PRIKAZ ZNANJA

Znanje je osnovni resurs ekspertnih

sustava
koji
omoguuje
njihovu
specijalizaciju i efikasnost. Analizirati e se:
osnovne znaajke znanja i njegova
strukturu
metode prikaza znanja (jer o izboru metode
prikaza znanja ovisi kvaliteta i efikasnost ekspertnih
sustava). produkcijska pravila,

stabla odluivanja,
semantike mree i
okviri.

ZNANJE
U rjeavanju problema ekspertni sustavi se
dominantno oslanjaju na znanje, a manje na metode
zakljuivanja. Jedan od osnovnih razloga za to je taj
to znaajan dio realnih problema nema rjeenje u
obliku algoritma, tj. preciznog i jednoznanog
postupka rjeavanja problema. Takoer, poznato je da
eksperti postiu znaajnu efikasnost u rjeavanju
problema zbog svog akumuliranog znanja.

Znanje koje koriste eksperti treba biti prikazano

na takav nain da se moe efikasno koristiti u
procesu zakljuivanja, te da ga mogu koristiti i
ljudi i raunala. To znai da znanje mora biti
strukturirano, tako da ga moemo pohraniti i
obraivati u raunalima te prenositi s raunala na

Prijenos znanja je posebno vaan jer se samo

prenosivo znanje moe u punoj mjeri koristiti,
kako na razliitim lokacijama tako i od strane
velikog broja ljudi. Prednost znanja prikazanog u
eksplicitnom obliku je i u tome to se ono moe i
provjeriti u smislu tonosti, konzistentnosti i
potpunosti.
Kod ekspertnih sustava vano je specifino znanje
o podruju specijalizacije ekspertnog sustava.
Takvo nam znanje omoguuje prirodan, precizan i
detaljan opis fenomena iz podruja specijalizacije,
ime se ujedno osigurava i efikasno zakljuivanje.
Stvaranje baze znanja iz nekog podruja usko je
povezano s procesom prikupljanja znanja od
eksperata, tijekom kojeg se znanje kojim ekspert

VRSTE ZNANJA

Deklarativno i proceduralno
Plitko i duboko
Javno i privatno

Deklarativno i proceduralno znanje

Ova je podjela u znaajnom mjeri povezana sa
razlikom izmeu podruja interesa ekspertnog
sustava i zadataka koji se postavljaju pred
ekspertne sustave.
Znanje o podruju interesa ekspertnog sustava
(npr. geologiji, kardiologiji, ili raunalnim sustavima)
je deklarativno znanje, odnosno znanje o postojanju
nekih injenica, zakonitosti i sl. (npr. opis znaajki
bolesti,
interpretacija
spektrograma,
zakoni
elektromagnetizma).
Znanje o zadacima koji se mogu postaviti u
podruju specijalizacije (npr. dijagnoza bolesti, ili
konfiguriranje raunalskog sustava) je meutim
proceduralno znanje, odnosno znanje o tome kako
se neto moe izvesti, odnosno kako da se to

U nekim situacijama je prirodnije i jednostavnije

koristiti deklarativno, a u drugim proceduralno
znanje. U sluajevima u kojima je vana struktura
znanja a manje je vaan redoslijed akcija kojima tu
strukturu realiziramo (npr. opis karakteristika bolesti),
deklarativno znanje je adekvatan tip znanja za opis
situacija. U sluajevima u kojima je bitan redoslijed
koraka za realizaciju cilja (npr. lijeenje bolesti),
prikladnije je koritenje proceduralnog znanja.
Plitko i duboko znanje
Znanje moemo prikazati na razliitim razinama, s
razliitim udjelom osnovnih principa, zakonitosti i
uzronih veza koje odreuju funkcioniranje podruja
od interesa. Ovisno o situaciji moemo biti
orijentirani na koritenje razliitih razina znanja.
Obino govorimo o dvjema osnovnim razinama

Plitko znanje je ono koje uzima u obzir samo

fenomenoloke informacije o sustavu, a ne ulazi u
uzrono-posljedine veze meu elementima
sustava. Ova vrsta znanja je obino vezana za
neki specifini tip problema, i temeljena je na
empirijskom i heuristikom znanju. Ono prikazuje
sustav kao 'crnu kutiju' te promatra samo ulaznoizlazno ponaanje sustava, tj. za svaki ulaz
pronalazi odgovarajui izlaz. Tako se npr. plitko
znanje o kopirnom aparatu svodi na nain
reagiranja u razliitim situacijama u kojima kopirni
aparat ne radi ili je pokvaren. Jedan indikator
oznaava da nema papira, drugi da je papir zapeo
u aparatu, i sl. Propisane reakcije u korisnikim
prirunicima na stanje razliitih indikatora u
najveem broju sluajeva sasvim su dovoljne da

Duboko znanje naprotiv prikazuje unutranju

strukturu sustava, funkcije njegovih elemenata,
uzrono-posljedine veze koje u tom sustavu
vladaju te dublje zakonitosti u sferi fenomena od
interesa. Duboko je znanje stoga fleksibilnije od
plitkog znanja i moe se primijeniti na vie
razliitih situacija i zadataka. Tako npr. duboko
znanje o kopirnom aparatu ukljuuje detaljno
znanje o sastavu
aparata i funkciji njegovih
komponenti, kao i osnovne zakonitosti rada
elektrikih, elektronikih, optikih i kemijskih
elemenata aparata. Ovakvo znanje omoguuje
ekspertu ne samo da rjeava sloenije probleme
koji se mogu pojaviti, ve i da razumije rad ire

Ekspertni sustavi koji koriste plitko znanje ne mogu

generalizirati svoje znanje koritenjem analogije, pa
stoga ne mogu stvarati zakljuke i o sustavima koji
imaju slinosti sa sustavom za koji su oni razvijeni.
Pitanje je koje dubine treba biti znanje koje emo
upotrijebiti u nekom ekspertnom sustavu. Oigledno je
npr. da nije potrebno upotrijebiti znanje iz kvantne fizike
za popravak kopirnog aparata - razina opisa znanja
treba biti u skladu sa zahtjevima koji se postavljaju pred
ekspertni sustav te sa sloenou podruja u kojem
ekspertni sustav radi.
Plitko znanje je obino lake prikupljati i upotrebljivo je
u problemima koji se pojavljuju najee, dok duboko
znanje moe rijeiti sloenije i raznovrsnije probleme i
ima ga smisla koristiti samo u tu svrhu. to se tie
izbora metode prikaza znanja, bitno je da odabrani
prikaz znanja moe prirodno opisati strukturu i

Javno i privatno znanje

Javno znanje ukljuuje injenice i teorije
objavljene u knjigama, asopisima i sl., dok je
privatno znanje iskustveno znanje koje se
sastoji u heuristikim (tj. priblinim i intuitivnim)
pravilima o nainu rjeavanja problema, o
efikasnom koritenju pogrenih ili nepotpunih
podataka (Hayes-Roth i dr., 1983).
Koritenje znanja
Tri faze:
Stjecanje znanja
Pretraivanje znanja i
Zakljuivanje pomou znanja

Stjecanje znanja odnosi se na povezivanje novo

prikupljenog znanja u postojeu bazu znanja. Da bi se to
mogli uiniti znanje je prvo potrebno strukturirati, a
zatim ga treba povezati s prethodno uskladitenim
znanjem (to odgovara procesu uenja kod ovjeka).
Pretraivnje znanje (to odgovara prisjeanju kod
ovjeka), odnosno pronai one injenice i relacije koje su
nam potrebne u rjeavanju odreenog problema. U tu
se svrhu znanje grupira i povezuje.
Proces zakljuivanja temeljen je na koritenju
strukturiranog znanja. Pokazali smo kako se odvija
proces zakljuivanja u formalnoj logici (formalno
zakljuivanje) a u ovom poglavlju emo vidjeti kako
funkcionira proceduralno zakljuivanje kod znanja koje
se prikazuje pomou produkcijskih sustava. ovjek
takoer koristi i razne druge oblike induktivnog
zakljuivanja,
npr.
zakljuivanje
po
analogiji,

KOMPONENTE ZNANJA
Da bismo mogli prikazati znanje moramo
odrediti pravu razinu prikaza elemenata
znanja te imati mogunost za opis objekata,
njihove
organizacije
i
meusobne
povezanosti.
to se tie izbora odgovarajue razine
prikaza znanja, ona ovisi o konceptualnim
objektima koje koriste eksperti u tom
podruju ali i o specifinoj namjeni
ekspertnog sustava. Tako npr. raunalni
sustav moemo opisati pomou
agregiranog opisa raunala i raunalne
mree koji ukljuuje samo najvanije

Ukoliko je meutim cilj ekspertnog

sustava
da
se
njime
analizira
konfiguracija
raunalne
mree
i
prikladnost
strukture
umreenih
raunala (centralna jedinice, vanjske
memorije, karakteristike mree) tada e
opis sustava morati obuhvatiti i
relevantne detalje o navedenim
elementima sustava. Ukoliko je cilj
ekspertnog sustava analiza prikladnosti
operacijskog sustava i ostalih sistemskih
softvera, tada e i oni morati biti
detaljnije opisani.

Kada smo prema potrebnoj razini prikaza

znanja odabrali skup objekata kojeg emo
koristiti kod prikaza znanja o sustavu,
tada je potrebno definirati osnovne
komponente znanja relevantne za prikaz
znanja
ekspertnih
sustava.
Te
su
komponente (Parsaye i Chignell, 1988)

imenovanje objekata,
opis njihovih svojstava,
nain
organizacije
objekata
kategorije objekata,
opis veza meu objektima te
ogranienja u opisu objekata.

Imenovanje objekata
Ime objekta je simbol koji zamjenjuje sam objekt i
koji ujedno omoguuje razlikovanje objekata: tako
je "trokut" ime geometrijskog objekta, "Pliva" je
ime poduzea, i sl. Imena moraju biti jedinstvena
tako da ne bi moglo biti sumnje o kojem je
objektu rije (npr. moe biti vie osoba koje imaju
ime Mladen Mari), pa u tu svrhu jedinstvenog
imenovanja objekata moemo:
Dodati vie detalja imenu
(npr. ime, srednje
ime, i prezime; Mladen K. Mari),
Pridijeliti svojstva imenu
(npr. datum
roenja, spol, visina: 14.6.1957., muki, 186 cm)
Dodijeliti ifru imenu
(npr. jedinstveni matini
broj graana)

Opisivanje objekata
Za sloenije objekte postoji niz razliitih svojstava
koja mogu biti vana za prikaz znanja o objektu.
Ta svojstva mogu biti ili pridjevi (brz, visok,
bolestan) ili vrijednosti koje opisuju objekt (teina,
starost, tlak), pa tako raunalo moemo opisati
Vrsta raunala:
IBM PC
sa:

Tip procesora: Pentium III, 1.5 GHz

Ekran: LCD, 17 "
Glavna memorija: 32 MB
Starost: 2 godine

Koja emo svojstva koristiti ovisi o svrsi ekspertnog

sustava. Ekspertni sustav za izbor raunala trebat e samo
njegove osnovne karakteristike, dok e ekspertni sustav
za dijagnozu kvara raunala morati posjedovati detaljnije
znanje o strukturi hardvera, kao i o osnovnim znaajkama

Organiziranje objekata u kategorije

Kada postoji srodnost meu nekim objektima
sustava oni se mogu organizirati u kategorije (npr.
vrste prometnica, tipove zrakoplova, ili kategorije
knjiga) u kojima su objekti sa slinim svojstvima
(npr. ratni zrakoplovi). Organiziranje objekata u
kategorije
znaajno
olakava
pretraivanje
objekata. Naime, kod sluajne organizacije
objekata pretraivanje se moe raditi jedino tako
da se redom pretrauju svi objekti. Ako se objekti
svrstaju u kategorije tada je pretraivanje znatno
bre, jer je prema svojstvima objekta kojeg
traimo
ograniiti
pretraivanje
na
Najee se mogue
koristi hijerarhijska
organizacija
znanja u kojoj
pojedinu
kategoriju
objekata.
se kategorije
grupiraju
u vie kategorije, te se vie
kategorije dalje grupiraju u jo vie kategorije, itd.

Hijerarhijska organizacija znanja o knjigama

Ako u ovakvoj organizaciji knjiga traimo povijesnu knjigu

o ratovima u 20. stoljeu jasno je da emo takvu knjigu
nai daleko bre nego to bismo to mogli kod sluajne
U
mrenoj organizaciji
organizacije
knjiga. znanja mogue su i veze meu objektima koji
pripadaju razliitim kategorijama i razliitim razinama organizacije. U
ovakvoj organizaciji znanja je zbog slobodnije organizacije znanja i

Veze meu objektima

Znanje o objektima ukljuuje i razliite vrste veza
meu objektima. Veze mogu biti deklarativne ili
proceduralne.
Deklarativne veze opisuju statike veze meu
objektima.
mogu(npr.
biti:
StrukturalneTo
veze
veze meu elementima ipa),
Porodini tip veza
Veze zakonitosti
sustava)

(npr. veze meu tipovima vozila),

(npr. veze meu elementima ekonomskog

Proceduralne veze opisuju korake akcije koja

povezuje objekte. Tako su kod kemijske sinteze
objekti kemikalije koje su koritene u sintezi kao i
one koje su nastale kao produkt sinteze. Veza meu
objektima (tj. kemikalijama) predstavlja proceduru
kojom se iz odreenih polaznih kemikalija dobiva
eljena kemikalija. Proceduralne veze bliske su i s
postupkom zakljuivanja koji tu proceduru mora

Ogranienja u opisu objekata

Ogranienja predstavljaju uvjete na svojstva
objekata, njihovu organizaciju i veze meu njima.
Tako moemo ograniiti:
Starost namjetenika na 16-65 godina,
Raunala tipa radnih stanica imaju glavnu memoriju veu
od 10 GB,
Brzina vozila u gradu na ispod 50 km/sat.

Ogranienja su vana zato to se mogu koristiti za

provjeru ispravnosti znanja, ali i za zatitu integriteta
baze znanja. Osim toga, ona mogu pruiti znanje o
ogranienjima objekata koji dolaze u obzir kao kandidati u
procesu
zakljuivanja.
Metode
prikaza znanja

Postoje razliiti oblici znanja koje ljudi koriste, a

isto tako varira i sloenost znanja kojeg
upotrebljavamo. Stoga je razvijeno i vie razliitih

Dobre metode prikaza znanja trebaju omoguiti

prikaz svih znaajnih oblika znanja u podruju
interesa, povezivanje novog znanja s postojeim
znanjem, rukovanje znanjem (pretraivanje,
mijenjanje, i sl.) te efikasno zakljuivanje pomou
znanja.
produkcijska pravila,
stabla odluivanja,
semantike mree i
okviri.
PRODUKCIJSKA PRAVILA
Produkcijska pravila (odnosno produkcijski
sustavi, ili sustavi temeljeni na pravilima)
predstavljaju jednu od najstarijih i najvie
koritenih metoda prikaza znanja, temeljenu na
propozicijskoj logici.

Produkcijska pravila prvi je u simbolikoj logici upotrijebio

Post (1943), koji je dokazao da se bilo koji matematiki i
logiki sustav moe napisati pomou nekog tipa
produkcijskih pravila. Pri tom pravila specificiraju kako se
od nekog ulaznog niza simbola moe proizvesti novi
izlazni niz simbola (kod ekspertnog sustava ulaz moe
npr. biti "motor ne pali", a izlaz "zamijeni svjeicu").
Produkcijska pravila su u podruje umjetne inteligencija
uveli Newell i Simon (1972), koji su ih upotrijebili kao
model naina na koji ljudi predstavljaju i rjeavaju
Znanje
u produkcijskim sustavima sastoji se od skupa
probleme
pravila oblika:
AKO uvjet
TADA akcija
Pogledajmo jedan primjer pravila:
AKO skladite je gotovo prazno I
postoji potranja za robom
TADA treba poslati narudbu za robom

Ovakva jednostavna struktura za prikaz znanja pokazala

se vrlo prikladna za niz podruja u kojima su izgraeni
ekspertni sustavi, te je koritena i u nekim od prvih
uspjenih ekspertnih sustava kao to su DENDRAL i
MYCIN. Evo jednog primjera pravila u sustavu DENDRAL
(Lindsay i dr., 1980):
AKO molekularni spektar ima dva maksimuma u masama
x1 i x2 takva da je
a) x1 + x2 = M + 28
I
b) x1 - 28 je visoki maksimum
I
c) x2 - 28 je visoki maksimum
I
d) bar jedan od x1 i x2 je visok
TADA molekula sadri ketonsku grupu
Osnovni pristup aktiviranju produkcijskih pravila je
sljedei:
Kada su uvjeti nekog pravila zadovoljeni pomou injenica
iz baze podataka (radne memorije) koja opisuje stanje
specifinog objekta, tada pravilo postaje primjenjivo.

Struktura produkcijskog sustava

Globalna baza podataka - dinamika struktura koja

sadri podatke o specifinim objektima koji se ispituju
(injenice) te o trenutanom stanju procesa zakljuivanja
(ukljuujui i novostvorene
injenice proistekle iz
aktiviranih pravila).
Produkcijska pravila - opa znanja o podruju od
interesa izraena u obliku pravila.
Upravljaki sustav - interpretator pravila koji upravlja
redoslijedom aktiviranja pravila i razrjeava konflikte koji
se pojavljuju ako je u jednom trenutku primjenjivo vie
pravila. Upravljaki sustav aktivira pravila sve dok se ne

Mehanizam zakljuivanja
Tijekom procesa zakljuivanja upravljaki sustav slijedi
ciklus prepoznaj-djeluj, koji se sastoji od sljedeih koraka:
PODUDARANJE UZORAKA
RAZRJEAVANJE KONFLIKATA
AKCIJA

Najosjetljiviji dio procesa zakljuivanja je faza

razrjeavanja konflikta. Ova faza je posebno vana
stoga to aktiviranje jednog pravila moe zbog
stvorenih promjena u bazi podataka dovesti do
promjene u mogunosti aktiviranja drugih pravila (pa
i pravila iz liste primjenjivih pravila). Izbor dobre
strategije razrjeavanja konflikta treba istovremeno
omoguiti dvije stvari: osjetljivost ekspertnog sustava
(tj. brzu reakciju na promjene u bazi podataka) i
njegovu
stabilnost
(tj.
kontinuitet
u
toku

Pravilu se ne dozvoljava da bude aktivirano vie

nego jednom s istim podacima (jer bi to dupliciralo
podatke u bazi podataka). Na taj nain se preferiraju
nove mogunosti i izbjegava uzastopno ponavljanje
istog lanca zakljuivanja.

Pravila koja koriste svjeije podatke iz baze

podataka imaju vii prioritet. Time se slijedi svjei
trag zakljuivanja.
Specifinija pravila, tj. ona s veim brojem uvjeta,
imaju vei prioritet. Time se u postupku zakljuivanja
daje prednost pravilima koja je tee aktivirati, a
ujedno se koristi vie postojeih podataka.
Najsvjeije koritena pravila (ili najsvjeije
Neki
od ekspertnih
sustava, npr. OPS5 (Brownston
koritene
varijable) imaju

i dr, 1985) mogu koristiti nekoliko razliitih

strategija razrjeavanja konflikta.

Proces zakljuivanja moe raditi u dva smjera. Kod

ulanavanja prema naprijed, prirodnog za produkcijske
sustave, kree se od injenica pomou kojih se nalaze
pravila iji uvjeti su zadovoljeni nekim od postojeih
injenica. Time se omoguuje izvoenje akcija u zakljuku
pravila, mijenja se sadraj radne memorije, itd. To je dakle
zakljuivanje od injenicama prema ciljevima. Ovakav
pristup koristi npr. ekspertni sustav OPS5.
Ulanavanje prema natrag dosta se rijetko koristi kod
produkcijskih sustava. U ovom pristupu se kree od
ciljeva, nalaze se akcije u pravilima koje odgovaraju
ciljevima, i ispituje se da li su uvjeti u tim pravilima
ispunjeni injenicama iz baze podataka. Ako nisu, trae
se druga pravila ije akcije odgovaraju tim uvjetima
prethodnih pravila, kada se takva pravia nau ispituje se
da li su njihovi uvjeti ispunjeni, itd. Ovakav pristup koristi
se kod ekspertnog sustava MYCIN (Shortliffe, 1976), pa
ako se npr. eli odrediti identitet mikro organizama koji

Dobre i loe strane produkcijskih pravila

Dobre strane produkcijskih sustava su sljedee
(Firebaugh, 1988). Znanje ljudi moe se vrlo prirodno
prikazati pomou produkcijskih pravila, a ta pravila su
jednostavna i itka. Pravila su osim toga modularna i
meusobno nezavisna pa izmjena, dodavanje ili
izbacivanje pravila iz skupa pravila ne utjee na ostala
pravila iz baze znanja. Osim toga, pravila ne sadre
upravljanje zakljuivanjem pa je baza znanja potpuno
nezavisna od mehanizma zakljuivanja.
Slabosti
(loe strane): Iako su pravila jasna kada se
promatraju pojedinano, nije ih lako razumjeti gledajui ih
kao cjelinu. Sljedei problem je u tome to se u svakom
ciklusu rada produkcijskog sustava obavlja iscrpno
pretraivanje budui da je teko stvoriti neku hijerarhiju
meu pravilima. Napokon, produkcijski sustavi ne mogu
uiti jer nemaju mogunost da automatski mijenjaju,
dodaju ili briu pravila iz baze znanja.

Primjene produkcijskih sustava

Produkcijski sustavi mogu se uspjeno primijeniti
u podrujima koja im po znaajkama odgovaraju.
Pri tom je najvanije da struktura znanja u
podruju
primjene
odgovara
strukturi
produkcijskih sustava, te da se u tom podruju
koristi niz nezavisnih pravila (to je npr. sluaj u
identifikaciji rudnih naslaga, dijagnozi bolesti,
konfiguriranju raunalskih sustava ili vremenskom
planiranju u proizvodnji).
Neki od ekspertnih sustava temeljeni na
produkcijskim pravilima su ve spomenuti
programski sustavi DENDRAL, MYCIN i OPS5.

STABLA ODLUIVANJA
Stabla odluivanja su metoda koja omoguuje i
prikaz znanja i zakljuivanje pomou znanja
(Giarratano i Riley, 1998). Zbog svojeg
hijerarhijskog karaktera stabla odluivanja su
prirodna metoda za odluivanje vezano uz
klasifikaciju
objekata.
Prikaz znanja
Stabla odluivanja sastoje se od vorova i grana.
Grane povezuju roditeljske vorove s djejim
vorovima. vor na vrhu stabla koji nema roditelja
naziva se korijenski vor. vorovi koji nemaju
djece nazivaju se listovi. Listovi u stablu
odluivanja prikazuju sva mogua rjeenja zadanog
problema. Oni se nazivaju i vorovima odgovora,
dok se svi ostali vorovi u stablu nazivaju

vorovi odluivanja prikazuju pitanja ili odluke.

Kada odgovorimo na pitanja, odnosno donesemo
odluku, time je odreena grana stabla odluivanja
koje treba slijediti. Odgovori na pitanja mogu biti
da ili ne, a mogu biti i izbori izmeu vie od
dviju moguih vrijednosti, odnosno izbori u kojima
se odluka donosi vezano za to u koje podruje
vrijednosti
tekua vrijednost neke varijable.
Mehanizamspada
zakljuivanja
Na narednoj slici prikazano je stablo odluivanja za odluku o
tome da li emo gledati neki film. Odluivanje u tom
stablu izvodi se odgovaranjem na pitanja postavljena u
vorovima stabla. Prvo je pitanje Poznati redatelj?, i na
njega imamo dva odgovora: da ili ne. Ukoliko je
odgovor da tada trebamo odgovoriti na pitanje ima li u
filmu nasilja. Ako je odgovor da tada ne idemo gledati
ovaj film, a ako je odgovor ne tada se odgovara na
daljnja pitanja, sve dok ne doemo do odluke o tome da li

Ovo stablo odluivanja je

binarno, jer na svako
pitanje imamo samo dva
mogua odgovora. Stabla
odluivanje mogu imati i
vie od dva odgovora na
pitanje, odnosno vie od
dvije grane koje izlaze iz
jednog vora. Tako npr. na
pitanje o udjelu nasilja u
filmu
moemo
imati
odgovore: nema nasilja,
malo nasilja i puno
nasilja.

Uenje
Stabla odluivanja mogu uiti, i to na taj nain da ukoliko je
neka grana u stablu odluivanja ponudila krivu klasifikaciju,
tada ekspertima koji imaju pravo dodavati novo znanje
omoguujemo da to kroz dijalog sa stablom odluivanja
konstatira i da ponudi ispravnu klasifikaciju. Uenje dakle
predstavlja dodavanje novog znanja u stablo odluivanja
tijekom procesa odluivanja. Tehniki to izgleda ovako: kada
je stablo odluivanja dolo do odgovora (ishoda), ono
postavlja pitanje korisniku da li je taj odgovor toan. Ukoliko
je odgovor toan, tada se nita ne poduzima. Ukoliko odgovor
nije toan, stablo odluivanja se modificira kako bi ukljuilo
ispravan odgovor. Tada se npr. vor odgovora moe
nadomjestiti s vorom odluke koji sadri novo pitanje koje
osigurava da se odluivanjem moe dobiti ispravan odgovor.

Tako bi se npr. u grani koja je ustanovila da je

kritika za nepoznatog redatelja dobra moglo
traiti da se promijeni ishod da, i to tako da se
on zamijeni pitanjem da li je redatelj mlad?.
Ukoliko je odgovor na to pitanje da tada se
preporua gledanje filma, a ako je odgovor ne
tada ne bi trebalo riskirati da se gleda film
starijeg nepoznatog redatelja iji film jo k tome
ima lou kritiku. Ova procedura odgovara
automatiziranom sakupljanju znanja u kojem
uestvuju ovjek i softver.

Stabla odluivanja i pravila

Stabla odluivanja mogu se mehaniki prevesti u
pravila, i to tako to se za svaki vor stvara jedno
pravilo. vor da li u filmu ima nasilja? se tako
pretvara u sljedea dva pravila:
AKO pitanje glasi da li u filmu ima nasilja? I
odgovor je da
TADA odluka je ne
AKO pitanje glasi da li u filmu ima nasilja? I
odgovor je ne
TADA postavlja se pitanje da li je to politiki
film?

Dobre i loe strane stabala odluivanja

Stabla odluivanja su pogodna za
probleme klasifikacije te za probleme koji
pruaju odgovor na problem iz
predeterminiranog skupa moguih
odgovora (npr. izbor lijeka iz skupa moguih
lijekova, ili izbor uzroka prestanka rada
stroja iz skupa moguih uzroka).
Stabla odluivanja nisu pogodna za
proceduralne probleme kao to su problemi
planiranje i sinteze, kod kojih treba
generirati rjeenja a ne iskljuivo raditi

SEMANTIKE MREE
Semantike mree (odnosno asocijativne mree)
razvio je Quillian (1968) kao model asocijativne
memorije ovjeka, u okviru istraivanja u podruju
razumijevanja prirodnog jezika. Pomou mree
vorova koji predstavljaju koncepcije i relacije
napravio je model pretraivanja memorije.
Prikaz znanja
Semantike mree su grafovi koji se sastoje od

vorova, koji opisuju objekte, koncepte ili

situacije, a prikazuju se pravokutnicima ili
krunicama, i
usmjerenih lukova, koji prikazuju veze meu

(1) Pripadnost klasi oznaava da je jedna vrsta

objekata podvrsta od openitije vrste. Tako
moemo rei (slika 5.4. a):
Pas je sisavac.
Sisavac je ivotinja.
Prije svega vidimo da ove dvije vrste veza meu
vorovima moemo napisati nezavisno, kao dvije
nezavisne relacije. Zatim uoavamo da je toan
smisao ovih dviju veza ovaj:
Svi psi su sisavci.
Svi sisavci su ivotinje.
Konano, iz ove dvije injenice moemo oito
izvesti dodatni zakljuak: "Pas je ivotinja". Ovo
tranzitivno svojstvo semantikih mrea, zvano
hijerarhija nasljeivanja, omoguuje jednostavnu

(2) Biti primjerak klase znai pripadati toj klasi, ali ne kao njena
podklasa ve kao specifini objekt iz klase. Primjer sa slike 5.4.
b:
(c) Svojstva objekata (klasa i primjeraka klasa)
Don je pas.
kae da je Don pripadnik klase pasa. Budui da je pas sisavac
(slika 5.4. a) tada Don kao primjerak klase pasa nasljeuje
pripadnost sisavcima, a zatim i ivotinjama.
(3) I klase i primjerci klasa mogu imati neka svojstva i neke
relacije s drugim primjercima ili klasama. Primjer sa slike 5.4. c
prikazuje nekoliko svojstava i relacija:
Pas moe lajati.
Lumpi je crne boje.
Lumpi voli Dona.
Zbog nasljeivanja vrijedi da npr. "pic moe lajati" te da "Lumpi
moe lajati".
Mogunost nasljeivanja, koja se naziva i nasljeivanje svojstava,
je vrlo vana karakteristika prikaza znanja, i vrlo je rairena u
metodama prikaza znanja. Ona predstavlja utedu memorije, ali
moe izazvati i probleme (npr. kada dozvolimo postojanje

Mehanizam zakljuivanja
Semantikoj mrei moemo lako dodati veliki broj
razliitih tipova veza ("ima", "poznaje", "voli", itd.),
ali moramo imati i mehanizam zakljuivanja koji e
interpretirati tu semantiku mreu i donositi
zakljuke o njoj.
Prirodno je kod zakljuivanja krenuti od vora u
kojem postavljamo pitanje, slijediti kazaljke (engl.
pointers) tog vora i dalje odluivati kojim e se
putem ii da bi se dolo do odgovora na postavljeno
pitanje. vorovi se pritom pozivaju imenom, a to je
mehanizam
koji
nazivamo
asocijativnom
memorijom.
Pri tome je nasljeivanje svojstava osnovni
mehanizam zakljuivanja.
Na kraju ovog odjeljka pokazat emo kako se

Dobre i loe strane semantikih mrea

Semantike mree omoguuju da se znanje prikae
na jednostavan i razumljiv nain. One meutim imaju
i nekoliko nedostataka. Prije svega, potrebno je vrlo
paljivo dodijeliti znaenje vorovima tako da oni
imaju jasnu interpretaciju, to je mnogo tee
napraviti nego npr. u formalnoj logici. Pretraivanje u
mrei moe dovesti do kombinatorike eksplozije, a u
semantikoj mrei nije mogue ugraditi znanje o tome
kako da se pretraivanje mree izvede efikasno
Primjene semantikih mrea
Semantike mree naroito su pogodne za probleme u
kojima se pojavljuju klasifikacijske hijerarhije npr. vrste
bolesti, ivotinja, ili vozila). Jedan rani primjer primjene
semantikih mrea je program SIR (Raphael, 1968) koji je
prikazao znanje o ljudskoj anatomiji i mogao odgovoriti na
pitanja poput ovog: "Da li je prst dio osobe?". Noviji
primjer je jezik za prikaz znanja KL-ONE (Schmolze i

Implementacija semantike mree u Prologu

Iskoristit emo poznavanje osnovnih elemenata jezika
Prolog da pokaemo kako se u njemu mogu
implementirati semantike mree. Prije toga emo
redefinirati ranije prikazane vrste veza meu vorovima, i
to stoga da budu to preciznije (jer je npr. oznaka "je" za
pripadnost podvrste openitijoj vrsti bila jednaka oznaci za
pripadnost primjeraka nekoj vrsti).
(1) Za pripadnost podvrste prvoj sljedeoj vioj vrsti
koristit emo predikat podvrsta, npr.:
podvrsta(spanijel,pas).
Za pripadnost podvrste bilo kojoj vioj vrsti koristimo
predikat
vrsta_visavrsta,
koji
emo
definirati
odgovarajuim pravilom.
(2) Za primjerke vrsta koristit emo predikat primjerak,
npr.:
primjerak(don,spanijel).
(3) Za svojstvo vrsta koristit emo predikat svojstvo_vrste,
npr.:

Napomena: Mogli bismo koristiti i posebna imena

predikata za razliita svojstva, npr.: ime,
velicina, boja i sl., ali bismo tada osobinu
nasljeivanja morali definirati za svako svojstvo
posebno (ili bismo u najmanju ruku morali
definirati koji predikati u programu su svojstva).
(5) Relacije meu primjercima vrsta moemo
pisati njihovim imenom, npr.:
voli(fido,lara). jer se one ne nasljeuju.
Sada emo napisati program koji e opisati
semantiku mreu koja prikazuje primjer iz
klasifikacijske hijerarhije ivotinja prikazane na
slici 5.5. Zbog lakeg snalaenja ovdje smo vrste
(klase) prikazali pravokutnicima, primjerke vrsta
pravokutnicima s dvostrukim linijama a svojstva

a neka od svojstva
Neke od podvrsta za ovu primjeraka su:
semantiku mreu su:
svojstvo_
podvrsta(sisavac,zivotin primjerka(sem,do
ja).
brocudan).
podvrsta(pas,sisavac).
svojstvo_
podvrsta(divlji_pas,pas). primjerka(lumpi,
neki od primjeraka vrsta su: malen).
primjerak(sem,spanijel). Uveli smo i jednu
primjerak(lumpi,spic).
relaciju
meu
neka od svojstava vrsta su: primjercima vrsta:
svojstvo_vrste(zivotinja, voli(sem,lumpi).
ima_mozak).
voli(lumpi,sem).
svojstvo_vrste(ptica,ima koja oito u ovom
_krila).
sluaju
vrijedi
obostrano.

Nakon toga moramo definirati nain nasljeivanja u

semantikoj mrei. Nasljeivanje emo definirati u
openitom obliku, nezavisnom od ove specifine
semantike mree.
(a) Prvo emo rijeiti nasljeivanje pripadnosti vrsta
viim vrstama. Relacija vrsta_visavrsta oznaavat
e pripadnost bilo kojoj vioj vrsti (npr. ako je
panijel podvrsta domaeg psa onda je panijel
ujedno i pas, a stoga i sisavac, itd.). To emo rijeiti
formiranjem dvaju pravila, i to na rekurzivan nain
koji smo koristili ve vie puta u prilogu o jeziku
Prolog,
pa ga stoga neemo objanjavati:
vrsta_visavrsta(X,Y) :podvrsta(X,Y).
vrsta_visavrsta(X,Z) :podvrsta(X,Y),
vrsta_visavrsta(Y,Z).

(b) Zatim elimo da i

primjerci
vrste
nasljeuju
pripadnost
onim viim vrstama u
koju spada vrsta kojoj
one
neposredno
pripadaju (npr. io je
zeba, ali je ujedno i
ptica
i
ivotinja).
Problem emo rijeiti
uvoenjem
relacije
primjerak_vrsta:
primjerak_vrsta(P,Z) :primjerak(P,Z).
primjerak_vrsta(P,Z) :-

(c) Kod nasljeivanja

svojstava imamo dva
sluaja. Prvo, vrste
mogu
nasljeivati
svojstva od viih vrsta
(npr. pas je mesoder,
ali
je
ujedno
i
toplokrvna
ivotinja
jer je sisavac). To
emo rijeiti ovako:
vrsta_svojstvo(X,S) :svojstvo(X,S).
vrsta_svojstvo(X,S) :vrsta_visavrsta(X,Y),

(d) Drugo, primjerci mogu nasljeivati svojstva od

vrste u koju pripadaju, te od svih viih vrsta u
koju njihova vrsta pripada (npr. Sem je panijel a
panijeli su ptiari, pa je stoga i Sem ptiar):
primjerak_svojstvo(P,S) :svojstvo_primjerka(P,S).
primjerak_svojstvo(P,S) :primjerak_vrsta(P,V),
svojstvo_vrste(V,S).
Kod formuliranja ovih pravila je pored rekurzije
koritena i proceduralna apstrakcija, jer su se
sloenija pravila koristila prethodno definiranim
jednostavnijim pravilima
.

Potpuni Prolog program koji opisuje ovu semantiku mreu izgleda

ovako:
%***************************************
% Semanticka mreza klasifikacije zivotinja
%***************************************
%-----------------------------%
CINJENICE
%-----------------------------%
%
- Podvrste %
podvrsta(ptica,zivotinja).
% ptice su podvrsta zivotinja
podvrsta(zeba,ptica).
podvrsta(sisavac,zivotinja).
podvrsta(pas,sisavac).
podvrsta(divlji_pas,pas).
podvrsta(vuk,divlji_pas).
podvrsta(australski_pas,divlji_pas).
podvrsta(domaci_pas,pas).
podvrsta(spanijel,domaci_pas).
podvrsta(spic,domaci_pas).
%

%
- Primjerci vrsta %
primjerak(cico,zeba).
% cico je primjerak zebe
primjerak(sem,spanijel).
primjerak(lumpi,spic).
%
%
- Svojstva vrsta %
svojstvo_vrste(zivotinja,zivo_bice).
% zivotinje su ziva bica
svojstvo_vrste(zivotinja,ima_mozak).
svojstvo_vrste(ptica,ima_krila).
svojstvo_vrste(zeba,mala).
svojstvo_vrste(zeba,iz_australije).
svojstvo_vrste(sisavac,toplokrvan).
svojstvo_vrste(pas,mesozder).
svojstvo_vrste(divlji_pas,lutalica).
svojstvo_vrste(domaci_pas,zivi_uz_covjeka).
svojstvo_vrste(spanijel,dobar_njuh).
svojstvo_vrste(spic,zivahan).
%
% - Svojstva pripadnika vrsta %
svojstvo_ primjerka(sem,dobrocudan). % sem je dobrocudan
svojstvo_ primjerka(lumpi,malen).
svojstvo_ primjerka(lumpi,crne_boje).
%

%
- Relacije %
voli(sem,lumpi). % sem voli lumpija
voli(lumpi,sem).
%
%-------------------------------%
PRAVILA
%-------------------------------%
%
- Pripadnost vrste visoj vrsti %
vrsta_visavrsta(X,Y) :podvrsta(X,Y).
vrsta_visavrsta(X,Z) :podvrsta(X,Y),
vrsta_visavrsta(Y,Z).
%
%
- Pripadnost primjerka vrste visoj vrsti %
primjerak_vrsta(P,Z) :primjerak(P,Z).
primjerak_vrsta(P,Z) :primjerak(P,Y),
vrsta_visavrsta(Y,Z).
%

%
- Nasljedjivanje svojstava: vrsta od visih vrsta %
vrsta_svojstvo(X,S) :svojstvo(X,S).
vrsta_svojstvo(X,S) :vrsta_visavrsta(X,Y),
svojstvo_vrste(Y,S).
%
%
- Nasljedjivanje svojstava: primjeraci vrsta od te vrste i od
visih vrsta %
primjerak_svojstvo(P,S) :svojstvo_primjerka(P,S).
primjerak_svojstvo(P,S) :primjerak_vrsta(P,V),
svojstvo_vrste(V,S).
%
%**************************

Izvedimo sada nekoliko eksperimenata s ovom semantikom mreom.

Pogledajmo npr. u koje sve vrste spada io?
Koje su sve vrste lutalice?
??primjerak_vrsta(cico,Vrsta).
vrsta_svojstvo(Vrsta,lutalica)
Vrsta=zeba;
.
Vrsta=ptica;
Vrsta=divlji_pas;
Vrsta=zivotinja;
Vrsta=vuk;
no
Vrsta=australski_pas;
no
Koja sva svojstva ima pas?
Koje su sve vrste toplokrvne a
?ujedno su ptiari?
vrsta_svojstvo(pas,Svojstvo
?).
vrsta_svojstvo(Vrsta,toplokrvan),
Svojstvo=mesozder;
vrsta_svojstvo(Vrsta,dobar_njuh).
Svojstvo=toplokrvan;
Vrsta=spanijel;
Svojstvo=zivo_bice;
no
Svojstvo=ima_mozak;
Inona kraju pogledajmo koji sve primjerci pasa iz nae baze znanja
imaju dobar njuh?
?- primjerak_vrsta(X,pas), primjerak_svojstvo(X,dobar_njuh).
X=sem;

OKVIRI
Prikaz znanja pomou okvira (Minsky, 1975) polazi
od pretpostavke da ljudi imaju stereotipe za
pojmove koje poznaju, te da grade specifine
primjere uzimajui stereotip i mijenjajui one
njegove elemente koji razlikuju specifian primjer
od stereotipa. Okviri omoguuju pakiranje znanja
te kombinaciju deklarativnog i proceduralnog
pristupa prikazivanju znanja.
Prikaz znanja
Osnovne znaajke okvira su sljedee. Okviri se sastoje
od otvora (atributa) koji se mogu popunjavati
vrijednostima. Otvori mogu opisivati svojstva okvira, te
mogu omoguiti povezivanje okvira. Okviri su
organizirani u hijerarhije ili mree koje se mogu koristiti
za nasljeivanje informacija.

Na slici je prikazan
jednostavan
sustav okvira koji
opisuje
sadraj
knjige. Vidimo da
je
taj
sustav
organiziran
u
hijerarhiju okvira
razliitih
razina,
od kojih svaka ima
strukturu okvira.
Vidimo
da
vrijednosti nekih
otvora mogu i
same biti okviri
(npr.
sadraj

Svaki otvor okvira moe takoer imati dodijeljene

procedure (demone), koji se pozivaju (aktiviraju) kad god
se otvor uitava ili mijenja:

Demon ako-je-traen aktivira se prilikom

uitavanja informacija iz otvora. Ako otvor ima
takvog demona taj se demon aktivira prije
uitavanja, i tek nakon toga se iz otvora moe
uitavati. Ako otvor npr. mora dati starost osobe a
ona nije poznata ve se zna samo datum roenja
osobe, tada e demon ako-je-traen sam izraunati
starost osobe.
Demon ako-je-dodan aktivira se prilikom
pohranjivanja informacija u otvor. Ako otvor ima
takvog demona taj se demon mora aktivirati prije
pohranjivanja informacija u otvor. Ovakav demon
moe sluiti provjeri podataka prije njihovog

Demoni se mogu koristiti u razliite svrhe. Oni

tako mogu aktivirati poziv pravila u odreenoj
situaciji, i na taj nain povezati dva tipa prikaza
znanja: pomou okvira i pravila, ili predstavljati
procedure koje rade razliite proraune, npr.
procjenu nekih vrijednosti, kontrolu podataka (da
li su u dozvoljenom rasponu vrijednosti),
ogranienje pristupa podacima samo korisnicima
koji znaju odreenu ifru, izbor odgovarajueg
okvira (npr. izbor osobe koje mogu dobiti kredit
od banke).
U otvore okvira moemo spremati vrijednosti, a
takoer ih iz njih moemo pretraivati. Pri tom
emo koristiti operator dodjeljivanja := a ime
otvora pisat emo u okruglim zagradama.

(Izdava knjige) := kolska knjiga

(Naslov poglavlja 2) := 'Osnove ekspertnih
sustava'
a nalaenje vrijednosti otvora okvira ovako:
'Y' := (Godina izdanja knjige)
Okviri su organizirani u hijerarhijsku ili mrenu
strukturu, u kojoj okviri na niim razinama
nasljeuju svojstva okvira na viim razinama.
Stoga svaki okvir moe imati bar jednog roditelja
ija svojstva nasljeuje - taj je okvir dijete svojeg
roditelja, a ujedno i potomak svih okvira od kojih
njegov roditelj nasljeuje svojstva. Okvir najvie
razine u organizaciji naziva se stvar - to je ujedno
i jedini okvir bez roditelja, a nema ni otvora.

Na slici je primjer
hijerarhije okvira u
kojem se
nasljeuju svojstva
prethodnika. Ovdje
okviri "Mukarac" i
"ena" nasljeuju
otvore "Visina" i
"Teina" od
roditeljskog okvira
"Osoba". Okvir
"Marko Ivi"
nasljeuje otvor
"Spol" od okvira
"Mukarac" koji mu
je roditeljski okvir.

Okviri nasljeuju i vrijednosti otvora za one otvore

koje su naslijedili. Tako okvir "Marko Ivi"
nasljeuje vrijednost "Muki" otvora "Spol" od
svog roditelja (okvira "Mukarac") bez obzira to
otvor "Spol" nije eksplicitno definiran u okviru
"Marko Ivi". Taj je otvor naime implicitno
definiran nasljeivanjem. Ako postoje otvori s
dodjeljenim predikatima, i oni se nasljeuju od
prethodnika.
Okvir moe imati i vie roditelja, od kojih tada
nasljeuje njihova svojstva. Ovdje se javlja
problem nasljeivanja kad dva ili vie roditelja
imaju otvore istog imena. Razliiti ekspertni
sustavi to rjeavaju na razliite naine: neki
onemoguavaju viestruko nasljeivanje a neki

Vrijednost naslijeenog otvora moe se promijeniti samo

ako okvir u kojem tu promjenu elimo napraviti ima
eksplicitno definiran takav tip otvora. Time moemo
promijeniti znaajke stereotipa koji se nasljeuje za
specifine sluajeve koji odstupaju od tog stereotipa. Tako
okvir "Marko Ivi" moe imati vlastitu vrijednost otvora
"Visina" i "Teina" koji su za njega eksplicitno definirani,
dok je njegov otvor "Spol" implicitno definiran
Mehanizam zakljuivanja
nasljeivanjem.
Funkcioniranje sustava okvira temelji se na vie elemenata
zakljuivanja. Tako je kod ispitivanja svojstava okvira
potrebno vidjeti to okvir nasljeuje od svojih prethodnika, a
to je vezano za pretraivanje hijerarhijskog stabla
nasljeivanja. Kod traenja okvira koji je primjenjiv za
odreenu situaciju potrebno je esto primjenjivati postupak
podudaranja uzoraka te traiti najbolje podudaranje (ako
nema potpunog podudaranja) po nekoj heuristikoj
proceduri. Procesi spremanja vrijednosti u otvore i traenja
vrijednosti otvora takoer su povezani s pretraivanjem, a

Dobre i loe strane okvira

Osnovna prednost okvira je u tome to ih je prilino lako
razumjeti i koristiti. Jedan od znaajnih problema s njima
je taj to se otvori suvie slobodno mogu mijenjati i
brisati, a to onemoguava donoenje openitijih tvrdnji.
Primjene okvira
Okviri su prikladan nain prikaza za probleme u kojima
vanu ulogu imaju stereotipne situacije na temelju kojih
se mogu donositi zakljuci. Oni takoer odgovaraju
problemima koji imaju vrstu strukturu podataka s dosta
atributa podataka, te iji elementi nasljeuju dosta
podataka od struktura na viim razinama.
Mogunost implementacije okvira u Prologu
Okvire moemo implementirati u Prologu

OSTALE METODE PRIKAZA ZNANJA

arhitektura kolske ploe,
scenariji i
objektno-orijentirani pristup
.

Arhitektura kolske ploe

Arhitektura kolske ploe predstavlja pristup u
kojem je mogue povezati razliite metode prikaza
znanja i upotrijebiti ih u distribuiranoj obradi u kojoj
eksperti radei na raunalima rasporeenim na
razliitim geografskim lokacijama surauju u
rjeavanju problema.
Vie nezavisnih eksperata koji rade na rjeavaju
istog problema ne komuniciraju meusobno
direktno ve surauju posredstvom koordinatora, i
to koritenjem kolske ploe (tj. memorije) s koje
itaju informacije i u koju upisuju rezultate do kojih

Prvotno je na kolskoj ploi zapisana definicija

problema kojeg eksperti rjeavaju. Eksperti itaju
tekst problema, i tijekom rada na rjeavanju
problema na kolskoj ploi piu svoje hipoteze i
ideje koje tako postaju dostupne i ostalim
ekspertima, te im mogu pomoi u rjeavanju
problema. Tako se postepeno rjeavaju dijelovi
cjelovitog problema, a kada neki od eksperata
pronae i napie rjeenje problema, rad grupe
eksperata zavrava.
Eksperti koji sudjeluju u rjeavanju problema mogu
biti ljudi ili raunala (tj. odgovarajui softver koji
implementira neki pristup rjeavanju problema), i
nazivaju se izvorima znanja. Razliiti izvori znanja
mogu pri tome koristiti razliite metode prikaza
znanja te razliite mehanizme zakljuivanja.

Primjeri koritenja arhitekture kolske ploe su

programi HEARSAY (za razumijevanje govora),
OPM (za planiranje veeg broja zadataka) te
PROTEAN (za identifikaciju trodimenzionalne
strukture proteina u otopini). Program HEARSAY
(Ermani dr, 1980) koristi 12 razliitih izvora
znanja: fonetsko, gramatiko, leksiko, semantiko
i druga znanja.
Scenariji
Scenariji su nain predstavljanja znanja u kojem
se opisuje oekivani slijed dogaaja u nekoj
specifinoj situaciji (Schank i Abelson, 1977).
Scenariji se sastoje od specifinog konteksta za
koji taj scenarij odgovara, uloge sudionika (te
njihovih ciljeva i planova), uvjeta, rezultata i
scena.
Scenariji
omoguuju
zakljuivanje

Tako npr. scenarij 'eljeznike stanice' moe

imati za sudionike: putnike u odlazu, prodaju
karata, vlakovou, putnike u dolazu i
eljezniko osoblje. Scenarij putnika u odlasku
moe npr. ukljuivati sljedee dogaaje: (1)
dolazak putnika u stanicu, (2) kupovanje
putne karte, (3) ekanje u ekaonici, (4)
odlazak na peron, (5) ulazak u vlak, (6)
traenje mjesta u vlaku i (7) polazak vlaka.
Svaki od tih dogaaja moe se detaljno opisati
s aktivnostima koje se u njemu deavaju. Tako
npr. kupovanje putne karte zahtijeva putnika u
odlasku, prodavaonicu karata i prodavaa, a

Objektno-orijentiran pristup
Objektno-orijentirani pristup prikaza
znanja predstavlja jedan od
najpopularnijih pristupa programiranju
od sredine 1980-tih godina (Stefik,
1986). Temelj ovog pristupa su objekti
povezani u hijerarhijsku mreu u kojoj
objekti s niih razina imaju pristup
informacijama na viim razinama, te
nasljeuju svojstva objekata s viih
razina. Objekti meusobno komuniciraju
pomou poruka koje si alju - te poruke