Professional Documents
Culture Documents
EKSPERTNI
SISTEMI
B A NJ A L U K A
Prof.dr Branko Latinovi
EKSPERTNI SISTEMI
Recenzenti:
Prof. dr Zoran . Avramovi
Prof.dr Duan Starevi
Izdava:
Panevropski univerzitet "APEIRON"
Banja Luka
1. izdanje, godina 2006.
Odgovorno lice izdavaa,
DARKO Uremovi
Urednik:
JOVO Vojnovi, prof.
tampa:
"ART-PRINT", Banja Luka,
p.o., grafika - dizajn - marketing
Banja Luka
Odgovorno lice tamparije:
VLADIMIRA Stijak- Ilisi
Tira 500 primjeraka
ISBN 99938-29-24-2
SADRAJ
SADRAJ
PREDGOVOR
1.
1.1.
1.2.
2.
2.1.
2.2.
2.3.
2.4.
2.5.
3.
3.1.
3.2.
3.3.
3.4.
VJETAKA INTELIGENCIJA
POJAM VJETAKE INTELIGENCIJE
RAZVOJ VJETAKE INTELIGENCIJE
FUZZY SISTEMI
KVANTIFIKACIJA NEODREENOSTI
FUZZY SKUPOVI
OPERACIJE SA FUZZY SKUPOVIMA
OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVE
PRIMJENA FUZZY TEORIJE
NEURONSKE MREE
POJAM NEURONSKIH MREA
BIOLOKE NEURONSKE MREE
VJETAKE NEURONSKE MREE
OBUAVANJE NEURONSKIH MREA
3.4.1.
3.4.2.
3.5.
4.
4.1.
4.2.
4.3.
4.4.
4.5.
4.5.1.
POJAM ZNANJA
4.5.2.
5.
5.1.
5.2.
5.2.1.
5.2.2.
ZAHVATANJE ZNANJA
5.2.3.
KVALITATIVNO MODELIRANJE
5.2.4.
5.3.
AUTOMATSKO UENJE
MEHANIZAM ZAKLJUIVANJA
5.3.1.
PROSTOR STANJA
5.3.2.
AND OR GRAFOVI
6.
6.1.
6.2.
6.2.1.
6.2.2.
7.
8.
9.
9.1.
9.2.
9.2.1.
SKELETON VPEXPERT
9.2.2.
9.2.3.
9.2.4.
9.2.5.
LITERATURA
PREDGOVOR
U skoro svim aspektima ljudskih aktivnosti, ovjek se, kroz istoriju, trudio da sebi olaka bavljenje
njima. Sa ciljem da zadovolji tu svoju tenju, izumio je orua, alate, maine i na kraju ili novom
poetku, izumio je kompjuter. Zato novi poetak, pa pronalazak kompjutera omoguava da ovjek
dio svojih znanja i "inteligencije" prenese na mainu, ime se ova kvalifikuje da u potpunosti zamijeni
ovjeka, u odreenim aktivnostima, to otvara itavu "novu knjigu" koja se tek pie.
Prisustvujemo, a da toga moda nismo ni svjesni, prevratu koji je u toku: ukidanju granica izmeu
stvarnog i naunofantastinog. Pomou mehanikih, elektronskih i energetskih produetaka i
pomagala, opredmeena fikcija, u vidu robota automata, tehnikih aparatura i inteligentnih maina,
tijesno okruuje, vezuje i ve kontrolie stvarnost u svim podrujima zivota. Pri tome, ono to
uznemirava nije to to svijet u potpunosti postaje tehniki automatizovan, ve to da ovjeanstvo
uglavnom nije pripremljeno za ovu promjenu.
Teletehnologija, vjetaka inteligencija, neuronske mree, virtuelna realnost, digitalna televizija
postaju stvarnost. ini se da je ve sada, na pomolu 3001: konana odiseja futurologa Artura Klarka,
ako i nije, da li je uspeh Dip Blua protiv Kasparova u ahovskom meu vijeka, poruka da su na
pomolu kompjuteri koji misle?
U poetku su se raunari koristili uglavnom za izvravanje raunskih operacija ali vrlo brzo je uoeno
da oni mogu mnogo vie, pa ak i da preuzmu vrenje odreenih intelektualnih operacija. Povoljni
rezultati istraivanja naveli su neke od naunika da daju preuranjene izjave kako se ubrzo moe
konstruisati "mislea maina" ili "elektronski mozak".
Na dostignutom stepenu razvoja ljudsko drutvo je otvorilo brojna pitanja i probleme koji zbog svoje
prirode trae zamjenu ovjeka u procesu rada, brojni su procesi koji nose opasnost po ljudsko zdravlje
za one koji ih izvravaju ili je obim i sloenost problematike iznad mogunosti i znanja postojeih
izvrilaca za ije rjeavanje je potrebno znanje eksperta ili je u pitanju raspoloivost ljudskih
eksperata. To je taka u kojoj se jasno artikulie potreba za kreiranjem ekspertnih raunarskih sistema.
Autor
1. VJETAKA INTELIGENCIJA
1.1. POJAM VJETAKE INTELIGENCIJE
Vijekovima filozofe zaokuplja pitanje: moe li maina da misli? Smatra se da je Sokrat, oko 450.
godine p.n.e. prvi predskazao vjetaku inteligenciju, obraajui se svome atinskom drugu Eutifronu:
"elim da znam ta je odlika pobonosti koja svako djelovanje ini pobonim... u koju mogu da se
pouzdam i da je koristim kao mjerilo kojim prosuujem svoje djelovanje i djelovanje drugih ljudi".
Najuporniji zastupnik vjetake inteligencije Marvin Minski, iz Masausetskog instituta za tehnologiju
(MIT), Sokratovo miljenje prilagoava savremenom poimanju, naglaavajui da atinski mudrac trai
"niz pravila koja nam govore iz asa u as kako da se ponaamo".
Sam termin vjetaka inteligencija (VI) ili artificijelna inteligencija (AI) potie od Dona Mekartija i
smatra se da je prvi put upotrebljen u ljeto 1956. godine na sastanku tadanjih vodeih naunika iz
oblasti raunarskih nauka. Sasatanak je odran na Dartmaut Koledu, u Hanoveru, Novi Hemir. Sam
izraz je uveden da bi se to vie naglasile i to lake objasnile, mogunosti buduih raunara i
raunarskih programa. U oblasti koja se naziva vjetaka inteligencija koriste se mnoga znanja nastala
razvojem raznih drugih mnogo starijih disciplina. Tako, napori da se razumije priroda inteligencije
seu daleko u prolost. Filozofi stare Grke, a prema onome to se zna, posebno Aristotel, bavili su se
pitanjima vezanim za sutinu ljudskog uma, znanja i ispravnog zakljuivanja.
Vjetaku inteligenciju moemo definisati kao naunu disciplinu pomou koje se elektronski raunari
programiraju za sloene zadatke sline zadacima koji se postavljaju pred ovjeka, ali ne i na nain
kako bi ih rjeavao ovjek. Meutim tu su jo neke od moguih definicija vjetake inteligencije.
Vjetaka inteligencija je nauna oblast u kojoj se izuavaju izraunavanja da bi se izraunavanjem
omoguila percepcija, rezonovanje i injenje.
Vjetaka inteligencija je nauna oblast u kojoj se istrauje kako da se naprave raunari koji bi
uspjeno radili stvari koje u ovom momentu rade bolje ljudi.
Vjetaka inteligencija je nauna grana koja se bavi metodama, tehnikama, alatima i arhitekturama za
rjeavanje logiki komplikovanih problema, koje bi bilo tee ili ak nemogue rijeiti klasinim
metodama. Ona ima dva glavna cilja: prvi je postii inteligentnije ponaanje raunara i uiniti ih time
jo upotrebljivijim; sa druge strane ona eli razumjeti principe koji omoguavaju inteligenciju i time
pridonijeti razumijevanju ovjekovog inteligentnog ponaanja.
Vjetaka inteligencija predstavlja mjeavinu konvencionalne nauke, fiziologije i psihologije, sve u
cilju da se napravi maina koja bi se, po ljudskim mjerilima, mogla smatrati "inteligentnom".
Mogunost stvaranja inteligentnih maina zaokuplja ljudsku matu jo od drevnih vremena, ali tek
sada, sa brzim tempom razvoja raunara i ve pedesetogodinjim iskustvom na polju istraivanja
tehnika VI programiranja, san o pametnim mainama poeo je da postaje stvarnost.
Mnogi istraivai danas su zaokupljeni podrujem istraivanja koje ujedinjuje psihologiju i
kompjuterske nauke radi razvoja vjetakih sistema koji bi ostvarili neke osobine ljudskog miljenja.
Gledajui jednostavno, vjetaka inteligencija je studija o pravljenju maina koje ispoljavaju ljudske
kvalitete ukljuujui i sposobnost rezonovanja.
Razliita stanovita oko definisanja vjetake inteligencije proizilaze iz postojanja vie vrsta ove
inteligencije. Vjetaka inteligencija nije samo jedna disciplina ve se sastoji iz vie disciplina.
Slika 1
Vjetaku inteligenciju prema pristupu rjeavanja problema moemo klasifikovati na tri glavna
pristupa:
neuronske mree,
modeliranje evolucije i
heuristiko programiranje.
Tehnike koje pripadaju vjetakoj inteligenciji morale bi da koriste znanja koja su organizovana tako
da omoguavaju:
generalizaciju,
predstavljanje i preslikavanje u formi razumljivoj ljudima,
lako modifikovanje,
da se koriste informacije koje nisu kompletne i
da pomau u smanjenju broja mogunosti koje bi inae morale biti razmatrane (heuristike).
Svake godine organizuje se takmienje pod nazivom Lebnerova nagrada. Rije je o velikoj nagradi za
prvi sistem koji bude rjeio Tjuringov problem. Ako se istraivanja nastave u sadanjem pravcu, proi
e jo mnogo vremena prije nego to se pojavi prvi laureat. Tekoa je u tome to tema razgovora nije
unaprijed odreena. Moe se razgovarati o bilo emu. ovjek ne mora mnogo da zna o ovim temama,
ali e se razgovor ubrzo voditi u oblasti koju oba sagovornika poznaju. Sadanji sistemi vjetake
inteligencije ogranieni su na uske oblasti. Tjuring je predvidio da e maine imati 30% ansi da prou
test u trajanju od 5 minuta. Predvidio je sve argumente u sljedeih 50 godina.
Mogua pitanja na testu su:
Are you a computer ?
What is 2276448*7896 ?
Describe your parents ?
Slika 2
Tjuringov test
Treba rei i da su u mnogim sluajevima ogranienih verzija testa koje se odnose na specifine oblasti
znanja, raunari pobjeivali svoje ljudske protivnike. Tako su raunari koji su izvravali programe kao
to je ekspertni system za medicinu MYCIN, pokazali bolje rezultate od prosjenih ljekara. Raunar
nazvan Dip Blu, razvijen u IBM-u specijalno za igranje aha, pobijeio je Garija Kasparova, jednog od
najboljih ahista svih vremena.
U skladu sa njenom definicijom, glavni cilj vjetake inteligencije je razviti raunare koji su korisniji
od danas postojeih. Ako se prihvati optimistiki, ili bar kognitivistiki stav prvom cilju se moe
dodati i drugi: objasniti principe na kojima se inteligencija zasniva. Dakle, strunjaci za raunarske
nauke bi na osnovu rezultata na planu vjetake inteligencije trebali da pronau nain kako da uine
raunare korisnijim, dok bi psiholozima, lingvistima, filozofima i drugima trebalo da olakati
razumjevanje principa na kojima se inteligencija zasniva.
Prvi meu ciljevima vjetake inteligencije proizilazi iz stava da bi raunari koji posjeduju
inteligenciju bili najkorisniji raunari i objanjava zato se vjetakoj inteligenciji pridaje veliki
znaaj. Raunari vie ne obavljaju samo obina raunanja, ve izvode i postupke koji posjeduju
elemente inteligencije. U simbiozi sa raunarima, maine postaju sposobne da rade samostalno,
upravljaju sobom i proizvode druge maine, ostavljajui ovjeku da upravlja sloenim sistemima uz
mala izlaganja fizikim naprezanjima.
10
Period
Znaajni dogaaji
1930-1940
Korijeni
1945-1954
1955-1960
Poeci istraivanja u VI
11
problema
LISP (J. McCarty)
Heuristici
ELIZA (J. Weizenbaum)
Robotika
ahovski programi
DENDRAL (Stanford University)
Godine primjene
1981-1992 Dalja istraivanja
PROSPECTOR (SRI)
Japanski projekt Pete generacije
E. Feigenbaum i P. MCCorduck,
Peta generacija
INTELLECT (A.I.C.)
esta generacija
Osnovni dio programske opreme raunarskog sistema nove generacije sastoji se od sistema za
rjeavanje problema i zakljuivanje (problem-solving and inference system), sistema za upravljanje
bazom znanja (knowledge base management system) i inteligentnog interfejsa (intelligent interface
system). Funkcije tih sistema se veoma razlikuju od klasinih, koje se baziraju na aritmetikim
operacijama, funkciji memorije i klasinim ulazno-izlaznim jedinicama. Za njihovu realizaciju je dakle
potreban novi instrumentarijum, a to su upravo tehnike, metode i arhitekture, koje je razvila vjetaka
inteligencija:
algoritmi za pretraivanje grafova,
formalizmi za predstavljanje znanja,
mehanizmi zakljuivanja,
tehnike objanjavanja i
arhitektura sistema voenih uzorcima.
U osnovna podruja primjene vjetake inteligencije prema CR klasifikacijskom sistemu spadaju:
heuristiko rjeavanje problema,
predstavljanje znanja i mehanizmi zakljuivanja,
ekspertni sistemi,
procesiranje prirodnog jezika,
automatsko uenje i sinteza znanja,
inteligentni roboti,
raunarski vid,
programski jezici za vjetaku inteligenciju,
automatsko programiranje i
automatsko dokazivanje teorema.
Zbog specifinosti programiranja sistema vjetake inteligencije kao to su rad sa nenumerikim
podacima i sa bogato strukturiranim objektima, esto vraanje kod pretraivanja grafova, poseban
odnos izmeu podataka i programa, potrebni su joj i tome prilagoeni alati kao to su: jezici za
vjetaku inteligenciju (npr. Lisp, POP2, Prolog, ...), specijalni raunari (npr. Lisp Machine) i
programska okruenja za vjetaku inteligenciju. Postoje tri aspekta kreiranja vjetake inteligencije:
stvaranje vjetakih neuralnih mrea,
modeliranje evolucije i
heuristiko programiranje.
12
VjETAKA INTELIGENCIJA
zadatak
godina
program
opaanje okoline
1968.
1968.
1969.
projekat "oko-ruka"
jezik i govor
1966.
1968. 1968.
15
geometrija u ravni
1959.
15
algebarski zadaci
1964.
16
1963.
Program "Analogija"
17
programiranje raunara
1963.
18
matematika analiza
1961.
18
iskazni raun
1959.
20
1959.
21
aksiomatska logika
1956.
2. FUZZY SISTEMI
2.1. KVANTIFIKACIJA NEODREENOSTI
Fuzzy teorija je specifino projektovana za predstavljanje ljudskog znanja i zakljuivanja na takav
nain da se moe jednostavno predstaviti na raunaru. Ona omoguava uvoenje matematikog
formalizma za opisivanje nejasnosti, neodreenosti ili dvosmislenosti rijei ili fraza, koji se javljaju u
prirodnom jeziku. Ustanovljena je 1965. godine od strane profesora Zadeha, uvoenjem fuzzy
skupova.
13
Skoro svi prirodni jezici sadre neodreenosti i veeznanost. Pridjevi, posebno, nisu uvijek jasni i
jednoznani; viesmisleni su u irini svog znaenja. Na primjer, kada se kaevisoka osoba ne moe se
jasno odrediti ko je visok ili ko nije visok. Neodreenost izraza stara osoba dolazi do pridjeva star.
Rijei su obino kvalitativne, ali one kao visok i star su dovedene u vezu sa visinom ili godinama. Ako
se ostave po strani apstraktni pridjevi kao to su: dvosmislen, neodeen nesiguran, pridjevi koji se
odnose na koliinu su esti. U inenjerstvu, posebno, pridjevi koji opisuju stanja i uslove razliitih
stvari su skoro uvijek povezani sa koliinom.
Slika 3
Fuzzy podskup A
Pravougaoni ram predstavlja skup X, dok su granice neodreenosti fuzzy podskupa A oznaene
isprekidanom linijom. Teorija fuzzy skupova definie stepen do kojeg je element x skupa X ukljuen u
neki podskup. Funkcija koja pokazuje stpen do kojeg je x ukljuen naziva se funkcija pripadnosti.
Stepen ukljuenosti nekad se zove i stepen pripadnosti, obim ili stepen.
Kako je fuzzy skup uvijek definisan kao podskup opteg skupa X, prefiks pod se izostavlja i koristi se
samo termin fuzzy skup.
Ako se istovremeno razmatraju funkcije pripadnosti fuzzy skupova , dobiva se ovakav grafik:
14
Visina (cm)
visok
skoro prosjean
nizak
Slika 4
Na horizontalnoj osi je predstavljen cijeli skup X koji se zove i skup koji podrava fuzzy skup, ili
jednostavno podrka. Na vertikalnoj osi je predstavljena vrijednost funkcije pripadnosti. Na primjer,
za oekivati je da bi mnogi predstavili funkciju pripadnosti skupa skoro prosjean kao to je na krivoj
u sredini, s tim da bi stepen od 150 cm do 170 cm subjektivno varirao, to zavisi od osobe koja daje
procjenu. Na ovaj nain fuzzy skupovi mogu biti vieni kao subjektivni.
Tipian primjer za funkciju pripadnosti je linearna trapezoidna funkcija:
veliki
srednji
mali
Slika 5
15
Predstavljeni su fuzzy skupovi mali brojevi, srednji brojevi, i veliki brojevi. Drugi oblici, na primjer
Gausova funkcija, takoe se mogu koristiti, ali treba voditi rauna da ne doe do znaajnog poveanja
sloenosti izraunavanja. Takve funkcije se tipino javljaju u sistemima koji se koriste za teorijske
analize, gdje su potrebna odreena analitika svojstva.
16
UNIJA
Unija fuzzy skupova A i B, u oznaci A U B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A U B (x) = A (x) v B (x)
PRESJEK
Presjek fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom
pripadnosti:
A B (x) = A (x) B (x)
KOMPLEMENT
Komplement fuzzy skupova A, u oznaci A, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A (x) = 1 A (x)
Ove definicije operacija su uoptenja definicija operacija za obine skupove.
17
ALGEBARSKI ZBIR
Algebarski zbir fuzzy skupova Ai B, u oznaci A + B, je fuzzy skup definisan sledeom funkcijom
pripadnosti:
A + B (x) = A (x) + B (x) - A (x) . B (x)
ALGEBARSKI PROIZVOD
Algebarski proizvod fuzzy skupova A i B, u oznaci A . B, je fuzzy skup definisan sledeom funkcijom
pripadnosti:
A . B (x) = A (x) . B (x)
GRANINI ZBIR
Granini zbir fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom
pripadnosti:
A B (x) = ( A (x) + B (x)) 1
GRANINA RAZLIKA
Granina razlika fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom
pripadnosti:
A B (x) = ( A (x) - B (x)) v 0
18
19
3. NEURONSKE MREE
3.1. POJAM NEURONSKIH MREA
20
U periodu izmeu 1967. do 1982. godine pojavljuju se istraivai koji daju znaajan doprinos razvoju
ove oblasti kao to su Teuvo Kohonen, Kunihiko Fukushima i Stephnen Grossberg. Naroito se
istakao Teuvo Kohonen, koji je otkrio nekoliko tipova neuronskih mrea koje su po njemu dobile
naziv. U ovom periodu se pojavio i backpropagation algoritam. U radu na ovom algoritmu su se
posebno istakli sljedei naunici: Amari (1967.) dodaje unutranje slojeve perceptronskoj mrei,
Bryson i Ho (1969.) razvijaju algoritam slian backpropagation algoritmu, Werbos (1974) nezavisno
od prethodnika razvija backpropagation algoritam, a Parker (1982) unapreuje backpropagation
algoritam. Poetkom 80-ih, amerika vojna agencija DARPA (Agencija za odbrambene istraivake
projekte) postala je zainteresovana za neuronske mree i finansiranja su ponovo zapoela. Sredinom
1980-tih, poznati fiziar John Hopfield dao je veliki doprinos popularizaciji neuronskih mrea,
objavljujui rad u kome je napravio paralelu izmeu neuronskih mrea i odreenih fizikih sistema.
Poetkom devedesetih, Bart Kosko u knjizi "Neural Networks and Fuzzy Systems" dokazuje da
neuronske mree i fuzzy logika opisuju isti skup problema i samim tim otvara novu oblast koja se
naziva soft computing.
Rumenel, Hinton i Williams (1986) dokazuju veliku promjenljivost i potencijal backpropagation
algoritma. Krajem 80-tih i poetkom 90-tih, neuronske mree i neuro raunarstvo se uvodi kao
predmet na nekoliko elitnih univerziteta u SAD, dok se danas neuronske mree gotovo mogu sresti na
svim univerzitetima.
Iako su neuronske mree imale neobinu istoriju, one su jo uvijek u ranoj fazi razvoja. Moda se sad
moe rei da smo na kraju poetka. Danas neuronske mree nalaze veoma irok spektar primjena u
razliitim praktinim oblastima.
Interes za neuronske mree, ali i uopte za ekspertne sisteme, doivljava nevjerovatnu ekspanziju u
posljednjih nekoliko godina. Njihova primjena doivljava pravi bum i gotovo da nema oblasti
ljudskog djelovanja gdje se ne primijenjuju ekspertni sistemi zasnovani na neuronskim mreama. Tako
ove sisteme sve vie susreemo na polju finansija, medicine, inenjeringa, geologije, hemije i drugih
oblasti ljudskog interesa. Dakle, gdje god se javlja problem predvianja, klasifikacije ili kontrole,
neuronske mree se nameu kao najefikasnije rjeenje. Njihova kompleksnost i sofisticiranost, dakako,
doprinosi relativno sporom uvoenju u iru primjenu, pogotovo ako ih uporedimo sa klasinim
raunarskim mreama, ali se fokus svjetske IT pameti definitivno okree ovom modelu umreavanja
raunarskih resursa. Svijet biznisa sve vie trai naina da, sve jau procesorsku snagu dananjih
raunarskh sistema, upotrebi na takav nain da mo i ulogu odluivanja premjesti sa ljudi
eksperata, na inteligentne maine, ime bi se rijeili mnogi problemi, od finansijskih, sociolokih,
kulturolokih, pa sve do organizacionih. Dosadanji uobiajeni nain rjeavanja ovakvih i slinih
problema, rjeavao se upotrebom numerikog modeliranja. Meutim, numeriki modeli su
primijenljivi na dobro strukturirane probleme, dok kod nestrukturiranih ili slabo strukturiranih
problema ovakvi modeli i sistemi ne daju zadovoljavajue rezultate.
Vjetaka inteligencija, kao davnanji san naunika, poiva na razvoju neuronskih mrea, koje nastoje
imitirati nain rada ovjeijeg mozga, kao ipak, najsavrenijeg procesora tj. mree procesora
(neurona).
Asocijativno miljenje i prepoznavanje kod ovjeka se zasniva na poreenju ranije doivljenih i
upamenih situacija sa onim situacijama koje su trenutno aktuelne sa ciljem da se novoj, na osnovu
slinosti pridrui (asocira) neka od ranije poznatih situacija i da se time donese zakljuak koji je ranije
u takvoj situaciji uspjeno provjeren.
Vjetake neuronske mree su u stanju da na odreen nain funkcioniu prema navedenim principima
asocijativnog razmiljanja i prepoznavanja. Prije nego to se zapone sa prvom analizom neuronskih
mrea, treba objasniti neke kategorije koje e se vie puta ponavljati.
21
Oblik (uzorak, eng. Pattern) je kao kategorija od osnovnog znaaja u izuavanju asocijativnog
razmiljanja. On predstavlja skup podataka koji opisuju neku situaciju, dogaaj ili pojavu. Pri tome
podaci koji ine oblik mogu biti binarni ili n-arni. Metode prepoznavanja oblika su se razvile kao
pokuaj da se matematiki formuliu i raunski realizuju principi asocijativnog zakljuivanja koji su
svojstveni ovjekovom miljenju.
Mrea (eng. Network) kao kategorija u tehnikim razmatranjima predstavlja jedan skup entiteta, koji
meusobno komuniciraju. Ukoliko dva entiteta mogu da komuniciraju meusobno, onda se kae da
postoji veza izmeu njih. Priroda te veze je irelevantna u okviru ovih razmatranja. Ovi entiteti mogu
da budu potpuno povezani to znai da je svaki entitet povezan sa svakim. Mrea sa atributom
neuronska ili sa atributima vjetaka neuronska predstavlja mreu iji su entiteti procesorske jedinice i
iji, kako fiziki izgled tako i funkcionalni procesi koji se odigravaju u mri, podsjeaju na nervni
sistem kod ovjeka.
Postoje dvije kategorije neuronskih mrea: vjetake i bioloke neuronske mree. Predstavnik
biolokih neuronskih mrea je nervni sistem ivih bia. Vjetake neuronske mree su po strukturi,
funkciji i obradi informacija sline biolokim neuronskim mreama, ali se radi o vjetakim
tvorevinama. Neuronska mrea u raunarskim naukama predstavlja veoma povezanu mreu elemenata
koji obrauju podatke. One su sposobne da izau na kraj sa problemima koji se tradicionalnim
pristupom teko rjeavaju, kao to su govor i prepoznavanje oblika. Jedna od vanijih osobina
neuronskih mrea je njihova sposobnost da ue na ogranienom skupu primjera.
Neke vjetake neuronske mree zaista predstavljaju modele biolokih, neke ne, ali istorijski,
inspiracija za oblast neuronskog raunanja dola je od elje za stvaranjem vjetakog sistema,
sposobnog za obavljanje sofisticiranih, "inteligentnih" raunanja, slinih onima koje rutinski obavlja
ljudski mozak.
Od mnogih smatrane za najvei tehnoloki napredak u protekloj deceniji, neuronske mree pokazale
su se nezamjenljivim u situacijama gdje je mogunost identifikacije skrivenih veza i obrazaca kljuna
za uspena predvidanja.
22
Slika 6
23
Sinapsa je elementarna struktura i funkcionalna jedinica izmeu dva neurona, odnosno sinapsa je mali
razmak izmeu zavretka aksona prethodnog neurona i dendrita ili tijela sljedeeg neurona.
24
Slika 8
Vjetaki neuron
Neuron prima ulaze koji mogu biti sirovi podaci ili podatak iz susjednog neurona, koje procesira i
proizvodi jedan izlaz. Sam izgled kao i princip obrade podataka jedne elementarne procesorske
jedinice u vjetakoj neuronskoj mrei podsjea na princip prosljeivanja impulsa neurona u
biolokom nervnom sistemu. Isto tako procesorska jedinica je analogna jednoj eliji biolokog
nervnog sistema, ulazne veze odgovaraju dendritima a izlazne aksomima.
Neuronska mrea je sistem sastavljen od vie jednostavnih procesora (jedinica, neurona), svaki od njih
ima lokalnu memoriju u kojoj pamti podatke koje obrauje. Te jedinice su povezane komunikacionim
kanalima (vezama). Podaci koji se ovim kanalima razmjenjuju su obino numeriki. Jedinice obrauju
samo svoje lokalne podatke i ulaze koje primaju preko konekcije. Ogranienja lokalnih operatora se
mogu otkloniti tokom treninga.
U neuronskim mreama, gdje su procesorske jedinice povezane odreenom topologijom, postoji
struktura paralelnog distriburanog procesiranja (PDP). Istovremeno rade vie procesorskih jedinica da
bi rezultati njihove obrade PDP strukturom preli na druge jedinice, itd. Procesorske jedinice u jednoj
neuronskoj mrei su jednostavne i mogu obavljati samo jednu ili eventualno nekoliko raunarskih
operacija i meusobno su povezane tako da u jednoj neuronskoj mrei postoji mnogo vie veza nego
procesorskih jedinica.
25
Slika 8
Na slici iznad je shematski prikazana jedna tipina topologija mree sa tri sloja procesorskih jedinica
(jedan ulazni, drugi srednji ili skriveni i trei izlazni). Svaka procesorska jedinica je povezana sa vie
susjednih jedinica, broj ovih veza izmeu zapravo predstavlja snagu neuronske mree. Rad neuronske
mree sa vie veza je kompleksniji ali takva mrea moe da obavlja kompleksnije zadatke.
Arhitekturu vjetake neuronske mree predstavlja specifino ureenje i povezivanje neurona u obliku
mree. Po arhitekturi, neuronske mree se razlikuju prema broju neuronskih slojeva. Obino svaki sloj
prima ulaze iz prethodnog sloja, a svoje izlaze alje narednom sloju. Prvi sloj se naziva ulazni,
posljednji je izlazni, ostali slojevi se obino nazivaju skrivenim slojevima. Jedna od najeih
arhitektura neuronskih mrea je mrea sa tri sloja. Prvi sloj (ulazni) je jedini sloj koji prima signale iz
okruenja. Prvi sloj prenosi signale sljedeem sloju (skriveni sloj) koji obrauje ove podatke i izdvaja
osobine i eme iz primljenih signala. Podaci koji se smatraju vanim se upuuju izlaznom sloju,
posljednjem sloju mree. Na izlazima neurona treeg sloja se dobijaju konani rezultati obrade.
Sloenije neuronske mree mogu imati vie skrivenih slojeva, povratne petlje i elemente za odlaganje
vremena, koji su dizajnirani da omogue to efikasnije odvajanje vanih osobina ili ema sa ulaznog
nivoa.
Vjetaka neuronska mrea je paradigma obrade informacija inspirisna procesiranjem kakvo vri
bioloki mozak. Pri tom vjetaka neuronska mrea koristi odreen broj koncepata iz biolokih
neuronskih sistema. Kljuni elemenat je neuobiajena struktura procesa obrade informacija,
sastavljena od velikog broja meusobno povezanih elemenata procesiranja koji zajedno rade na
rjeavanju problema. Ove mree kao i ljudi ue na osnovu primjera, tj. na osnovu iskustva, one nisu
programirane eksplicitnim instrukcijama, ve ue da izvre zadatak iz primjera iz stvarnog ivota,
obuavaju se. Dakle, razlika izmeu ovih mrea i klasinih raunara je i u tome to se one ne
programiraju, dok kod klasinih raunara programer unosi program kojim se tano odreuje rad
raunara u svakom trenutku.
Postoji bitna razlika u odnosu na klasine raunare: neuronske mree se ne programiraju. Dok kod
klasinog raunara programer unosi u raunar program kojim se tano odreuje rad raunara u svakom
trenutku, neuronske mree se ne programiraju ve se obuavaju. Prije nego to ponu da se
primjenjuju, ulae se dosta vremena na njihovo obuavanje, uenje ili treniranje. Proces obuavanja se
zasniva na auriranju najee teinskih koficijenata veza, a ponekad samo vrijednosti ulaznih
procesorskih jedinica. Teinski koeficijent veza ili teine veza su koeficijenti koji su dodijeljeni u
svakom trenutku vezama neuronske mree. Za vrijeme obuavanja ovi se koeficijenti auriraju. Brzina
njihovog auriranja moe takoe biti mjerilo moi procesiranja neuronske mree.
Neuronske mree obezbjeuju efikasan pristup irokom spektru primjena. Njihova uspjena primjena
u prepoznavanju, preslikavanju i klasifikaciji oblika omoguila je dalji razvoj neuronskih mrea.
Takoe, ove mree se mogu primjenjivati u transformisanju slike u neki drugi oblik podataka, ili
preslikavanju vizuelne slike u komande robota. Kao to je ve napomenuto, rad sa nepotpunim
podacima, omoguava da upravo mrea upotpunjuje takve podatke, poto je prethodno za to
26
obuavana. Neuronske mree se mogu primjeniti u razliitim oblastima. Na primjer, u medicini: kod
analize krvnih elija, u akustici: kao klasifikator zvunih slika ili kod prepoznavanja govora, gdje je
neophodna identifikacija i klasifikacija rijei ili sekvenci rijei, itd.
27
28
Propagacija greke unazad (eng. Back propagation) je od svih paradigmi neuronskih mrea najvie
koriena, i primjenjuje se uspjeno u raznim oblastima, kao to su: prepoznavanje oblika (vojna
istraivanja, medicinska dijagnostika) prepoznavanje i sinteza govora, upravljanje robotima i vozilima.
Primjenjuje se i u prepoznavanju slovnih znakova, klasifikaciji slika, kodiranju signala, obradi znanja i
drugim razliitim problemima analize oblika. Propagacija unazad uspjeno rjeava probleme
preslikavanja oblika: za dati ulazni oblik mrea proizvodi asocirani izlazni oblik.
Propagacija greke unazad se bazira na relativno jednostavnom principu: kada mrea da pogrean
rezultat, teinski koeficijenti se ispravljaju tako da greka bude manja, a kao rezultat toga, sljedei
odgovori mree su blie tanim.
U principu, propagacija unazad koristi tri ili vie slojeva procesorskih jedinica. Mrea sa propagacijom
unazad mora da ima najmanje dva sloja. Ukoliko ima vie slojeva, pored ulaznog i izlaznog, ostali su
skriveni. Najee se koristi mrea sa potpuno povezanim slojevima, to znai da je svaki sloj povezan
sa prethodnim i sljedeim.
F(Sj) = Izlaz
Sj = Teinska
suma
= Vrijednost
greke
Slika 10
Na slici je postavljena jedna osnovna procesorska jedinica u mrei sa propagacijom unazad. Ona je
okarakterisana teinskom sumom ulaza Si, izlaznom vrijednou ai i vrijednou greke i koja se
koristi pri auriranju teinskih koeficijenata veza.
Aktivacioni nivo (eng. Activation level) koji je dodijeljen svakoj od jedinica procesiranja u mrei sa
propagacijom unazad predstavlja vrijednost izlaza iz odgovarajue jedinice. Kada se grafiki prikazuje
mrea, aktivacioni nivoi se mogu predstaviti pomou razliitih brojeva, boja ili nijansi sivog. Na
sljedeoj slici je prikazano grafiko predstavljanje aktivacionih nivoa i nivoa teinskih koeficijenata u
jednoj mrei sa propagacijom unazad. Kvadrati sa razliitim nijansama sivog predstavljaju
procesorske jedinice sa razliitim aktivacionim nivoima. Dvije reetke predstavljaju dva sloja teina,
gdje je nijansa sivog u svakom kvadratu odreena vrijednou teinskih koeficijenata odgovarajue
29
veze. Brojna skala za odreivanje nijanse sivog je razliita za aktivacione nivoe i za teinske
koeficijente zato to tipovi parametara imaju razliite obime.
Teine
Aktivacioni
nivoi
Mrea
Teinski koeficijenti
Od BIAS
jedinice
Sloj 2-3
Od BIAS
jedinice
Sloj 1-2
Sloj 2
Sloj 3
Sloj 1
Aktivacioni nivoi
30
Slika 11
31
32
Korak propagacije unaprijed se inicijalizuje kada se oblik predstavlja mrei. Svaka ulazna jedinica
odgovara jednom elementu vektora ulaznog oblika, i svaka jedinica dobiva vrijednost toga elementa.
Poto su aktivacioni nivoi prvog sloja procesorskih jedinica postavljeni, ostali slojevi nastavljaju korak
propagacije unaprijed i na taj nain odreuju aktivacione nivoe drugih slojeva.
Prvi korak propagacije unaprijed je izraunavanje teinske sume. Jedinica j izraunava teinsku sumu
svojih ulaza:
Sj = ni=1 aitji
Gdje su: ai aktivacioni nivo jedinice i, tji teinski koeficijent veze koja spaja jedinice i i j.
Jedinica i pripada jednom sloju ispred sloja jedinice j. Poto se izraunava suma nalazi se
funkcionalno preslikavanje sume f(Sj). Funkcija f je sigmoidna funkcija.
F(x) = 1 / 1+ e-x
Funkcija koja predstavlja meku varijantu step funkcije, koristei ovu prethodnu unkciju, dobija se:
F(Sj) = 1 / 1+e-Sj = 1 / 1+e-aitji
Vrijednost izraunata pomou ove funkcije postaje aktivacioni nivo jedinice j i prosljeuje se na sve
njene izlaze.
Ulazni sloj jedinica predstavlja specijalan sluaj. Ove jedinice ne sabiraju nikakve vrijednosti ve
jednostavno prosljeuju ka sledeem nivou one vrijednosti koje primaju od vektora ulaznog oblika.
33
Step funkcija
Sigmoid funkcija
Sigmoid funkcija
pomjerena -C
ulijevo
Slika 12
Prag funkcije
Neke mree sa propagacijom unazad koriste bias (eng. Rije bias se moe prevesti kao uticaj) jedinicu
u svakom izuzev izlaznog sloja. Ova jedinica ima konstantnu aktivacionu vrijednost. Svaka bias
jedinica je povezana sa svim jedinicama u sljedeem viem sloju, a teine tih veza se auriraju tokom
propagacije unazad. Bias jedinice obezbjeuju konstantan lan u teinskim sumama jedinica narednog
sloja. Kao rezultat toga dobijaju se poboljane konvergentne karakteristike mree. Konstantan lan u
sumi Skomoguava translaciju sigmoidne funkcije u lijevo ili u desno, kao to se vidi na slici. Na
primjer, neka je izlazna vrijednost bias jedinice a0 = 1.0 a teinski koeficijenat
C = tk0
Ako se za z obiljei teinska suma svih ulaza izuzev bias ulaza, dobija se:
34
z = ni=1 aitji
35
36
37
sloenost i teina, jer problemi u datom domenu moraju da budu dovoljno sloeni i teki da bi
se zahtijevalo rjeenje eksperata;
reformulacija preobraavanje prvobitne forme u kojoj je problem bio postavljen u formu
podesnu za obradu prema ekspertskim pravilima;
rezonovanje o sebi skup zahtjevanih sposobnosti u sistemu koji omoguavaju da sistem
rezonuje o sopstvenim procesima i
vrsta zadatka za ije se obavljanje izgrauje.
Na slian nain Hajes-Rot daje sljedee karakteristike:
slinost koja je obezbijeena pravilima visokog nivoa, gdje se izbjegava slijepo pretraivanje,
to rezultuje visokim performansama i robusnou,
rasuivanje koje je dato simbolikim predstavljanjem znanja i manipulisanjem simbolima,
"pamet" kao osnovni principi "slabi" (nealgoritamski) metodi rasuivanja,
mogunost reformulacije simbolikog znanja, konverzije iz opisa u oblik pogodan za primjenu
ekspertnih pravila,
rasuivanje "o sebi", tj. ispitivanje sopstvenog rasuivanja i objanjenje svog rada,
tip zadatka.
Najpotpuniju definiciju ekspertnih sistema dalo je Britansko drutvo za raunare koja glasi: "Pod
ekspertnim sistemima podrazumijeva se realizacija raunarski bazirane vjetine nekog eksperta ija je
osnova u znanju i u takvom obliku da sistem moe da ponudi inteligentan savjet ili da preuzme
inteligentnu odluku o funkciji koja je u postupku. Ekspertni sistem posjeduje i karakteristiku da na
zahtjev verifikuje svoju liniju rezonovanja, tako da direktno obavjetava korisnika koji postavlja
pitanje".
Sistemski posmatrano pod ekspertnim sistemom podrazumijeva se podsistem podruja vjetake
inteligencije. U ostale podsisteme spadaju jo robotika, obrada prirodnim jezikom, igre i raunarska
grafika. Podruje izgradnje ekspertnih sistema poznato je kao nauni inenjering (Knowledge
Engineering).
Ekspertni sistemi su dakle, skup kompjuterskih programa koji postiu visoki stepen rjeavanja
problema, a zahtjevaju dugogodinje struno obrazovanje pojedinaca. Paralelno sa razvojem
tehnologije ova definicija ekspertnih sistema zahtjeva ne samo strunu izgraenost, nego i dodatne
strune kvalitete pojedinca.
Iako imaju isti cilj ekspertni sistemi potpuno razliito funkcioniu od sistema za podrku odluivanja.
Takoe moemo rei da ove dvije vrste sistema nisu konkurentne jedna drugoj ve upravo suprotno.
Njihova integracija daje najbolje rezultate pa raste vanost i ekspertnih sistema i sistema za podrku
odluivanja.
Naime, dok se ekspertni sistemi fokusiraju na efikasnu manipulaciju velikih baza znanja svojstvenu
ljudskim ekspertima, sistemi za podrku odluivanja sadre injenine podatke koji se dre u velikim
datotekama ili bazama podataka. Svojstvo zakljuivanja koja je kljuna osobina ekspertnog sistema ne
postoji kod sistema za podrku odluivanja, koji su zasnovani na upotrebi proceduralnih algoritama ili
generalizovanim pretragama koje su u relaciji sa bazama podataka koje je unio korisnik.
S druge strane ekspertni sistemi su fokusirani na usko problemsko podruje, dok se sistemi za podrku
odluivanja mogu prilagoavati novim problemima. Jo, ekspertni sistemi korisniku ne ostavljaju
fleksibilnost u nainu analize problema dok sistemi za podrku odluivanja doputaju mogunost
manipulacije podacima i modelima prilikom donoenja odluke. Iz ovoga moemo konstatovati, dok
korisnik sistema za podrku odluivanju upravlja i kontrolie komponentama sistema, dotle je korisnik
ekspertnog sistemaupravljan od strane sistema. To ilustruje i sljedea tabela.
38
Atributi
SPO
ES
Ko postavlja pitanja?
ovjek na raunaru
Raunar ovjek
Metoda manipulacije
podataka
Brojana
Simbolina
Osobna problemskog
podruja
Kompleksno, iroko
Uzak domen
Vrsta tretiranih
problema
Ad hoc, jedinstveni
Ponavljajui
Mogunost
rezonovanja
Ne
Da, ogranieno
Mogunost
objanjavanja
Ogranieno
Da
39
40
odluka, odnosno poveava efikasnost preduzea. Uopte, sistemi koji racionaliu broj raspoloivih
opcija u odluivanju, unapreuju kvalitet preko uniformnosti, te olakavaju ocjenu kontrole kvaliteta.
Isto tako, programi koji smanjuju vrijeme potrebno za donoenje odluke, ako je vrijeme ogranieno,
predstavljaju znaajnu korist.
Gledajui primjer moderne prakse raunovodstva i njegovu relativnu sloenost, koja vodi do
koncentracije strunosti u specijalizovanim podrujima. Kada se takva znanja sublimiraju u ekspertni
sistem tada su dostupna svakom u preduzeu. Ekspertni sistemi su najee potrebni onda kada
strunjak u preduzeu nije dovoljno efikasan na podrujima koja troe velike koliine vremena usljed
rutinskog i ponavljanog odluivanja.
Iako ekspertni sistem moda nije "inteligentan", njegove velike mogunosti se odnose na saoptavanje
znanja, ouvanje rijetkih ili skupih vjetina, davanje smjernica, pomaganje pri donoenju odluka i
prilikom uspostavljanja kompleksnih sistema. Zbog toga ovu novu tehnologiju moemo koristiti na
mnogo naina s ciljem da ublaimo postojeu neefikasnost u poslovanju, slabu efikasnost i kontrolu
kvaliteta, te smanjimo vrijeme kolovanja poetnika.
to se tie postojee primjene ekspertnih sistema, oni na sebe ne preuzimaju donoenje odluka na
nivou preduzea. Ovi sistemi postaju sve popularniji jer su formalni procesi odluivanja, koje su prije
vodili rukovodioci, zamijenjeni softverom predprogramirane logike u kojoj su kriterijumi za odluke
unaprijed utvreni. Pretpostavka je da se odluke ovih sistema prihvataju i provode u organizaciji. U
viim krugovima rukovodstva, meutim, zadatke idejne prirode i one koji trae neformalne reakcije,
moda nikada nee preuzeti na sebe ekspertni sistemi. Odluke koje se ponavljaju najbolji su kandidati
za ekspertne sisteme jer su znanje, ocjene i iskustvo, koji se koriste prilikom donoenja ovih odluka,
ve sakupljeni i lako se mogu specificirati. Mnoge funkcije rukovodilaca na niem i srednjem nivou
sastoje se od specijalizovanih aktivnosti, koje su ve spremne za provoenje u ekspertni sistem.
Dananji ekspertni sistemi imaju relativno prilagoenu primjenu ekspertize pa zato rukovodiocima
pruaju savjetodavnu pomo. Radi lakeg korienja, postojei ekspertni sistemi su dizajnirani sa
osnovnim mogunostima za komunikaciju na donekle prirodan nain, odnosno u skladu sa strunim
podrujima. Osim toga, vana osobina postojeih sistema je mogunost da se unazad prati logika i
odgovori sistema kako bi se vidjelo zato je neki odgovor takav.
Ekspertni sistemi postavljaju niz pitanja i primjenjuju praktina pravila da analiziraju odgovore i
proizvedu preporuke, te takoe objanjavaju logiku kojom su doli do zadnjeg reda. Za razliku od
konvencionalnih kompjuterskih programa ekspertni sistemi koriste kvalitativne kao i kvantitativne
podatke. Takoe, mogu izvoditi zakljuke i iz nepotpunih i neodreenih podataka.
Razliku u odnosu na konvencionalne aplikacije isto tako predstavlja korisnika povezanost s
prirodnim dijalogom. Dananji kompjuterski sistemi dolaze do zakljuaka sistematskim prolazom po
detaljnoj listi koraka koji su napisani u programu. To je bitna razlika u odnosu na ljude, koji do
zakljuaka obino dolaze sekvencijalnim postupkom to praktino znai ne pomou skupa arbitrarnih
pravila i logike, ranijeg iskustva, induktivnog zakljuivanja i intuicije.
Ova metoda donoenja odluka obino se naziva heuristikom. Ako je zadatak strukturiran, nije
matematiki, a izvrava se heuristikom, ekspertni sistem bi trebao biti idealna pomo pri
odluivanju. Ako je zadatak izrazito strukturiran matematiki, efikasniji je proceduralni program.
41
42
o Adekvatnu vrstinu.
Simboliko rezonovanje
o Simbolika prezentacija znanja;
o Reformulacija simbolikog znanja.
Dubina
o Obrada sloenih problema datog domena;
o Upotreba/korienje kompleksnih pravila.
Sopstveno znanje
o Ispitivanje sopstvenog rezonovanja;
o Objanjavanj njegovog funkcionisanja.
Zadaci ekspertnih sistema se od drugih zadataka u oblasti vjetake inteligencije razlikuju po tome to
ekspertni sistemi:
Rjeavaju teke zadatke na nivou eksperata;
Naglaavaju strategije rjeavanja problema specifine za datu oblast, za razliku od ostalih
zadataka vjetake inteligencije koji zahtjevaju veu optost naina rjeavanja problema;
Koriste se "samosaznanjem" da bi rezonovali o procesu svog zakljuivanja i obezbjedili
obrazloenja, opravdanja i objanjenja za zakljuke koje su izveli;
Rjeavaju probleme koji spadaju u ove kategorije: interpretacija, dijagnoza, predvianje,
oblikovanje, planiranje, kontrolisanje, i druge.
Ovim kratkim pregledom uoavaju se jo neke vane osobine ekspertnih sistema, koje odvajaju od
drugih karakteristinih informatikih tehnologija, kao to su elektronska obrada podataka, upravljaki
informacioni sistemi, sistemi podrke odluivanja i slino. Prikazivanje znaajnih odlika ekspertnog
sistema se, bar donekle, moe upotpuniti ukazivanjem na njihove slabosti meu koje spadaju:
To to ne mogu da prepoznaju, niti da rjeavaju probleme za koje je njihovo znanje
neprimjenljivo ili nedovoljno;
to nemaju nezavisna sredstva za provjeravanje razlonosti svojih zakljuaka;
to nemaju dovoljno znanja o svojim mogunostima i ogranienjima (ime se inae odlikuje
ovjek-ekspert);
to su obrazloenja koja o svom zakljuivanju i zakljucima daju, esto suvie uproena;
to je jezik za izraavanje injenica i odnosa kojim se koriste vrlo ogranien i dr.
Oigledno je da su navedene odlike ekspertnog sistema poeljne osobine koje postojei ekspertni
sistemi ne posjeduju u eljenoj mjeri i da e njihov predstojei razvoj i usavravanje znaiti pomake
du nekih od navedenih dimenzija.
Osnovne odlike ekspertnih sistema su:
sadre kodirano znanje eksperta iz nekog domena,
mogu se izvravati tamo gdje su potrebni,
modularnost i laka izmjena ugraenog znanja,
mogunost objanjavanja rezonovanja,
heuristiko, a ne iscrpno rezonovanje i
objedinjuju teoriju i praksu vjetake inteligencije.
Ekspertni sistemi rjeavaju probleme koji spadaju u ove kategorije:
Interpretacija;
Dijagnoza;
Predvianje;
Oblikovanje;
Planiranje;
Monitoring;
43
Ispravljanje;
Kontrolisanje i dr.
Prema navedenim vrstama aktivnosti ekspertnih sistema izgraena je i jedna njihova klasifikacija:
Vrste
aktivnosti ES
Naznaka problema
Oblast
primjene
Naziv
tipinog ES
Interpretacija
Sistemi koji tumae opaene podatke pripisujui im simbolina znaenja kojima se opisuje situacija ili
stanje sistema
Hemija
Geologija
Medicina
Armija
DENDRAL
ELAS
LIFHO
PUFF
VM
Dijagnostika
Raunari
Elektronika
Geologija
Medicina
BDS
DART
ACE
HYDRO
MYCIN
PUFF
Predvianje
Raunari
Armija
PTRANS
I&M
Oblikovanje
Sistemi za oblikovanje ili dizajn razvijaju konfiguracije objekata koje zadovoljavaju zadata
ogranienja u problemu oblikovanja
Raunari
Hemija
Elektronika
Armija
XCON
MOLGEN
PALLADIO
ACEL
Planiranje
Sistemi za planiranje oblikuju akcije i usredsreeni su na objekte koji obavljaju neke funkcije, pri
emu se koriste modelima njihovog ponaanja da bi zakljuili efekte planiranih akcija
Hemija
Raunari
Elektronika
SPEX
MOLGEN
PTRANS
TALIB
KNOBS
TATR
Kontrolisanje
PTRANS
YES/MIN
VM
44
transformie u stablo za odluivanje. U radu sa sistemom korisnik odgovara na pitanja na osnovu ega
se sistem kree kroz stablo i dolazi do odgovora.
Sistemi zasnovani na pravilima koriste strategije voene podacima, ili ciljem. Znanje im je
predstavljeno faktima i pravilima. Jedan ovakav sistem je i MYCIN.
U hibridnim sistemima se kombinuju pozitivna iskustva steena u radu sa sistemima zasnovanim na
pravilima i sistemima za semantiko predstavljanje znanja. Na primjer, pogodno je okvirima opisati
deklarativno, a pravilima proceduralno znanje. Pri tome se koriste sva sredstva koje obe metode
pruaju:
Nasljeivanje;
Demoni;
Poruke;
Meta-pravila itd.
45
empirijski pristup. Shodno tome mehanizam zakljuivanja e vjerovatno biti nedovoljan. Ekspertni
sistem je ogranien na vrlo usko podruje (domen), jer je izgradnja i odravanje velike baze znanja
teka. Sistem ne daje kvalitetan odgovor ako problem nije u potpunosti ogranien na specifino
podruje. Tada se javlja problem sa odlukama vezanim za iroko interdisciplinarno znanje.
Prilikom prikupljanja i organizovanja baze znanja, odreene vrste znanja se ne mogu lako prevesti u
pravilo ako-onda. Takoe, postoji tekoa oko specifikacije heuristikog znanja rukovodioca, koje je
vano za pravilno odluivanje.
Korisniki interfejs sa sistemom treba biti ostvaren preko "prirodnog" dijaloga. Meutim, dijalog nije
realno prirodni jezik. Korisnici moraju opisivati probleme u definisanom formalnom jeziku ije rijei i
njihova kombinacija imaju veoma specifino znaenje.
Ogranieni broj strunjaka za ekspertne sisteme i inenjera za baze znanja, predstavljaju konstantnu
opasnost da poslovne aplikacije mogu lako pasti na posljednje mjesto u razvoju ustupajui mjesto
drugim dobro finansiranim podrujima. Takoe, vrijeme odziva komercijalno dostupnih ekspertnih
sistema relativno je sporo na veini personalnih raunara. Ali to je vjerovatno prolazni problem s
obzirom na dinamiku razvoja mikrokompjuterske tehnologije. Za kraj nabrajanja nedostataka
ekspertnih sistema naveemo da je indikativno relativno veliko ulaganje u instalacije i odravanje
ekspertnih sistema kao i mogunost da konkurencija kroz razvoj ili kupovinu slinog sistema moe
ugroziti odreene poslovne pozicije.
Tabelarni prikaz najbolje ilustruje pozitivnu i negativnu stranu ekspertnih sistema.
OVJEK EKSPERT
moe otii
teko prenosi svoje znanje
teko dokumentuje znanje
nepredvidiv
skup
EKSPERTNI SISTEM
permanentno znanje
znanje se lako prenosi
znanje se lako dokumentuje
konzistentan
podnoljiva cijena
OVJEK EKSPERT
kreativan
prilagodljiv
ulni senzori
irina sagledavanja
zdrav razum
EKSPERTNI SISTEM
nema kreativnost
nije prilagodljiv
simboli kao ulaz
usko sagledavanje
tehniko znanje
46
Churchman istie: "Znanje je kapacitet djelovanja". Nietzsche navodi: "Znanje je bazirano u ljudskoj
potrebi da kategorie i interpretira svijet oko sebe s namjerom da smanji neizvjesnost ivota". Maslow
kategorie izvjesnost ivota kao drugu primarnu ljudsku potrebu, odmah iza osnovnih biolokih
potreba. Zahtjevi sredine prema svojim lanovima za rjeavanjem vlastitih kljunih potreba
predstavljaju neposredne podsticaje stvaranja znanja. Posredni podsticaji stvaranja znanja provode se
kroz inicijative upravljanja znanjem.
47
48
Metode za predstavljanje znanja bi trebalo da omogue predstavljanje svih vrsta znanja iz oblasti na
koju se odnose, prirodno i efikasno zakljuivanje i pogodne naine za prikupljanje novog znanja i
promjene u ve postojeem znanju. Niti jedna od metoda koje se u vjetakoj inteligenciji koriste ne
ispunjava sve navedene zahtjeve u svim situacijama, tako da izbor zavisi od konkretnog problema na
koji se znanje odnosi.
Znanje moe biti:
Deklarativno znanje,
Proceduralno znanje.
Prvi tip znanja se odnosi na opis problema, definisanje prostora pretraivanja i kriterijuma utvrivanja
rjeenja problema. Drugi tip je vie konvencionalan i odnosi se na znanje koje je zapisivanjem naredbi
nekog programskog jezika eksplicitno ugraeno u programe. Meutim, dva tipa predstavljanja znanja
se esto prepliu. Deklarativno znanje predstavljeno pravilima je sasvim blisko proceduralnom znanju.
Meta znanje (znanje o znanju) koje se koristi za usmjeravanje pretraivanja je takoe na granici
izmeu proceduralnog i deklarativnog predstavljanja znanja. Ipak, u vjetakoj inteligenciji je od
prevashodnog znaaja predstavljanje deklarativnog znanja. Poseban nain predstavljanja znanja, koji
se ne uklapa u ovu podjelu, jesu neuronske mree.
Metode predstavljanja deklarativnog znanja dijele se na:
Sintaksne metode i
Semantike metode.
U sintaksno orijentisanim metodama se ne razmatra znaenje znanja sa kojim se radi. Ti sistemi imaju
uniformna pravila koja prihvataju sve vrste podataka. U semantikim sistemima razni dijelovi
reprezentacije imaju posebno znaenje i svoja pravila za zakljuivanje. Kod sintaksnih metoda je ideja
o efikasnom zakljuivanju zasnovanom na malom broju dobro prouenih jednostavnih pravila, a kod
semantikih na specifinim pravilima za rad sa odreenom vrstom znanja. Sintaksne metode su zato
optije, dok su semantike specijalizovanije. Konano, postoje i metode u kojima se kombinuju oba
pristupa. Sve metode nalaze primjene zavisno od problema koji se rjeava. Sistemi za predstavljanje
znanja ne sadre samo na odreeni nain reprezentovano znanje, ve obezbjeuju i osnovne procedure
za rad s njim. Pod sintaksnim metodama predstavljanja znanja se prije svega podrazumjevaju:
Predstavljanje znanja pomou relacionih tabela;
Predstavljanje znanja pomou logikih formula;
Predstavljanje znanja pomou pravila (eng. Rules).
Semantike metode strukturno obuhvataju:
Semantike mree i
Okvire (eng. Frames).
U relacionim tabelama entiteti se opisuju pomou vrijednosti skupa atributa. Svaki entitet predstavljan
je jednim redom tabele, a atributi su polja tog reda. Relacione tabele su najjednostavniji nain za
predstavljanje deklarativnog znanja. Podaci koji se nalaze u njima su jasni, ali i pasivni, to znai da se
kao argumenti prosljeuju procedurama za rad sa bazama podataka, a da sami ne dejstvuju na druge
podatke. Relacione tabele ne obezbjeuju mehanizam za predstavljanje netanih ili nesigurnih znanja.
Relacione tabele se koriste za predstavljanje znanja u sistemima baza podataka koje imaju ugraene
odgovarajue postupke za rad sa njima. Baze podataka mogu se koristiti kao nain za organizovanje
znanja koje predstavlja ulaz u programe zasnovane na tehnikama vjetake inteligencije. Znanje koje
je predstavljeno pravilima odreuje akcije koje nastaju pod izvjesnim skupom uslova. U nekim
aspektima pravila su slina uslovnim (if-then-else) naredbama konvencionalnih programskih jezika.
Sintaksnim metodama je zajednika negativna karakteristika da nemaju mogunost, ili bar nemaju
jednostavna sredstva za strukturisanje znanja koje predstavljaju. Semantike metode, sa druge strane
49
upravo u tom pogledu imaju prednosti. Njima se mogu opisati odnosi izmeu entiteta, i posebni
postupci zakljuivanja u sluaju da se izmeu entiteta javlja neka specijalna vrsta veza. Recimo,
jednostavno se moe govoriti kako konkretni entiteti imaju osobine optih entiteta. Na primjer,
konkretna zlatna ogrlica je skupa, jer je uopte zlatni nakit skup.
Bez obzira na izabranu metodu predstavljanja znanja potrebno je precizirati ta su osnovni entiteti
znanja, koji su njihovi bitni atributi i kakvi odnosi vae izmeu njih, zatim kako predstaviti skupove
objekata i kako u velikoj koliini znanja pristupiti relativnom dijelu. Semantike metode su veoma
pogodne za predstavljanje vanih atributa i odnosa, kao i za pristupanje dijelu znanja koje je u nekom
kontekstu znaajno, dok su logike formule pogodne za opise skupova objekata pomou kvantifikatora
oblika: svaki, neki, beskonano mnogo, konano mnogo, itd.
Osnovna ideja semantikih metoda predstavljanja znanja je da znaenje nekog entiteta znanja u
vezama koje ima i sa drugim entitetima. Zato ove metode nastoje da to vjernije predstave odnose
izmeu entiteta. Tehnike koje se pri tome koriste u znaajnoj mjeri lie na metodologiju objektno
orijentisanih programskih jezika. To se prije svega odnosi na nasljeivanje, hijerarhijsko ureenje
znanja, komunikaciju putem poruka, itd.
Granica izmeu osnovnih semantikih metoda, semantikih mjera i okvira, nije sasvim jasna, ali se
metoda koja koristi vei nivo strukturiranosti znanja po pravilu podvodi pod okvire.
Zanje o objektima, njihovim atributima i odgovarajuim vrijednostima ne mora biti jednostavno kao u
relacionim tabelama, gdje svaki red predstavlja jedan entitet znanja. esto su entiteti znanja
strukturisani, izmeu njih postoje veze, pa je pogodno obezbjediti mehanizam izvonja koji operie
nad tako predstavljenim objektima. Posebno je interesantno izvoenje koje dozvoljava nasljeivanje
osobina pri emu objekti neke klase nasljeuju osobinet klase, odnosno optije klase prenose osobine
na specifinije klase objekata.
Semantika mrea predstavlja podatke koristei skupove vorova (objekata koji mogu biti akcije,
predmeti, materijali, ...) i oznaenih lukova kojiih spajaju (relacija izmeu objekata). Semantike
mree koriste relacije kao je, potklasa, na, materijal itd. Da bi se pokazala veza izmeu objekata.
Objekat na koga je usmjeren luk iz nekog drugog objekta oznaen sa je predstavlja klasu objekta.
Polazni objekat je tada instanca te klase. Objekti povezani lukom potklasa predstavljaju klase
objekata, s tim da je objekat ka kom je luk usmjeren natklasa, a objekat iz kog luk polazi potklasa.
50
51
Slika 13
Baza znanja sadri znanje o specifinom problemskom podruju: pravila koja opisuju relacije i
dogaaje, a ponekad i metode, heuristike i ideje za rjeavanje problema na konkretnom podruju. Baza
znanja treba da sadri sva potrebna znanja iz posmatranog domena u svakom trenutku. Da bi uveanje
i izmjene kojem znanje podlijee mogli pratiti i pohranjivati u bazu znanja, potrebno je omoguiti bilo
manuelno, bilo automatsko auriranje baze znanja. Ovu aktivnost izvrava podsistem za uzimanje i
auriranje znanja. Pod manuelnim auriranjem emo podrazumjevati da ovu aktivnost vri inenjer
znanja ili domen ekspert, dok pod automatskim auriranjem podrazumjevamo mainsko uenje,
onosno generalizaciju iskustva u formi novog znanja. Jedan idealan eksperni sistem, zbog osobine
samoauriranja putem mainskog uenja, nikada ne bi trebalo modifikovati.
Mehanizam zakljuivanja omoguuje aktivnu upotrebu znanja o podruju za izvoenje zakljuaka.
Softverski sistem koji pronalazi znanje i izvodi novo iz postojeeg znanja. Ovaj element odreuje
stepen fleksibilnosti ekspertnog sistema, odnosno mogunost da se izvede novo znanje iz postojeeg.
Na primjer, iz dvije elementarne injenice "Ptice lete" i "Orlovi su ptice" proizilazi zakljuak "Orlovi
lete". Znanje koje je potrebno za donoenje odluke moe biti postojee ili izvedeno. Idealan ekspertni
sistem (njegov mehanizam zakljuivanja) je onaj koji nikada nee biti potrebno modifikovati. Sama
eksploatacija ekspertnog sistema ne dovodi do promjene mehanizma zakljuivanja, ve samo do
njegovog korienja.
Interfejs obezbjeuje komunikaciju izmeu ovjeka sa sistemom i treba da omogui relativno
komfornu interakciju to ukljuuje i mogunost objanjenja kako je sistem doao do odreenog
zakljuka. Uloga korisnikog interfejsa je u prihvatanju informacija koje zadaje korisnik i njihovom
prevoenju u oblik razumljiv za sistem, kao i u transformaciji podataka koje prua sistem u oblik
razumljiv za korisnika. Ova komunikacija korisnika sa raunarom treba da se odvija na jeziku to
slinijem prirodnom, pogotovo stoga to raunar zamjenjuje ovjeka eksperta, tako da se esto
ugrauju sistemi za obradu prirodnog jezika u okviru interfejsa.
Ekspertni sistemi uglavnom su realizovani kao sistemi voeni uzorcima (pattern directed systems).
Ovdje se radi o arhitekturi programskih sistema, koja se bitno razlikuje od konvencionalne strukture
programskih sistema. U konvencionalnoj arhitekturi moduli su organizovani hijerarhijski, a tok
izvoenja je u znatnoj mjeri determinisan, odnosno unaprijed poznat. Svaki tekui modul odreuje
koji modul e se izvesti kao sljedei.
Kod sistema voenih uzorcima hijerarhija meu modulima ne postoji. Moduli se aktiviraju uzorcima
iz "okruenja sistema", to ovdje predstavlja bazu podataka. Evidentno je da takva organizacija
dozvoljava i istovremeno izvoenje vie modula te na taj nain slui kao model paralelnih,
distribuiranih procesa. Meutim, za implementaciju na sekvencijalnom raunaru potreban je kontrolni
modul, koji u sluaju kad uzorak izabere vie modula, odredi za izvoenje samo jednog izmeu
njih. Kod tih sistema dakle imamo cikluse koji sadre:
Pretraivanje baze podataka, da se nau uzorci koji predstavljaju uslov za aktiviranje nekog
modula; time se dobija konfliktan skup potencijalno aktivnih modula;
52
53
54
njem od stranekorisnika sistem moe efikasno da obavi svoju funkciju. Kod sistema sa skromnom baz
om znanja to nije uvijek mogue, mada oni mogu veoma dobro rjeavati probleme.
Zbog ovoga poelo se raditi na "drugoj generaciji" ekspertnih sistema, koji uvoenjem dubokog znanj
a rjeavaju neke od tih problema. Takav razvoj doveo je do toga, da supostala veoma vana pitanja kak
o u raunaru predstaviti tzv. duboko znanje i kako ga uiniti operativnim. Istraivanja na podruju kva
litativnog modeliranja i automatskoguenja su u funkciji rjeavanja tih pitanja.
55
PRODUKCIONA PRAVILA
Produkciona pravila su najpopularniji metod za predstavljanje znanja. U konceptu problema logine
relacije esto opisujemo pravilima "Ako vai U onda Z" to znai u interpretaciji "Ako vai uslov U
onda se moe zakljuiti Z" ili "Ako situacija U onda akcija Z". Znanje se u formalizmu produkcionih
pravila (ako-onda) izraava na prirodan nain. Pozitivne osobine produkcionih pravila su:
svako pravilo predstavlja mali, relativno nezavisan dio znanja;
dodavanje novih pravila moe biti relativno nezavisno od ostalih pravila, to se odnosi i na
modifikaciju postojeih pravila;
ova pravila pomau transparentnost sistema tako to mogu odgovoriti na pitanja
tipa "kako" (Kako si doao do tog zakljuka?) i "zato" (Zato ti je potrebna ova informacija?).
Pravilo tipa "Ako vai uslov A onda se moe zakljuiti Z" predstavlja tzv. kategorino znanje, jer
definie logiku relaciju koja je istina. Predstavljanje znanja na mekim domenima preko ovih pravila
gotovo je nemogue. Tu relacije vae sa odreenim faktorom vjerovatnoe (npr. "Ako vai uslov U
onda se moe zakljuiti Z sa faktorom vjerovatnoe P" ). Ovo nije matematika vjerovatnoa, ve
subjektivna ekspertova procjena za vjerovatnou (obino broj nekog intervala, ne mora 0-1). Zbog
njegovog karaktera, zakljuivanje na bazi vjerovatnoe (probabilistic reasoning, plausible reasoning)
treba uzimati veoma paljivo.
MREE
Mree kao formalizmi za predstavljanje znanja, sadre vorove, koji oznaavaju objekte (fizike
objekte, situacije, skupove, relacije) i veze (binarne relacije izmeu objekata).
Iako se mree razlikuju po izraavanju i tipovima procedura za manipulaciju, traenje meusobno
povezanih elemenata znanja zasniva se na strukturi, koja kodira to znanje. Oznake elemenata mree iz
datog vora omoguuju pozicioniranje na odgovarjue vorove tako to slijedimo odgovarajue veze.
Mree su adekvatne za predstavljanje hijerarhijskih struktura, koje zajedno sa tehnikom nasljeivanja
osobina olakavaju opisivanje znanja. Tako npr. ako P predstavlja karakteristine osobine skupa S,
onda P vai i za svaki podskup skupa S i za svaki elemenat skupa S odnosno odnosno njegov
podskup. To praktino znai da karakteristike opisane na viem nivou vrijede za sve nie nivoe (ako
treba nalazimo ih pomou mree).
56
OKVIRI
Okviri su bazirani na ideji da se objekti, dogaaji i specifine situacije ili radnje mogu predstaviti
jedinstvenom formom. Predstavljaju specifian primjer mrea. Oni slue kao baza za razumijevanje
vizuelne percepcije, dijaloga u prirodnom jeziku itd. Predloio ih je Minski kao metodu za
organizovanje obimnog znanja potrebnog za rjeavanje ovih zadataka.
Ekspertni sistemi u okvirima skupljaju ove informacije u prepoznatljiv entitet. Kao kod mrea,
meusobne veze izmeu tih entiteta mogu se izraziti veoma jednostavno, zahvaljujui nasljeivanju
atributa. Ovaj oblik strukture omoguuje traenje elemenata koji se odnose na dati kontekst. Okvir je
opis objekta i u njemu se nalazi otvor (slot) za svaku relevantnu informaciju tog objekta. Otvori
memoriu vrijednosti tj. uvaju znanje dostupno sistemu, uvaju identitet entiteta i odgovarajue
akcije koje mogu biti preduzete. Sadre default vrijednosti, pokazivae na druge okvire, kao i pravila
odnosno procedure po kojima se dobijaju odreene vrijednosti za objekat. Dakle, svaki objekat je skup
otvora. Kao kod mrea, okviri su u prednosti nad produkcionim pravilima, jer omoguuju
implementaciju analize problema na dubljem nivou, npr. putem apstrakcije i analogije.
Okviri predstavljaju bazu za jednu od najpopularnijih metoda predstavljanja znanja: objektno
orijentisani okviri. U stari oni se pribliavaju objektno orijentisanim okruenjima. U standardnim
implementacijama ekspertnih sistema, objektno orijentisani okviri se redovno kombinuju sa
produkcionim pravilima, i tako nastaje jedan od najmonijih formalizama za predstavljanje znanja.
PREDIKATSKI RAUN
Predikatski raun je najmoniji nain predstavljanja znanja. Logika ili predikatski raun prvog reda
kao podsistem formalne logike moe u velikom broju sluajeva da predstavi znanje napisano na
prirodnom jeziku. injenice i pravila se zapiu u skladu sa sintaktikim pravilima toga podsistema.
Poznate injenice i pravila tretiraju se kao aksiomi, a oekivani odgovor kao teorem koji vai u
sistemu tih aksioma.
U ovom formalizmu veoma je jednostavno definisati relacije i strukturirati podatke. Predikatski raun
je performantan zato to za dokazivanje teorema u okviru tog formalizma postoje poznati i relativno
brzi algoritmi koji se baziraju na principu rezolucije.
Formule predikatskog rauna se izgrauju upotrebom sljedeih simbola:
1. a, b, c, d (individualne konstante, imena individual iz nekog domena),
2. x, y, z (individualne promjenjiljve),
3. A, B, C, D (predikatske konstante imena relacija definisanih na datom domenu),
4. X, Y, Z (predikatske konstante),
5. Univerzalni kvantifikatori koji govore o svim individuama domena i Egzistencijalni
kvantifikatori koji govore o najmanje jednoj individui domena),
6. p, q, r, s (iskazne promjenjljive),
7. , , (logike konstante),
8. ( ) (zagrade).
57
Programski jezik PROLOG predstavlja formalizam ovoga tipa. Nastao je kao realizacija ideje, da je
mogue matematiku logiku upotrijebiti kao programski jezik. Ima sintaksu formula predikatskog
rauna prvoga reda, zapisanih u klauzalnom obliku (kvantifikatori se ne navode eksplicitno), a
ogranien je na Hornove klauzule. Hornove klauzule izraavaju uslovne tvrdnje tipa:
Ako P1 i P2 i ... i Pn, onda P.
Prolog je deklarativni odnosno neproceduralni jezik. Umjesto algoritama za rjeavanje problema u
njemu se zapisuju relacije meu podacima i rezultatima. Prologov interpreter onda sam nalazi
redoslijed operacija, koje prevode podatke u rezultate koji odgovaraju zahtjevanim relacijama. Dakle,
u izvjesnom smislu podaci su istovremeno i program za rad sa njima. Prolog je dostigao veliku
popularnost u Evropi i Japanu, gdje je proglaen za zvanini jezik 5. generacije raunara. Meutim,
kako je u optem sluaju ogranieniji od produkcionih pravila, nema toliku popularnost u ekspertnim
sistemima.
58
Da bi se izgradila baza znanja treba prvo ekstrahovati ekspertno znanje, onda ga predstaviti u
formalizmu, koji omoguava da se to znanje koristi pomou raunara. Proces zahvatanja znanja i
njegove preformulacije u izabrani formalizam za predstavljanje znanja inenjering znanja (knowledge
engineering).
Karakteristika veine do sada izgraenih ekspertnih sistema je u korienju baze znanja koja je
dobivena "runo" tj. pomou strune literature i konsultovanja strunjaka. Problem je to je to
dugotrajan i skup proces, jer zahtjeva dosta dug angaman kako samog tehnologa znanja, tako i
strunjaka za konkretno problemsko podruje. Razlog je u poznatom dejstvu ovjekovog "know-how",
do koga je ekspert doao dugim iskustvom i koga je teko formulisati u "say-how" toliko sistematino
i detaljno koliko je to potrebno za raunarsku aplikaciju, pa je zato dolo do razvoja alternativnih
metoda za zahvatanje znanja, koje omoguavaju automatsku sintezu znanja, a imaju osnovu prije
svega u metodama automatskog uenja i kvalitativnog modeliranja.
Kada se od eksperta trai da prezentuje svoje znanje, on e to najlake uiniti pomou izabranih
primjera. On je sposoban mnogo bre pretvoriti "know-how" u "show-how". Na ovaj nain se
eventualno prevazilazi tzv. Fajgenbaumovo usko grlo. Potrebno je iz skupa primjera induktivnim
zakljuivanjem izvesti pravila i tako iz njih rekonstruisati ekspertov "know-how", to se moe postii
metodama automatskog uenja. Struktura ekspertnih sistema, proirena modulom za zahvatanje znanja
prikazana je na Slici 14.
Slika 14
59
U sluaju veoma obimnih baza znanja posebno je pogodna upotreba kvalitativnog modela. Model
sadri uzrono znanje o podruju, koje moe biti predstavljjeno u relativno kompaktnom obliku. Osim
toga lake je provjeriti njegovu kompletnost i konzistentnost nego u sluaju kada je znanje u obliku
velikog broja primjera. U mnogim domenima (npr. fiziologiji) priroda problema je kvalitativna, te
zahtjeva takav jezik eksperta. Meutim konstrukcija kvalitativnog modela uglavnom je teak zadatak,
pa se zato vre istraivanja iz automatske izgradnje takvih modela.
Rezultati utvruju primjenljivost automatskog uenja i kvalitativnog modeliranja za automatsko
generisanje ekspertnog znanja. Sintetizovano znanje je po sutini i tanosti zanimljivo za strunjaka ili
praktika sa problemskog podruja, a rezultati ekspertnih sistema koji se slue tim znanjem su u okviru
tanosti koju postiu eksperti tanosti.
60
Kvalitativni modeli opisuju sistem na jednostavan simboliki nain, koji je blizak ljudskom nainu
miljenja. Apstrahuju se egzaktne numerike vrijednosti, jer sve parametarske vrijednosti sistema se
integriu u jedan simboliki opis tj. kvalitativnu vrijednost. Za razliku od klasinih modela gdje su
promjenljive veliine vezane jednainama, kod ovih modela promjenljive su vezane relacijama koje
mogu imati oblik jednaina, nejednaina ili logikih izjava. Dakle, ovdje se umjesto rjeavanja sistema
jednaina, promjenljivim dodjeljuju vrijednosti relevantne za relacije u modelu.
Kvalitativni modeli su bazirani na skupu relacija meu elementima sistema. Sistem se moe opisati i
sa apstraktnim pojmovima. S obzirom na to razlikuju se:
komponentno orijentisan pristup gdje se ponaanje sistema izvodi iz ponaanja njegovih
komponenti i
procesno orijentisan pristup koji opisuje procese kao izvor svih promjena u sistemu.
Oba pristupa su realizovana tako da opisuju fizikalne pojave ograniavajuim (ne)jednainama.
Simulacija se vri kao irenje ogranienja (constraint propagation) po sistemu, a izvodi je zato kreiran
jezik CONLAN. Formulacija pravila u KARDIU je drugaija. Umjesto ograniavajuih jednaina
ovdje postoje formule predikatskog rauna prvog reda tj. logike izjave. Simulaciju izvrava
interpreter pravila napisan u PROLOGU.
Prednosti kvalitativnog modeliranja u odnosu na klasino modeliranje mogu se sintetizovati u
sljedeem:
Kvalitativni opisi su veoma pristupani u odnosu na rjeavanje klasinih modela koji su
kompleksni.
Kvalitativni model je blii ovjekovom nainu miljenja.
Kvalitativni model je primjenljiv i u sluaju kada nisu poznate tane vrijednosti parametara,
dok to ne vai za klasine modele.
Kvalitativna simulacija jednostavno generie objanjenje i tako postie transparentnost sistema.
Ako su relacije u modelu kauzalnog karaktera (povezuju uzroke sa posljedicama), onda lanac
zakljuaka predstavlja kvalitativnu simulaciju modela. Sam model predstavlja duboko znanje jer
odraava strukturu i i dublje principe problemskog domena. Ovakva duboka baza znanja je pozitivna,
jer poboljava semantiku i sposobnost objanjavanja ekspertnog sistema. Meutim, negativna strana
se ogleda npr. u dijagnostici i kontroli, kada treba zakljuivati po lancu u smjeru nazad (od posledica
ka uzrocima). Rjeenje problema je u procesu kvalitativne simulacije kada se automatski mogu dobiti
plitka pravila koja direktno povezuju poetne uzroke sa konanim posljedicama, za sve mogue
primjere. Ovakva baza je veoma operativna, ali i veoma obimna. U tom smislu komprimuje se
metodama automatskog uenja.
61
62
63
Prostor stanja (state space) predstavlja graf gdje su vorovi ekvivalentni problemskim situacijama.
Veze izmeu vorova su legalne akcije koje transformiu jednu problemsku situaciju u drugu.
Rjeenje problema se postie korienjem dvije osnovne strategije pretraivanja grafova:
pretraivanje u dubinu (depth-first search) i
pretraivanje u irinu (breadth-first search).
Za razliku od algoritma pretraivanja u irinu koji nalazi najbre odnosno najkrae rjeenje,
pretraivanje u dubinu nosi odreeni rizik tj. opasnost da algoritam doe u bezizlaznu petlju.
Pretraivanje u dubinu posjeduje dijalog sa korisnikom koji je mnogo prirodniji i veoma detaljno
obrauje teme (jednu po jednu). Nasuprot njemu, algoritam pretraivanja u irinu preskae sa teme na
temu (random pretraivanje) i na taj nain negativno utie na koncentraciju korisnika.
Osnovni princip pretraivanja po irini je generisanje svih moguih stanja po nivoima stabla koja se
zatim pretrauju. Ovom metodom se uvijek nalazi najkrai put do ciljnog (ciljnih) stanja, ali broj
stanja koja se generiu i pretrauju raste eksponencijalno za svaki sljedei nivo. Potrebno vrijeme za
nalaenje rjeenja takoe raste eksponencijalno, pa zbog toga moemo rei da ova strategija garantuje
najbolje rjeenje ako nam vrijeme i memorija nisu ogranieni.
Slika 15
Pretraivanje po irini
Pretraivanje po dubini predstavlja strategiju koja jednostavno eliminie neke nedostatke prethodno
navedene strategije. Potrebno je manje memorije poto se u obzir uzimaju samo neki segmenti
prostora stanja. Ako su u pitanju "dua" ("dublja") rjeenja - sa veim brojem vorova, takav put e se
nai mnogo bre nego upotrebom pretrage po irini. ak i kada se rjeenje pronae, ne mora biti
najbolje mogue (najkrae). Da bi se izbjeglo ulaenje u "beskonaan" put, pretraga se prekida nakon
odreenog broja nivoa, pa postoji mogunost da rjeenje nee biti pronaeno iako se nalazi u datom
segmentu prostora stanja.
Osnovna upotreba heuristikog znanja je da povea efikasnost procesa zakljuivanja putem nalaenja
smjera (usmjeravanja) procesa pretrage. Takav smjer nam smanjuje prostor koji se mora pretraiti
prije nego to se doe do rjeenja, a to poveava mogunosti rjeavanja sloenijih problema.
64
Slika 16
Pretraivanje po dubini
65
Problem se moe predstaviti i sa AND/OR grafom. Ovaj graf je karakteristian za probleme koji se
mogu dekomponovati na podprobleme. Ovdje su vorovi ekvivalentni problemima. Poetni vor je
originalni problem, dok su ciljni vorovi relativno jednostavni podproblemi. Veze meu vorovima
predstavljaju relacije meu problemima. vor moe biti AND tipa (za rjeenje potrebno je rijeiti sve
njegove nasljednike) i OR tipa (za rjeenje je dovoljno rijeiti jednog od nasljednika). Rjeenje
problema nije put ve podgraf u originalnom AND/OR grafu. Za pretraivanje AND/OR grafova u
Prologu moe se iskoristiti sam interpreter za Prolog, ije je proceduralno znaenje upravo
pretraivanje takvih grafova.
Naroito vana osobina mehanizma zakljuivanja je da li on omoguava monotono ili nemonotono
zakljuivanje. U prvom sluaju sve to je bilo prepoznato kao istinito ostaje istinito tokom itave
konsultacije. Koliina informacija u tom sluaju moe samo monotono da se poveava. Nemonotono
zakljuivanje dozvoljava da se znanje tokom konsultacije mijenja. Na osnovu nove informacije neki
ranije izvedeni zakljuci mogu se eliminisati. Opti uzorak kod tih sistema je
tzv. "default" zakljuivanje tipa "ako vai A i ako nije evidentno da ne vai B, onda vai B".
Ostaje jo veoma vano pitanje kako se vri zakljuivanje kada imamo nepotpune ili nepouzdane
informacije i kada moda i sama pravila vae samo sa nekim odreenim faktorom povjerenja.
Spomenuli smo ve da su na tzv. mekim podrujima, koja su glavna podruja primjene ekspertnih
sistema, takve situacije veoma este. Zato ekspertni sistemi uglavnom omoguavaju zakljuivanje na
osnovu vjerovatnoe za razliku od kategorikog zakljuivanja gdje su stvari jednostavno istinite ili ne.
Opte prihvaene teorije zakljuivanja na osnovu vjerovatnoe jo nema, mada su istraivanja na
ovom podruju veoma intenzivna. U literaturi se uglavnom navodi kako je to pitanje rijeeno kod
pojedinih poznatih sistema (Prospector, Mycin ...).
66
MACGER
(1973)
Definisanje sistema
DEJVIS
(1974)
Definisanje:
BOEM
(1976)
Zahtjevi sistema
67
Projektovanje
Programiranje
ocjenjivanje
izvodljivosti,
informaciona
analiza
Fiziko
projektovanje:
projektovanje
sistema, razvoj
programa, razvoj
procedura
Implementacija:
konverzija,
funkcionisanje i
odravanje,
postrevizija
Testiranje sistema
Zahtjevi softvera
Preliminarno
projektovanje
Detaljno
projektovanje
Kodiranje, traenje i
mjenjanje
programskih greaka
Testiranje i
predfunkcionisanje
Prihvatanje
Instalacija i
funkcionisanje
FRIMEN I
VASERMEN
(1977)
Analiza potreba
KVEJD I
BOUER
(1978)
Problem
Specifikacija
sistema
Formiranje
MANDEL
(1979)
Projektovanje
situacije:
prepoznavanje
problema,
definisanje ciljeva,
studija postojeeg
sistema,
projektovanje
novog sistema,
predlaganje
rjeenja
Implementacija:
detaljno
projektovanje
sistema,
projektovanje
datoteka, razvoj
programa, razvoj
dokumentacije,
razvojtest
podataka,
68
testiranje sistema,
konverzija
Detaljno
projektovanje
Implementacija
Odravanje
Evaluacija
Interpretacija
Verifikacija
Sugestije
akcija
Tabela 8 2. tip metodologije razvoja informacionih sistema
LAJBOVIC
(1984)
Problematino
stanje poslova
Korisnik:
Hijerarhijska
vrijednost, pogled
na svijet
Identifikacija
problema
Motivacija:
postojee
metodologije
Analogno
rezonovanje
Izbor metodologije
SILVERMAN
(1985)
Identifikacija
zahtjeva
Projektovanje,
Razvoj, Testiranje i
Integracija:
slini programi
Funkcionisanje i
Odravanje
Kolektiranje
Raspolaganje
HARMON I
SOJER
(1989)
Preliminarna analiza
Analiza i dizajn
Razvoj prototipa
Razvoj sistema
Testiranje i
implementacija
Odravanje
Vie manje, bie preuzeta metodologija Harmona i Sojera, jer ba ona u znaajnoj mjeri prihvata i
obuhvata integralni prilaz analize, projektovanja i razoja informacionih i ekspertnih sistma. Osim toga,
ova metodologija ima i osobinu jasnog i preciznog naznaavanja i objanjavanja svakog
metodolokog koraka u skladu sa zahtjevima procesa upravljanja projektima.
Generika metodoloka procedura za razvoj i upravljanje razvojem ekspertnih sistema ima est faza:
Preliminarna analiza;
Analiza i dizajn;
Razvoj prototipa;
Razvoj sistema;
Testiranje i implementacija;
Odravanje.
Svaka od ovih faza se istovremeno razmatra sa dva aspekta. Prvi je ko i sa kakvom ulogom uestvuje
u razvoju ekspertnog sistema, a drugi je koji se sve razni poslovi i zadaci trebaju izvriti u nekom
projektu. Tako se ovom metodologijom mogu organizovati i sistematizovati razliite ideje i ona moe
posluiti kao osnova za planiranje i upravljanje sistemskim projektom.
69
70
Osnovna pitanja kod izgradnje ekspertnog sistema ve u fazi izrade ljuske su sljedea:
Rijeiti u kojem formalizmu e biti predstavljeno znanje, da bi bilo pogodno za rjeavanje
problema. Takoe, paralelno s tim ono mora biti razumljivo korisniku i jednostavno za
verifikaciju, modifikaciju i dopunu.
Treba izabrati mehanizam zakljuivanja, koji bi bio adekvatan za rjeavanje problema tj. on
treba da odgovara izabranom formalizmu za predstavljanje znanja. Zatim, on treba da prikladno
obradi nepouzdane i nepotpune informacije i da omogui potrebno objanjenje.
Ukratko za kvalitetan razvoj ljuske treba:
izabrati formalizam u kojem e biti predstavljeno znanje (obino pravila oblika "ako - onda"),
razviti formalizam za predstavljanje znanja adekvatan mehanizamu zakljuivanja,
razviti interfejs pomou kojeg e sistem objanjavati svoje odluke i davati odgovor na pitanja
tipa "Kako si doao do tog rjeenja? " i "Zato eli ovu informaciju?" i
razviti metod za rad sa nepouzdanim i nepotpunim informacijama.
Slika 17
U prvim danima raunarske tehnologije kada su raunari, bili osnovna komponenta okruenja, osnovni
preduslov za uspjean razvoj aplikacije je bio da programer poznaje jedino orue koje mu je stajalo na
raspolaganju programski jezik u kome e programi biti napisani. ak i kasnije, kada je sistem
analiza izdvojena kao posebna funkcija (esto od presudne vanosti za uspjenu aplikaciju),
ogranienje razvojnih alata na jedan jedini programski jezik je i dalje bilo prisutno. Izbor programskog
jezika je zavisio od izbora i tradicije softverske razvojne kue. Danas, u uslovima sveopteg napretka
tehnologije je razvojno okruenje ekspertnih sistema toliko bogato alatima, da je problem njihove
selekcije izdvojen kao poseban zadatak inenjera znanja ili projektanta baze znanja.
Izvrena je i klasifikacija ovih alata kao i opis naina na koje oni olakavaju izgradnju
ekspertnih sistema.
Pod pojmom ekspertnih sistema se podrazumjevaju svi programi koji ukljuuju ekspertizu, simboliko
rasuivanje, odreenu dubinu problema i znanje o sebi (ispitivanje sopstvenog rezonovanja i
objanjavanje postupaka). Razumljivo je da je izgradnja ovakvog programa mnogo sloenija od
pisanja aplikativnih programa u nekom od programskih jezika. Ona zahtjeva ne samo predstavljanje
znanja u bazi znanja ekspertnog sistema, ve i ekspertizu koja e te informacije uiniti dostupnima
korisniku sistema putem razliitih tehnika rjeavanja problema mehanizma zakljuivanja. Zbog toga
je zadatak izgradnje ekspertnih sistema mnogo lake uspjeno izvriti ukoliko posjedujemo
inteligentne alate i pomona sredstva koji ovaj mukotrpan posao olakavaju ili skrauju njegovo
vremensko trajanje.
Postoji itav spektar proizvoda koji se ubrajaju u alate za izgradnju ekspertnih sistema. Najire
posmatrano, sva sredstva koja su u funkciji ekspertnog sistema se mogu podijeliti u sljedee
kategorije:
programske jezike za razvoj ekspertnih sistema,
71
SISTEMA
Programski jezici su ili proceduralno ili simboliko orijentisani. Proceduralno orijentisani programski
jezici su konvencionalni jezici kao to su npr. FORTRAN ili PASCAL i namijenjeni su algoritamskom
rjeavanju odreenog tipa problema. Tako je FORTRAN naroito pogodan za matematike probleme,
COBOL za poslovnu obradu, itd. S druge strane, programski jezici za simboliku obradu su kreirani za
primjenu u aplikacijama vjetake inteligencije. Osnovni elementi koji se ovakvim programskim
jezicima obrauju nisu podaci, ve objekti iz domena posmatranja, koje nazivamo simbolima.
Programski jezici za razvoj ekspertnih sistema pruaju najveu slobodu pri izgradnji ekspertnih
sistema, ali s druge strane ne pomau pri izboru naina predstavljanja znanja ili pristupa bazi znanja.
Zbog svojih osobina pogodnih za izgradnju ekspertnih sistema, najee su primjenjivani programski
jezici LISP i Prolog. C jezik se takoe sree kao programski jezik u kome je razvijan veliki broj
ekspertnih sistema. To je prvenstveno zbog toga to je vei broj programera familijaran sa C-om nego
sa programskim jezicima koji se obino koriste u vjetakoj inteligenciji. Osim toga, C jezik ne
ograniava kreativnost programera, a C kompajleri stvaraju izuzetno brze i efikasne izvrne programe.
Razlika programskog jezika LISP i komercijalnih programskih jezika kao to su PASCAL,
FORTRAN, je u mogunosti da se pomou LISP-a vri simbolika obrada. Osnovni elementi koji se
obrauju se nazivaju simbolima. LISP potie od engleske rijei LIST Processing, oznaava obradu
listi i upuuje na prvobitnu namjenu ovog jezika. Liste se u LISP-u predstavljaju na dva naina: prvi
nain se odnosi na vidljivi zapis liste koji se sastoji iz niza lanova liste, odvojenih praznim mjestom
unutar otvorene i zatvorene male zgrade. Drugi nain predstavljanja listi se odnosi na internu
prezentaciju u obliku lanca elija. Svaka elija je jedan element liste i sastoji se iz gornje polovine koja
se naziva CAR i donje polovine koja se zove CDR.
Program napisan u Lisp-u se izvrava:
Izraunavanjem vrijednosti funkcije;
Obradom listi;
Predikatima ili funkcijama testiranja;
Dodjeljivanjem vrijednosti promjenljivima;
Predstavljanjem IF-THEN pravila;
Definisanjem novih funkcija.
PROLOG je deklarativan programski jezik, u kojem je zadatak programera da specificira ta treba da
dobije za rezultat, a ne kako do tog rezultata doi.
Prolog (PROgramming in LOGic) je programski jezik kreiran sa posebnom namjenom da se uz
njegovu pomo dobivaju odgovori na upite u bazu znanja, sastavljenu od injenica i pravila. U Prolog
je ugraena rutina olanavanja unazad i tzv. traganje unazad, tako da se izmeu pravila pisanih u
Prolog-u i pravila pohranjenih u bazu znanja uspostavlja obostrano jednoznana korespondencija.
Prolog i njegova sintaksa zadovoljavaju sljedee osobine:
72
vrnjaci(X,Y):roen(X,G),roen(Y,G)
roen(igor,1985)
roen(ema,1980)
roen(darko,1985)
Dio pravila koji se nalaze sa lijeve strane znaka se naziva ''glava'' klauzule i ekvivalentan je
THEN dijelu pravila u bazi znanja ekspertnog sistema.
Desno od znaka se nalazi ''tijelo'' klauzule i odgovara IF dijelu produkcionih pravila kojima se
znanje predstavlja u bazi. Tijelo je sainjeno iz vie dijelova, svaki dio se naziva ciljem.
Rije ispred zagrade je predikat i pie se malim poetnim slovom. Termin predikat se esto
koristi u smislu procedura. Procedura je dio programa koji definie predikat odreenog imena.
Rijei u zagradama su argumenti predikata ispred zagrade. Argumenti mogu biti promjenljive
ili vrijednosti.
Pitanja o injenicama pohranjenim u bazi su najjednostavnija a sintaksa im je sljedea:
?-klauzula
Suoen sa zadatkom da odgovori na pitanje, raunar daje rjeenje sa yes ili no.Za podatke iz predhodnog primjera
?-vrnjaci(igor,ema)
raunar e odgovoriti sa no, dok e na pitanje:
?vrnjaci(igor,darko)
odgovor biti yes.
Npr: ?roen(x,1985)
Raunar daje dva odgovora,na osnovu baze i to
:
X=igor
X=darko
73
ekspertnog sistema MYCIN. Ljuske ekspertnih sistema olakavaju izgradnju ekspertnih sistema time
to daju gotovu strukturu "skelet" sistema i mehanizam zakljuivanja koji je direktno primjenjljiv na
odreeni tip problema. Nedostatak JIZ ogoljenog tipa je pomanjkanje optosti i fleksibilnosti u
rukovanju problemima koji ne spadaju u unaprijed odreenu klasu, za koju su ljuske namijenjene.
Dobre rezultate u razvoju ekspertnih sistema bez obzira na podruje (domen) i tip problema koji se
rjeava, daju JIZ opte namjene. Njihova upotreba je sloenija, ali je bolja kontrola pristupa znanju i
tehnika pretraivanja baze znanja nego kod JIZ ogoljenog tipa.
PROGRAMSKA PODRKA IZGRADNJI SISTEMA
Programsku podrku izgradnji ekspertnih sistema (PPIES) ini skup softverskih proizvoda koji ili
pomau pri sticanju i predstavljanju znanja domenskog eksperta ili pomau u postupku dizajna samog
ekspertnog sistema. U poreenju sa alatima iz drugih kategorija, relativno je malo softverskih
proizvoda koji se ubrajaju u ovu klasu razvijeno. Jedan od njih je TEIRESIAS, programska podrka
izgradnji ekspertnih sistema koja podrava transfer domenskog ekspertskog znanja u bazu znanja
ekspertnog sistema na taj nain to koristi iskaze veoma sline engleskom jeziku. TEIRESIAS radi na
principu interakcije raunara i korisnika. Korisnik je u mogunosti da iskae nova pravila pomou
redukovanog skupa engleskih rijei. Sistem analizira korisnikove iskaze i daje prijedloge u zavisnosti
od potpunosti i konzistentnosti pravila i pomae pri otkrivanju greaka. Ispravne iskaze sistem sam
ugrauje u bazu znanja ekspertnog sistema. PPIES koja pomae pri dizajnu i izgradnji ekspertnih
sistema, nudi inenjeru znanja odreeni skup komponenti koje ovaj koristi kao blokove za gradnju,
spaja ih po potrebi u dijelove ekspertnog sistema. Svaka komponenta je skup funkcija nekog
programskog jezika i podrava ulanavanje unaprijed, unazad ili arhitekturu table.
Jedan od ovakvih alata je AGE, ije komponente su napisane u INTERLISP jeziku. AGE je korien
kao razvojni alat tokom izgradnje ekspertnog sistema HANIBAL, namijenjenog interpretaciji radio
komunikacionih poruka neprijateljskih vojnih snaga, u cilju procjene stanja na ratitu.
Svaka PPIES je mono orue u rukama iskusnog inenjera znanja, koji uz to mora dobro da poznaje
jezik u kojem su pojedini od ovih alata napisani.
OLAKICE IZGRADNJE EKSPERTNIH SISTEMA
U olakice izgradnje ekspertnih sistema (OIES) spadaju svi ostali alati koj inenjeri koriste kada
kreiraju ekspertni sistem:
Alati za otkrivanje greaka (tzv. dibageri);
Editori baze znanja;
Ugraeni ulazni/izlazni mehanizmi;
Mehanizmi za davanje objanjenja.
Ove olakice mogu da budu dio jezika inenjeringa znanja, a mogu imati formu dodatnog softverskog
paketa koji se kupuje uz ljusku ekspertnog sistema, da bi ga uinio pristupanijim, jednostavnijim i
efikasnijim. Alati koji olakavaju programiranje su:
74
greke analizirajui vrijednosti u bazi znanja nakon zaustavljanja programa na oznaenim, kritinim,
tzv. "prekidnim" takama. Jo jedan nain otkrivanja greeka je putem programa za automatsko
testiranje. Ovakvim testiranjem se otkrivaju slabosti sistema i greke u radu, naroito na
nestandardnim, "marginalnim" problemima.
Alati za olakano sticanje znanja omoguavaju inenjeru znanja da crpljenje znanja od eksperta izvodi
u toku rada ekspertnog sistema. Na taj nain se rjeavanje problema u realnom okruenju zamjenjuje
izvravanjem ekspertnog sistema i umjesto da ekspert rjeava stvarni problem on rjeava problem
zadat ekspertnim sistemom i direktno ugrauje svoju ekspertizu u bazu znanja.
Ugraeni mehanizmi razonovanja objanjavaju odgovore ili preporuke ekspertnog sistema ukoliko ovi
nisu dovoljno jasni, a omoguavaju i obrazlaganje postupka dolaska do rjeenja. Razliiti sistemi i
alati na razliite naine pruaju objanjenja. U osnovi postoje tri takva naina kojima se ugraeni
mehanizmi rezonovanja koriste u objanjavanju ponaanja sistema i zakljuka:
Retrospektivni;
Hipotetini;
Antiinjenini.
Retrospektivni alati e tragati unazad kroz pravila i lance zakljuivanja da bi dali odgovor na pitanje
kako se dolo do odreenog zakljuka.
Hipotetian nain davanja objanjenja nastoji dati odgovor na pitanje kakve bi razlike u posljedicama
nastale zbog izmjenjenih poetnih uslova drugaijeg pravila ili injenice.
Antiinjenino rezonovanje e pokazati zbog ega nije dolo do oekivanog rezultata, ve do
drugaije preporuke ili rjeenja problema.
Editori baze znanja automatski pohranjuju sve uinjene izmjene u sistem, provjeravaju sintaksu i
osiguravaju pisanje pravila u ispravnom formatu, provjeravaju konzistentnost kako bi utvrdili da li
novo pravilo ili injenica dovodi do konfliktnih ili kontradiktornih situacija u bazi znanja.
75
76
77
za PC i kompatabilne raunare
Naziv: 1st-Class
Proizvoa: Texas Instruments, Inc., Wazland, Massachusetts
Hardver: IBM PC, XT, AT, Personal System/2, i kompatabilni
Mehanizam zakljuivanja: Traenje po stablu odluivanja
Faktori izvjesnosti: 0-100
Softverski alati Auto Intelligence, kojeg proizvodi i distribuie softverska kua Intelligence Ware
Inc., Los Angeles, California, namijenjen je samostalnom radu eksperata koji prenosi znanje u sistem
putem repertoarskih reetki i induktivnog algoritma.
Insight 2+
Insight 2+ pripada klasi manjih alata za razvoj ekspertnih sistema koji su zasnovani na pravilima.
Smatra se "manjim alatom" poto se znanje uva u jednoj bazi znanja, a obuka je u tom sluaju laka
78
zbog boljeg pregleda mogunosti. Za funkcionisanje ovog alata je potrebno relativno malo radne
memorije, a cijeli sistem moe da podri najvie 500 pravila.
Pravila se unose pomou PRL-a (Production Rule Language) koji podrava strukturu IF THEN-ELSE
uz primjenu standardnih logikih i aritmetikih operacija. Ovako izraen ekspertni sistem mogue je
povezati sa programima pisanim u Pascal-u i dBase datotekama.
Nain rada:
1. U integrisanom tekst editoru se unosi PRL program (izvorna datoteka) koji sadri
definisane ciljeve i pravila;
2. Izvorna datoteka se kompajlira sve dok se ne eliminiu postojee greke;
3. Kompajlirani program se izvrava - provjera rada ekspertnog sistema;
79
80
81
geografija,
dizajn,
psihologija,
filozofija,
lingvistika,
razumijevanje prirodnih jezika,
razne igre,
automatsko rezonovanje i dokazivanje teorema,
planiranje i robotika, itd.
ekspertni
82
83
Bazu podataka i interaktivne editorske alate za razvojne projekte o vodnim resursima, koji
dozvoljavaju odravanje i uporeivanje viestrukih alternativa za svaki projekat;
Dvoslojni hijerarhijski geografski informacioni sistem (GIS) koji pokriva cijeli rjeni sliv kao
i podruja koja su neposredno ugroena pojedinanim projektima. GIS koristi i vektorske
podatke i satelitske ilustracije;
Cijeli set baza podataka, kao na primjer meteoroloke, hidrografske, te baze podataka o
kvaliteti voda, ali takoe i ekoloke tehnologije kao to je recimo tretiranje otpadnih voda;
Mehanizam zakljuivanja koji vodi analitiara kroz procjenu projekata u vidu veoma
jednostavnog dijaloga;
84
Putem pravila ekspertnog sistema, eksterni modeli se mogu pozivati kao dio procedure zakljuivanja.
Modeli se mogu koristiti za izraunavanje uticaja smanjenja vodotoka, otputanja otpadnih voda,
promjena u korienju zemljita, itd., ili za ocjenu parametara projekta kao to su na primjer zahtjevi
navodnjavanja ili promjene sadraja podzemnih voda.
Baza znanja: Ekspertni sistem koristi AKO .... ONDA (IF ... THEN) pravila za kvalitativnu procjenu
potencijalnih problema ivotne sredine. Baza znanja Mekong sistema sadri preko 1000 poloenih
pravila. Osnova pravila je povezana sa hipertekstualnim sistemom koji obezbjeuje objanjenja
termina i koncepata, detaljne informacije, i instrukcije za korisnike. Pretraiva baze znanja
dozvoljava nadgledanje pojedinanih pravila te funkcija povratnih objanjenja ZATO (WHY) moe
pratiti simboliko rasuivanje sistema korak po korak.
EIAxpert je dizajniran za uveane procjene, sa vie informacija koje postaju dostupne u toku razliitih
faza pripreme projekata, te time bolje obraena analiza postaje mogua. Razliiti korisnici mogu
doprinijeti procjeni projekta, i nekoliko verzija projekta i projektnih alternativa se mogu istovremeno
odravati.
Slika 18
85
Slika 19
Pristup GIS-u
EIAxpert koristi hibridni GIS koji moe kombinovati vektorske i skenirane podatke (ukljuujui
satelitske ilustracije i fotografije iz vazduha, kao i digitalne evaluacione modele ua rijeke. GIS
takoe obezbjeuje pristup prostorno orijentisanoj bazi podataka za projekte i pojedinane
karakteristike koje su od znaaja za, na primjer brane i rezervoare, naselja, podruja navodnjavanja,
itd.
86
Pravci razvoja
Primjena novih tehnologija.
Ekspertni sistemi namjenjeni za konsultaciju korisnika u najrazlicitijim oblastima primjene.
Sistemi isporuke znanja (knowledge delivery systems) - nisu bazirani na lancu zakljuivanja
sa velikim brojem pravila. Zakljuivanje je u jednom koraku jer se za svaku premisu vezuje
odgovarajui zakljuak, te se brzim pretraivanjem i uporeivanjem zadate premise sa
postojecim u bazi znanja dolazi do odgovarajueg zakljuka.
87
88
89
rentabilnost debitora,
zaduenost debitora.
Likvidnost debitora, u sluaju kratkoronog kreditiranja, podrazumijeva osnovni kriterijum procjene
kreditne sposobnosti debitora. Likvidnost se definie kao sposobnost debitora da pravovremeno
pokriva dospjele obaveze. Osnovni indikatori likvidnosti su stopa tekue aktive i stopa finansijske
aktive.
stopa tekue aktive = tekua aktiva / tekue obaveze
stopa finansijske aktive = tekua aktiva zalihe / tekue obaveze
U zavisnosti od vrijednosti koeficijenata likvidnost dobiva ukupnu ocjenu odlina, dobra ili loa
likvidnost.
Operativna efikasnost preduzea se procjenjuje na bazi prosjenog obrta sredstava debitora, uz
pretpostavku da debitor sa veim prosjenim koeficijentom obrta sredstava formira vei obim
otplatnog potencijala i ima manju potrebu za dodatnim finansijskim resursima. To onda znai da
banka u eventualnom kreditnom odnosu sa takvim debitorom ima manji kreditni rizik. Indikatori
operativne efikasnosti izraavaju se sljedeim odnosima:
prosjean obrt zaliha = godinja realizacija / (koeficijent obrta zaliha) prosjean obim zaliha
operativna efikasnost potraivanja = godinja realizacija / (konverzija potraivanja u gotovinu) prosjena
poslovna potraivanja
U zavisnosti od vrijednosti koeficijenata dobija se ukupna ocjena odlina, dobra ili loa operativna
efikasnost preduzea.
Rentabilnost preduzea je posebno znaajan indikator za dugorono kreditiranje, ali ima svoju ulogu i
kod kratkoronog kreditiranja. Ovim indikatorom se mjeri rentabilnost debitora da bi se kreditni
resursi usmjerili najperformansnijim preduzeima. Rentabilnost se izraava stopom neto dobiti. Neto
dobit se dobije kada se ukupan prihod umanji za trokove i poreze.
stopa neto dobiti = neto dobit / realizacija
U zavisnosti od vrijednosti stope neto dobiti dolazi se do ocjene rentabilnosti: odlina, dobra ili loa.
Zaduenost debitora kvantitativni indikator kreditnog rizika banke. Izraava se stopom zaduenosti:
stopa zaduenosti = dugovi / aktiva
U zavisnosti od vrijednosti stope zaduenosti, ekspertni sistem zaduenost debitora tretira kao dobru
ili lou.
Kapital debitora definie se kao trajno uloeno sredstvo osnivaa i akcionara. To je u stvari
finansijska vrijednost komitenta, odnosno, njegove firme i mjeri se kao neto vrijednost imovine
vlsnika, Dobiva se tako to se od ukupnih sredstava (aktive) oduzmu ukupne obaveze (pasiva). Ovdje
treba voditi rauna da knjigovodstvena vrijednost ne reflektuje trinu vrijednost. Imovina debitora je
gornja granica visine kredita i sigurnost za vraanje kredita. U naem primjeru finalno moe imati
dvije vrijednosti da ili ne.
Kolateral debitora predstavlja obezbjeenje kredita i pokriva slabe take kreditne sposobnosti
preduzea debitora. Kolateral se odnosi na bilo koje sredstvo (u aktivi), kojima debitor raspolae kao
specifinom zalogom za obezbjeenje vraanja kredita. U naem primjeru ekspertni sistem kolateral
kao ulazni element analize uzima sa da ili ne.
90
Kondicije ili ekonomski uslovi poslovanja odnose se, prije svega, na konjukturu trita na kojem
debitor posluje. U naem primjeru bitne su ekonomske projekcije u periodu vraanja kredita. Te
projekcije daju ekspertnom sistemu vrijednost povoljne ili nepovoljne konjukture.
Z-Score analiza je specifan metod mjerenja finasijskih tekoa debitora a time i rizika banke. Sutina
ove analize je u predvianju realnosti finasijske pozicije debitora na osnovu korienja preciznih
indikatora, pri emu ovi indikatori ne zamjenjuju ve dopunjuju prethodno izloene indikatore.
Z-Score analiza je zasnovana na primjeru amerikih preduzea srednje veliine i premoava jaz
izmeu koeficijenata konvencionalne kreditne analize i egzaktnih parametara dobijenih na bazi
statistikih multivarijacionih metoda analize boniteta debitora. Z indikator kvaliteta kredita dobiva se
sljedeom jednainom:
Z=1,2x1+1,4x2+3,3x3+0,6x4+1,0x5, gdje su:
91
VPEXPERT predstavlja softverski paket - skeleton (shell) za razvoj ekspertnih sistema. Razvila ga je
softverska firma Paperback Software International 1984. godine, a u kasnijem razvoju doivio je
izvjesne modifikacije. Paket posjeduje komunikacije prema veem broju programa za poslovnu
obradu.
VPEXPERT funkcionie na personalnom kompjuteru i relativno je jednostavan za koritenje. Pored
ostalih mogunosti sadri i odreenu mogunost samouenja, pa se zato svrstava u grupu
jednostavnijih aplikacija vjetake inteligencije. Predstavlja brz i snaan alat za razvoj ekspertnih
sistema i koristi pravila koja mnogo lie engleskom jeziku.
Omoguuje pripremu pojedinanih ekspertnih sistema i brzu pripremu prototipa, koji se dalje mogu
proirivati u vee sisteme. Takoe, posjeduje mogunost komunikacije (prihvatanje i slanje podataka)
sa bazom podataka (dBASE i VP-Info), spreadsheet programima (LOTUS i VP-Planner), ASCII
datotekama i odreenim izvrnim programima.
Kao i svaki skeleton i VPEXPERT sadri dva dijela:
bazu znanja (kolekcija informacija i podataka povezana pravilom tipa IF - THEN) i
mehanizam zakljuivanja (program koji izvrava pravila i radi sa podacima, te dolazi do
zakljuaka).
VPEXPERT se moe kombinovati sa eksternim podacima tako da se baza znanja moe modifikovati
(poveavati) bez promjene samog ekspertnog sistema.
Komunikacija sa korisnikom veoma je komforna, korisnik moe da bira sugerisani odgovor, da unosi
svoj odgovor, da odreuje procenat pouzdanosti odgovora, a sve u jednom veoma pristupanom modu
komunikacije.
Iako skeleton ima vlastiti tekst editor, ekspertni sistem u VPEXPERT-u se kreira bilo kojim
raspoloivim tekst procesorom ili editorom, s tim da naziv odgovarajue datoteke ima ekstenziju KBS.
92
93
94
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
! ! Testing B8
! ! Testing B9
! ! Testing B10
! ! Testing B11
! ! Testing B12
! ! ! KAR_INT
! ! ! ! (= Dobra CNF 100 )
! ! Testing B13
! ! Testing B14
! ! Testing B15
! ! ! KAR_TAC
! ! ! ! (= Dobra CNF 100 )
! ! Testing B16
! ! (= Dobar CNF 100 )
Testing A1
Testing A2
Testing A3
Testing A4
Testing A5
Testing A6
Testing A7
Testing A8
Testing A9
Testing A10
! KAPACITET
! ! Testing C0
! ! ! KPC_LIK
! ! ! ! Testing D1
! ! ! ! (= Odlicna CNF 100 )
! ! ! KPC_OEP
! ! ! ! Testing E1
! ! ! ! (= Odlicna CNF 100 )
! ! ! KPC_REN
! ! ! ! Testing F1
! ! ! ! (= Odlicna CNF 100 )
! ! (= DA CNF 100 )
! KAPITAL
! ! Testing I1
! ! (= Dovoljan CNF 100 )
(= je CNF 100 )
95
! KREDIT.KBS
ENDOFF;
! Blok Akcija
ACTIONS
CLS
! Blok za unos varijabli i definisanje potrebnih formula
FIND KREDIT
FIND IMOVINA
FIND TAKT
FIND TOBA
FIND TZAL
FIND GR
FIND POZ
FIND PPP
FIND GPRI
FIND GTRO
FIND GPOR
FIND TDUG
FIND UAKT
FIND TVKAP
FIND KVUOB
SFA=((TAKT-TZAL)/TOBA)
STA=(TAKT/TOBA)
KOZ=(GR/POZ)
KPG=(GR/PPP)
REN=((GPRI-GTRO-GPOR)/GR)
ZAD=(TDUG/TAKT)
NETO=(GPRI-GTRO-GPOR)
BRUTO=(GPRI+GTRP+GPOR)
Z=(1.2*(TAKT/UAKT)+1.4*(NETO/UAKT)+3.3*(BRUTO/UAKT)+
0.6*(TVKAP/KVUOB)+1.0*(GR/UAKT))
! Akcija koja pokrece mehanizam odlucivanja
FIND ODGOVOR
! Prikaz rezultata odlucivanja
DISPLAY Debitor {ODGOVOR} kreditno sposoban!
;
! Blok pravila
! A pravila - Finalni dio odlucivanja obuhvata 5 osnovnih kriterijuma
RULE A0
IF
KARAKTER=Odlican AND
KAPACITET=DA AND
KAPITAL=Dovoljan
THEN ODGOVOR=je;
RULE A1
IF
KARAKTER=Odlican AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A2
IF
KARAKTER=Odlican AND
96
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A3
IF
KARAKTER=Odlican AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A4
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A5
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A6
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A7
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A8
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A9
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE
THEN ODGOVOR=nije;
RULE A10
97
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Dovoljan
THEN ODGOVOR=je;
RULE A11
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A12
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A13
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A14
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A15
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A16
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A17
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
98
RULE A18
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A19
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE
THEN ODGOVOR=nije;
RULE A20
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A21
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A22
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A23
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan
THEN ODGOVOR=nije;
RULE A24
IF
KARAKTER=Los AND
KAPACITET=NE
THEN ODGOVOR=nije;
! B pravila - Ispitivanje karaktera debitora
RULE B0
IF
ODG_INT=yes AND
KAR_TAC=Odlicna AND
KAR_DOS<>Lose
THEN KARAKTER=Odlican;
RULE B1
IF
ODG_INT=yes AND
KAR_TAC=Odlicna AND
KAR_DOS=Lose
THEN KARAKTER=Dobar;
99
RULE B2
IF
ODG_INT=yes AND
KAR_TAC=Dobra AND
KAR_DOS<>Lose
THEN KARAKTER=Odlican;
RULE B3
IF
ODG_INT=yes AND
KAR_TAC=Dobra AND
KAR_DOS=Lose
THEN KARAKTER=Dobar;
RULE B4
IF
ODG_INT=yes AND
KAR_TAC=Losa
THEN KARAKTER=Dobar;
RULE B5
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Odlicna AND
KAR_DOS<>Lose
THEN KARAKTER=Odlican;
RULE B6
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Odlicna AND
KAR_DOS=Lose
THEN KARAKTER=Dobar;
RULE B7
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Dobra AND
KAR_DOS=Odlicno
THEN KARAKTER=Odlican;
RULE B8
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Dobra AND
KAR_DOS<>Odlicno
THEN KARAKTER=Dobar;
RULE B9
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Losa
THEN KARAKTER=Dobar;
RULE B10
IF
KAR_ODG=Odlican AND
KAR_INT=Losa AND
KAR_TAC<>Losa
THEN KARAKTER=Dobar;
RULE B11
IF
KAR_ODG=Odlican AND
100
KAR_INT=Losa AND
KAR_TAC=Losa
THEN KARAKTER=Los;
RULE B12
IF
KAR_ODG=Dobar AND
KAR_INT=Odlicna AND
KAR_TAC=Odlicna
THEN KARAKTER=Odlican;
RULE B13
IF
KAR_ODG=Dobar AND
KAR_INT=Odlicna AND
KAR_TAC=Dobra
THEN KARAKTER=Dobar;
RULE B14
IF
KAR_ODG=Dobar AND
KAR_INT=Odlicna AND
KAR_TAC=Losa
THEN KARAKTER=Dobar;
RULE B15
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Odlicna
THEN KARAKTER=Dobar;
RULE B16
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Dobra
THEN KARAKTER=Dobar;
RULE B17
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Losa AND
KAR_DOS<>Lose
THEN KARAKTER=Dobar;
RULE B18
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Losa AND
KAR_DOS=Lose
THEN KARAKTER=Los;
RULE B19
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Odlicna
THEN KARAKTER=Dobar;
RULE B20
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Dobra AND
KAR_DOS<>Lose
THEN KARAKTER=Dobar;
101
RULE B21
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Dobra AND
KAR_DOS=Lose
THEN KARAKTER=Los;
RULE B22
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Losa
THEN KARAKTER=Los;
RULE B23
IF
KAR_ODG=Los AND
KAR_INT=Odlicna AND
KAR_TAC<>Losa
THEN KARAKTER=Dobar;
RULE B24
IF
KAR_ODG=Los AND
KAR_INT=Odlicna AND
KAR_TAC=Losa AND
KAR_DOS<>Lose
THEN KARAKTER=Dobar;
RULE B25
IF
KAR_ODG=Los AND
KAR_INT=Odlicna AND
KAR_TAC=Losa AND
KAR_DOS=Lose
THEN KARAKTER=Los;
RULE B26
IF
KAR_ODG=Los AND
KAR_INT=Dobra AND
KAR_TAC<>Losa
THEN KARAKTER=Dobar;
RULE B27
IF
KAR_ODG=Los AND
KAR_INT=Dobra AND
KAR_TAC=Losa
THEN KARAKTER=Los;
RULE B28
IF
KAR_ODG=Los AND
KAR_INT=Losa
THEN KARAKTER=Los;
RULE B29
IF
KAR_ODG=Odlican AND
KAR_INT=Odlicna
THEN ODG_INT=yes;
! C pravila - Ispitivanje kapaciteta debitora
RULE C0
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN <> Losa
102
THEN
KAPACITET=DA;
RULE C1
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
ZAD_ZSC=yes
THEN KAPACITET=DA;
RULE C2
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Dobra AND
KPC_ZSC=Dobar
THEN KAPACITET=DA;
RULE C3
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C4
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C5
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Losa AND
KPC_ZSC=Dobar
THEN KAPACITET=NE;
RULE C6
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Losa AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C7
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna
THEN KAPACITET=DA;
RULE C8
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
ZAD_ZSC=yes
103
THEN
KAPACITET=DA;
RULE C9
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Dobar
THEN KAPACITET=DA;
RULE C10
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C11
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C12
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Dobar
THEN KAPACITET=NE;
RULE C13
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C14
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Losa
THEN KAPACITET=NE;
RULE C15
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
ZAD_ZSC=yes
THEN KAPACITET=DA;
RULE C16
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
104
THEN
KPC_ZSC=Dobar
KAPACITET=DA;
RULE C17
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C18
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C19
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Dobar
THEN KAPACITET=NE;
RULE C20
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C21
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN<>Odlicna
THEN KAPACITET=NE;
RULE C22
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Odlicna
THEN KAPACITET=DA;
RULE C23
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
ZAD_ZSC=yes
THEN KAPACITET=DA;
RULE C24
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Dobar
THEN KAPACITET=DA;
105
RULE C25
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C26
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C27
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC<>Odlican
THEN KAPACITET=NE;
RULE C29
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Losa
THEN KAPACITET=DA;
RULE C30
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
KPC_ZSC<>Los
THEN KAPACITET=DA;
RULE C32
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C33
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C34
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
106
THEN
KPC_ZSC<>Odlican
KAPACITET=NE;
RULE C36
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC<>Los
THEN KAPACITET=DA;
RULE C38
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C39
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa
THEN KAPACITET=NE;
RULE C40
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Losa
THEN KAPACITET=NE;
RULE C41
IF
KPC_LIK=Dobra AND
KPC_OEP=Losa
THEN KAPACITET=NE;
RULE C42
IF
KPC_LIK=Losa
THEN KAPACITET=NE;
RULE C43
IF
KPC_ZAD=Dobra AND
KPC_ZSC=Odlican
THEN ZAD_ZSC=yes;
! D pravila - ispitivanje likvidnosti debitora u okviru ispitivanja kapaciteta
RULE D1
IF
SFA >= (1.0)
THEN KPC_LIK=Odlicna;
RULE D2
IF
SFA < (1.0) AND
STA > (1.0)
THEN KPC_LIK=Dobra;
RULE D3
IF
STA <= (1.0)
THEN KPC_LIK=Losa;
! E pravila - ispitivanje efikasnosti debitora u okviru ispitivanja kapaciteta
107
RULE E1
IF
KOZ >= (0.75) AND
KPG >= (1.0)
THEN KPC_OEP=Odlicna;
RULE E2
IF
KOZ >= (0.75) AND
KPG < (1.0)
THEN KPC_OEP=Dobra;
RULE E3
IF
KOZ < (0.75) AND
KOZ > (0.5) AND
KPG > (1.0)
THEN KPC_OEP=Dobra;
RULE E4
IF
KOZ < (0.75) AND
KPG < (1.0)
THEN KPC_OEP=Losa;
RULE E5
IF
KOZ <= (0.5)
THEN KPC_OEP=Losa;
! F pravila - ispitivanje rentabilnosti debitora u okviru ispitivanja kapaciteta
RULE F1
IF
REN > (0.3)
THEN KPC_REN=Odlicna;
RULE F2
IF
REN <= (0.3) AND
REN >= (0.1)
THEN KPC_REN=Dobra;
RULE F3
IF
REN < (0.1)
THEN KPC_REN=Losa;
! G pravila - ispitivanje zaduzenosti debitora u okviru ispitivanja kapaciteta
RULE G1
IF
ZAD <= (0.25)
THEN KPC_ZAD=Dobra;
RULE G2
IF
ZAD > (0.25)
THEN KPC_ZAD=Losa;
! H pravila - ispitivanje Z-scor u okviru ispitivanja kapaciteta
RULE H1
IF
Z >= (2.99)
THEN KPC_ZSC=Odlican;
RULE H2
IF
Z >= (1.81) AND
Z < (2.99)
THEN KPC_ZSC=Dobar;
RULE H3
IF
Z < 1.81
THEN KPC_ZSC=Los;
108
109
Finding ODG_INT
Testing B29
RULE B29 IF
KAR_ODG = Odlican
AND
KAR_INT = Odlicna
THEN
ODG_INT = yes CNF
100
Finding KAR_ODG
STA = (TAKT/TOBA)
CNF 100
KOZ = (GR/POZ) CNF
100
KPG = (GR/PPP) CNF
100
REN = ((GPRI-GTROGPOR)/GR CNF 100
ZAD = (TDUG/TAKT)
CNF 100
NETO = (GPRI-GTROGPOR) CNF 100
BRUTO
=
(GPRI+GTRP+GPOR)
CNF 100
Z
=
(1.2*(TAKT/UAKT)+1.4
CNF 100
Kolika
je
?
113064000
trzisna
vrijednost
kapitala
menadzera
vlasnika
Dobar
preduzeca
Los
Dobar
Poslovna
?
Odlicna
iskustva
Blagovremenost
?
Odlicna
Los
sa
Dobra
debitorom
Losa
izmirenja
Dobra
obaveza
Losa
110
Odlicna
Dobra
Losa
Lose
Da li postoji kolateral ?
DA
NE
KAPACITET = DA CNF
100
Finding KAPITAL
Testing I1
RULE I1 IF
IMOVINA >= KREDIT
THEN
KAPITAL = Dovoljan
CNF 100
Finding KOLATERAL
STA = (TAKT/TOBA)
CNF 100
KOZ = (GR/POZ) CNF
100
KPG = (GR/PPP) CNF
100
REN = ((GPRI-GTROGPOR)/GR CNF 100
ZAD = (TDUG/TAKT)
CNF 100
NETO = (GPRI-GTROGPOR) CNF 100
BRUTO
=
(GPRI+GTRP+GPOR)
CNF 100
Z
=
(1.2*(TAKT/UAKT)+1.4
CNF 100
LITERATURA
Expert Systems for Environmental Screening: An Application in the Lower Mekong Basin,
International Institute for Applied Systems Analysis, Laxenburg, Austria, 1991
10. Jackson P.: Introduction to Expert Systems, 3rd Edition, Addison-Wesley, Wokingham,
1999.
11. Jockovi M., Ognjanovi Z., Stankovski S.: Vetaka inteligencija, inteligentne maine i
sistemi, Beograd, 1997.
12. Korth H.F., Silberschatz A.: Database System Concepts, 4th Edition. McGraw-Hill, New
York, 2001.
13. Lindsay R. K.: Applications of Artificial Intelligence: As birds are to airplanes, so my brains
be to beer cans, McGraw Hill, New York, 1988.
111
14. Luger G., Stubblefield W.: Artificial intelligence - structures and strategies for complex
problem solving, Addison-Wesley, 1998.
15. Negnevitsky M.: Artificial Intelligence: A Guide to Intelligent Systems, Addison Wesley,
2002.
16. Risti ., Bonjak Z., Balaban, N.: Ekspertni sistemi, Savremena , Beograd, 1993.
17. Turban E.: Decision support and expert systems: management support systems, Englewood
Cliffs, N.J., Prentice Hall, 1995
18. Turban E., McLean E., Wetherbe J.; Informaciona tehnologija za menadment, Zavod za
udbenike i nastavna sredstva, Beograd, 2003.
19. Varga M.: Baze podataka - konceptualno, logiko i fiziko modeliranje podataka.
DRIP, Zagreb, 1994.
20. www.alfanum.co.yu
21. www.cet.co.yu
22. www.elitesecurity.org
23. www.fon.bg.ac.yu
24. www.mathos.hr
25. www.microsoft.com
26. www.mrcmekong.org
27. www.odlucivanje.fon
28. www.oracle.com
29. www.raf.edu.yu
30. www. solair.eunet.yu/~ilicv/neuro.html
31. www.tsrb.hr
32. www.wikipedia.com
33. www.willamette.edu
34. www.nm.zesoi.fer.hr
35. www.znanje.org
112
113