OSTALI SEMINARSKI RADOVI - INFORMATIKA - |
|||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||
Ekspertni (stručni) sustavi
Ekspertni sustavi su računalni programi, oni sadrže određena specifična znanja iz jednog ili više određenih područja znanosti. Takvi programi su komercijalizirani kroz 80-e godine prošlog stoljeća, a razvili su ih znanstvenici u području umjetne inteligencije u 60-im i 70-im.
Najčešći oblik ekspertnih sustava sastoji se od seta pravila po kojima se analiziraju informacije o specifičnoj vrsti problema, ali i pružanja matematičke analize problema. Ovisno o njihovoj izvedbi, pružaju korisniku određene povratne informacije koje je potrebno poduzeti da bi se riješio zadani problem.
Ekspertni sustavi najviše pomažu kod organizacija koje imaju visok nivo iskustva i znanja u direktnom i pravilnom rješavanju problema koje je teško prenijeti na druge članove te iste organizacije ili na nekog trećeg. Takvi su sustavi dizajnirani za lakše „prenošenje inteligencije“, znanja i informacija koje posjeduju stručnjaci prema drugim članovima organizacije u svrhu rješavanja problema. Oni mogu naći približno rješenje problema čak i kada podaci o problemu nisu potpuni te mogu objasniti način na koji su došli do predloženog rješenja.
Ekspertni sustavi kao najzastupljenije područje umjetne inteligencije definiraju se na različite načine, jedna od najjednostavnijih definicija je: (Jožef Štefan, Ljubljana) Ekspertni sustavi su sustavi koji oponašaju znanje eksperta.
Ekspertni sustavi su inteligentni programi na računalima koji koriste znanja i postupke zaključivanja, kako bi se riješili teški zadaci, kad oni zahtijevaju znatnu ljudsku stručnost. Kao model znanja nužnog za tu razinu može se zamisliti sveukupno stručno znanje najboljih praktičara na nekom polju rada (Lujić, 1993).
2. Što su ekspertni sustavi?
2.1. Osnovne značajke ekspertih sustava
Ekspertni sustavi su računalni programi temeljeni na znanju iz nekog specijalističkog područja, u kojem oni postižu kvalitetu i učinkovitost ekspetata te pomažu u rješavanju problema. To su sustavi koji pripadaju području umjetne inteligncije, grane računarskih znanosti koja se bavi razvojem programa što oponašaju ljudske umne sposobnosti kao što su percepcija, komunikacija pomoću jezika i rješavanje problema
Ekspertni sustavi su jedna vrsta inteligentnih sustava, odnosno računarskih sustava koji koriste znanje za rješavanje problema te mogu učiti, adaptirati se ili rzumjeti jezik, što kod ljudi povezujemo s inteligencijom. U inteligentne sustave pripadaju i sustavi koji koriste neuronske mreže, genetske algoritme i neizrazitu logiku.
Za razliku od tradicionalnih računalnih programa, ekspertni sustavi zaključuju korištenjem prikaza ljudskog znanja u simboličkom obliku, mogu naći približno rješenje problema čak i kada podaci o problemu nisu potpuni te mogu objasniti način na koji su došli do predloženog rješenja.
Važna značajka ekspertnih sustava jest njihova sposobnost da objašnjavaju postupak kojim su došli do rješenja problema. Na taj način i znanje koje oni posjeduju i mehanizam zaključivanja koji koriste postaju razumljiivi korisniku, pa korisnici mogu provjeriti postupak zaključivanja koji koristi ekspertni sustav. Ovo svojstvo ekspertnih sustava znatno doprinosi stvaranju povjerenja u njih te prihvačanju ekspertnih sustava kao pouzdanog alata za rješavanje problema.
Ekspertiza o području interesa sastoji se od znanja o tom području te raumijevanja problema i sposobnosti njihova rješavanja. U rješavanju problema ekspertni sustavi ponajviše se oslanjaju na znanje, a manje na metode zaključivanja. Jedan od uzroka tome je što znatan dio stvarnih problema nema rješenje u obliku algoritma, tj. preciznog i jednoznačnog postupka rješavanja problema. Drugi uzrok je spoznaja da su eksperti učinkoviti u rješavanju problema zbog znanja koje su akumulirali tijekom dugog razdoblja.
Ekspertni sustavi pripadaju među sustave potpore odlučivanja jer omogućuju prikaz problema i nalaženje njihova rješenja za veliku klasu problema za čije rješavanje ne postoje gotove procedure ili formule, i u kojoj se koriste nepouzdani ili nepotpuni podaci i nepouzdano znanje. To su problemi koji se ne mogu modelirati ni riješiti primjenom tradicionalnih metoda za potporu odlučivanju kao što su npr.optimizacija ili stimulacija.2.2. Kada koristiti ekspertne sustave?
Prije nego se odlučimo za izgradnju ili korištenje gotovog ekspertnog sustava potrebno je ispitati jesu li ekspertni sustavi odgovarajući alat za problem koji rješavamo, odnosno područje u kojem radimo. Odgovor će ovisiti o nekoliko različitih čimbenika.
Prvo, ekspertni sustav se ne isplati uvoditi ukoliko postoji dovoljno ekspetata u nekom području. Da bi se ekspertni sustavi mogli izgraditi, potrebni su eksperti koji žele surađivati i staviti svoje znanje na raspolaganje drugima. Ekspertni sustavi najprikladniji su za situacije u kojima nema učinkovitog algoritamskog rješenja, a takve vrste problema nazivaju se slabo struktuirani problemi. Da bi imalo smisla kreirati ekspertne sustave potrebno je imati dobro definirano znanje i opis željene funkcionalnosti ekspertnog sustava. Ako je znanje utemaljeno na iskustvu, osnosno nesigurno i slabo struktuirano, tada su ekspertni sustavi prikladan alat za rješavanje problema.2.3. Osobine ekspertnih sustava
Ekspertni sustavi imaju više poželjnih osobina, od kojih većina predstavlja prednost pred ljudima ekspertima. Oni su znatno dostupniji od eksperata jer se mogu koristiti na bilo kojoj lokaciji i u bilo koje doba dana ili noći. To je vrlo važno jer eksperata nedostaje u mnogim područjima ljudske aktivnosti i na mnogo geografskih lokacija. Ekspertni sustavi su također znatno jeftiniji od eksperata.
Ekspertni sustavi imaju i povećanu pouzdanost jer ne zaboravljaju i ne prave greške zbog umora. Stoga njihova rješenja često služe i kao potvrda mišljenja čovjeka eksperta, čime ekspertni sustavi također doprinose pouzdanosti odluka. To su sustavi koji imaju mogućnost brze reakcije na nastali problem (npr. u slučaju opasnosti). Ekspertni sustavi daju detaljni opis postupka zaključivanja koje je dovelo do dobivenog rezultata.3. Struktura ekspertnih sustava
Ekspertni sustavi rade na sličan način kao eksperti, te koriste činjenice, znanje i zaključivanje kod rješavanja problema. Struktura ekspertnih sustava prikazana je na slici 1. funkcije pojedinih elemenata te strukture su sljedeće.
Slika 1. Struktura ekspertog sustava (Čerić, Varga; 2004.)• Baza znanja predstavlja izvor znanja o području. Sadržaj baze znanja je stabilan tijekom dužeg vremena.
• Baza činjenica sadrži činjenice o stanju specifičnog priblema koji se upravo rješava (npr.financijsko stanje nekog poduzeća koje ima problema s likvidnošću) te o tijeku rješavanja tog problema (npr. rezultate dosadašnjih pokušaja prevladavanja nelikvidnosti). Baza činjenica mijenja sadržaj tijekom vremena kako se mijenja stanje problema.
• Mehanizam zaključlivanja predstavlja postupak za traženje rješenja problema. On pritom koristi činjenice i znanje i određuje redosljed aktiviranja elemenata znanja u bazi znanja u situvacijama u kojim nekoliko elemenata zadovoljava uvjete aktiviranja.
• Korisničko sučelje omogućeva jednostavno komuniciranje korisnika s ekspertnim sustavom i sadrži mehanizam objašnjavanja nađenog rješenja.
4. Proces zaključivnjaEkspertni sustavi rješavaju postavljene probleme korištenem znanja i podataka o stanju problema pohranjenih u bazi znanja i bazi činjenica. Proces začljučivanja može teći u u jednom od dvaju smjerova; od činjenica prema zaključku (začljučcima) ili od postavljene hipoeze (cilja) prema činjenicama.
Ta dva osnovna tipa zaključivanja su:
• Zaključivanje prema naprijed i
• Zaključivanje prema natrag4.1. Zaključivanje prema naprijed
Zaključivanje prema naprijed kreće od činjenica o početnom stanju problema (npr. simptoma kvara stroja), preko pravila koja te činjenice aktiviraju, pa do završnog stanja problema (npr. otklanjanja kvara stroja). Ono se može upotrijebiti za dokazivanje jednog cilja koji je unaprijed postavljen (npr. neke pretpostavljene bolesti) i za pronaženje svih mogućih zaključaka koji proistječu iz poznatih činjenica (npr.otkrivanja više bolesti koje pacijent ima).
Ako se tijekom procesa zaključivanja dokaže istinitost svih svih uvjeta nekog pravila, tada je dokazan i zaključak tog pravila koji se dodaje bazi činjenica. Pritom se uvjet pravila može dokazati ako se uspješno podudara s nekim činjenicama iz baze činjenica. Novostvorene činjenice (zaključci dokazanih pravila) mogu nadalje i same omogućiti aktiviranje nekih drugih pravila i time postići dodavanje njihovih zaključaka bazi znanja. Ovaj proces završava kada se dokaže da je postavljeni cilj ili kada se pronađu svi zaključci koji slijede iz danih činjenica.
Ukoliko se tijekom procesa zaključivanja pokaže da se u jednom trenutku može dokazati više od jednog pravila, tada se izbor pravila koje će se prvo aktivirati rješava tzv. Strategijama rješavanja konflikta.
Nekoliko mogućih strategija rješavanja konflikta:
a) Izabire se samo prvo pravilo po redoslijedu iz baze znanja koje se podudara s činjenicama iz baze činjenica
b) Izabire se najspecifičnije pravilo koje se podudara s činjenicama, pri čemu je najspecifičnije pravilo ono čija se pretpostavka sastoji od najvećeg broja uvjeta
c) Izabire se pravilo koje se podudara sa činjenicama koje su najsvježije dodane bazi činjenica4.2. Zaključivanje prema natrag
Zaključivanje prema natrag kreće se od postavljene hipoteze (cilja) o rješenju problema (npr. pretpostavljenog razloga za kvar stroja), preko pravila koja ta hipoteza aktivira, pa sve do činjenica koje potvrđuju istinitost hipoteze (npr. simptoma kvara stroja).
Cilj se uzima kao hipoteza koja se pokušava dokazati, i to tako da se dokažu pretpostavke onog pravila koje u zaključku imaju zadani cilj. Te pretpostavke postaju podciljevi koje treba dokazati kako bi se dokazao originalno postavljani cilj. Podciljevi se dokazuju na isti način kao i zadani cilj, tako da se pokušavaju dokazati njihove pretpostavke. Proces zaključivanja završava kada se dokaže postavljeni cilj ili ekspertni sustav iscrpi sve mogućnosti dokazivanja cilja, a da ga nije uspio dokazati.
Postupak dokazivanja istinitosti cilja može uključivati i vezivanje varijabli, što se događa u slučaju općenitih pravila koje sadrže varijable. Ukoliko je za jedno vezivanje varijable cilj ne može dokazati tada se izvodi povratak po tragu na akciju kojom je to vazivanje varijable bilo napravljeno. To vezivanje varijable se poništava i pokušava se s drugačijim vezivanjem. Ako ni jedno vezivanje varijable ne vodi dokazivanju cilja, tada se traži drugo pravilo kojim se cilj pokušava dokazati.
Primjer rada mehanizma zaključivanja prema natrag. Činjenice su sljedeće:
Rab ima čisto more
Opatija ima kino
Cres ima čisto more
Opatija ima sportski centar
Cres je jeftin
i ovakvu bazu pravila:
Pravilo 1
Ljetovat ćemo u 'x'
AKO 'x' ima kino l
'x' je jeftin l
'x' ima sportski centar
Pravilo 2
Ljetovat ćemo u 'x'
AKO 'x' ima čisto more l
'x' je jeftin
Postavljen cilj:
Ljetovat ćemo u 'y'U cilj je uključena varijabla, što znači da tražimo mjesto u kojem ćemo ljetovati, a koje odgovara našim preferencijama.
Kada se cilj se ne podudara ni s jednom činjenicom – u suprotnom bi odmah bila dokazana njegova istinitost i za to ne bi trebao ekspertni sustav. Ostvarenje podudaranja cilja sa zaključkom pravila 1 je moguće zato jer zaključak ima isti oblika kao i cilj, a podudaranje se ostvaruje vazivanjem varijable 'x' na varijablu 'y'. Time se dolazi do sljedećih uvjeta koje je potrebno ispuniti da bi se dokazalo pravilo 1:
'y' ima kino
'y' je jeftin
'y' ima sportski centar
Prvi uvjet se podudara s činjenicom ˝Opatija ima kino˝, pa se time u svim uvjetim pravila 1 varijabla 'y' vezuje za vrijednost ˝Opatija˝. Time preostaje dokazati još dva uvjeta pravila 1:
Opratija je jeftina
Opatija ima sportski centar
Prvi od tih uvjeta nije u bazi činjenica, pa stoga dokazivanje cilja završava neuspjehom i dolazi do povratka po tragu na mjesto posljednjeg vezivanja varijable 'y'. Tu se poništava postojeće vezivanje varijable 'y' za vrijednost ˝Opatija˝ i pokušava naći novo vezivanje ostvarenjem podudaranja uvjeta 'y' ima kino s činjenicama. U vezi činjenica više nema činjenica koje bi to omogućile.
Dokazivanje zaključka pravila 2 se svodi na dokazivanje uvjeta drugog pravila:
'y' ima čisto more
'y' je jeftin
Prvi uvjet podudara se s činjenicom ˝Rab ima čisto more˝, čime se varijabla 'y' vezuje za vrijednost ˝Rab˝. Drugi uvjet sada glasi:
Rab je jeftin
Kako se taj uvjet ne podudara ni s jednom činjenicom iz baze činjenica, cilj završava neuspjehom. Nakon toga se ponovno izvodi povratak po tragu do mjessta posljednjeg vezivanja, čime se poništava vezivanje vatijable 'y' za vrijednost ˝Rab˝. Prvi uvjet drugog pravila se podudara i sa činjenicom ˝Cres ima čisto more˝, pa se s toga varijabla 'y' vezuje za vrijednost ˝Cres˝. Time drugi uvjet pravila postaje:
Cres je jeftin
Taj je uvjet istinit jer se podudara s istovjetnom činjenicom. Pa je time dokazano pravilo 2 uz vezivanje varijable 'y' na vrijednost ˝Cres˝. Na taj način je dokazan i sam cilj, i to u obliku:
Ljetovat ćemo u Cresu.
5. Zaključivanje s nepouzdanim znanjem
Ekspertni sustavi, kao i eksperti, trebaju moći donositi zaključke na temelju nepouzdanih informacija. Razvijeni su različiti pristupi zaključivanja s nepouzdanim znanjem.
Prikazivanje specifičnosti zaključivanja s nepouzdanim znamjem korištenjem faktora pouzdanosti i pravila. Pravila i činjenice mogu biti nepouzdnani. Oznaka PF je faktor pouzdanosti činjenica i pravila. Faktor pouzdanosti može imati vrijednosti u intervalu od 0 – 100, gdje vrijednost 0 označava potpunu neistinitost, a vrijednost 100 potpunu istinitost činjenice ili pravila. Primjer nepouzdanog pravila koje koristi nepouzdane činjenice.
FP = f
AKO pretpostavka
TADA zaključak
Prije svega treba izračunati nepouzdanost zaključka takvog pravla, a tu nepouzdanost dobivamo umnoškom nepouzdanosti pretpostavke i zaključka:
FP (zaključak) = FP (pretpostavka) * (f/100)
Ako je npr. pravilo FP = 80 i činjenica FP = 70, pouzdanost zaključka s tim pravilom i tom činjenicom je 56. Zaključak ima manju pouzdanost i od pravila i od činjenice, što je logično budući da je nepouzdanost zaključka posljedica dviju nepouzdnosti.
Ukoliko jedno pravilo ima više uvjeta povezanih logičkim I, tada se zajednički faktor pouzdanosti obaju uvjeta računa kao:
FP (A i B) = min ( EP(A),EP(B))
što znači da se uzima pouzdanost manje pouzdane činjenice.
Tako će u pravilu:
FP = 80
AKO (A i B)
TADA zaključak
S činjenicama koje imaju pouzdanost
FP (A) = 50
FP (B) = 70
faktor pouzdanosti zaključka je:
FP (zaključka) = FP (A i B) * (FP (pravilo) / 100) =
min (FP(A), FP(B)) * (FP(pravilo) / 100) =
50 * (80/100) = 40
Na kraju je prikazan još jedan slučaj u kojem dva pravila podržavaju istu hipotezu H (zaključak), i to svako od njih sa svojim faktorom pouzdanosti. Za ovakav slučaj faktor pouzdanosti je hipoteze (zaključka) računa se na sljedeći način:
FP (H, PR 1 i PR 2) = FP (H, PR 1) + FP (H, PR 2) –
FP (H, PR 1) * FP (H, PR 2)
Vrijednost faktora pouzdanosti zaključka koji se temelji na dva pravila veći je od faktora pouzdanosti zaključka oba pravila. To je ovdje razumljivo jer oba pravila podržavaju isti zaključak.
Općenito se u ekspertnim sustavima kod postupka zaključivanja s nepouzdanim zanjem moraju pokušati dokazati sva pravila koja se podudaraju s ciljem, te se faktor pouzdanosti zaključka izračunava kao kombinirani faktor pouzdanosti svih tih pravila.
6. Inžinjerstvo znanja
Inžinjerstvo znanja je proces izgradnje inteligentnih sustava koji uključuje prikupljanje znanja od eksperata i iz drugih izvora, te kodiranje tog znanja za potrebe inteligentnog sustava.
Proces razvoja ekspertnih sustava obuhvaće sljedeće korake:
1. Identifikaciju problema
2. Analizu zadataka koji ekspertni sustav mora rješavati
3. Razvoj prototipa ekspertnog sustava
4. Razvoj cjelovitog ekspertnog sustava
5. Testiranje ekspertnog sustava
6. Instaliranje ekspertnog sustava u njegovu radnu okolinu
7. Uvježbavanje korisnika
8. Održavanje sustava
Sličan postupak se korist pri razvoju informacijskih sustava. Jedan od najvažnijih postupaka u razvoju ekspertnih sustava je prikupljanje znanja koje će se ugraditi u ekspertni sustav. To je znanje koje se koristi u rješavanju problema, i koje u pravilu nije strukturirano i sistematizirano, već se najčešće nalazi u glavama eksperata i u njihovim neformalnim bilješkama.
Znanje se tradicionalno prikuplja dugim intervjuima koje inžinjer znanja vodi s ekspertom. To je vrlo neučinkovit proces kojim se dnevno generira svega između tri do pet pravila. Razlozi neučinkovitosti su prvenstveno problemi u prevođenju jezika eksperata u jezik koji je svima razumljiv, te problemi pravođenja znanja koje koriste eksperti u matematičke ili druge formalne oblike modela.
Neučinkovitost intervjua potaknula je razvoj alternativnih načina prikupljanja znanja, od kojih su najpoznatiji automatizirano prikupljanje znanja, koje se izvodi na temelju dijaloga između eksperata i računala i strojno učenje u kojem ekspertni sustavi analiziraju primjere koji su im zadani i iz njih izvlače znanje.
7. Primjene ekspertnih sustava
Ekspertni sustavi mogu se koristiti na više načina.
Dijagnoza označava zaključivanje pomoću ekspertnih sustava o uzrocima pogrešnog funkcioniranja sustava.
Otklanjanje kvara traži način na koji se sustav može dovesti u zadovoljavajuće stanje.
Predviđanje se odnosi na zaključivanje o posljedicama određenih stanja u sustavu i njegovoj okolini.
Oblikovanje označava konfiguriranje sustava unutar zadanih ograničenja.
Neke od primjena ekspertnih sustava u poslovanju su u područjima procjene rizika u osiguranju, davanja financijskih savjeta o projektima, proizvodima te spajanjima i akvizicijama tvrtki, pomaganje menadžerima portfelja da odrede ciljeve investiranja svojih klijenata i izabiru portfelje koji najbolje realiziraju te ciljeve, ili davanja savjeta pri izračunavanju poreza.
Jedna od tipičnih poslovnih primjena ekspertnih sustava je pomoć pri odobravanju kredita na prodajnim mjestima s ciljem da se minimaliziraju gubici kod davanja kredita te onemoguće zloupotrebe kreditinih kartica. U tu svtrhu ekspertni sustav ispituje ima li vlasnik kartice uvjete za dobivanje kredita, plaća li redovito svoje račune te je li nabava u okviru njegove tipične srtukture i dinamike trošenja.
Ekspertni sustavi primjenjuju se i u mnogim drugim područjima. Tako su npr. vrlo uspješni ekspertni sustavi koji određuju konfiguraciju složenih računalnih sustava ili oni koji otkrivaju nalazišta rudača na temelju zračnih snimaka. Ekspertni sustavi pokazali su se uspješnima i kod prognoziranja vremena, u automatskim alarmnim sustavima ili detekciji kvarova u telefonskim mrežama.
Zaključak
Ekspertni sustavi su računalni programi, vrsta inteligentnih sustava. Komercijalizirani su kroz 80-e godine prošlog stoljeća, a razvili su ih znanstvenici u području umjetne inteligencije u 60-im i 70-im. Koriste prikaz ljudskog znanja u simboličkom obliku. Mogu naći približno rješenje problema čak i kada podaci o problemu nisu potpuni i mogu objasniti način na koji su došli do predloženog rješenja.
Oslanjaju se na znanje i spadaju u sustave potpore odlučivanja. Najprikladniji su za situacije u kojima nema učinkovitog algoritamskog rješenja. Imaju prednost pred ljudima ekspertima. Ekspertni sustavi su znatno dostupniji i znatno jeftiniji od eksperata.Njihova pouzdanost je povećana zato što ne zaboravljaju i ne prave greške zbog umora i imaju mogućnost brze reakcije na nastali problem.
Struktura ekspertnih sustava se sastoji od baze činjenica, baze znanja, mehanizma zaključivanja i korisničkog sučelja.
Proces zaključivanja može teći u u jednom od dvaju smjerova; od činjenica prema zaključku (začljučcima) - zaključivanje prema naprijed, i od postavljene hipoeze (cilja) prema činjenicama- zaključivanje prema nazad.
Pravila i činjenice mogu biti nepouzdnani. Oznaka PF je faktor pouzdanosti činjenica i pravila. Faktor pouzdanosti može imati vrijednosti u intervalu od 0 – 100 ( vrijednost 0 - potpunu neistinitost, vrijednost 100 - potpunu istinitost činjenice ili pravila).
U ekspertnim sustavima kod postupka zaključivanja s nepouzdanim zanjem, moraju pokušati dokazati sva pravila koja se podudaraju s ciljem.
Inžinjerstvo znanja je proces izgradnje inteligentnih sustava koji uključuje prikupljanje znanja od eksperata i iz drugih izvora, te kodiranje tog znanja za potrebe inteligentnog sustava.
Najvažniji postupak u razvoju ekspertnih sustava je prikupljanje znanja (koje se koristi u rješavanju problema) koje će se ugraditi u ekspertni sustav. Znanje se tradicionalno prikuplja dugim intervjuima koji su neučinkoviti pa je to potaknulo razvoj alternativnih načina prikupljanja znanja, od kojih su najpoznatiji automatizirano prikupljanje znanja.
Mogu se koristiti na više načina, a to su dijagnoza, otklanjanje, predviđanje i oblikovanje. Jedna od tipičnih poslovnih primjena ekspertnih sustava je pomoć pri odobravanju kredita na prodajnim mjestima s ciljem da se minimaliziraju gubici kod davanja kredita te onemoguće zloupotrebe kreditinih kartica. Pokazali su se uspješnima i kod prognoziranja vremena, u automatskim alarmnim sustavima ili detekciji kvarova u telefonskim mrežama.Literatura:
• Vlatko Čerić, Mladen Varga; Informacijska tehnologija u poslovanju, Element, Zagreb 2004.
• http://hr.wikipedia.org/wiki/Ekspertni_sustavi
preuzmi
seminarski rad u wordu » » »
Besplatni Seminarski Radovi