Osnovivetakeinteligencije

FAKULTET ZA MENADMENT NOVI SAD VASE STAJIA 6

SEMINARSKI RAD IZ

OSNOVA VETAKE INTELIGENCIJE

Predmetni nastavnik: Prof. Ivan epanovi

Student: urikov Manja Broj indeksa: 221/04-1

Novi Sad, 2008.

Osnovivetakeinteligencije
STRUKTURA SEMINARSKOG RADA Str.br. 1. Uvod u vetaku inteligenciju (VI) 1.1. Istorijat 1.2. Definicije, pravci i klasifikacije VI 2. Osnovni pojmovi u sistemima VI 2.1. Prepoznavanje oblika 2.2. Uenje i obuavanje 2.3. Znanje 2.4. Predstavljanje znanja 2.5. Rasudjivanje rezonovanje 2.6. Zakljuivanje 2.7. Reavanje problema, prostor stanja, pretraivanje, strategije pretraivanja 3. Kategorizacija sistema vetake inteligencije 4. Neuronske mree 4.1. Klase modela vetakih neuronskih mrea 4.1.1. Tipovi veza izmedju neurona 4.2. Obuavanje u vetakim neuronskim mreama 5. Osnove Fuzzy logike u sistemima vetake inteligencije 6. Primer Fuzzy neuronske mree 6.1. Forma za projektovanje 6.2. Forma za trening 6.3. Forma za izmenu iskaza 6.4. Topologija mree 6.5. Topologija osnovnog primera 6.6. Ogranienja aplikacije 7. Ekspertni sistemi 8. Primer Ekspertnog sistema 8.1. Prozor PARAMETERS 8.2. Prozor CHOISES 8.3. Prozor VARIABLES 8.4. Prozor QUALIFIERS 8.5. Prozor ADD RULE 8.5.1. Pravila sa opcijom Var./Math 8.5.2. Pravila sa opcijom Qualifiers 3 4

Osnovivetakeinteligencije
1. UVOD
1.1. Istorijat Od davnina ljude privlai inteligencija - kako sam pojam inteligencije tako i mogunost konstruisanja inteligentnih maina koje bi mogle samostalno da rade. Takve primere moemo pratiti kroz istoriju. U staroj Grkoj ljudi su se bavili pitanjima inteligencije, znanja i pravilnog zakljuivanja, a meu njima se naroito istakao Aristotel. U XIII veku je Ramon Lull (1235-1316) opisao sistem Ars Magna kojim je pokuao da pomou mehanikog kombinovanja, simbolike notacije i kombinatornih dijagrama ostvari "inteligentan" sistem. Tokom XVII veka, G. V. Leibnitz (1646-1716) i Blaze Pascal (1623-1662) pokuavali su da konstruiu mehaniku raunsku mainu za sabiranje. Cifarska raunska maina koju je konstruisao Charles Babbage, bila je u stanju da po odreenom algoritmu izvrava operacije sa dekadnim brojevima. Sredinom 19-tog veka George Bool razrauje algebru logike u kojoj se algebarska simbolika koristi za operisanje pojmovima pri logikom izvoenju. Englez Alan Turing i Amerikanac Post, 1936-te godine, nezavisno jedan od drugoga objavljuju radove iz oblasti matematike logike i iznose mogunosti konstruisanja univerzalnog transformatora informacija. Meutim, tek pojavom prvog raunara "Electronic Numerical Integrator And Computer" (ENIAC) koga su 1945-te godine izmislili Mauchly i J. Presper Eckert, moe se govoriti o inteligentnim mainama. U poetku su raunari bili prvenstveno namenjeni za izvravanje raunskih operacija ali vrlo brzo je uoeno da oni imaju daleko vee sposobnosti. Ve prvi rezultati u primeni raunara upuivali su na mogunost raunara da preuzme vrenje odreenih intelektualnih sposobnosti. Povoljni rezultati istraivanja naveli su neke od naunika da daju preuranjene izjave da se ubrzo moe konstruisati "mislea maina" ili "elektronski mozak". Zbog ovih preuranjenih izjava su se vodile brojne debate. Krajem 50-tih, sve do sredine 60-tih godina, problematika vetake inteligencije bila je dosta rasplinuta izmeu fantastike, mate, potencijalnih mogunosti i praktinih ostvarenja. Zanemarivanje razlike izmeu potencijalne ostvarljivosti i obima praktinih problema, koji se nalaze na putu do ostvarivanja ideje, jedan je od estih uzroka nerazumevanja mogunosti vetake inteligencije. Ostvarivanjem praktinih rezultata koji su nali primenu u privredi, vetaka inteligencija postaje interesantna za veliki broj naunika razliitih oblasti. Danas postoje realizovani sistemi koji su u stanju da autonomno obavljaju kompleksne probleme, kakve su jedino ljudi bili u stanju da obavljaju. Nije redak sluaj da takvi sistemi obavljaju te zadatke i daleko uspenije od ljudi. U sprezi sa raunarima, maine postaju sposobne da rade samostalno, da upravljaju same sobom i da proizvode druge maine, oslobaajui oveka fizikog i monotonog rada, preputajui mu rad na sloenijim i kreativnijim poslovima.

Osnovivetakeinteligencije
Termin vetaka inteligencija (engleski artificial inteligence)je prvi put upotrebljena 1956.g. i potie od John-a McCarty-ja.Njegova definicija vetake inteligencije se uzima kao veoma prihvatljiva zbog svoje jednostavnosti i jasnoe, a ona glasi: Vetaka inteligencija je nauka koja ini da maine obavljaju stvari koje bi zahtevale inteligenciju kada bi ih ovek obavljao Jedna od definicija koja, po mom miljenju, na jednostavan nain definie pojam vetake inteligencije glasi: Vetaka inteligencija je disciplina usmerena na razumevanje ljudske inteligencije kroz konstruisanje raunarskih programa koji oponaaju inteligentno ponaanje oveka (A. Bennet, 1985) Dva glavna pravca razvoja vetake inteligencije su: 1. Prouavanje prirodne inteligencije (spoznavanje funkcija mozga, modeliranje rada mozga, simuliranje ovekovog ponaanja, reagovanja i rezonovanja). 2. Postizanje inteligentnog ponaanja primenom drugaijih pristupa, kakvi se ne mogu sresti u prirodnim sistemima. Vetaku inteligenciju prema pristupu reavanja problema moemo klasifikovati na tri glavna pristupa i to su: a) neuronske mree, b) modeliranje evolucije i c) heuristiko programiranje. Klasifikacija vetake inteligencije prema vrsti reavanja problema:

sistemi za reavanje ovekovih uobiajenih zadataka: - prepoznavanje slika i govora, - razumevanje, generisanje i prevoenje prirodnih jezika, - snalaenje u svakodnevnim situacijama, - primena u robotici.

sistemi za reavanje formalnih zadataka: - logike igre, - matematika logika, geometrija, integralni raun, - osobine programa.

sistemi za reavanje ekspertnih zadataka: - konstruisanje, nalaenje greaka, planiranje proizvodnje, - naune analize i dijagnostika (biologija, medicina, hemija, pravo), - finansijska analiza, - programi za razvoj ovakvih sistema.

Osnovivetakeinteligencije
Tehnike koje pripadaju vetakoj inteligenciji morale bi da koriste znanja koje su organizovana tako da omoguavaju:

generalizaciju, predstavljanje i preslikavanje u formi razumljivoj ljudima, lako modifikovanje, da se koriste informacije koje nisu kompletne, da pomau u smanjenju broja mogunosti koje bi inae morale biti razmatrane (heuristike).

Prepoznavanje oblika je kljuno za snalaenje u svakodnevnim situacijama, kako za ive tako i vetake sisteme. Pri reavanju problema vezanih za prepoznavanje oblika nastaju velike tekoe jer analogne signale koje primaju senzori/receptori sadre veliki broj informacija, od kojih dobar deo sadri um, pa ti signali esto nisu dovoljno jasni. Ovo oteava primenu raunara za snalaenje u svakodnevnim situacijama, pa nije ni udo to su i ivotinje, za koje se smatra da su manje inteligentne od ljudi, sposobne za daleko kvalitetniju vizuelnu i zvunu percepciju i obradu takvih signala nego dananji raunari. Cilj napora u oblasti VI je stvaranje maina koje stvaraju takve aktivnosti za koje je (obino potrebna) prirodna inteligencija oveka, a osnovne odrednice u tim naporima su razvoj oblasti: - automatske metode reavanja zadataka prepoznavanje vizuelnih oblika i govora dokazivanje teorema razumevanje i prevoenje jezika mainsko uenje i sticanje i predstavljanje znanja.

2. OSNOVNIPOJMOVIUSISTEMIMAVI
2.1. Prepoznavanjeoblika Pojam oblika vezuje se za pojam konkretnog objekta iz okruenja ili za apstraktne objekte koji su rezultat aktivnosti mozga i nemaju svoje analoge u prirodi. To se realnih objekata tie, njima se mogu dodeliti i odrediti osobine zahvaljujui emu se moe vriti klasifikacija. Klasu objekata ine oni objekti koji imaju sline ili iste odlike. Klasifikacija se moe vriti: 1. Razvrstavanjem (koristi se kada sun am objekti nepoznati ) 2. Svrstavanjem (klase su unapred odredjene i utvrdjuje se pripadnost objekata) Oblici ija su obeleja karakteristike merljive posebno su pogodni za predstavljanje. 5

Osnovivetakeinteligencije
Potpuni sistem obeleja za neku klasu objekta, odnosno oblika ispunjava sledee uslove: - za predstavnike jedne te iste klase obeleja su identina ili u odreenom stepenu slina, - za predstavnike raznih klasa ista obeleja imaju razliite vrednosti. 2.2. Obuavanjeiuenje Obuavanje i uenje predstavlja mogunost maine, odnosno programa koji funkcionie na njoj, da svoje znanje koje se saopti maini moe da uveava i da poseduje sposobnost samousavravanja. Sutinu mainskog uenja ine algoritmi koji omoguavaju da se simulira proces uenja, slian onima kod ljudi, sa ciljem da se automatski kreiraju novi pojmovi, postupci i tvrenje, polazei od osnovnih polaznih informacija kojima sistem raspolae. Kod obuavanja, odnosno uenja ljudi, postoje sledei osnovni prilazi: - uenje iz primera (induktivni prilaz), - uenje koje polazi od definicije, odnosno tvrenja (deduktivni prilaz) i - uenje na osnovu analogije. Mainsko uenje u sistemima VI obuhvata sledee prilaze: - uenje iz primera, - uenje po analogiji, - uenje heruistika pri reavanju problema preko pretraga, - mainsko prikupljanje znanja, - uenje koje se ostvaruje u neuralnim mreama, - mainsko otkrie. Najee su u upotrebi uenje iz primera i heuristiko uenje Uenje iz primera: Uenje iz primera predstavlja uenje nadgledano voeno uiteljem, jer on bira primere.Polazei od datog primera program formira opis tj. model pojma i isti se uporeuje sa opisom koji je dao uitelj. Sutina automatskog uenja u ovom sluaju je otkrivanje razlika meu opisima. Heuristiko uenje: Grki glagol "heuriskein" znai "otkriti". Heuristika, odnosno heuristiko znanje, oznaava znanje o otkrivanju i pronalaenju tehnika za reavanje problema, s tim da za takav proces reavanja problema obino nema strogih garancija da e biti uspean. 2.3. Znanje Znanje predstavlja transformaciju realne stvarnosti iz okruenja kroz uenje i obuavanje i ta transformacija postaje entitet koji je kljuan za adaptaciju subjekta sa inteligentnim ponaanjem. U entitet znanja spadaju svi percipirani i zapameni objekti (oblici iz okruenja), relacije odnosa izmeu objekata (oblika) kao i iskustvom (eksperimentom) potvrena injenica da ti odnosi imaju svoju validnost sa odreenim stepenom uverenja. 6

Osnovivetakeinteligencije
2.4. Predstavljanjeznanja Najei oblici za predstavljanje znanja u sistemima VI su: injenice (faktori faktografsko znanje) koje su jednostavni iskazi koji mogu da budu tani ili netani. Najei oblik im je OBJEKAT-ATRIBUT-VREDNOST (OAV trojka) pravila predstavljaju specifikacije preporuka, direktiva, odnosno strategija u formi: AKO .... ONDA (IF ..... THEN) i ona su esto delovi kompjuterskih procedura, a istovremeno odraavaju odreene logike strukture tj. zakone, miljenje i zakljuivanja, okviri - opis koji sadri slotove za sve informacije koje su povezane datim objektom. Ovaj formalizam predstavljanja znanja povezuje objekat sa nekim skupom karakteristika od kojih je svaka smetena u odgovarajui slot. Karakteristike mogu biti: injenice, pravila, procedure, atributi, vrednosti i td. Opta struktura okvira ima oblik: {i:(k1,v1),(k2,v2), ..., (kj,vj)} gde je : i ime okvira (i=1,2, ...,n), kj ime slota vj vrednost slota (j=1,2, ...,m). Vana osobina okvira je svojstvo nasleivanja, odnosno specijalizacije analoga u objektno orijentisanom programiranju. semantike mree - Svaki pojam u semantikoj mrei predstavljen je jednim vorom dok su semantike veze predstavljene granama izmeu vorova sa odreenim usmerenjima. Svaka grana ima svoju oznaku (labelu) koja opisuje relaciju na koju se grana odnosi. logike strukture prezentuju zakone miljenja, odnosno, rasuuivanja i zakljuivanja. U logike strukture spadaju izrazi i formule koje su vezane za iskazni, odnosno predikatski raun. 2.5. Rasudjivanjerezonovanje Proces rasuivanja predstavlja nalaenje najpovoljnijeg skupa akcija sa kojim se poetna situacija prevodi (trasnformie) u zavrnu. Kod reavanja konkretnih problema poinje se opisom neke poetne polazne situacije, neke zavrne situacije (koja predstavlja cilj) i skupa moguih akcija i ogranienja. Oblici rasudjivanja su: Induktivno Deduktivno Analogno U prisustvu neizvesnosti Zdravorazumsko Kvalitativno

Osnovivetakeinteligencije
Neodvojiva komponenta od rasuivanja i zakljuivanja u reavanju problema je pretraivanje. Sve situacije koje se mogu pojaviti tokom procesa pretraivanja za reenjem zovu se stanja. Skup stanja ini poseban prostor stanja. Stanja iz kojih pretraivanje poinje nazivamo inicijalnim poetnim, a stanja sa kojima se proces rezonovanja i zakljuivanja zavrava je zavrno stanje. 2.6. Zakljuivanje Zakljuivanje je jedna vrsta rasuivanja u kome se do novih potrebnih injenica dolazi na osnovu ve poznatih injenica. Vani oblici rasuivanja su induktivno rasuivanje od posebnih injenica ka optim i deduktivno rasuivanje, odnosno, zakljuivanje. U oba sluaja koristi se niz uzastopnih pravila pri emu se formira tzv. lanac zakljuivanja. Lanac moe da se ostvaruje: ulanavanjem unapred (forward-chaining, FC) ulanavanjem unazad (back-chaining, BC) i meovitim ulanavanjem (MC) 2.7. Reavanjeproblema,prostorstanjaipretraivanje,strategije

pretraivanja
Reavanje problema moe da se posmatra kao niz stanja i operatora koji se primenjuju na zadatak, tako da se iz poetnog stanja pree u zavrno stanje koje je i reenje zadatka. Za definisanje prostora stanja i pretraivanjeod koristi e bit uvodjenje pojmova: - skup stanja S koja ine prostor stanja, - poetno stanje S0; S0S, - skup operatora f1,f2,...fif, koji definiu prelazak iz jednog stanja u drugo stanje, - skup zavrnih stanja StS i St terminalno stanje, tj. skup ciljnih stanja. U prostoru stanja moe se postaviti graf u obliku drveta, odn. I/ILI grafova:
S0

I/ILI - graf

S1

S2

S3

S11

S12

S31

S32

S33

Slika 1.- Graf tipa I/ILI

2.8. Strategijepretraivanja Izbor puta prostora stanja vodi ka reenju kada vie operatora moe da se primeni na jedno te isto stanje, tada se za nastavak pretrage redosled primene operatora na sledee stanje bira strategija. Osnovne vrste strategije pretraivanja su: - sintaksne i heruistike (semantike).

Osnovivetakeinteligencije
Sintaksne metode se zasnivaju na sintaksi i opte su namene: o Pretrage najpre u irinu; o Pretrage najpre u dubinu; o Iterativno produbljivanje; i o Dvosmerno usmeravanje pretrage. Heuristike metode pretraivanja se koriste u sloenim pretragama kada sintaksne metode nisu zadovoljavajue pre svega zbog kombinatorne eksplozije i prostora stanja. Heuristike su aproksimativne metode za usmeravanje i suavanje pretrage u problemima gde se javlja kombinatorna eksplozija. U heuristike metode spadaju: - penjanje na brdo - proverava da li se u sledeoj fazi penjanja nalazi na vioj koti blii ekstremu (slino nastupu planinara) pretraga po sistemu najpre najbolji pamte se stanja izvrenog pretraivanja, a paralelno sa ovima se pravi lista stanja koja nisu pretraivana tako da se pretraivanje usmerava na najkonkretniji vor algoritam A* - I u algoritmu A* se kao u prethodnom pamte ve pretraena stanja i ne prolazi se kroz njih u daljem pretraivanju.I ovde se kreira lista stanja (vorova) u kojima sledi pretraivanje usmereno preko odgovarajue heuristike funkcije u smislu najpre najbolji.

Heuristika funkcija uzima u obzir rastojanje od nekog zavrnog stanja i efektnu vrednost prethodno preenog puta od poetnog vora: f(n)=g(n) + h(n) i u odreenoj etapi pretraivanja ukljuujui i zavrnu f(n) treba da uzima minimalne vrednosti, gde je: g(n) - vrednost efektnog rastojanja tj. neke cene puta od poetnog do n-tog vora; h(n) - domenski orijentisana heuristika procena najnie vrednosti puta od vora n do zavrnog vora. - uravnoteena pretraga, iterativno produbljivanje - IP-A* garntuje optimalnost reenja.Svaki korak je kompletna pretraga najpre u dubinu, pri emu se vodi rauna o vrednosti funkcije: f(n)= g(n) + h(n) za svaki generisani vor. Kad vrednost funkcije pree odreenu granicu odgovarajua grana se odbacuje, a pretraivanje se vraa na prethodno generisani vor. dvosmerna heuristika pretraga predstavlja kombinaciju grananja algoritama pretraivanja unapred i unatrag Sutina je u zameni drveta vee dubine sa dva ili vie drveta manje dubine pretraivanja. 9

Osnovivetakeinteligencije
Heuristika funkcija izvoenja pretraivanja data je sa: f(m,n) = g(m)+h(m,n)+g(n) gde: f(m,n) definisana za sve parove vorova m i n vor m pripada skupu raspoloivih vorova sa liste grananja unapred, vor n - pripada listi raspoloivih vorova sa grananjem unazad.

3. KATEGORIZACIJASISTEMAVETAKEINTELIGENCIJE
GLAVNA PODRUCJA VI

VNM

EKSPERTNI SISTEMI

ROBOTIKA I VIZIJA

PREPOZNAVANJE GOVORA
I PREVODJENJE JEZIKA

SEMANTICKI WEB

Slika 2. - Glavna podruja sistema vetake inteligencije

Kategorija VI

Karakteristine primene Identifikacija pattern-a, validacija podataka i predikacija u poslovanju, prodaji, istraivanju trita, procesnoj kontroli i upravljanju rizikom, kao i prepoznavanje slika, otisaka prstiju, karaktera raznih alfabeta, rukom pisanog teksta, medicinska dijagnostika, analiza tkiva, telekomunikacije, analiza govornog signala, primena u diferencijalnoj tehnologiji. Dijagnostika, interpretacije, preporuke i saveti, konfiguracija i dizajn Industrijski roboti, pokretna vozila, robotizovani ureaji za pomo pacijentima, roboti za rad u tekim uslovima i ne nepristupanom terenu (crpne stanice na okeanima, previsoke ili preterano niske temperature, neekoloka sredina), svemirski roboti. Prepoznavanje lica, sistemi obezbeenja, praenje ljudi, inspekcija proizvoda, prepoznavanje medicinskih slika, autonomna vozila, saobraaj i transport, robotika, klasifikacija plodova etve. Sistemi za identifikaciju jezika, automatsko razumevanje novinskih lanaka, automatsko kreiranje elektronskih renika i tezaurusa, govorni interfejs u simulaciji borbe na bojnom polju, pronalaenje informacija iz raznih baza podataka na govornu komandu, chatterbots Ontologija i metapodaci na WEB-u, inteligentno pretraivanje WEB-a, inteligentan pristup WEB bazama podataka, anotacija WEB dokumenata, brokeri informacija,

Neuronske mree Ekspertni sistemi

Roboti i Vizija

Procesiranje prirodnog jezika Semantiki

10

Osnovivetakeinteligencije
Kategorija VI WEB Data mining menadment znanja Otkrivanje znanja u bazama podataka, otkrivanje znanja na Internetu, finansijske aplikacije, otkrivanje pattern-a u topologiji elektronskih kola, sprovoenje marketinkih akcija, otkrivanje pattern-a u sportskim igrama i igrama na sreu, automatska analiza teksta, analiza satelitskih, teleskopskih i mikroskopskih snimaka Pretraivanje Interneta, filtriranje novinskih, reklamnih i drugih informacija, sistemi sa vie agenata, elektronska trgovina, konfiguracija adaptivnih interfejsa, industrija zabave, nadzor nad e-mail komunikacijom, kontrola saobraaja i transporta, kontrola raunarskih mrea i telekomunikacija Pronalaenje i kategorizacija sadraja na WEB-u, automatska integracija sadraja sa WEB-a, personalizacija poslovnih aplikacija na WEB-u, personalizacija digitalnih biblioteka Automatsko upravljanje, industrijska proizvodnja, prepoznavanje glasa, aparati za domainstvo, upravljanje saobraajem, procesiranje signala, interakcija oveka i raunara, upravljanje u realnom vremenu Neuro fuzzy sistemi, fuzzy-genetiki sistemi, neuro-genetiki sistemi, fuzzy ekspertni sistemi, tipino u proizvodnji, automatizaciji poslovanja, analizi slika, internet modeliranju Optimizacija, planiranje, odluivanje, molekularna biologija, robotska vizija i kretanje, analiza scene Karakteristine primene

Agenti

Inteligentni WEB servisi Fuzzy sistemi

Hibridni sistemi Genetiki algoritmi

Tabela 1. - Kategorije inteligentnih sistema i oblasti primene

4. NEURONSKEMREE
Vetake neuronske mree su posebna vrsta sistema VI koje simuliraju procese koji se odvijaju u ljudskom mozgu. VNM se ne mogu programirati ve samo obuavati! Mogu se primeniti sve tri vrste obuavanja: - nadgledano - nenadgledano - podsticajno. VNM poseduju osobine da mogu: - prepoznavati, - uiti, - vriti generalizaciju, - reavati probleme koji nisu formalizovani, koji se drugim metodama ne mogu reiti. Vetaka neuronska mrea koristi vetake neurone kako bi obraivala informacije.

11

Osnovivetakeinteligencije
Vetaki neuron se sastoji od ulaza (Sinapse kod biolokih neurona) koji se multipiliciraju pomou teina (pojaavanje signala), a zatim izraunavaju pomou matematike funkcije, koja odreuje aktivaciju neurona, te se na kraju izraunava izlaz vetakog neurona. Bioloka mrea Vetaka mrea Telo vor Dendroni Ulaz Akson Izlaz Sinapsa Teina Tabela 2. - Veze izmeu vetakih i biolokih neuronskih mrea Postoje etiri bitna pojma vezana za Vetake neuronske mree, to su: Neuron - prima ulaze, procesira ih i proizvodi jedan izlaz. Ulaz moe biti sirovi podatak ili izlaz iz nekog drugog neurona. Na sledeoj slici 6.1-9. je prikazano procesiranje informacije u vetakom neuronu.

Slika 3. - Opti prikaz vetakog neurona

Mrea - Svaka mrea sastoji se od neurona grupisanih u slojeve. Pored ulaznog i izlaznog sloja, mrea moe imati jedan ili vie skrivenih slojeva.

Slika 4. - Opti prikaz vetake neuronske mree sa jednim skrivenim slojem Struktura mree - Topologije mree mogu biti razlicite zavisno od problema koji se reava, vrste ulaznih podataka, vrste izlaznih podataka i drugih faktora. To je razumljivo obzirom da se neuronske mree primenjuju u najrazliitijim oblastima ljudske delatnosti. 12

Osnovivetakeinteligencije
Procesiranje informacije u mrei. Osnovni koncepti koji se odnose na procesiranje su: Ulazi - moraju biti u numerikom obliku. Ako to nije sluaj, moraju se prevesti u numerike ekvivalencije. Oblik i vrsta ulaznih podataka mogu biti razliiti i oni umnogome odreuju karakteristike mree. Svaki ulaz korespondira jednom atributu. Izlazi - predstavljaju reenje problema. Mrea moe imati jedan ili vie izlaza, zavisno od konkretnog problema. Izlaz moe biti kontinualna vrednost ili kvazi-logika vrednost, npr. +1 za "da" a 0 za "ne". Teine - su kljuni elementi neuronske mree. Mrea ui podeavajuci teine prema istorijskim podacima koji se kroz nju proputaju. Teina izraava relativnu znaajnost svakog ulaza u neuron, odnosno ona predstavlja sposobnost ulaza da pobudi neuron. Funkcija sumiranja - mnoi svaki ulaz odgovarajuom teinom, a zatim sumira dobijene umnoke. Jednaina za n ulaza u jedan neuron ima sledei oblik:

Funkcija transformacije - odreuje da li rezultat funkcije sumiranja moe da proizvede izlaz. Veza izmedu aktivizacije i izlaza moe biti i linearna i nelinearna. Postoji vie tipova te funkcije, a sama injenica da funkcija transformacije neurona skrivenih slojeva moe biti nelinearna je od izuzetne vanosti. U suprotnom, da je mogua samo linearna transformacija, mrea bi bila u stanju da modeluje samo linearne funkcije, jer je poznato da kombinacija linearnih funkcija daje linearnu funkciju. Zbog toga je funkcija transformacije najee nelinearna, a jedna od najpoznatijih je sigmoidna funkcija:

gde je Yt normalizovana vrednost rezultata funkcije sumiranja Y. Normalizacija znai da se ovom transformacijom izlazni nivo dovodi u "razumne" granice, u ovom sluaju, izmeu 0 i 1. Kada ne bi bilo ove transformacije izlazna vrednost bi mogla da bude isuvie velika, naroito u kompleksnijim mreama sa vie skrivenih slojeva. est je sluaj da se koristi i funkcija praga (threshold) (naprimer sve iznad nivoa 0.5 postaje 1, a sve ispod nivoa 0.5 postaje 0). Uenje - Neuronska mrea ui iz iskustva. Proces uenja sastoji se iz tri osnovna segmenta: raunanje izlaza, uporeivanje dobijene vrednosti sa eljenom, podeavanje teina i vraanje na prvi korak. 4.1. Klasemodelavetakihneuronskihmrea I. Neuronske mree se mogu klasifikovati prema: broju slojeva, vrsti veza izmeu neurona, vrsti obuavanja neuronskih mrea i prema smeru prostiranja informacija.

13

Osnovivetakeinteligencije
Jedna od najoptijih podela neuronskih mrea je prema broju slojeva. Mree se mogu podeliti na: jednoslojne i vieslojne. Danas se uglavnom izuavaju i primenjuju vieslojne Neuronske mree koje pored ulaznih i izlaznih slojeva sadre neurone na srednjim (skrivenim) slojevima. Neuronske mree se takoe mogu podeliti prema vrstama veza, tj. prema arhitekturi na: slojevite, potpuno povezane i celularne. Kod slojevitih mrea neuroni su rasporeeni tako da formiraju slojeve. Na ulaz jednog neurona se dovode izlazi svih neurona sa prethodnog sloja, a njegov izlaz se vodi na ulaze svih neurona na narednom sloju. Neuroni sa prvog (ulaznog) sloja imaju samo po jedan ulaz. Izlazi neurona sa poslednjeg (izlaznog) sloja predstavljaju izlaze mree. Kod potpuno povezanih neuronskih mrea izlaz jednog neurona se vodi prema ulazu svih neurona u mrei. Kod celularnih neuronskih mrea samo susedni neuroni su meusobno povezani. Bez obzira na lokalnu povezanost, signali se prostiru i na neurone i van susedstva zbog indirektnog prostiranja informacija. Prema smeru prostiranja informacija kroz mreu neuronske mree se mogu podeliti na: Feedforward (nerekurzivne ili nepovratne) Feedback (rekurzivne ili povratne) Kod Feedforward neuronskih mrea vii slojevi ne vraaju informaciju u nie slojeve. Prostiranje signala se vri samo u jednom smjeru (od ulaza prema izlazu) odnosno ostvaruje se propagacija signala. Feedback neuronske mree vraaju informacije iz viih slojeva, nazad u nie slojeve. Izlaz iz neurona se vraa u nie slojeve ili u isti sloj. Feedback mree imaju mnogo vee procesne sposobnosti od Feedforward mrea. Neuronske mree se takoe mogu podeliti prema vrsti uenja i prema pravcu prostiranja signala na: Neuronske mree sa nenadgledanim uenjem Feedback mree Feedforward mree Neuronske mree sa nadgledanim uenjem Feedback mree Feedforward mree Svi neuroni neke mree se mogu razvrstati u tri osnovne kategorije, pa tako imamo: 1. ulazne neurone (prihvataju informacije iz sredine), 2. izlazne neurone (generiu signale za odreene akcije) i 3. skrivene neurone (slue za internu reprezentaciju informacija o radnom okruenju). 14

Osnovivetakeinteligencije
U praksi se najee koriste sledee dve klase neuronskih mrea: 1. mree sa povratnim vezama (rekurentne), iji su najpoznatiji predstavnici potpuno povezane neuronske mree i celularne neuronske mree 2. mree bez povratnih veza (nerekurentne, eng. feed-forward), najznaajniji predstavnik su svakako slojevite neuronske mree koja e zbog svoje primene u fazi neuro sistemima, u nastavku biti detaljnije obraene. Feed-forward mree dozvoljavaju kretanje signalu samo u jednom smeru - od ulaza ka izlazu. To znai da jedan neuron moe da vri uticaj samo na neuron koji se nalazi u narednom sloju (sloju koji je blii izlazu). Ove mree su pogodne za prepoznavanje oblika. Feed-forward mree obino brzo daju izlaz za dat ulaz. Kod feed-back mrea signali mogu da putuju u oba smera zato to su u mreu ubaene neke vrste petlji. Ulazni atributi moraju proi mreu vie od jednog puta pre nego to se proizvede odgovor. Ovakve strukture koriste se za reavanje dinamikih problema, veoma su mone ali mogu da postanu vrlo komplikovane i mogu iziskivati mnogo vremena za podeavanje. Stanje ovih mrea menja se dok ne dostignu taku ravnotee. Ostaju u ravnotenom stanju sve dok se ne pojavi novi ulaz i tada je potrebno nai novo ravnoteno stanje. U odnosu na feedforward mree potrebno im je obicno due vreme da daju izlaz.

4.1.1. Tipovivezaizmedjuneurona
Veze u mrei se mogu ostvariti izmeu dva sloja (inter - slojne veze) i izmeu neurona u jednom sloju (intra - slojne veze). Postoje razliiti tipovi inter-slojnih veza (Zahedi, 1993): potpuno povezane svaki neuron u prvom sloju je povezan sa svakim neuronom u drugom sloju, delimino povezane svaki neuron u prvom sloju ne mora obavezno biti povezan sa svakim neuronom u drugom sloju, unapred veze izmeu neurona su jednosmerne, neuroni prvog sloja alju svoje izlaze neuronima u drugom sloju, ali nema povratne veze, dvosmerne postoji i povratna veza kada neuroni drugog sloja pored toga to primaju ulaze iz prvog sloja alju i svoj izlaz nazad neuronima u prvom sloju, hijerarhijske neuroni jednog sloja su povezani samo sa neuronima susednog sloja, rezonantna dvosmerna veza gde neuroni nastavljaju da alju informacije izmeu slojeva sve dok odreeni uslov nije zadovoljen. Veze izmeu neurona u jednom sloju (intra-slojne) mogu biti: Ponavljajue neuroni u jednom sloju su potpuno ili delimino povezani. Veza je realizovana na takav nain da neuroni meusobno komuniciraju svoje izlaze, nakon to prime ulaze iz prethodnog sloja. Komunikacija se nastavlja sve dok neuroni ne postignu stabilan uslov. Kad se postigne stabilan uslov, neuronima je dozvoljeno da poalju izlaze u naredni sloj. On-center/off-surround u ovoj vezi, jedan neuron u sloju ima pobuujuu vezu prema susednim neuronima, ali smirujuu vezu prema drugim neuronima u sloju.

15

Osnovivetakeinteligencije
4.2. Obuavanjeuvetakimneuronskimmreama Proces obuavanje se zasniva na auriranju teinskih koeficijenata. Faze obuavanja: FAZA UENJA FAZA TESTIRANJAOPERATIVNA FAZA Obuavanje se moe vriti na nekoliko naina: 1. nadgledano obuavanje, 2. 3. obuavanje ocenjivanjem i samo-organizacija.

Nezavisno od toga koji algoritam uenja ( binarni ili kontinualni) je korien, procesi su u sutini vrlo slini i sastoje se od sledeih koraka: 1) Mrei se prezentira jedan skup ulaznih podataka. 2) Mrea vri obradu i rezultat se pamti (ovo je prolaz unapred). 3) Izraunava se vrednost greke, tako to se dobijeni rezultat oduzima od oekivanog. 4) Za svaki vor se rauna nova sinaptika teina (ovo je prolaz unazad). 5) Menjaju se sinaptike teine, ili se ostavljaju stare vrednosti, a nove se pamte. 6) Na ulaze mree se dovodi novi skup ulaznih podataka i ponavljaju se koraci od 1-5. Kada se izvre svi primeri, auriraju se vrednosti sinaptikih teina, i ako je greka ispod neke zahtevane vrednosti, smatra se da je mrea obuena. Kod nadgledanog obuavanja neuronskih mrea, algoritam, koji nadzire obuavanje (supervisor) uporeuje podatke dobijene na izlazu sa oekivanim podacima. Razlika izmeu dobijenih i oekivanih podataka se alje proceduri za uenje, koja koriguje teinske koeficijente mree. Kod nenadgledanog obuavanja neuronske mree su nezavisne. Prilikom obuavanja se predstavljaju samo ulazni podaci, koje Neuronska mrea pokuava da generalizuje i uoi zajednike osobine.
Ucitelj

u
u ik Neuronska
mre z a (VNM)

Neuronska
mre z a (VNM)

Y v +

tk -

Procedura ucenja
Procedura ucenja a)

b)

Slika 5.(a) - Nadgledano obuavanje VNM ik ulazni podaci tk oekivani rezultati v podaci koje mrea generie

Slika 6.(b) - nenadgledano obuavanje VNM

16

Osnovivetakeinteligencije
Kod obuavanja VNM sa ocenjivanjem, mrei se ne predstavljaju oekivani izlazni podaci za ulazni skup podataka, ve iza odreenog perioda uitelj daje ocenu uspenosti. Mrea iza ovog nastoji da popravi rezultat obuavanja i to se radi u vie navrata (epoha).

5.OSNOVEFUZZYLOGIKEUSISTEMIMAVETAKEINTELIGENCIJE
Engleska re Fuzzy se moe prevesti kao nejasan, maglovit ili zamrljan. Fuzzy teorija omoguava uvoenje matematikog formalizma za opisivanje nejasnosti, neodreenosti ili dvosmislenosti rei ili fraza, koje se mogi koristiti u svakom prirodnom jeziku (visok, star, veoma slino, skoro sigurno, ...). Ovakav nain prikazivanja rei se zove kvantifikacija znaenja. Znaenje rei je kvantifikovano u posebnom opsegu. Fuzzy set je onaj set kome predmeti mogu pripadati u razliitom stepenu i oni se nazivaju stepen lanstva u FLOPS-u. lan pripada jednom fuzzy setu kao broj koji se protee od 0 (to je apsolutno pogreno) do 1000 (apsolutno tano). Jedan od najvanijih lanova fuzzy sistema su fuzzy brojevi. Fuzzy broj je obian broj koji precizira vrednost neega to je nesigurno i neodreeno. Veoma pogodan nain da se opisuju fuzzy brojevi je korienje rei za modifikovanje, kao to su na primer : oko, blizu, grubo reeno i sl. Ove rei su nazvane hedges u fuzzy matematikim krugovima. Koncept fuzzy logike poiva na tri principa ije mesto u algoritmu odgovara redosledu navoenja: 1. fazifikacija - precizne - jednoznane vrednosti kojima se izraava stanje sistema i okoline pretvaraju se u izraze iz svakodnevnog ivota (hladno, toplo, sporo, retko itd.), uz stepene pripadnosti pomenutim ocenama. 2. reavanje problema - skup fazifikovanih vrednosti uporeuje se sa pohranjenim znanjem u obliku IF - ELSE konstrukcija, pri emu postoji i THEN grana koja definie eljenu akciju kao odgovor na ulazni skup. 3. defazifikacija - dobijeno reenje se vraa u normalan - jednoznaan oblik koji se onda moe primeniti na objekat kontrole. Za razliku od formalne logike u kojoj se rezonovanje vri sa dve vrednosti (tano-netano, 0-1), fuzzy logika koristi brojeve iz intervala [0,1], to je mnogo blie realnosti, ljudskom razmiljanju i izraavanju. Mnoge pojave u prirodi je teko opisati sa samo dva stanja koja se meusobno iskljuuju. Fuzzy logika omoguava opisivanje takvih nepreciznih sistema.

17

Osnovivetakeinteligencije
6.PRIMERFUZZYNEURONSKEMREE

Slika 7.- Aplikacija Scepasoft Neuro Builder Scepasoft Neuro Builder je aplikacija za grafiko projektovanje kolskih primera neuronskih mrea. Aplikacija je namenjena obuavanju studenata u okviru predmeta "Vetaka inteligencija" na etvrtoj godini F@M-a i omoguava grafiko modeliranje neuronskih mea. Program dozvoljava podeavanje svih parametara neuronske mree ukljuujui modeliranje veza izmedju neurona i podeavanje koeficijenta brzine uenja. U stanju da sve podatke o napravljenom modelu mree, kao i podatke o stepenu njene obuenosti sauva u posebnom fajlu na vrstom disku. Projektant je doneo sledee odluke u vezi sa aplikacijom: Obim podataka za trening i testiranje obuhvata 50 sluajeva Izabrao delta algoritam uenja Za topologiju je izabrao osam ulaza, est neurona u prvom, pet neurona u drugom unutranjem sloju, kao i jednim izlaznim neuronom. Za funkciju transformacije je odredio nelinearnu funkciju Brzinu uenja je podesio na 0,1 Za poetak neophodno je prikupiti i pripremiti podatke. Podaci e obuhvatati 50 sluajeva, odn. 50 osoba sa podacima njihovim ivotnim navikama kao i pojedinim linim i zdravstvenim podacima. Ti podaci su podaci za trening i njima u obuiti mreu. lanovi jednog fuzzy seta pribadaju rasponu brojeva izmedju 0 i 1, gde su 0. predstavljeni oni lanovi koji najmenje imaju uticaj na krajnji ishod, a 1. oni koji imaju najvie uticaja.

18

Osnovivetakeinteligencije

Slika 8. Tabela sa prikupljenim podacima

Osnovivetakeinteligencije
6.1.Formazaprojektovanje
Fuzzy set
lanovi Fuzzy seta

elije za unos oznake neurona Slika 9.- Forma za projektovanje U Formi za projektovanje je omoguen unos podataka o Fuzzy setovima, kao i njihovim lanovma. U ovoj formi se takodje vri i stvaranje veza izmedju neurona odn. komunikacionih kanala. Tip inter-slojne veze zastupljen u ovoj aplikaciji je delimino povezana veza gde svaki neuron u prvom sloju ne mora obavezno biti povezan sa svakim neuronom u drugom sloju. Upisivanjem oznake neurona u elije koje su predvidjene za to, prave se izlazi iz navedenih neurona i ulazi u neurone sledeeg sloja. Neuroni su oznaeni na sledei nain: Ulazni neuroni - A,B,C,D,E,F,G,H Skriveni neuroni: prvi sloj I,J,K,L,M,N; drugi sloj O,P,Q,R,S Izlazni neuron koji predstavlja Mogunost oboljenja od kardiovaskularnih bolesti to se menija tie sastoji se iz sledeih opcija: File Open project ; Save project ; Exit Forme Forma za trening ; Forma za izmenu iskaza Topologija Topologija mree ; Topologija osnovnog primera Help About

Osnovivetakeinteligencije
6.2.Formazatrening
II korak

I korak

Slika 10. Forma za trening Za razliku od forme za projektovanje, u meniju File postoji opcija za Uenje koja nudi mogunost Manual i Auto. ekirano je Automatsko uenje. I korak je unoenje unapred spremljnih podataka. ekira se polje koje odogvara podatku iz tabele za svaku osobu ponaosob.Nakon unosa II korak prestavlja klik na dugme Automatsko uenje.Npr. Posle 28. uzorka validnost iskaza je 84,03% i apilkacija poinje da izraava preciznije Mogunost krdiovaskularnog oboljenja. Posle 34. uzorka validnost iskaza je 98,00% i aplikacija za svaki klik na Automatsko uenje sa velikom precizonu izraava Mogunos kv.o. Takodje svakim klikom na Automatsko uenje, menjaju se: teinski koeficijenti (Wi) oekivana vrednost (Yd) dobijena vrednost (Yc) Kod vetakih neurona regulisanje prohodnosti odreene putanje, se ostvaruje preko prilagodljivih teinskih koeficijenata (weight) ili teina veza. Kada se na ulaz neurona dovedu neke vrednosti i pomnoe sa teinskim koeficijentima, dobijaju se izlazni podaci. Zbir ulaznih vrednosti neurona pomnoenih sa odgovarajuim teinskim koeficijentima se proputa kroz aktivacionu funkciju i ta vrednost predstavlja izlaz iz neurona. Iako neuroni imaju prilino jednostavne (linearne) funkcije, kada se poveu u vieslojnu mreu, u stanju su da obrade veoma sloene (nelinearne) funkcije. Neuroni na skrivenim i izlaznim slojevima pored teinskih koeficijenata koriste i koeficijent koji se koristi u raunanju mrenih ulaznih vrednosti i naziva threshold (bias). 21

Osnovivetakeinteligencije
Koeficijent threshold se moe tretirati kao dodatni teinski koeficijent na ulazu koji ima konstantnu teinu jedan. Klikom na dugme Projekt aplikacija vraa na Formu za projektovanje. Klikom na dugme Save aplikacija uva fajl u obliku *.nrn, a otvaranjem tog fajla u Notepad-u dobijamo sledee podatke vezane za podatke o osobi ije smo karakteristike poslednje uneli u Formu za terning: 0,452671321268322 MOGUCNOST KARDIOVASKULARNOG OBOLJENJA Gotovo da nema mogucnosti

6.3.Formazaizmenuiskaza

Slika 11. Forma za izmenu iskaza Promena izalaza se vri na taj nain to se fajl Kardio.fuz otvori u Notepad-u, i na dnu strane se poslednjih 9 karakteristika promene shodno tome koji su izlazi potrebni. Sve karakteristike izmedju prve i poslednje su modifikovane tako da predstavljaju aproksimativna poredjenja kao to su: KARAKTERISTIKE VREDNOVANJA
Izuzetno izrazena Veoma izrazena Dosta izrazena Izrazena Srednje izrazena Slabo izrazena Veoma slabo izrazena Gotovo da nema mogucnosti Nema mogucnosti 1 0 0

Tabela 3. Izlazi i njihova vrednovanja 22

Osnovivetakeinteligencije

Teinski koeficijenti

Na slici 12 predstavljen je izgled Forme nakon klika na dugme Promena teine. U poljima su koeficijenti koje je uneo projektant, a koji se tokom treninga menjaju. Na slici 13 su prikazani teinski koeficijenti nakon unetih 50 sluajeva u Formu za trening. Klikom na dugme Potvrda promene, aplikacija pamti poslednje promene koeficijenta.

Slika 12. Poetna stanja Teine u Formi za izmenu iskaza

Slika 13. Stanja Teine nakon treninga

23

Osnovivetakeinteligencije
6.4.Topologijamree
U meniju Topologija odabraemo Topologija mree. Aplikacija otvara prozor Primer topologije neuronske mree.

Izlaz

II skriveni sloj Ulazi I skriveni sloj Slika 14.- Topologija mree

Na ovom primeru moemo uoiti koja je topologija mree, odn. da ova mrea prema broju slojeva spada u vieslojne neuronske mree i da se sastoji iz: osam ulaza est neurona u prvom skrivenom sloju pet neurona u drugom skrivenom sloju kao i jednim izlaznim neuronom. Prema smeru prostiranja informacija kroz mreu neuronske mree ova aplikacija spada u nerekurzivne ili nepovratne. Kod Feedforward neuronskih mrea vii slojevi ne vraaju informaciju u nie slojeve. Prostiranje signala se vri samo u jednom smjeru (od ulaza prema izlazu) odnosno ostvaruje se propagacija signala. Sa Slike 9. moemo uoiti koji neuroni imaju najvie uticaja na izlaz i to na taj nain to emo videti koji neuroni imaju najvei broj izlaza: 1. 4 izlaza: Neuron A 2. 3 izlaza: Neuroni C i G 3. 2 izlaza: Neuron F 4. 1 izlaz: Neuroni B, D, E i H

24

Osnovivetakeinteligencije
6.5.Topologijaosnovnogprimera

Na Slici 15. Predstavljena je topologija osnovnog primera za odredjivanje stanja putnikog automobila. Vrednosti 1-8 predstavljaju Fuzzy setove, dok ulazi 1-6 i 2ulazi 1-5 predstavljju skrivene slojeve. Izlaz predstavlja stanje putnikog automobila dobijeno unoenjem podataka u formu za trening. Izlaz se moe uoiti u Formi za trening na skali Indikator ukupnog stanja vozila

Slika 15. Topologija osnovnog primera

6.6.Ogranienjaaplikacije:
Aplikacija je ograniena prvenstveno svojom feedforward arhitekturom. Aplikacija je ograniena mogunostima programskog jezika u kojem je pisana (VB). Konano mali broj neurona je ogranienje zajedniko za sve vetake neuronske mree.

25

Osnovivetakeinteligencije
7.EKSPERTNISISTEMI
Ekspertni sistemi predstavljaju inteligentne raunarske programe koji sadre ekspertsko znanje to jest onakvo znanje kakvo bi imao i strunjak u nekoj od oblasti kojom se bavi. Ovakvi sistemi znanje smetaju u bazu znanja koji se koristi preko mehanizma zakljuivanja. Razlozi za primenu ekspertnih sistema su u tome da se znanje iz razliitih i specifinih oblasti ljudske delatnosti uini dostupnijim kroz primenu raunarskih programa. Najee se primenjuju kod reavanja problema koji se esto ponavljaju kao i u sluajevima gde su mogue greke zbog zamora eksperimentatora. Pored toga znanje sadrano u ES se lako prenosi i dokumentuje, konzistentno je, a kada se raspodeli na vei broj korisnika postaje i relativno jeftino. ES, kao i ovek, mogu da donose viestruke zakljuke, da im dodeljuju znaajnost i prioritet. Zasnivaju se na predstavljanju i upotrebi znanja, heuristici, procesima zakljuivanja, simboliki su orjentisani, procesi su aktivni i mogue je dobiti objanjenje kako su doli do odreenog rezultata i zbog ega. ES, po potrebi, upozoravaju korisnike da je dobijeno reenje sa odreenim stepenom sigurnosti i da bi ga kao takvog trebalo i uzeti u obzir u daljem radu. ES nisu predvieni da iskljue eksperta iz razloga to nemaju kreativnost, imaju ograniene vidove primanja informacija, kao i ui spektar znanja i sagledavanja problema, ve su predvieni da omogue indirektno prisustvo eksperata u svim onim sluajevima u kojima je to potrebno, a u kojima sam ekspert ne moe po prirodi stvari da bude prisutan ili je obezbeenje njegovog prisustva suvie skupo. ES su programi koji reavaju realne medicinske, industrijske, finansijske, vojne probleme, probleme u planiranju, konfigurisanju i testiranju opreme itd. koji standardno zahtevaju ljudsku ekspertizu i rade koristei pri tom rezonovanje koje podsea na ljudsko, a ne na konvencionalne numerike postupke.
Ljudi Nepostojano Teko prenosivo Teko za dokumentovanje Nepredvidivo Skupo Kreativno Adaptivno Raznovrstan ulaz Zdrav razum Maine Permanentno Lako prenosivo Lako za dokumentovanje Konzistentno Ekonomino Neinspirativno Sve im se mora definisati Simboliki ulaz Formalizovano znanje

Tabela 4. - Poreenja mogunosti ljudske i mainske inteligencije uvanja i prenoenja znanja.

POREENJE Obrada podataka Predstavljanje i upotreba podataka Algoritamski Repetitivni postupak Baze podataka Ekspertni sistemi Predstavljanje i upotreba znanja Heuristiki Proces zakljuivanja Baze znanja

Tabela 5. - Uporeenje obrada podataka ekspertni sistemi ; poreenje osobina standardnih sistema obrade podataka sa osobinama ekspertnih sistema. 26

Osnovivetakeinteligencije

Slika 16. Osnovna struktura ekspertnog sistema

-Sadri znanja od eksperta odn. znanja o traenoj oblasti - Ona se ne menja Sadri metode za reavanje problema

-Sadri injenice dobijene od korisnika, odn. informacije o problemu koji se obrauje -Menja se

II tipa zakljuivanja: Unapred: injenice zakljuak Unazad: zakljuak injenice

Implementacija metoda zakljuivanja koje ekspert koristi u reavanju

Baza znanja (pravila)

Sistem zakljuivanja Agenda

Radna memorija (injenice)

Produkciona memorija

Sadri prioritetnu listu pravila

Baza injenica

Opcija objanjenja

Generator Ekspertnih Sistema

Opcija sticanja znanja

Korisniki interfejs

Sprega sa korisnikom

Slika 17. - Struktura ekspertnog sistema 27

Osnovivetakeinteligencije
Postoji tri generacije ekspertnih sistema: 1. First generation ekspert system 2. Second generation ekspert system 3. Real time ekspert system 1. Prva generacija se koristi za: dijagnostiku klasifikaciju dizajn 2. Druga generacija se koristi: dijagnostiku klasifikaciju dizajn selekciju odluivanje konfirmaciju supervizija i praenje tehnolokih procesa upravljanje nadgledanje kontrola planiranje 3. Ekspertni sistem sa radom u realnom vremenu koriste se u sledeim oblastima: automatsko pilotiranje komuniciranju medicini procesnoj kontroli Razlika izmeu ove tri generacije javljuju se u: Oblasti primene Strukturi Predstavljanju znanja Mehanizmima zakljuivanja Modulima za spregu sa korisnicima Modulima za spregu sa krajnjim korisnicima Prikupljanju znanja Programskim jezicima Hardverskim zahtevima U/I moduli II generacija Akvizaciji i rad sa signalima III generacija

28

Osnovivetakeinteligencije
8.PRIMEREKSPERTNOGSISTEMA

Slika 18. Program Exsys professional EDITOR Program Exsys professional EDITOR je program koji prua mogunost kreiranja ekspertnog sistema. Da bi se program osposobio za rad, potrebno je napraviti pre svega tabelu koja sadri najmanje 25 moguih izbora (kvalifikatora) , njihove karakteristike (varijable), kao i da li te karakteristike, i koliko, zadovoljavaju potrebe korisnika, koje se izraavaju u bodovima. Slika 19. - Primer izgleda popunjene tabele

29

Osnovivetakeinteligencije
Na slici 18. je prikazan izgled prozora kada se program pokrene. Na meniju imamo ponuene opcije File New; Open; Save; Save as; Revet to saved; Print; Print setup; Exit HelpContents; About Da bismo zapoeli sa kreiranjem Ekspertnog sistema, kliknuemo na New i nakon toga u polje za unos upisati naslov ekspertnog sistema i kliknuti na Ok

8.1.ProzorPARAMETERS

Polje za unos naziva ekspertnog sistema Polje za unos imena autora ekspertnog sistema

Umesto Yes/No odabraemo Incr/Decr (Ukljui/Iskljui) to predstavlja nain odluivanja Za nain zakljuivanja odabraemo sve mogue

Komandno dugme koje otvara prozor za pozdravnu poruku koja e biti prikazana korisniku pri startovanju programa Komandno dugme koje otvara prozor za zavrnu poruku koja e biti prikazana korisniku nakon poslednjeg upita, odn. pre prikaza izlaza Prikaz naina odluivanja

Polje u koje unosimo minimalni broj bodova koliko neki od kvalifikatora treba da zadovolji da bi bio prikazan krajnjem korisniku

Slika 20. Izgled prozora PARAMETERS Klikom na OK otvara nam se prozor za unos izborne liste

30

Osnovivetakeinteligencije
8.2.ProzorCHOICES
Klikom na dugme Find otvara se prozor u koji se unosi naziv izbora koji elimo da pronaemo (prethodno mora biti unosa) Klikom na dugme New choices otvara se prozor za unos novih izbora Da bismo mogli da kliknemo na dugme edit moramo selektovati odreen izbor i zatim izvriti izmene Dugme za brisanje prethodno unetih izbora

Slika 21. Izgled prozora Choices Klikom na OK Neranu imamo prikaz izgleda prozora Eksys professional sa menijem. Izabraemo iz menija RULE Variable list

Dodavanje novih pravila Otvara prozor za unos kvalifikatora Otvara prozor za unos variabli U sluaju da nismo uneli neki od izbora, unos je mogu naknadno

Slika 22. Meni Rule Izabraemo Variable list

31

Osnovivetakeinteligencije
8.3.ProzorVARIABLES

Lista varijabli

Ukoliko elimo da izvrimo izmenu neke varijable Unos nove varijable

Vrsta varijable koja ukljuuje samo brojeve Vrsta varijable koja obuhvata nizove znakova, koji mogu predstavljati ime, string brojeva, reenica, pasus, a moe biti i prazan string Vrsta varijable koja ukljuuje samo tekst

Slika 23. Prozor Variable Klikom na New variable otvara se sledei prozor

Slika 24. Prozor za dodavanje variable

Polje za unos imena varijable Polje za unos prikaza varijable Polja za unos vrednosti koje su prethodno uneene u tabelu. U polju Initialize unosi se inicijalni broj (u ovom sluaju cena) U polju Upper L. se unosi gornji limit (primer varijabla MAXCENA i MAXBAT) U polju Lower L. se unosi donji limit (primer varijabla MAXCENA i MAXBAT) Za svaki izbor koji je unet u prethodnom koraku (Choices) potrebno je uneti varijablu (Cena telefona i duina dranja baterije) koja je bitna za izbor koji e biti prikazan na kraju kao izlaz krajnjem korisniku.

Izbor varijable

32

Osnovivetakeinteligencije
8.4.ProzorQUALIFIERS
Dugme za pronalaenje odreenog, prethodno unesenog, kvalifikatora Ime kvalifikatora Dugme za izmenu kvalifikatora ili njegovih vrednosti) Dugme za unos novog kvalifikatora

Lista kvalifikatora

Slika 25. Prozor Qualifiers

Kliknuemo na New Qual. nakon ega nam se otvara sledei prozor Slika 26. Prozor Add Qualifiers Prozor za unos poruke koja e biti prikazana u vidu upita kada se program pokrene Prozor za unos vrednosti prethodno unesenog kvalifikatora ( u ovom sluaju su to Window i Symbian, u sledeim Da i Ne). Unos se vri tako to se u Value unese vrednost i zatim se klikne na Add) Lista unesenih vrednosti

33

Osnovivetakeinteligencije
8.5.ProzorADDRULE
Da bismo postavili pravila, potrebno je prema tabeli utvrditi na koji emo nain pojedine kvalifikatore izbaciti iz izlazne liste,a koje ostaviti. Npr. da bi smo ostavili telefone ija je cena jednaka ili manja od maksimalne cene koju smo spremni da platimo,pravilo e glasiti Primer 1: Ako je MAXCENA>=CENA TELEFONA Onda dodaj tom telefonu vrednost 30 U suprotnom oduzmi 100 bodova (odn. ukloni ga sa potencijalne izlazne liste) Ili da bismo ostavili one telefone ija baterija ima veu izdrljivost od one koju smo uneli: Primer 2: Ako je MINBAT<=Duine trajanja baterije odredjenog telefona Onda dodaj tom telefonu vrednost 30 U suprotnom oduzmi 100 bodova (odn. ukloni ga sa potencijalne izlazne liste) Ili ako imamo dve vrednosti jednog Kvalifikatora (da i ne, Windows i Symbian) na sledei nain emo eliminisati one koje ne zadovoljavaju postavljeni kriterijum Primer 3: Ako je Operativni sistem koji elite da va telefon poseduje je: Windows Onda dodaj tim telefonima vrednost 30 I telefonima koji nemaju Windows (imaju Symbian) oduzmi 100 U suprotnom (znai da je operativni sistem Symbian) dodaj tim telefonima 30 bodova I ostalim (koji imaju Windows) oduzmi 100 Na ovaj nain program pamti one Kvalifikatore koji imaju dovoljno bodova da se nadju na naoj listi. Oduzimanjem 100 bodova odredjene kvalifikatore skidamo sa izlazne liste.

34

Osnovivetakeinteligencije
8.5.1.PravilasaopcijomVar./Math

Slika 27. Klikom na Var/math otvara nam se prozor Add Formula. Klikom na dugme Display Variables otvara nam se prozor sa prethodno unetim varijablama.

Klikom na dugme Var/Math prua nam se mogunost da unesemo formulu, koristei pritome Varijable koje smo prethodno uneli. Kada izaberemo varijablu biramo znak (<,>,<=,>=,=) u zavisnosti ta pravilom elimo da postignemo, a potom biramo i drugu varijablu i kliknemo na OK. Zatim kliknemo na dugme ispred THEN part i klikom na Choice otvara nam se lista i biramo neki od unosa koji smo ranije ubacili (taj izbor mora odgovarati drugoj izabranoj varijabli), dodeljujemo joj bodove sa skale (nain bodovanja opisan na prethodnoj strain) i kliknemo na OK Lista izbora

Bodovna sklala

Slika 28. Prozor koji se otvara klikom na dugme Choices

Prikaz bodova Dugme za unos nvih izbora Dugme za izmenu u izboru 35

Osnovivetakeinteligencije
Zatim emo kliknuti na dugme ELSE part i ponovo kliknuti na Choices gde emo predjanjem izboru dodeliti vrednost -100 i time je ako ne zadovoljava kriterijume skinuti sa izlazne liste. Nakon tih koraka prozor e nam izgledati:

Slika 29. Izgled prozora Rule nakon unosa Varijabli i uslova

8.5.2.PravilasaopcijomQualifiers
Slika 30. Kada u prozoru Rule, kliknemo na dugme Qualifier, otvara nam se prozor u kome vrimo odabir Kvalifikatora, kao i vrednost tog kvalifikatora koja e nam ujedno i odrediti kako e nam izgledati uslovi Then i Else. Klikom na OK vraamo se u prozor Rule i kliknemo na dugme THEN part i klikom na dugme Choice otvara nam se lista iz koje odabiramo one telefone koji zadovoljavaju kriterijume i dodeljujemo im vrednost 10, a one koji ne zadovoljavaju iskljuujemo ih iz izlazne liste i dodeljujemo im vrednost -100. Zatim isti postupak obavljamo i za opciju ELSE part (naini na koje dodeljujemo vrednosti je iznesen na strani 34 i prikazan na sledeoj) . 36

Osnovivetakeinteligencije

Slika 40. Prozor Rule nakon unesenog Kvalifikatora i uslova 37

Osnovivetakeinteligencije
Kada unesemo sva pravila koja su potrebna, odn. klikom na OK kod poslednjeg unesenog pravila pojavljuje nam se prozor u kom emo iz menija Options izabradi opciju Run .

Slika 41. Izgled ekrana nakon unosa pravila Na taj nain pokreemo program gde emo odgovarajui na pitanja pitanja (moe dvoklik na ponueni odgovor) dolazimo do izlazne liste. Ukoliko nijedan od izbora koji smo uneli ne ispunjava uslove, na ekranu e se pojaviti poruka

Slika 42. Izgled ekrana ukoliko nema zadovoljavajueg izlaza u suprotnom Slika 43. Izgled ekrana ukoliko ima vie zadovoljavajuih izlaza

Ako obeleimo neki od izlaza i kliknemo na dugme How, pojavie nam se prozor koji nam objanjava koje je to kriterijume ovaj izlaz ispunio i na koji nain. Klikom na Ok prelazi se na sledei prozor 38