolutní jistotu
IF NOT(dobrá_rodina) THEN NOT(princ)
P. Berka, 2012
26/30
Expertní systémy
T4: reprezentace znalostí
Rámce a pravidla
častá kombinace v komerčních systémech:
rámce (objekty) pro vyjádření statických
znalostí
pravidla pro odvozování
Příkladem (generativního) systému může být
produkční systém (jazyk) OPS5.
Příklad pravidla:
(P
jak-se-do-lesa-vola
((message ^type acustic
^source-id <x>
^dest-id <y>
^cont <cont>) <old>)
(information-node ^id <y>
^kind forest)
-->
((MAKE message ^type acustic
^source-id <y>
^dest-id <x>
^cont <cont>) <new>)
(REMOVE message
<old>) )
P. Berka, 2012
27/30
Expertní systémy
T4: reprezentace znalostí
Příkladem (diagnostického) systému může být
Nexpert Object.
Třídy (rámce):
(@CLASS= adept (@PROPERTIES=
parents_status
size_of_feet
status))
Instance objektu:
(@OBJECT= current_adept
(@CLASSES= adept)
(@PROPERTIES= evaluation
parents_status
size_of_feet
status))
Diagnostická pravidla s akcemi:
(@RULE= r1
(@LHS= (Is (current_adept.size_of_feet) ("small"))
(Yes (good_parents)) )
(@HYPO= adept_evaluation)
(@RHS= (Let (current_adept.status) ("Prince"))
(Show ("princ_ye.txt")
))
P. Berka, 2012
28/30
Expertní systémy
T4: reprezentace znalostí
Pomocné prostředky reprezentace
znalostí
Kontexty popisují situace, kdy to, zda se bude
vyhodnocovat nějaké tvrzení závisí na tom, že jiné
tvrzení již bylo vyhodnoceno.
v systému NEST konjunkce literálů, která určuje že
aplikovatelné nějaké pravidlo nebo integritní omezení
Integritní omezení vyjadřují pravdivé vazby
mezi tvrzeními. Nepodílí se na odvozování, používají
se pro kontrolu logické konzistence průběhu
konzultace.
v systému NEST ve tvaru Ant
Suc (stupeň)
Akce jsou vnější procedury, jejichž aktivace je
vázána na průběh odvozování.
v systému NEST mohou být aktivovány po vyhodnocení
tvrzení nebo po aplikování pravidla
Zdroje definují způsob získání hodnoty atributu
nebo váhy tvrzení.
v systému NEST může být zdrojem odpovědi na dotaz
uživatel, soubor, vnitřní funkce nebo vnější procedura
P. Berka, 2012
29/30
Expertní systémy
T4: reprezentace znalostí
Případy (Case)
Případy mají podobu vyřešených problémů
(situací) z dané aplikační oblasti
P. Berka, 2012
30/30