SZTUCZNA INTELIGENCJA W ZASTOSOWANIACH Systemy eksperckie Rafa Jasiski

SZTUCZNA INTELIGENCJA W ZASTOSOWANIACH… Systemy eksperckie Rafał Jasiński 300887 Mateusz Andrzejaczek 207960

Jak w sposób najbardziej ogólny można określić system ekspercki? (do czego służy? Jakie problemy pozwala rozwiązywać? … itp…) Ekspertem w ogólnym tego słowa znaczeniu określa się osobę uważaną za specjalistę w danej dziedzinie, posiadającą wiedzę i umiejętności niezbędne do realizacji określonych zadań w zakresie posiadanych przez niego kwalifikacji. System ekspercki jest zatem narzędziem tworzonym w celu ułatwienia, usprawnienia oraz zautomatyzowania czynności mających na celu rozwiązywanie problemów oraz wspomagania podejmowania decyzji przez mniej wykwalifikowany personel. System ekspercki jest zbiorem programów komputerowych wykorzystujących bazy wiedzy, modele wiedzy i procedury (reguły) wnioskowania w celu rozwiązywania problemów. Wiedza jest w nich zapisana w postaci faktów i reguł wnioskowania. System ekspertowy odzwierciedla procesy podejmowania decyzji przez człowieka - eksperta.

Przewagą eksperta nad zwykłym programem komputerowym jest doświadczenie zdobywane w trakcie rozwiązywania kolejnych problemów. Programy eksperckie muszą zatem mieć możliwość uczenia się w trakcie swojej pracy, wykonanie pewnych analiz, obliczeń czy operacji w przypadku uznania ich za właściwe i poprawne musi skutkować uznaniem metod użytych przy rozwiązywaniu problemu za słuszne i wybierać je ponownie.

Systemy Eksperckie stosujemy dla pewnej grupy zagadnień, gdzie rozwiązanie problemu klasycznymi systemami jest nie możliwe przy wykorzystaniu zwykłych algorytmów zawartych w tradycyjnym oprogramowaniu, lecz rozwiązują złożone problemy na podstawie analizy baz wiedzy. Systemy te stworzone do automatycznego rozwiązywania lub wspomagania przedstawionych im problemów wykrzystywane są wszędzie tam, gdzie wymaga się fachowej wiedzy, ale ilość wykonywanych analiz danego rodzaju jest ogromna.

Najpopularniejsze zastosowania SE: • diagnozowanie chorób • udzielanie porad prawniczych • dokonywanie wycen i kalkulacji kosztów • analiza wniosków kredytowych w bankach • analiza ryzyka ubezpieczeniowego • analiza danych pomiarowych • poszukiwania złóż minerałów W wyżej wymienionych zastosowaniach ilość analiz i operacji jest ogromna, lecz wszystkie wykonywane operacje są w pewnym sensie do siebie podobne. Wymagają ogromnej wiedzy i umiejętności analitycznego wykorzystania jej.

Rodzaje systemów eksperckich Jednym ze sposobów na ocenę systemu eksperckiego jest udzielenie odpowiedzi na pytanie, jaki rodzaj wyników otrzymujemy na jego wyjściu. Możemy je podzielić na trzy zasadnicze grupy: • diagnozy • prognozy • plany

Diagnoza jest to ocena stanu istniejącego na podstawie posiadanych (w potocznym rozumieniu tego słowa oznacza rozpoznanie choroby lub też jest to ocena stanu czegoś przedstawiona na podstawie badań i analiz). Zagadnienie to jest blisko związane z rozpoznawaniem wzorców, choć zwykle tego typów programów nie zalicza się do sytemów ekspertowych. Jednym z pierwszych programów tego typu był MYCIN – regułowy system ekspertowy stworzony w latach 70. XX wieku na uniwersytecie Stanford.

Prognoza • Jest to przewidywanie stanu przyszłego na podstawie istniejących danych (czyli stawianie prognozy stanu, np. zdrowia pacjenta na podstawie własnej diagnozy). Takim programem medycznym jest, np. CASNET, którego zadaniem jest diagnoza, interpretacja oraz terapia stanów chorobowych związanych z jaskrą. System ten umożliwia ocenę aktualnego stanu oraz daje możliwość przewidywania stanu przyszłego na podstawie aktualnych danych.

PLAN Plan jest rozumiany jako opis pewnego stanu, do którego należy dążyć. Jednym z przykładów jest planowanie konfiguracji komputerów systemu VAX (Virtual Address e. Xtension od ang. Rozszerzenie o Adresy wirtualne) wykonane przez system R 1. Innym przykładem jest planowanie działań robota przemysłowego w zmieniającym się otoczeniu lub jak w przypadku programu DELTA/CATS, którego przeznaczeniem jest utrzymanie zdolności eksploatacyjnej lokomotyw.

Oczywiście jest możliwość łączenia ze sobą tych trzech typów systemów, a czasem nawet wskazane, gdy zachodzi potrzeba stworzenia systemu obejmującego swym zakresem wiele bardzo złożonych procesów. Połączenie diagnozy, prognozy i planowania to stworzenie systemu sterującego dla np. promów kosmicznych.

Szerszy podział systemów ekspertowych Kategoria systemu Zadania realizowane przez system Interpretacyjne Dedukują opisy sytuacji z obserwacji lub stanu czujników np. rozpoznawanie mowy, obrazów Predykcyjne Wnioskują o przyszłości na podstawie danej sytuacji np. prognozowanie pogody, rozwój choroby Diagnostyczne Ocena systemu na podstawie obserwacji (wykrywanie wad), np. elektronika, mechanika

c. d. Kategoria systemu Zadania przez system realizowane Komplementowania Konfiguruje obiekt biorąc pod uwagę istniejące ograniczenia, np. konfiguracja systemu komputerowego Planowanie Podejmuje określone działania do osiągnięcia celu Monitorowanie Porównywanie zachodzących zjawisk z ograniczeniami nałożonymi na nie, np. reakcje w elektrowniach atomowych Sterowanie Kierowanie działaniem systemu; w skład wchodzi interpretowanie, predykcja, naprawa i monitorowanie zachowania obiektu Poprawianie Podaje sposób postępowania w przypadku nieprawidłowego funkcjonowania obiektu, którego system dotyczy Naprawy Ustala kolejność wykonywania napraw uszkodzonych obiektów Instruowania Systemy doskonalenia zawodowego dla studentów

Rodzaje SE na sposoby realizacji • Systemy dedykowane – są to systemy tworzone od podstaw przez inżyniera wiedzy współpracującego z informatykiem. Są to systemy projektowane na konkretne zamówienie, które mają realizować z góry określone zadania • Systemy szkieletowe (narzędziowe) – są to systemy z pustą bazą wiedzy. Proces tworzenia finalnego systemu ekspertowego jest w tym przypadku krótszy niż w pierwszym przypadku, gdyż jest wymaganie tylko pozyskanie wiedzy i jej odpowiednia implementacja w systemie.

Ze względu na metodę prowadzenia procesu wnioskowania: • Z logiką dwuwartościową (Boole’a), • Z logiką wielowartościową, • Z logiką rozmytą,

Ze względu na rodzaj przetwarzanej informacji • Systemy z pewną wiedzą (zdeterminowaną) • Systemy z wiedzą niepewną w przetwarzaniu której wykorzystuje się przede wszystkim aparat probalistyczy

Ze względu na przedstawienie informacji • W postaci symbolicznej – ze względu na rodzaj reprezentacji wiedzy, np. : reguły, ramy, sieci semantyczne, predykaty • W postaci niesymbolicznej – sieci neuronowe, algorytmy genetyczne

Jaki jest najbardziej typowy sposób reprezentacji wiedzy w systemach eksperckich? Wiedza jest kluczowym elementem systemu ekspertowego. Decyduje ona o jego jakości i wiarygodności. To zbiór wiadomości z określonej dziedziny składający się z opisów, relacji i procedur, zapisanych za pomocą języka reprezentacji wiedzy. Zgromadzona w systemie może zawierać błędy. Aby temu zapobiec stosuje się różne techniki jej przetwarzania: symbole, zbiory rozmyte, metody heurystyczne.

Jaki jest najbardziej typowy sposób reprezentacji wiedzy w systemach eksperckich? Rodzaje baz wiedzy: • Baza tekstów • Baza danych • Baza reguł • Baza modeli • Baza wiedzy zdroworozsądkowej

Metody reprezentacji wiedzy – rachunek zdań • Najprostsza metoda reprezentacji wiedzy • Oparta o logikę dwuwartościową • Dowolnie złożone zdania można rozdzielić za pomocą spójników logicznych tj. => implikacja, <=> równoważność, ¬ negacja, ∧ koniunkcja, ∨ alternatywa

Metody reprezentacji wiedzy – stwierdzenia • Zapis za pomocą trójki (<obiekt>, <atrybut>, <wartość>) • stosuje się słowniki obiektów, atrybutów i wartości • Do wyznaczania relacji najczęściej stosuje się sieci semantyczne

Metody reprezentacji wiedzy – reprezentacja regułowa • Wiedza zapisywana za pomocą reguł typu: IF przesłanka THEN konkluzja • W regułach dodatkowo można stosować spójniki NOT, AND, OR, ELSE • Dodatkowo można określać stopień pewności poszczególnych reguł

Wyróżniamy dwa rodzaje wiedzy z jakimi mają do czynienia eksperci i inżynierowie wiedzy. Są to: • wiedza a priori-wiedza będąca dziedzictwem kulturowym ; są to reguły i fakty dotyczące danej dziedziny, znane z góry , które mogą być podane przez każdego eksperta. • wiedza wnoszona- jest to wiedza dotyczącą konkretnego przypadku , który pojawił się w trakcie pracy systemu ekspertowego czy eksperta, nabywana podczas procesu podejmowania decyzji. Zadaniem inżyniera wiedzy jest zapisanie tej wiedzy w maszynach cyfrowych, w sposób najbliższy sposobu rozumowania człowieka.

Podejmowanie decyzji przez system ekspercki jest zatem badaniem przeprowadzonym na danych wejściowych przy wykorzystaniu posiadanych baz danych i baz wiedzy przy użyciu reguł i wnioskowań. Badanie danych jest zatem niczym innym jak wykorzystaniem logiki. Logika klasyczna i powstałe później inne logiki stanowią podstawowe narzędzia umożliwiające pewne zautomatyzowanie procesu wnioskowania i pozyskiwania wiedzy, a także jej reprezentację określaną jako symboliczna. Podjęte decyzje mogą być obarczone błędem jakim obarczone są niepewne dane wejściowe. Przy wielokrotnej rekurencji poprzez zadany schemat postępowania, wykluczanie niepewnych danych oraz wybieraniu które przesłanki należy uznać za pewne można doprowadzić do sytuacji w której reprezentowane przez SE odpowiedzi można uznać za bardzo wysoko prawdopodobne.

Budowa systemu eksperckiego Systemy ekspertowe są zorganizowane w ten sposób, że wiedza dotycząca danej dziedziny, zwana bazą wiedzy jest odseparowana od reszty systemu, zawierającej sterowanie wiedzą, do czego stosuje się odpowiednie mechanizmy wnioskowania. Rozważając bardziej szczegółowo strukturę systemów ekspertowych możemy w niej wyróżnić podstawowe elementy przedstawione w postaci schematu pokazanego na takie jak: • Baza wiedzy (np. zbiór reguł i faktów, które są niezbędne do rozwiązania problemu w danej dziedzinie) • Moduł pozyskiwania wiedzy – umożliwia akwizycję wiedzy od eksperta lub inżyniera wiedzy • Interfejs we/wy – umożliwiają formułowanie zadań przez użytkownika i przekazywanie rozwiązania przez system

• Moduł sterujący – umożliwia komunikację pomiędzy modułami; • Moduł objaśnień – objaśnia strategię wnioskowania. Obecnie w SE spotyka się najczęściej trzy rodzaje wyjaśnień: – „jak? ” (ang. how) – odpowiadające na pytanie „w jaki sposób system wyprowadził dany zbiór konkluzji”; wyjaśnienia mają w tym przypadku charakter retrospektywny i pokazują logiczny wywód systemu; – „dlaczego? ” (ang. why) – odpowiadające na pytanie „dlaczego system zadał użytkownikowi dane pytanie”; wyjaśnienia tego typu uzasadniają celowość pytania, poprzez pokazanie bieżącego kontekstu wnioskowania oraz tego jak odpowiedź na dane pytanie przyczyni się do rozwiązania problemu; – „co to jest? ” (ang. what is) – objaśniające pojęcia zawarte w bazie wiedzy. Wyjaśnienia są tak ważnym i specyficznym elementem technologii systemów ekspertowych

Dwie podstawowe powszechnie stosowane strategie wnioskowania • Wnioskowanie w przód (Modus Ponendo Ponens) – progresywny algorytm sztucznej inteligencji służący do tworzenia nowych zdań logicznych na podstawie istniejącej bazy faktów, aksjomatów. Polega ono na uaktywnianiu reguł spełnionych, a więc takich, których przesłanki są w zbiorze faktów. Uaktywnienie reguły powoduje dopisanie nowego faktu, co może spowodować, że spełniona i potem uaktywniona może zostać kolejna reguła. Wnioskowanie w przód nie może odbyć się bez faktów. Mówi się, że jest ono sterowane faktami ( ang. data driven). • Wnioskowanie w tył – działanie regresywne (Modus Tollendo Tollens). Polega na tym, że wychodzimy od tego, co chcemy udowodnić i idziemy w kierunku aksjomatów. Polega ono na potwierdzeniu prawdziwości postawionej hipotezy, zwanej celem wnioskowania. Hipoteza jest potwierdzona wtedy, gdy istnieje reguła, której przesłanki są w bazie faktów a konkluzja zgodna jest z hipotezą. Ustalenie prawdziwości przesłanek może powodować konieczność uaktywnienia wielu reguł. Wnioskowanie wstecz nie może odbyć się bez ustalonej hipotezy, stanowiącej cel wnioskowania. Mówi się, że jest ono sterowane celem ( ang. goal driven)

Wnioskowanie w przód Schemat blokowy

Wnioskowanie w przód Od przesłanki do konkluzji • Wnioskowanie polega na odnalezieniu reguł spełniających określone przesłanki (część reguły: jeżeli) • Konkluzje odnalezionych reguł (część reguły: to), zostają dodane do zbioru faktów • Proces jest tak długo realizowany aż nie uzyskamy odpowiedzi „na określone pytanie” • Służy do „diagnozowania”

Wnioskowanie w przód – przykład 1 • Jaki odgłos wydaje zwierzę jedzące ziarno i potrafiące latać: • Baza reguł 1. Jeżeli X je ziarno i X potrafi latać to X jest ptakiem 2. Jażeli X pije mleko i X potrafi skakać to X jest kotem 3. Jeżeli X jest kotem to X miauczy 4. Jeżeli X jest ptakiem to X ćwierka • Proces wnioskowania: 1. Poszukujemy reguły spełniającej przesłanki je ziarno i potrafi latać 2. Reguła 1 spełnia powyższe przesłanki 3. Dodajemy do bazy faktów fakt iż X jest ptakiem 4. Szukamy nowej reguły spełniającej nowe fakty 5. Reguły 4 spełnia fakt że X jest ptakiem stąd wnioskujemy że X ćwiekra

• Wnioskowanie w tył Schemat blokowy

Wnioskowanie w tył Od konkluzji do przesłanki • Wnioskowanie polega na odnalezieniu reguł spełniających określone konkluzje (część reguły: to), czyli takich reguł, które bezpośrednio odpowiadają na zadane pytanie • Na tej podstawie wyznaczana są odpowiednie fakty (przesłanki), które muszą być spełnione, fakty te dodawane są do tzw. listy celów • Proces trwa dopóki nie zostaną spełnione przesłanki reguł znajdujących się na liście celów pozwalające na wyciągnięcie wniosku o odgłosach zwierząt. • Służy do weryfikacji lub fałszowania hipotez

Wnioskowanie w tył – przykład 1 • Jaki odgłos wydaje zwierzę jedzące ziarno i potrafiące latać: • Baza reguł 1. Jeżeli X je ziarno i X potrafi latać to X jest ptakiem 2. Jażeli X pije mleka i X potrafi skakać to X jest kotem 3. Jeżeli X jest kotem to odgłos X jest miauczy 4. Jeżeli X jest ptakiem to odgłos X jest ćwierka • Proces wnioskowania: 1. Poszukujemy reguł odpowiadających na pytanie odgłos 2. Reguły 3 i 4 spełniają powyższe wymagania 3. Szukamy reguły odpowiadającej czy X jest ptakiem oraz reguły/reguł odpowiadających na pytanie czy X jest kotem 4. Zebrane fakty spełniają przesłanki reguły 1, więc X ćwierka

Wnioskowanie w tył – przykład 2 • wejście: q, r, p • czy na podstawie bazy wiedzy można wywnioskować v? • Wnioskowanie: BF={q, r, p} • R 4 reguła z wnioskiem v • czy u, w BF ? nie • czy da się wywnioskować u? • R 3 reguła z wnioskiem u • czy s, t BF ? nie • czy da się wywnioskować t? • R 2 reguła z wnioskiem t • czy r BF ? tak • BF=BF {r}={q, r, p, t} • czy da się wywnioskować s? • R 1 reguła z wnioskiem s • czy p, q BF ? tak • BF=BF {s}={q, r, p, t, s} • BF={q, r, p, t, s, u} • czy da się wywnioskować w? • R 5 reguła z wnioskiem w • czy q BF ? tak • BF=BF {w}={q, r, p, t, s, u, w} • v=TRUE

MYCIN - powstanie MYCIN to system ekspertowy, który powstał na początku lat 70 -tych na uniwersytecie w Stanford. Prace nad jego powstaniem trwały około sześciu lat. Nazwa MYCIN wiąże się z przepisywanymi przez system lekami – ponieważ większość posiadała przedrostek – mycin. System miał za zadanie szybką diagnozę chorób zakaźnych krwi oraz przepisywanie lekarstw wraz z rozpisanymi dawkami dla pacjentów, zależnie od ich wieku, płci, wagi, grupy krwi itp. .

MYCIN – sposób działania • Zasada działania MYCIN polega na zadawaniu serii pytań oraz wnioskowaniu opartym na uzyskanych odpowiedziach i zestawie reguł, które stanowią bazę wiedzy systemu. Przykład: 1. Imię i nazwisko pacjenta: ** Jan Kowalski 2. Płeć (M/K): ** M 3. Wiek: ** 42 4. Grupa krwi: ** Rh-

Tutaj następuje seria pytań związanych z pobraną próbką krwi oraz wykrytych ciał obcych. System zadaje około 50 - 60 pytań przed postawieniem diagnozy. System w czasie pracy sam wykrywa literówki w odpowiedziach osoby wpisującej, umożliwia także osobie wpisującej zaznaczenie stopnia niepewności odpowiedzi. Za pomocą polecenia „WHY” osoba wpisująca może zażądać wyjaśnienia czemu akurat to pytanie zostało zadane a nie inne, wtedy system przywołuje regułę z bazy wiedzy wyjaśniając tym samym zasadność zadanego pytania. Po skończeniu system wyświetla swoją diagnozę - przykład: INFECTION-1 is BACTEREMIA <ITEM-1> E. COLI [ORGANISM-1] <ITEM-2> KLEBSIELLA [ORGANISM-1] <ITEM-3> ENTEROBACTER [ORGANISM-1] <ITEM-4> KLEBSIELLA-PNEUMONIAE [ORGANISM-1]

Zadaniem systemu Mycin było zdiagnozowanie bakteryjnej choroby krwi i zaproponowanie odpowiedniej terapii. Bazę wiedzy stanowił zestaw reguł IF-THEN stworzony przez konsylium lekarskie z tego zakresu. Początkowo reguł tych było 200, po późniejszych modyfikacjach wzrosła ona do około 600. Przykładowa reguła: • IF Kultura bakteryjna rozwinęła się we krwi • AND odczyn jest gramopozytywny • AND bakterie wniknęły przez jelito i żołądek • OR miednica jest miejscem infekcji • THEN Istnieją silne poszlaki (0, 7), że klasą bakterii, które są za to odpowiedzialne jest Enterobacteriaceae. • 0, 7 to poziom ufności danej reguły (z przedziału -1 do +1). Praca systemu Mycin polegała na dialogu z lekarzem, w czasie którego lekarz przekazywał swoją wiedzę dotyczącą badanej próbki krwi (m. in. wiek i płeć pacjenta, data pobrania krwi, itp). Po zadaniu około 50 -60 pytań Mycin wyświetlał wyniki do jakich doszedł. Zaletą systemu była szybkość podejmowania trafnych decyzji, do których nie potrzebował wyników czasochłonnych badań krwi ani wszystkich odpowiedzi na zadane lekarzowi pytania.

System MYCIN odniósł wielki sukces. Poprawność diagnozy proponowanej przez system oscyluje w okolicach 65%. Jest to wynik lepszy od absolwentów kończących studia medyczne, jednak gorszy niż diagnozy ekspertów z danej dzieniny (ok. 80%). Ze względów etycznych system jest stosowany głównie w szkołach medycznych, gdzie studenci medycyny mogą konfrontować swoje decyzje z systemem Baza wiedzy systemu MYCIN jest największym repozytorium wiedzy medycznej na świecie. Jest bardzo łatwo modyfikowana oraz jest ciągle uzupełniana. Na bazie systemu MYCIN powstało wiele innych znakomitych SE, takich jak: BAOBAB, GUIDON, NEOMYCIN, TEIRESIAS, WHEEZE, CLOT.

Przykłady wykorzystania SE – przykład współczesny https: //symptoms. webmd. com/default. htm#/symptoms

https: //www. marfan. org/dx/score