Systemy ekspertowe 1

Wprowadzenie Studium przypadku Charakterystyka Implementacja Shell ekspertowy Postscriptum

Sztuczna Inteligencja i Systemy Ekspertowe
Systemy ekspertowe

Aleksander Pohl
http://apohllo.pl/dydaktyka/ai

Wy˙ sza Szkoła Zarzadzania i Bankowo´ ci
z ˛ s

28 kwietnia 2009

Aleksander Pohl WSZiB
Systemy ekspertowe


Plan prezentacji

Wprowadzenie

Studium przypadku

Charakterystyka

Implementacja

Shell ekspertowy

Postscriptum

Systemy ekspertowe


Historia

◮ DENDRAL (1965) – E. Feingenbaum
◮ Uniwersytet Standforda – chemia organiczna
◮ Fortran
◮ MYCIN (1976)
◮ Uniwersytet Standforda
◮ Diagnostyka chorób krwi
◮ MOLGEN (genetyka molekularna)
◮ PROSPECTOR (geologia)

Systemy ekspertowe


Zastosowania (1)

◮ Diagnostyka i rozwiazywanie problemów
˛
◮ na podstawie symptomów znajd´ przyczyne wystepowania
z ˛ ˛
anomalii
◮ diagnostyka medyczna
◮ diagnostyka układów elektronicznych
◮ Planowanie
◮ okre´ l zbiór akcji, jakie musza zosta´ wykonane do
s ˛ c
osiagniecia okre´ lonego celu lub celów
˛ ˛ s
◮ zarzadzanie zasobami ludzkimi
˛
◮ zarzadzanie odlotami i ruchem pociagów
˛ ˛
◮ zarzadzanie procesem produkcji
˛

Systemy ekspertowe


Zastosowania (2)

◮ Konfigurowanie zło˙ onych produktów
z
◮ na podstawie zbioru elementów i zale˙ no´ ci pomiedzy nimi,
z s ˛
wybierz zestaw, który mo˙ e zosta´ u˙ yty do wytworzenia
z c z
wysoce konfigurowalnego, zło˙ onego produktu
z
◮ składanie komputerów na zamówienie
◮ budowanie domów z prefabrykatów
◮ projektowanie zło˙ onych układów elektronicznych
z
◮ Wsparcie dla decyzji finansowych
◮ ocena po˙ yczkobiorców
z
◮ obliczanie wysoko´ ci ubezpieczenia
s
◮ ocena ryzyka inwestycyjnego
◮ handel walutami

Systemy ekspertowe


Zastosowania (3)

◮ Publikowanie wiedzy
◮ dostarczanie wyselekcjonowanej wiedzy na temat
interesujacy z punktu widzenia u˙ ytkownika
˛ z
◮ podpowiadanie reguł gramatycznych przy pisaniu tekstu
◮ doradztwo podatkowe
◮ monitorowanie i kontrola procesów
◮ wykrywanie anomalii oraz optymalizacja działania
◮ wytop stali
◮ raﬁnacja oleju
◮ IBM autonomic computing

Systemy ekspertowe


Gałezie przemysłu (1)
˛

◮ Aeronautyka (wspomaganie pilota˙ u, zarzadzanie ruchem
z ˛
powietrznym)
◮ Rolnictwo (diagnostyka chorób ro´ lin, planowanie
s
produkcji)
◮ s´
Bankowo´ c
◮ Biotechnologia
◮ Prawo
◮ Elektronika

Systemy ekspertowe


Gałezie przemysłu (2)
˛

◮ Geologia
◮ Informatyka
◮ Przemysł cie˙ ki
˛z
◮ Matematyka
◮ Medycyna
◮ s´
Wojskowo´ c
◮ Nauczanie

Systemy ekspertowe


Deep Space One

◮ Sonda kosmiczna wysłana w celu przetestowania wielu
innowatorskich technologii
◮ Strat: 24 pa´ dziernika 1998
z
◮ Czas trwania misji: 3 lata
◮ NSTAR – silnik jonowy o sile ciagu 92 milinewtonów,
˛
działajacy nieprzerwanie przez 678 dni
˛

Systemy ekspertowe


Deep Space One – charakterystyka

◮ Moduł Remote Agent – system regułowy diagnostyki
i sterowania
◮ Stworzony w Lispie – przeniesiony na kod binarny
◮ Pierwsze zastosowanie sztucznej inteligencji do
sterowania autonomicznymi misjami pozaziemskimi
◮ Redukcja pracy – informował pagerem o awariach

Systemy ekspertowe


Remote Agent – podmoduły

◮ Planner – wysokopoziomowy mechanizm deklaratywny,
przygotowywujacy plany (scenariusze) działania w tle
˛
◮ Executive – proceduralny wykonawca planów
◮ Mode Identiﬁcation & Recovery – niskopoziomowy moduł
deklaratywny
◮ Recovery „Livingstone” – system ekspertowy
z procedurami awaryjnymi

Systemy ekspertowe


Remote Agent – charakterystyka

◮ Sterowanie celem
◮ ˛ ´
Uwzglednienie ograniczen
◮ Wiedza oparta o model hardware’u
◮ Przykład celów:
◮ Dla pobrania obrazu, włacz kamere
˛ ˛
◮ Kontaktuj sie z Ziemia o okre´ lonych porach
˛ ˛ s
◮ Generuj poło˙ enie z obrazu gwiazd
z

Systemy ekspertowe


Remote Agent – sukces w sytuacji awaryjnej

◮ 11.11.1999 Nastapiła awaria Stellar Reference Unit –
˛
systemu okre´ lenia poło˙ enia na podstawie obrazu nieba
s z
◮ z ´
Znajac poło˙ enie słonca, agent przywrócił komunikacje
˛ ˛
z Ziemia wprowadzajac DS1 w rotacje
˛ ˛ ˛
◮ Sondy Rover Spirit i Opportunity korzystaja z tej
˛
technologii

Systemy ekspertowe


System ekspertowy

System ekspertowy – oprogramowanie zdolne do wykonywania
´ ´ s
zadan ludzkiego eksperta, dla sci´ le okre´ lonego zagadnienia,
s
dzieki mechanizmom wnioskowania i wiedzy wprowadzonej
˛
a priori.

Systemy ekspertowe


Typowe problemy

◮ Opanowanie du˙ ej ilo´ ci informacji, czasem z konieczno´ ci
z s s
niepełnej i niepewnej – zarówno z samej dziedziny, jak
i dotyczacej rozpatrywanego problemu
˛
◮ Dziedzina ma charakter ewolucyjny
◮ Rozwiazanie ma charakter heurystyczny
˛
◮ ´
Przewaga obliczen symbolicznych nad numerycznymi

Systemy ekspertowe


Cel u˙ ycia
z

◮ Czytelne przedstawienie wiedzy
◮ s´
Łatwo´ c konstrukcji i ewolucji systemu ze wzgledu na
˛
z s´
niezale˙ no´ c reguł
◮ z s´
Mo˙ liwo´ c prze´ ledzenia wnioskowania
s

Systemy ekspertowe


Przewagi systemów ekspertowych

◮ Dostepna explicite metoda wnioskowania
˛
◮ z s´
Mo˙ liwo´ c stosowania dynamicznego modelu problemu
w procesie badawczym
◮ Integracja interdyscyplinarna

Systemy ekspertowe


Budowa systemu ekspertowego

◮ Baza wiedzy - Pamie´ długoterminowa
˛c
◮ fakty
◮ reguły
◮ Interfejs
◮ Mechanizm wnioskowania (mechanizm inferencji,
interpreter)
◮ Powłoka (shell) – user interface

Systemy ekspertowe


Wymagania systemu

◮ Rozumowania wprzód
◮ Rozumowanie wstecz
◮ Odpowied´ na pytanie „How” – jak znaleziony
z
rozwiazanie?
˛
◮ Odpowied´ na pytanie „Why” – dlaczego potrzebna jest
z
dana informacja?

Systemy ekspertowe


Reprezentacja wiedzy (1)

◮ najcz˛ sciej reprezentowana przez reguły „if...then”
e´
◮ s´
modularno´ c – drobne, niezale˙ ne elementy
z
◮ s´
przyrostowo´ c – mo˙ liwa rozbudowa bazy wiedzy
z
◮ s´
modyﬁkowalno´ c – mo˙ liwa modyﬁkacja istniejacych reguł
z ˛

Systemy ekspertowe


Reprezentacja wiedzy (2)

◮ s´ s´ ´ z
Prze´ roczysto´ c – mo˙ liwo´ c przeanalizowania scie˙ ki
z z
rozumowania
◮ z s ´ z
Odpowied´ na pytanie „How” - prze´ ledzenie scie˙ ki
rozumowania
◮ Odpowied´ na pytanie „Why” - wytłumaczenie elementów
z
interakcji z u˙ ytkownikiem, do czego jest konkretna
z
informacja potrzebna

Systemy ekspertowe


Rozumowanie wprzód/wstecz

◮ Rozumowanie wprzód
◮ Dane -> Cele
◮ „data driven”
◮ Rozumowanie wstecz
◮ Cele -> Dane
◮ „goal driven”

Systemy ekspertowe


Przykład (1)

◮ if kitchen_dry and hall_wet
then leak_in_bathroom.
◮ if hall_wet and bathroom_dry
then problem_in_kitchen.
◮ if window_closed or no_rain
then no_water_from_outside.
◮ if problem_in_kitchen and
no_water_from_outside
then leak_in_kitchen.

Systemy ekspertowe


Przykład (2)

◮ fact(window_closed).
◮ fact(hall_wet).
◮ fact(bathroom_dry).

Systemy ekspertowe


Rozumowanie wstecz

◮ is_true(P) :- fact(P).
◮ is_true(P) :-
if Condition then P, is_true(Condition).
◮ is_true(P1 and P2) :-
is_true(P1), is_true(P2).
◮ is_true(P1 or P2) :-
is_true(P1); is_true(P2).

Systemy ekspertowe


Rozumowanie wprzód (1)

forward :-
new_derived_fact( P),
write(’Derived: ’),
write(P), nl,
assert(fact(P)),
forward ;
write(’No more facts’).

Systemy ekspertowe



◮ new_derived_fact(Concl) :-
if Cond then Concl, not(fact(Concl)),
composed_fact(Cond).
◮ composed_fact(Cond) :-
fact(Cond).

Systemy ekspertowe



◮ composed_fact(Cond1 and Cond2) :-
composed_fact(Cond1),
composed_fact(Cond2).
◮ composed_fact( Cond1 or Cond2) :-
composed_fact(Cond1) ;
composed_fact(Cond2).

Systemy ekspertowe


Pytanie „how”

◮ how(P, P) :-
fact(P).
◮ how(P, P <= CondProof) :-
if Cond then P,
how(Cond, CondProof).
◮ how(P1 and P2, Proof1 and Proof2) :-
how(P1, Proof1),
how(P2, Proof2).
◮ how(P1 or P2, Proof) :-
how(P1, Proof);
how(P2, Proof).

Systemy ekspertowe


Dialog (1)

◮ Question please:
◮ peter isa tiger
◮ Is it true: peter has hair?
◮ yes
◮ Is it true: peter eats meat?
◮ no
◮ Is it true: peter has pointed teeth?
◮ yes

Systemy ekspertowe


Dialog (2)
◮ Is it true: peter has claws ?
◮ why
◮ To investigate by rule3, peter isa carnivore
To investigate by rule3, peter isa tiger
This was your question
◮ Is it true: peter has claws ?
◮ yes
◮ Is it true: peter has black stripes ?
◮ yes
◮ Is it true: peter has tawny colour ?
◮ yes

Systemy ekspertowe


Dialog (3)
◮ (peter isa tiger) is true.
◮ Would you like to see how ?
◮ yes
◮ Peter isa tiger
Was derived by rule5 from Peter isa carnivore
And
◮ Peter has tawny colour
Was told
And
◮ Peter has black stripes
Was told.

Systemy ekspertowe


Dialog (4)
◮ Peter isa carnivore
Was derived by rule3 from
◮ Peter isa mammal
And
◮ Peter has pointed teeth
Was told
And
◮ Peter has claws
Was told
And
◮ Peter has forward pointing eyes
Was told.

Systemy ekspertowe


Dialog (5)

◮ Peter isa mammal
Was derived by rule1 from
Peter has hair
Was told.

Systemy ekspertowe


Materiały zródłowe
´

◮ L.Sterling, E.Shapiro - „The Art Of Prolog”
◮ Ivan Bratko - „Prolog – Programming For Artiﬁcial
Intelligence”
◮ http://www.wtec.org/loyola/kb/c1_s2.htm
◮ Slajdy zostały przygotowane za zgoda˛
dr. Michała Korzyckiego na podstawie jego wykładu.

Systemy ekspertowe


Dziekuje!
˛ ˛

Systemy ekspertowe

Systemy ekspertowe 1

Recommended

Recommended

More Related Content

Featured

Featured (20)

Systemy ekspertowe 1