Professional Documents
Culture Documents
EKSPERTNI
SISTEMI
EKSPERTNI SISTEMI
Recenzenti:
Prof. dr Zoran . Avramovi
Prof.dr Duan Starevi
Izdava:
Panevropski univerzitet "APEIRON"
1
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
ISBN 99938-29-24-2
SADRAJ
SADRAJ
PREDGOVOR
1. VJETAKA INTELIGENCIJA
1.1. POJAM VJETAKE INTELIGENCIJE
1.2. RAZVOJ VJETAKE INTELIGENCIJE
2. FUZZY SISTEMI
2.1. KVANTIFIKACIJA NEODREENOSTI
2.2. FUZZY SKUPOVI
2.3. OPERACIJE SA FUZZY SKUPOVIMA
2.4. OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVE
2.5. PRIMJENA FUZZY TEORIJE
3. NEURONSKE MREE
3.1. POJAM NEURONSKIH MREA
3.2. BIOLOKE NEURONSKE MREE
3.3. VJETAKE NEURONSKE MREE
3.4. OBUAVANJE NEURONSKIH MREA
3.4.1. PROPAGACIJA GREKE UNAZAD
3.4.2. PROPAGACIJA GREKE UNAPRIJED
3.5. PRIMJENA NEURONSKIH MREA
4. POJAM EKSPERTNIH SISTEMA
4.1. DEFINICIJA EKSPERTNIH SISTEMA
4.2. ISTORIJA EKSPERTNIH SISTEMA
4.3. OSNOVNE ODLIKE EKSPERTNIH SISTEMA
4.4. PREDNOSTI I NEDOSTACI EKSPERTNIH SISTEMA
4.5. INENJERING ZNANJA
2
4.5.1. POJAM ZNANJA
4.5.2. METODE ZA PREDSTAVLJANJE ZNANJA
LITERATURA
3
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.
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
4
1. VJETAKA INTELIGENCIJA
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 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.
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.
5
Dva glavna pravca razvoja vjetake inteligencije su:
Prouavanje prirodne inteligencije (spoznavanje funkcija mozga, modeliranje rada mozga,
simuliranje ovjekovog ponaanja, reagovanja i rezonovanja).
Postizanje inteligentnog ponaanja primjenom drugaijih pristupa, kakvi se ne mogu sresti u
prirodnim sistemima.
Vjetaku inteligenciju prema pristupu rjeavanja problema moemo klasifikovati na tri glavna
pristupa:
neuronske mree,
modeliranje evolucije i
6
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).
Inteligentno ponaanje maine moe se zasnivati na nekim njenim odreenim prednostima u odnosu
na ovjekov um, ali i na njenim odreenim nedostacima. Prednosti kompjutera su u njegovim
mogunostima da obavi veliki broj jednostavnih aritmetikih i logikih operacija u vremenu koje je za
ljudske pojmove nezamislivo kratko. Elektronski raunar takoe moe potpuno precizno memorisati
ogroman broj podataka uz relativno brzu mogunost njihovog pronalaenja u svojoj memoriji. Za
razliku od njega ovjek naprotiv takve zadatke obavlja vrlo sporo i neefikasno uz stalno prisutno
zamaranje.
Meutim, ljudski mozak pred raunarom ini se ipak ima nedostine prednosti. One se ogledaju u
sposobnosti obavljanja vrlo kreativnih i selektivnih pretraivanja podataka, uz korienje sloenih i ne
potpuno determinisanih kriterijuma. Karakteristika ljudskog rasuivanja je kreativnost, sposobnost
asocijacije, uoptavanje i mogunost prevladavanja informacione podloge odluivanja putem
originalnosti i novih ideja.
7
Karakteristika ovjeka je posjedovanje male i kratkotrajne memorije, na primjer u pamenju nekog
telefonskog broja tako dugo dok ne dobije vezu ili obavi razgovor. Kasnije ga brzo zaboravi osim ako
ga esto ne koristi. S druge strane ljudski mozak ima ima veliku dugotrajnu memoriju koja je
organizovana ne na principu adresa (kao kod raunara) nego na osnovu asocijacija. To praktino znai
da se svaka memorisana injenica ili dogaaj moe povezati sa svakom drugom takvom injenicom ili
dogaajem memorisanim u prolosti. Kod kompjutera sposobnost asocijacije je ograniena i zasniva
se na krutim pravilima koja se prevode u egzaktne algoritme.
Hubert Drajfus u svojoj kritici vjetake inteligencije odbija mogunost da se nauno objasni
inteligentno ponaanje. To znai da se ljudski kontekst uopte ne moe formalizovati, bar ne na
sadanjem nivou kompjuterske tehnologije. On ovu svoju tvrdnju detaljno obrazlae i platonske
pretpostavke pobija na biolokom, psiholokom, epistemolokom i ontolokom planu. Podloga su mu
izmeu ostalih i razmiljanja Hajdegera. Definitivno, za njega dananji stepen razvoja raunarskih
maina je limitiran u mogucnostima sfere vjetake inteligencije. Drugim rijecima, svaki pokuaj da se
njihovim programiranjem ostvari inteligentno ponaanje jednak je utopiji alhemiara da od olova
napravi zlato.
Uopte, pitanja koja je pokrenuo Drajfus su vrlo ozbiljna, suvie nauna da bi se prepustila filozofima,
a suvie filozofska da bi se prepustila naunicima. Ona predstavljaju presjek nauke i filozofije i
problema ovjeanstva.
8
1.2. RAZVOJ VJETAKE INTELIGENCIJE
U trinaestom vijeku je Ramon Lul (1235-1316) opisao sistem Ars Magna kojim je pokuao da pomou
mehanikog kombinovanja, simbolike notacije i kombinatornih dijagrama
ostvari "inteligentan" sistem.
U dvadesetom vijeku jedan od prvih radova vezanih za mainsku (vjetaku) inteligenciju, prije svega
u odnosu na dananje digitalne raunare, je rad Alana Tjuringa "Raunarske maine i
inteligencija". Tjuringov test za "mjerenje inteligencije" maina predstavlja jedini do sada priznati
standard u ovom domenu.
Alan Turing je razmatrao pitanje "Mogu li maine da misle?" i izrazio ubjeenje da je ono previe
nejasno. Kao zamjenu predloio je test koji bi, ako ga neki raunar savlada, sluio kao potvrda
mainske inteligencije. U originalnoj verziji Tjuringov test, poznat i pod nazivom imitaciona igra,
ukljuuje ispitivaa koji je ljudsko bie, kao i dva ispitanika, od kojih je jedan ena, a drugi raunar.
Ispitiva se nalazi u odvojenoj sobi i sa ispitanicima komunicira posredno, preko terminala.
Tjuringova namjera je bila da prui nauan, objektivan i ponovljiv test. On nije tvrdio je da je pobjeda
u testu neophodna da bi raunar bio inteligentan, ve se zadrao na dovoljnosti uslova, odnosno da je
pobjeda u testu potvrda inteligentnosti raunara, iako e moda postojati inteligentan raunar koji bi
izgubio igru propisanu testom.
9
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.
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
Drugi od navdenih ciljeva u vjetakoj inteligenciji se zasniva na vjerovanju da je stvaranje
inteligentnih raunara povezano sa razumjevanjem ljudske inteligencije. Rad sa raunarima prua
nova sredstva opisivanja i korienje koncepta po analogiji omoguava mono miljenje o miljenju.
Raunarski modeli forsiraju preciznost. Programi su pogodni za ispitivanja, jer ne zahtjevaju hranjenje
i ne stvaraju obmanu (misle kognitivisti), a jednostavnim liavanjem dijela znanja (dijela koda)
olakava se testiranje znaaja koji taj dio ima u cijelini.
Jedna od posljedica rezultata na polju vjetake inteligencije mogu biti nove ideje o tome kako pomoi
ljudima da postanu inteligentniji.
Pregled znaajnih dogaaja u istoriji vjetake inteligencije sistematizovano je dat u sljedeoj tabeli:
11
A. Nenjel i H. Simon, Rjeavanje ljudskih
problema
LISP (J. McCarty)
Godine razvoja i preusmjeravanja Heuristici
19611970 ELIZA (J. Weizenbaum)
Traganje za rjeavaocima optih problema Robotika
ahovski programi
DENDRAL (Stanford University)
PROSPECTOR (SRI)
Japanski projekt Pete generacije
Godine primjene E. Feigenbaum i P. MCCorduck,
1981-1992 Dalja istraivanja 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.
12
Stvaranje vjetakih neuralnih mrea inspirisano je hipotezom da prirodna inteligencija nastaje na
bazi prirodnih neuronskih mrea. Prirodna neuronska mrea ima oko 1010nervnih elija (neurona) i
neurofiziolozi jo do kraja ne razumiju njeno funkcionisanje. Vjetaka neuralna mrea sadri veliki
broj meusobno povezanih neurona i kreira se na raunaru.
Vjetaka inteligencija je dakle dola do faze, kada su tehnike i alati koje je razvila, postali opte
upotrebljivi u raznovrsnim raunarskim aplikacijama, meu kojima su najpoznatiji, zasada
najuspjeniji i zbog toga komercijalno najzanimljiviji ekspertni sistemi. Generalno, vjetaka
inteligencija je stvarnost, tehnike i alati razvijeni u tom smislu dobili su iru upotrebu u razliitim
softverskim aplikacijama. Ubjedljivo najvaniji su ekspertni sistemi, koji ve imaju solidnu afirmaciju
na tritu.
OVJEK VjETAKA INTELIGENCIJA
uzrast zadatak godina program
1 opaanje okoline 1968. prvi program vizuelnog opaanja
motorne i mani pulativne sposobnosti 1968. projekat "oko-ruka"
2 1969.
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.
U okviru fuzzy teorije skupova radi se sa kvantifikacijom znaenja u okviru teorije skupova. To je
pokuaj da se izrazi poput visok ili star predstave preko koncepta skupova. U osnovi, pojam skupova
nije neophodan za kvantifikaciju neodreenosti, ali je mogue poveati opseg korisnosti radei u
okvirima teorije skupova, prije svega zato to je teorija skupova osnova koja se koristi u mnogim
oblastima savremene matematike.
Da bi se naglasila razlika izmeu skupova koji se standardno koriste u matematici i fuzzy skupova, za
skupove prve vrste se upotrebljava termin obini skupovi (ili samo skupovi). U engleskoj literaturi se
obini skupovi nazivaju crisp sets (rije crisp ukazuje na jasno odreene granice oblasti koje
predstavljaju skupove). Da bi se fuzzy skupovi jasno razlikovali od obinih skupova, koristie se
sljedei nain oznaavanja: slovo koje oznaava fuzzy skup e biti podvueno.
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
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.
veliki
srednji
mali
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
2.3. OPERACIJE SA FUZZY SKUPOVIMA
Za bolje razumjevanje operacija sa fuzzy skupovima u nastavku e biti prvo opisane operacije sa
obinim skupovima i njima odgovarajue operacije sa fuzzy skupovima, a zatim e biti prikazane i
operacije uvedene specijalno za rad sa fuzzy skupovima.
Postoje tri osnovne funkcije sa skupovima: unija, presjek i komplement. Na primjer, unija skupova E i
F je izraena kao:
E U F = {x:x E ili x F}
Budui da su fuzzy skupovi definisani funkcijama pripadnosti, unija fuzzy skupova ne moe biti
ovako definisana, jer se moraju koristiti funkcije pripadnosti.
UNIJA
Unija fuzzy skupova A i B, u oznaci A U B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
PRESJEK
Komplement fuzzy skupova A, u oznaci A, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A (x) = 1 A (x)
17
2.4. OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY
SKUPOVE
Poto vie nema potrebe za naglaavnjem razlika u odnosu na obine skupove, fuzzy skupovi e biti
prosto oznaeni se A, B, itd..., odnosno bez podvlaenja. Od mnogobrojnih operacija sa fuzzy
skupovima ovde e biti govora samo o nekima:
algebarskom zbiru i proizvodu,
graninom zbiru i razlici i
direktnom proizvodu.
ALGEBARSKI ZBIR
Algebarski zbir fuzzy skupova Ai B, u oznaci A + B, je fuzzy skup definisan sledeom funkcijom
pripadnosti:
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:
Granina razlika fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom
pripadnosti:
Neka su A i B, dva fuzzy skupa. Direktan proizvod skupova A i B, u oznaci A x B je fuzzy podskup
skupa X x Y (pri emu je A podskup skupa X, a B podskup skupa Y) definisan sledeom funkcijom
pripadnosti:
18
2.5. PRIMJENA FUZZY TEORIJE
Uspjena primjena fuzzy teorije moe se uoiti na irokom polju aplikacija, poevi od proizvoda
iroke potronje pa do automatskih sistema upravljanja. Neke od primjena fuzzy teorije (u zagradi su
navedeni proizvoai) su:
iroka potronja:
o Kamere i kamkoderi (Cannon, Minolta, Ricoh, Sanyo),
o Maine zapranje ( AEG, Sharp, Goldstar),
o Rashladni ureaji (Whirpool),
o Usisivai (Phillips, Siemmens).
Automatizovani sistemi:
o Lokomotive i upravljanje transmisijom (GM Saturn, Honda, Mazda),
o Upravljanje motora (Nissan),
o Fuzzy kontroleri (Klockner Moeller).
Upravljanje industrijskim procesima:
o Cementara, postrojenje za preradu smea ( K.L. Smith, Danska),
o Destilacija, preiavanje i drugi hemijski procesi.
Pomo u odluivanju:
o Medicinska dijagnostika,
o Ekspertni sistemi,
o Osiguravajui sistemi,
o Donoenje odluka u upravljanju poduzeem,
o Vrednovanje kvaliteta,
o Baze podataka.
Uprkos injenici da se uee fuzzy teorije u ovim aplikacijama nije uvijek isto, moe se rei da ima
slinu, centralnu ulogu u odgovarajuim upravljakim sistemima. U nevedenim primjerima, fuzzy
teorija premoava prazninu izmeu simbolikog procesiranja i numerikog izraunavanja. U
narednom periodu treba oekivati jo znaajnije uee fuzzy teorije u upravljakim strategijama, prije
svega za donoenje strategijskih i kontrolnih (nadzornih) odluka.
19
3. NEURONSKE MREE
Poetak neuro-raunarstva obino se vezuje za 1943. godinu i lanak Warrena McCullocha i Waltera
Pittsa "Logiki raun ideja svojstvenih nervnoj aktivnosti". Ovaj lanak je esto citiran. Kibernetiar
Norbert Winer i matematiar John von Neumann su smatrali da bi istraivanja na polju raunarstva,
inspirisana radom ljudskog mozga, mogla biti izuzetno zanimljiva.
Knjiga Donalda Hebb-a iz 1949. godine "The Organization of behavior" (Organizacija ponaanja)
iskazuje ideju da je klasino psiholoko uslovljeno ponaanje prisutno kod svih ivotinja, jer je ono
svojstvo neurona. Ova ideja nije bila nova, ali ju je Hebb vie razradio od prethodnika, predlaui
odreeni zakon uenja za sinapse, a pomou njega je izveo kvalitativno objanjenje nekih
eksperimentalnih rezultata iz psihologije.
Poetkom pedesetih godina prologa vijeka, najvie uticaja na dalji razvoj neuronskih mrea je imao
rad Marvin Minsky-a koji je u tom periodu konstruisao neuroraunar pod imenom Snark (1951). Frank
Rosenblatt je zasluan za otkrie jednoslojne neuronske mree, zvane perceptron. Ovaj raunar je
mogao uspjeno da podeava teinske koeficijente, meutim ovaj raunar nije postigao znaajnije
praktine rezultate. Tek krajem pedesetih godina (1957-1958), Frank Rosenblatt i Charles Wightman
sa svojim saradnicima su uspeli da razviju raunar pod nazivom Mark I koji predstavlja prvi
neuroraunar.
Neto iza Rosenblatta, Bernard Widrow je sa svojim studentima (najpoznatiji je Ted Hoff, kasnije
tvorac mikroprocesora) razradio novi tip neurona - ADALINE (ADAptivini LINearni Element,
prenosna funkcija f(x)=x) i odgovarajui zakon uenja.
U periodu od 1950-tih do ranih 1960-tih godina prologa vijeka napisano je nekoliko knjiga i
osnovano nekoliko kompanija koje se bave neuroraunarima. Meutim, sredinom 1960-tih godina
dolo je do zastoja zbog dva oigledna problema. Prvo, veina istraivaa je prila problemu sa
kvalitativne i eksperimentalne strane, zanemarujui analitiki pristup. Drugo, poetni entuzijazam je
bio toliko jak da su uveliko publikovana predvianja da nas od vjetakog mozga dijeli samo nekoliko
godina istraivanja. Ovakav zanos je dalje diskreditovao ovu oblast i odbio veliki broj istraivaa.
Mnogi od ovih ljudi su napustili neuroraunarstvo i preli u srodna polja.
Sredinom 1960-ih godina je pristup rijeavanja problema neuronskih mrea okarakterisan kao
pogrean, nakon to Marvin Minsky i Seyour Papert u knjizi "Perceptrons"objavljuju matematiki
dokaz da jednoslojna neuronska mrea "Perceptron" ne moe da naui funkciju XOR, uz pretpostavku
da dodavanjem vie slojeva neurona taj problem nee biti prevazien. Tano je da neuron nije u stanju
da izvede pomenutu funkciju, ali za iole sloeniju mreu od nekoliko neurona to predstavlja veoma
jednostavan zadatak. Njihov dokaz je diskreditovao istraivanja neuronskih mrea, a finansiranja su
preusmjerena na druge oblasti vjetake inteligencije.
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.
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).
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
3.2. BIOLOKE NEURONSKE MREE
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
3.3. VJETAKE NEURONSKE MREE
Vjetake neuronske mree su inspirisane biolokim mreama. One pozajmljuju ideje iz naina na koji
funkcionie ljudski mozak. Dananja neuronska obrada na raunaru koristi vrlo ogranien skup
koncepata od biolokih neuronskih sistema. Cilj je da se simuliraju masovni paralelni procesi koji
ukljuuju obradu meusobno povezanih elemenata u arhitekturi mree. Vjetaki neuron prima ulazne
podatke slino kao to bioloki neuroni primaju elektohemijske impulse od drugih neurona. Izlazni
podaci vjetakog neurona odgovaraju signalima koje alju bioloki neuroni.
Vjetaka neuronska mrea je sastavljena od procesorskih jedinica iji kako funkcionalni izgled tako i
procesi koji se u njoj odigravaju podsjeaju na nervni sistem kod ovjeka. To je ustvari vrsta raunara
koji se potpuno razlikuju od klasinih raunara sa Fon Nojmanovom arhitekturom. Kod klasinih
raunara jedan procesor obavlja sekvencijalno instrukcije date programom. Pri tome procesor moe da
obavlja stotinu i vie osnovnih komandi kao to su sabiranje, oduzimanje, mnoenje, punjenje,
pomjeranje i dr.
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.
25
Slika 8 Vjetaka neuronska mrea
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
3.4. OBUAVANJE NEURONSKIH MREA
Obuavanje neuronskih mrea se svodi na uenje iz primjera kojih bi trebalo da bude to vie da bi
mrea mogla da se ponaa preciznije u kasnijoj eksploataciji. Podaci iz trening skupa se periodino
proputaju kroz neuronske mree. Dobivene vrijednosti na izlazu mree se uporeuju sa oekivanim.
Ukoliko postoji razlika izmeu dobivenih i oekivanih podataka, prave se modifikacije na vezama
izmeu neurona u cilju smanjivanja razlike trenutnog i eljenog izlaza. Ulazno-izlazni skup se ponovo
predstavlja mrei zbog daljih podeavanja teina, poto u prvih nekoliko koraka mrea obino daje
pogrean rezultat. Proces uenja dovodi do korigovanja sinaptikih teina. Poslije podeavanja teina
puta za sve ulazno izlazne sheme u trening skupu, mrea naui da reaguje na eljeni nain.
Neuronska mrea je obuena ako moe tano da rjeava zadatke za koje je obuavana. Neuronska
mrea je sposobna da izdvoji vane osobine i sheme u klasi trening primjera. Nakon obuavanja sa
odreenom vjerovatnoom, neuronska mrea moe da generalizuje nove ulazne podatke za koje nije
obuavana. Na primjer, generalizaciju moemo vidjeti na primjeru mree obuavane da prepoznaje
serije slika: ako na ulaz takve mree dovedemo slike za koje mrea nije obuavana, ona do izvjesne
mjere moe uspjeno da klasifikuje takve slike. Kada uzorci koji se predstavljaju mrei ne dovode vie
do promjene ovih koeficijenata, smatra se da je mrea obuena.
Mada je u najvie sluajeva mrea sa adaptivnim teinskim koeficijentima veza, postoje mree ije su
teine fiksne i za vrijeme obuavanja. Tada se mjenjaju samo aktivacioni nivoi pojednih neurona.
Opisani proces se naziva obuavanje sa nadgledanjem (eng. Supervised). Dobiveni izlaz se uporeuje
sa zadatim i onda se na osnovu dobivene razlike obavlja auriranje pojedinih teinskih koeficijenata.
Nasuprot takvom nainu obuavanja postoji i obuavanje bez nadgledanja (eng. Unsupervised).
Izlazna vrijednost se ne uporeuje sa zadatom vrijednou. Ovom metodom mrea klasifikuje ulazne
oblike u vie grupa. Broj jedinica u izlaznom sloju odgovara broju razliitih grupa to znai da u
jednom datom trenutku postoji samo jedan aktivan izlaz.
28
3.4.1. PROPAGACIJA GREKE UNAZAD
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
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 Grafiko predstavljanje aktivacionih nivoa i teinskih koeficijenata sa propagacijom unazad
Algoritmi za obuavanje mree sa propagacijom greke unazad sadre korak propagacije unaprijed, za
kojim slijedi korak propagacije unazad. Oba koraka se primjenjuju za svako predstavljanje para
obuavajueg skupa. Korak propagacije unaprijed poinje sa prikazom ulaznog oblika na ulaznom
nivou mree i nastavlja tako to aktivacioni nivoi vre propagaciju unaprijed izraunavanja kroz
skrivene nivoe. U svakom sukcesivnom nivou svaka procsorska jedinica sumira svoje ulaze i
primjenjuje prag funkciju u izraunavanju izlaza. Jedinice izlaznog nivoa daju izlaz mree.
Korak propagacije unazad poinje poreenjem izlaznog oblika mree sa ciljnim vektorom. Tako se
izraunava razlika ili greka. Korak propagacije unazad tada izraunava vrijednost greke za skrivene
jedinice i mijenja njihove ulazne teine, polaze i od izlaznog nivoa kroz sve sukcesivne skrivene
nivoe. U ovom koraku propagacije unazad mrea ispravlja svoje teine tako da smanjuje uoenu
greku.
Vrijednost greke pridruena svakoj procesorskoj jedinici se koristi za vrijeme izvrenja procedure
korekcije teina tokom uenja. Velika vrijednost oznaava da treba sprovesti veu korekciju nad
ulaznim teinama, a njen znak odraava pravac u kom treba mijenjati teine.
31
Obrazac za izraunavanje greke je jednostavan za jedinice iz izlaznog sloja, a neto sloeniji za
jedinice iz ostalih (skrivenih) slojeva. Ako je jedinica i izlazna, tada je vrijednost njene greke:
gdje su: zi zadata vrijednost izlaza za jedinicu i, ai vrijednost izraza jedinice i, fi (Si) prvi izvod
funkcije f i Si teinska suma ulaza u jedinicu i.
Razlika odreuje iznos greke a prvenstveno njen znak. Prvi izvod funkcije f, f i (Si), mijenja korekciju
greke; ukoliko funkcija f (uzimajui u obzir da je f sigmoidna funkcija) bre raste, onda treba izvriti
veu korekciju i obrnuto.
gdje je m broj procesorskih jedinica koje prihvataju izlaze jedinice i. Prvi izvod funkcije f i u ovom
sluaju odreuje veliinu korekcije greke.
Koristei greku i auriraju se teinski koeficijenti veza. Obrazac za auriranje teinskih koeficijenata
veze koja spaja jedinice k i i, pri emu je jedinica k ispred jedinice i, je dat sa:
(tik) = iak
Konstanta (brzina) obuavanja se bira najee u obimu 0.25 i 0.75. Ona odreuje brzinu obuavanja
mree, ako je vea, obuavanje je bre i obrnuto. Meutim, prevelike vrijednosti ovoga koeficijenta
djeluju destabilizujue na mreu i mogu da uzrokuju neobuavanje mree. S druge strane, ako je
isuvie mala, obuavanje je sporo.
32
3.4.2. PROPAGACIJA GREKE UNAPRIJED
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:
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
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
3.5. PRIMJENA NEURONSKIH MREA
Neuronske mree nalaze sve vei broj primjena. Na primjer, upotrebljavaju se u obradi signala, analizi
podataka, raznim kontrolama, kompresiji slike, konverziji jezika, postavljanju dijagnoza,
prepoznavanju govora, psihijatrijskim procjenama, analizi elektrinih kola, kompresiji zvuka,
predvianju kretanja na tritu, izboru osumnjienih u kriminolokim istraivanjima, analizi
medicinskih testova, spektralnoj analizi itd.
Zbog svega navedenog, mnogi istraivai nazivaju neuronske mree posljednjom i najsofisticiranijom
ljudskom tehnologijom. Neuronske mree imaju iroku primjenu u proizvodnji od planiranja
proizvodnje, ispitivanja materijala, izboru materijala, kao i u samom procesu rada.
U poetku su neuronske mree koristili naunici raunarskih i kognitivnih nauka koji su pokuavali
da modeliraju ulni sistem ivih organizama. Danas neuronske mree predstavljaju veoma atraktivnu
oblast istraivanja i postoje brojne oblasti u kojima se koriste. Primenjuju se za:
prepoznavanje oblika,
prepoznavanje rukopisa,
prepoznavanje govora,
finansijske i ekonomske modele,
predvianje kretanja cijena na tritu,
upravljanje sistemima,
upravljanje proizvodnim procesima,
analizu elektrinih kola,
psihijatrijske procjene,
kompresovanje podataka,
naftna istraivanja,
kriminoloka istraivanja,
analizu medicinskih testova,
ispitivanje EEG i EKG signala,
pronalaenje optimalnog rjeenja,
upravljanje robotima,
analiziranje podataka pri pirolizi i spektroskopiji,
bioraunarske sisteme,
vremensku prognozu i
druge oblasti.
36
4. POJAM EKSPERTNIH SISTEMA
Kao posljedica tog nastojanja dolo je do pojave ekspertnih sistema. To su raunarski programi iji
algoritmi realizovani razliitim metodama vjestake inteligencije rjeavaju probleme na osnovu znanja
iz nekog uskog podruja. Znanje koje takav sistem posjeduje formira se uz pomo eksperta na bazi
pravila zakljuivanja i podataka neophodnih za rjeavanje tih problema. Kasnije ekspert koristi taj
raunarski program da bi rijeio neki jos sloeniji problem iz te oblasti. Rjeavanje takvog problema
takoe se memorie u bazu znanja, ime ekspertni sistem dinamiki poveava svoje znanje i
mogunosti.
Ekspertni sistemi su znai programi koji, pri rjeavanju problema razliitog domena, izvode postupke
koji su sliniji ljudskom rezonovanju od numerikih tehnika raunanja. Ovi postupci zasnovani na
eksperimentalnom ljudskom znanju, kodirani su u vidu programa koji se nazivaju mehanizmi
zakljuivanja i intenzivno koriste podatke organizovane u formama koje se nazivaju baze znanja.
Osnovna pretpostavka na kojoj se zasniva oblast ekspertnih sistema kae da je znanje mogue
predstaviti simbolikim izrazima i to preko simbolikih opisa, kojima se odlikuju definicioni i
empirijski odnosi u posmatranom podruju i postupaka za manipulaciju tim odnosima.
Terminoloki gledano paralelno sa terminom ekspertni sistemi za isti pojam koriste se i sljedei
termini: sistem zasnovan na znanju, inteligentni informacioni sistem, inteligentni sistem zasnovan na
znanju, te baza znanja.
Drugim rjeima ekspertnost se moe definisati kao znanje, razumijevanje i vjetina rjeavanja
problema u odreenoj oblasti. Jednu od prvih definicija ekspertnih sistema dao je Fingenbaum i ona
glasi: "Ekspertni sistem je inteligentni raunarski program koji koristi znanje i mehanizme
zakljuivanja u rjeavanju problema takve sloenosti da je za njihovo rjeavanje potreban ovjek
ekspert".
Znanja u ekspertnim sistemima ine injenice i heuristika (iskustvo i osjeaj). injenice su glavni dio
informacija iroko distribuiranih, javno raspoloivih i usaglaenih na nivou eksperata (strunjaka) u
oblasti. Heuristika su lina, malo distribuirana pravila prihvatljivog rasuivanja, koje karakterie
odluivanje na nivou eksperta u oblasti. Performanse ekspertnih sistema su funkcija veliine i kvaliteta
baze znanja, a ne odreenog formalizma i mehanizma zakljuivanja.
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.
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".
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
Brojana Simbolina
podataka
Osobna problemskog
Kompleksno, iroko Uzak domen
podruja
Vrsta tretiranih
Ad hoc, jedinstveni Ponavljajui
problema
Mogunost
Ne Da, ogranieno
rezonovanja
Mogunost
Ogranieno Da
objanjavanja
39
4.2. ISTORIJA EKSPERTNIH SISTEMA
U preko etrdeset godina istraivanja, vjetaka inteligencija pomogla je raunarima da imitiraju razne
ovjekove aktivnosti, ali je tek minimalno napredovala u smjeru oponaanja pravog ovjekovog
razmiljanja. Otkako postoji, istraivanje vjetake inteligencije bilo je periodiko tj. ulazilo i izlazilo
iz mode. U toku 1972. godine u SAD-u je vjetaka inteligencija bila tako sistematski suzbijana da je
finansiranje iste gotovo prestalo. Velika Britanija jo uvijek osjea posljedice odluke u svojoj trci da se
modernizuje robotikom tj. dijelom vjetake inteligencije.
Sredinom sedamdesetih godina istraivai su suzili svoje radove i poveali praktina istraivanja
vjetake inteligencije. Umjesto da stvore univerzalnog ljudskog klona, energiju su usmjerili prema
odreenim zadacima. Stoga je panja bila premjetena na kontekstno zavisno komuniciranje. Rezultat
toga bio je razvoj nekoliko interaktivnih dijalokih jezika.
U SAD su se pojavile dvije vrste razvijenih prirodnih jezika. Jedni su se zasnivali na "skriptovanom
dijalogu", dok su drugi bili dizajnirani za pretraivanje informacija. Odnedavno sve vei broj
eksperimenata i radnih sistema koji koriste ekspertne sisteme rezultat je razvoja kompjuterskih
programskih jezika za specifinu namjenu kao sto su LISP i PROLOG. Osim toga, upravo su radovi
prvih specijalista za vjetaku inteligenciju dali osnovu koja je bila potrebna za savladavanje sve veih
zahtjeva za korisnika usmjerenim sistemima.
LISP i PROLOG su nazivi dva jezika koji se uopte povezuju s ekspertnim sistemima. Ovi jezici su
bili korieni prilikom stvaranja raznovrsnog softvera ekspertnih sistema. Za razliku od ve
konvencionalnih BASIC-a i FORTRAN-a, koji su dizajnirani prvenstveno za obraivanje brojeva,
LISP je dizajniran za obradu simbola, specijalno engleskih rijei i fraza. Takoe LISP posjeduje
mehanizme za povezivanje simbola u pojmove u obliku pravila "ako-onda" ("IF-THEN"). Razlika u
LISP programskom softveru je u tome to tradicionalni kompjuterski softver dizajniran za obradu
podataka i prorauna (tj. tabelarne izvjetaje) predstavlja neto sasvim drugo u odnosu na nove
softverske alate ekspertnih sistema, koji obrauju deduktivnu logiku u obliku pravila i relacija izmeu
znanja.
Ekspertni sistemi su svoju evoluciju poeli na podruju medicinske dijagnostike, a aplikacije se nisu
proirile na druge discipline. Jedan od prvih sistema bio je MYCIN. Razvili su ga istraivai na
amerikom univerzitetu Stanford kao pomo ljekarima u dijagnosticiranju bakterijskih infekcija. Pored
ovog podruja primjene, ekspertni sistemi su svoju ulogu nali u zamjeni ovjekovog partnera u igri
(ah, tenis itd.), zatim u domenu zamjene tehniara, gdje na osnovu dijaloga sa korisnikom i
upamenog znanja dijagnosticira greku. Ovakav ekspertni sistem razvio je IBM. Naime, sistemu se
prezentiraju indikacije kvara, a sistem na osnovu njih generie preporuke za popravak.
Sljedee vano podruje primjene ekspertnih sistema je u vojsci, odnosno u planiranju i donoenju
odluka. Takoe oni u saradnji sa modernom raunarskom tehnologijom uspjeno rjeavaju logistike
probleme i predstavljaju veliku podrku u stratekom i taktikom planiranju.
Ne treba zanemariti ni pomo ekspertnih sistema u lociranju leita rude, te voenju sloenih
proizvodnih pogona.
U novije vrijeme oni predstavljaju vie od 50% aktivnosti komercijalne vjetake inteligencije i imaju
trend porasta. to se tie podruja primjene ekspertnih sistema u preduzeu, konkretno na polju
upravljanja i raunovodstva, postoji nekoliko vanih momenata, koji opravdavaju usvajanje ove nove
tehnologije.
Najvanije je da tehnologija kompenzuje ljudski rad uz odgovarajui stepen trokova i dobiti. Takoe,
tehnologija prepoznaje potencijalna podruja problema te poveava vjerovatnou donoenja ispravnih
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.
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
4.3. OSNOVNE ODLIKE EKSPERTNIH SISTEMA
Jedna od nesumnjivo najznaajnijih osobina ekspertnog sistema jeste znanje ekspertnog sistema o
sopstvenim operacijama i strukturi. Za sada se to poeljno svojstvo ispoljava preteno u mogunosti
obrazlaganja, racionalizovanja, opravdavanja i objanjavanja svojih zakljuaka i preporuka, ali ima
dobrih nagovjetaja koji upuuju na oekivanje da e u budunosti obezbjeivati osnovu za razna
korijenita preinaavanja svojih mogunosti na osnovu "uenja iz iskustva". Racionalizacija o kojoj je
ovdje rije podrazumijeva da se rakonstruiu putevi zakljuivanja kojima je sistem doao do zakljuka.
Objanjenje kako je zakljuak izveden podrazumijeva sposobnost sistema da povee lanac
zakljuivanja sa fundamentalnim principima i znanjima o oblasti ekspertize.
Odvajanje logike i kontrole omoguava upotrebu mehanizma zakljuivanja za vei broj naunih
osnova konstruisanih za razliita podruja primjene. Na primjer, isti opti mehanizam zakljuivanja
upotrijebljen je za rjeavanje problema dijagnostike krvnih infektivnih bolesti kao i strukturirana
analiza mehanikih komponenata u kombinaciji sa odgovarajuom naunom osnovom za oba podruja
koja se meusobno potpuno razlikuju.
Ukazivanje na neka bitna svojstva ekspertnih sistema e biti potkrepljeno navoenjem razlika u
zadacima ekspertnih sistema i drugim zadacima u podruju vjetake inteligencije.
Ukazivanje na neke druge bitne osobine ekspertnih sistema e biti konkretizovano i navoenjem
znaajnih razlika izmeu ekspertnih sistema i konvencionalnih programa. Najbitnija je razlika da
ekspertni sistemi manipuliu sa znanjem, a konvencionalni programi sa podacima. Meutim te razlike
se najjasnije vide iz sljedeih injenica:
Obrada podataka:
Prezentovanje i koritenje podataka,
Algoritmi,
Ponavljanje procesa,
Efektivno manipulisanje sa velikim bazama podataka.
Inenjering znanja:
Prezentovanje i korienje znanja,
Heuristika,
Mehanizam zakljuivanja,
Efektivno manipulisanje sa velikim bazama znanja.
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.
43
Ispravljanje;
Kontrolisanje i dr.
Prema navedenim vrstama aktivnosti ekspertnih sistema izgraena je i jedna njihova klasifikacija:
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.
Evidentan skok ulaganja u istraivanje ekspertnih sistema u novije vrijeme, prisustvo proizvoda na
tritu i pruena mogunost primjene u organizacijama navodi na konstataciju konkretne koristi od
strane ekspertnih sistema.
Prije svega ekspertni sistemi osiguravaju univerzalnu i stalnu raspoloivost. Drugim rijeima, ekspert
je uvijek na raspolaganju. Prisutna je nepristrasnost, jer jednom organizovan ekspertni sistem je
praktino dosljedan. Ekspertni sistem ima savrenu memoriju i uzima sve relevantne faktore u obzir.
Kvalitetno vrijeme strunjaka je osloboeno rutinskih poslova, jer ekspertni sistem obavlja postavljene
zadatke i time dobiva ekonomsko opravdanje.
Ekspertni sistemi mogu biti i u edukativnoj poziciji, jer strunost sintetiu u jasno definisana pravila.
Ekspertni sistem sadri injenice koje strunjak uzima u obzir i praktina pravila koja strunjak
primjenjuje prilikom rjeavanja problema. Simulacijom situacija iz realnog vota, neiskusan radnik se
moe poduiti tome koje su informacije bitne i koji je misaoni mehanizam upotrijebljen.
U daljem kontekstu pozitivnih osobina, odnosno koristi od ekspertnih sistema, izdvaja se zajedniko
korienje znanja. Znanje vrhunskih strunjaka u preduzeu moe postati pristupano mnogim
radnicima. Na ovaj nain se poveavaju strune ocjene. Ekspertni sistemi e biti na raspolaganju za
iznoenje sekundarnih miljenja na podruju, kao i za izradu "ta ako" analiza u kojima se trae
rezultati u zavisnosti od razliitih promjena. Sljedea korist u primjeni ekspertnih sistema je krae
vrijeme odluivanja. Naime, rutinske odluke, koje odnose dosta vremena, lagano donose ekspertni
sistemi. Ljudi strunjaci e zato imati vie vremena na raspolaganju za kreativniji rad.
Ekspertni sistemi su najefikasniji u kombinovanim problemima, gdje direktne metode nabrajanja vode
do sve veeg broja mogunosti, pa je potrebna intuicija, logika i razum za pronalaenje najbolje
mogue odluke. Ekspertni sistemi su isto tako korisni kod problema u kojima se odluke zasnivaju na
analizi i interpretaciji ogromne koliine nekvantitativnih podataka. Nabrajanje koristi ekspertnih
sistema zavriemo sa ouvanjem i prenosom strunosti na poetnike i nasljednike u preduzeu.
Osnovni nedostaci i odbrambeni stavovi, vezani za sadanje stanje tehnologije ekspertnih sistema,
zasnivaju se na dehumanistikim konotacijama koje prate ove programe vjetake inteligencije. Ovo
se ogleda u potiskivanju, odnosno ograniavanju uea rukovodnih kadrova u procesima u
organizaciji. Bez obzira koliko bili pristalice ekspertnih sistema, ne moemo negirati znaaj intuicije i
neformalizma u rjeavanju problema i inovacijama.
Ekspertni sistemi imaju ogranienja u nekoliko podruja problema. Prvo, za donoenje odluka u jednoj
dinaminoj sredini sa mnotvom nestrukturiranih problema nije dovoljno samo iskustvo, dakle
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.
46
4.5. INENJERING ZNANJA
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.
Vie momenata uzrokuje formiranju neadekvatnih pristupa problemima aktuelnog trenutka, neki od
njih su: Nekritina konzistentnost uvjerenja zatvoren sistem znanja, Casirrere je taj fenomen nazvao
mitskim mentalnim modelom. Na tragu razmiljanja P. Franka, civilizacijske promjene trae od osoba
(ako ele pratiti tekuu stvarnost) permanentno usvajanje novih kodova i paradigmi. Realnost je da
pod pritiskom ubrzavanja poslovanja, strunjaci adoptiraju gotova poslovna rjeenja bez adaptacije. Iz
istog razloga, strunjacima nije ostavljen vremenski prostor za praenje poslovanju prateih teoretskih
znanja.
U prolom vijeku je do ezdesetih godina vladalo shvatanje da je znanje opravdano istinito vjerovanje;
Osoba A zna b, ako i samo ako:
A vjeruje u b,
p je istinito i
A ima adekvatno svjedoanstvo za b.
Zatim su uslijedili pokuaji da se pokae da prva taka nije nuan uslov znanja i da druga i trea taka
nisu dovoljan uslov znanja. Od tada rasprave traju.
Savremene teorije znanja Polok je nedavno razvrstao u dvije klase:
Doksatike teorije i
Nedoksatike teorije.
47
Doksatike teorije su zasnovane na pretpostavci da u odreivanje epistemiolokog opravdanja ne ulazi
nita osim naih vjerovanja, naeg doksatikog stanja. Klasu doksatikih teorija iscrpljuju meusobno
iskljuujue potklase teorija zasnovanosti i teorija koherencije.
Jasno je da odgovor na pitanje ta je znanje ne moe da bude odluan. Zbog znaaja za osnovni
predmet razmatranja u ovom radu, navodi se i shvatanje J. Pigeta o znanju. Prema njegovom
uvjerenju, ljudsko znanje je aktivno, a znati znai konstruisati sistem transformacija koje su u manjoj
ili veoj mjeri adekvatno korespodentne stvarnosti.
Postoji nekoliko kriterijuma za razvrstavanje znanja pa tako i vie vrsta znanja: zdravorazumsko i
nauno; teorijsko i empirijsko; individualno i socijalno; eksplicitno i implicitno; subjektivno i
objektivno; prethodno i novo; deklarativno i proceduralno i dr.
48
4.5.2. METODE ZA PREDSTAVLJANJE ZNANJA
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.
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
5. ARHITEKTURA EKSPERTNIH SISTEMA
Svaki ekspertni sistem posjeduju odreene karakteristike i specifinosti koje kod drugih ekspertnih
sistema neemo nai. Ipak, svi ekspertni sistemi u sutini imaju istu konstrukciju, konfiguraciju i
organizaciju.
Znanje je kljuni inilac u odluivanju, odnosno upravljanju i uopte rjeavanju problema. Izvanredna
postignua eksperata presudno su odreena njihovim zanimanjima. Znanju, naroito naunom, su
svojstvene mnoge vrijednosti, pa je lako shvatljiva tenja da se od ljudi eksperata iscrpi znanje i uloi
u softver raunara, poto bi tako postalo dostupno velikom broju moguih korisnika, bilo na
raspolaganju u proizvoljno odabrano vrijeme, lako bi i bez velikih izdataka moglo da bude
reprodukovano, a donekle bi proces usavravanja i razvijanja znanja mogao da bude ubrzan, jer bi
lino, privatno zanje bilo potpunije izloeno javnom ocjenjivanju i kritici.
Budui da ekspertni sistemi u svom radu na stoje oponaati ovjeka eksperta, koji osim to rjeava
sloene probleme, moe i obrazloiti svoje odluke, jedna od komponenti ukljuenih u ekspertne
sisteme je i podsistem za obrazlaganje zakljuaka i ponaanja. Obrazlaganje zakljuaka i
ponaanja se sastoji od identifikovanja koraka u procesu rezonovanja i provjere njihove ispravnosti.
Obrazlaganje zakljuka i ponaanja spada u domen razumijevanja prirodnog jezika, budui da sistem
formulie objanjenja na nain razumljiv korisniku, u skladu sa nivoom ekspertize korisnika. U
konkretnom ekspertnom sistemu, ova komponenta je svedena na izlistavanje pravila aktiviranih u
procesu izvravanja programa i provjere njihove ispravnosti.
Ekspertni sistemi kao metodi vjetake inteligencije i u funkciji kloniranja eksperta u usko
specijalizovanom podruju moraju u principu posjedovati sljedee komponente odnosno
module:
bazu znanja,
mehanizam zakljuivanja i
interfejs prema korisniku.
Grafika interpretacija strukture ekspertnih sistema izgledala bi ovako:
51
Slika 13 Komponente ekspertnog sistema
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 zakljucivanja 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.
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:
Pretrazivanje baze podataka, da se nau uzorci koji predstavljaju uslov za aktiviranje nekog
modula; time se dobija konfliktan skup potencijalno aktivnih modula;
52
Razrjeavanje konflikta, predstavlja odreivanje jednog od modula iz konfliktnog skupa;
Izvoenje izabranog modula.
Zbog komparacije uzoraka (prva taka u gore navedenom ciklusu) sistemi voeni uzorcima mogu biti
veoma spori. Da bi se prevaziao taj problem, esto uvodimo tzv. "meta-pravila" koja govore o tome
kako upotrebljavati ostala pravila. Druga tehnika za poboljanje efikasnosti je hijerarhijsko grupisanje
kako pravila tako i baza podataka. U nekim oblastima, u prvom redu u onima gdje postoje dobra
algoritamska rjeenja, arhitektura sistema voenog uzorcima ponekad nije najprikladnija.
Postoji vie tipova sistema voenih uzorcima. U prvom redu razlikujemo sisteme koji se baziraju na
pravilima (rule-based systems) i mrene sisteme (network-based systems). Kod prvih moduli se
sastoje iz pravila u obliku "antecedens-konsekvens" odnosno "lijeva strana - desna strana pravila".
Obino lijeva strana odreuje uzorke - uslove, da se pravilo aktivira, a desna strana odreuje operacije
koje se trebaju izvesti. Kod mrenih sistema moduli su predstavljeni kao vorovi u mrei. vorovi
specificiraju akcije, a aktiviraju se pod uslovom da doe "poruka" (signal) preko jedne ili vie ulaznih
veza. Sistemi bazirani na pravilima dijele se na:
produkcione sisteme (production systems) i
transformacione sisteme (transformation systems).
Kod prvih antecedens pravilo vodi traenju pravila koje treba da se izvede sljedee, a kod drugih tu
ulogu ima konsekvens pravilo.
53
5.2. BAZA ZNANJA
Znanje je kljuni inilac u odluivanju, odnosno u upravljanju i rjeavanju problema. Kako ekspertni
sistemi crpe svoju mo iz znanja koje posjeduju tako nivo njihovih dostignua odreen je prvenstveno
kvalitetom i veliinom baze znanja.
Ekspertni sistemi su sofisticirani raunarski programi koji primjenjuju ljudsko znanje u specifi
nim oblastima ekspertize da bi se rijeili teki problemi. Ekspertni sistemi imajuza cilj da obezbije
de odgovor na pitanja -
probleme koji zahtijevaju rezonovanje, prepoznavanje i poreenje formi, akviziciju novih koncepata, r
asuivanje. Najkrae, oni dajuodgovor na pitanja koja zahtijevaju inteligenciju.
Baza znanja, mehanizam zakljuivanja i interfejs predstavljaju tri kljuna dijela ekspertnog
sistema. Baza znanja je zavisna od problemskog domena, dok su mehanizam zakljuivanja i interfejs
esto nezavisni. Mehanizam zakljuivanja i interfejs, dva nezavisna modula, zajedno se
zovu ljuska ekspertnog sistema.
Od kvaliteta baze znanja zavisi kako e funkcionisati sistem, a sama baza znanja sastoji se od
ekspertnih pravila koja odrazavaju znanje strunjaka. U bazu znanja je akumulirano sve do tada
poznato znanje o odreenom sistemu. Baza znanja je unikatna za svaki ekspertni sistem, odnosno
jedna baza znanja vai za samo jedan ekspertni sistem.
Kvalitet ekspertnog sistema uglavnom je funkcija obima i kvaliteta njegove baze znanja. Ovu konstata
ciju apostrofiraju autori Harmon i King. Baza znanja sadri znanje ospecificnom problemskom podru
ju: pravila koja opisuju
relacije i dogaaje, a ponekad metode, heuristike i ideje za rjeavanje problema na konkretnom podru
ju. U bazi znai nalazimo dva tipa znanja:
injenice koje su javno dostupne i u struci opteprihvaene i
heuristike, to su ekspertna pravila zakljuivanja i odluivanja, koja karakteriu stepen
ekspertnosti.
Ovdje je karakteristino pitanje, kako predstaviti bazu znanja u raunaru. Postoje brojni formalizmi za
predstavljanje znanja i u principu bi se mogao upotrijebiti svaki konzistentan formalizam, u kojem je
mogue izraziti znanje o problemskom domenu. Ipak se kod ekspertnih sistema odluujemo za one,
koji daju podrku modularnosti, inkrementalnosti i lakoj promjenljivosti baze znanja. Za
tzv. "meka" podruja, gdje zakonitosti vae samo do nekog stepena i ne apsolutno, formalizam treba
da modeluje i tu vjerovatnu prirodu znanja.
Evidentno je da se eksperti za rjeavanje problema u velikoj mjeri slue svojim iskustvenim relativno s
kromnim znanjem. Takvo znanje je veoma operativno i moe biti dovoljnoza rjeavanje problema u ve
ini primjera. Tek kada doe do novog, teeg problema ili kada rjeenje treba obrazloiti, ekspert upot
rijebi svoje kvalitetnije znanje, to jerazumijevanje strukture i dubljih principa problemskog domena.
Hronoloki gledano, baze znanja u "prvoj generaciji" ekspertnih sistema uglavnom se sastoje od ekspe
rtnih pravila, koja odraavaju skromno znanje i veoma su efikasna. Doeventualnih problema moe do
i, kada su te baze glomazne, pa je osim problema sa prostorom i provjera njihove kozistentnosti i kom
pletnosti veoma teka. Zatim, ima primjerakada je potrebno to je mogue potpunije i temeljitije obraz
loenje, npr. u sistemima za edukaciju ili kod sistema za dijagnostiku, gdje tek tako dobivenim povjere
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
5.2.1. FORMALIZMI ZA PREDSTAVLJANJE ZNANJA
PRODUKCIONA PRAVILA
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).
56
Koriste se za prirodno opisivanje jednostavnih relacija, a ne za kompleksne formule i veze. To se prije
svega odnosi na sisteme za rad sa prirodnim jezikom (semantike mree) i za zakljuivanje iz domena
teorije skupova. Ponekad se i produkcioni sistemi predstavljaju u obliku mree. Tada mrea modelira
veze izmeu produkcionih pravila, a veze su relacije izmeu njih, obino sa faktorom vjerovatnoe.
Ovu strukturu imaju npr. ekspertni sistemi Mycin i Prospector.
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.
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.
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:
58
5.2.2. ZAHVATANJE ZNANJA
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.
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.
60
5.2.3. KVALITATIVNO MODELIRANJE
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.
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
5.2.4. AUTOMATSKO UENJE
Naini uenja se klasifikuju prema vie kriterijuma. Naveemo podjelu prema kriterijumu
stepena uea induktivnog zakljuivanja kod uenika tokom procesa uenja:
Direktno ili rutinsko uenje (rote learning). Ovdje zakljuivanje nije potrebno i u ovu grupu
spadaju direktno programiranje i uvanje podataka.
Uenje na osnovu kazanog (learning by being told). Kod ovog uenja uitelj posreduje znanje
(daje pravila i injenice), koje se pomou predznanja i induktivnog zakljuivanja organizuje u
takav oblik, da ga je mogue koristiti bez eksplicitnih algoritama.
Uenje na bazi objanjenja (explanation-based learning) zasniva se na jednom primjeru
rjeenja problema, koje se pomou znanja o problemskom podruju objanjava, opravdava i
uoptava, te tako rjeava itavu klasu problema.
Uenje po analogiji (learning by analogy) bazira se na ideji da se postojee znanje transformie
u takav oblik, koji je mogue upotrebiti za novi, slian problem.
Uenje na osnovu primjera (learning from examples). Ovo uenje je uenje na pozitivnim ili
negativnim primjerima, gdje se na osnovu tih primjera induktivnim zakljuivanjem dobivaju
pravila odnosno opis koncepta koji treba da je kompletan (ukljuuje sve pozitivne primjere) i
konzistentan (iskljuuje sve negativne primjere).
Uenje samostalnim otkrivanjem (learning from observation and discovery) predstavlja
najtei oblik uenja. Postavljanje i testiranje hipoteza kao i kreiranje novih teorija potpuno je
samostalno bez uitelja.
Dosadanja praksa je pokazala da je najefikasniji oblik automatskog uenja uenje na osnovu primjera.
Ovo uenje znaajno prevazilazi problem Feigenbaum-ovog uskog grla, jer se eksperimentima lake
daju primjeri (esto su ve arhivirani) nego pravila po kojima se rjeavaju problemi. Automatsko
uenje na osnovu primjera sadri nekoliko poznatih optih metoda kao to su:
Metoda prostora verzija (version space) predstavlja koncept traenja u prostoru moguih
opisa u datom opisnom jeziku. Postojee znanje koncepta odreuje podskup opisa iz prostora
svih moguih opisa. Taj podskup se zove prostor verzija i dopunom znanja se smanjuje. Ova
metoda je primjenjena u sistemu kojim se ue pravila za simboliko integrisanje (LEX) i u
pravilima za generisanje molekularnih struktura (META-DENDRAL).
Metoda gradnje stabla odluivanja je veoma jednostavna i efikasna metoda. Implementirana
je od strane Quinlana u sistemu ID3. Sutina je da se na osnovu postojeih primjera izgradi
klasifikacijsko pravilo u formi stabla odluivanja koje se moe upotrebiti za klasifikaciju novih
objekata. Postoje mnogi sistemi zasnovani na ovoj metodi kao npr. ASISTENT 86.
Metoda za konceptualno grupisanje uzoraka razvijena je kao alternativa klasinim
metodama za grupisanje uzoraka. Uspjeno je implementirana u sistemu CLUSTER. Radi
relativno sporije nego standardne metode, ali ima prednost u logikim opisima grupa koje
generie.
62
5.3. MEHANIZAM ZAKLJUIVANJA
Mehanizam zakljuivanja je najvaniji dio ekspertnih sistema i on u principu kroz svoj interpreter
sadri elemente misaone aktivnosti ovjeka. On je u stvari modul ekspertnih sistema koji implementira
algoritme za rjeavanje problema. Od njega se trai da omogui odgovore na korisnikova pitanja i da
se pri tom slui procesom zakljuivanja, koji je mogue korisniku objasniti. Pored primarnog zadatka,
pronalaenja pojedinih zakljuaka on treba da realizuje i kontrolnu strategiju, po kojoj se odreuje
redoslijed koraka relevantnih za rjeavanje problema.
Na primjer moe se desiti, da odgovor na korisnikovo pitanje dobijemo samo na osnovu upotrebe
jedne od "elementarnih" injenica, registrovanih u bazi znanja. Recimo koristei injenice iz baze
znanja "Galebovi su ptice" i "Sve ptice imaju krila" veoma se lako odgovara na pitanje da li su
galebovi ptice. Naprotiv za odgovor na pitanje da li galebovi imaju krila, ve je potrebno
zakljuivanje. U logici je ovo karakteristian odnos premisa i konkluzije. Sistem treba da je sposoban
dedukovati i verifikovati injenice, koje mu nisu eksplicitno zadate. Tada koristi poznate principe
zakljuivanja (kao npr. modus ponens ili princip rezolucije), a mogue i zakonitosti, koje se isto tako
nalaze u bazi znanja i slue kao pravila za dobivanje novih tj. izvedenih injenica.
itav proces rjeavanja problema esto se tretira kao dokazivanje teorema na osnovu aksioma.
Rjeenju problema odgovara dokaz teorema, a problem odgovara teoremu, koga nazivamo i ciljna
hipoteza ili cilj. U tom sluaju mogua su dva naina zakljuivanja: zakljuivanje unaprijed (forward
reasoning) i zakljuivanje unazad (backward reasoning). Zakljuivanje unaprijed potie u pravcu od
datih elementarnih injenica prema hipotezi. Iz poznatih injenica generiemo nove, dok ne doemo
do injenice koja se poklapa sa ciljnom hipotezom. Zakljuivanje unazad vri se u obrnutom smjeru,
od ciljne hipoteze prema elementarnim injenicama.
Iz ciljne hipoteze generiemo nove hipoteze, dok ne doemo do hipoteza koje su jednake
elementarnim injenicama. Ukratko emo opisati osnovne principe zakljuivanja: modus ponens,
modus tollens i princip rezolucije. Modus ponens je logino pravilo po kojem na osnovu injenice "A
je istinito" i pravila "ako vai A onda vai B" zakljuimo istinitost za B. Taj princip veoma je
jednostavan pa je zato i proces zakljuivanja koji se bazira na njemu relativno lako razumljiv. Slaba
strana mu je to to ne nalazi sve mogue zakljuke. Na primjer iz "B nije istinito" i "ako vai A onda
vai B" ne moe se zakljuiti "A nije istinito" na osnovu modes ponensa, ve se radi o drugom pravilu
zakljuivanja poznatim kao modus tollens. Princip rezolucije je poznat metod za automatsko
dokazivanje teorema u formalizmu predikatnog rauna prvog reda. Posebna vrsta ovog principa
realizovana je u Prologu. Osnovna ideja je u tome da se skupu vaeih aksioma doda negacija teorema
kojeg elimo dokazati.
Ako se sada otkrije kontradikcija, time je dokazano, da je originalni teorem istinit. Vie o rezoluciji
kao metodi za automatsko dokazivanje teorema pie autor Nilson.
63
5.3.1. PROSTOR STANJA
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.
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
5.3.2. AND OR GRAFOVI
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.
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
6. RAZVOJ EKSPERTNIH SISTEMA
Analiza, projektovanje i razvoj informacionog sistema organizacije, kao podrka sistema upravljanja,
moe polaziti od prihvatanja razliitih metodolokih prilaza i koristi razliite metode, tehnike i
sredstva analize i projektovanja.
Nekoliko sistemskih prilaza razvoju informacionih sistema, a prema tome i donekle ekspertnih sistema
je razvijeno i korieno u posljednjih petnaestak godina. Uglavnom se sve ove metodologije razvoja
ekspertnih sistema baziraju na mogunostima, osobinama i okviru opteg integralnog prilaza razvoju
informacionog sistema. Ove metodologije su u osnovnim crtama prikazane u tabelama 7, 8 i 9, a
razvijene su i primjenjivane u sljedeem razvojnom ciklusu:
Macger (1973);
Dejvis (1974);
Boem (1976);
Frimen i Vasermen (1977);
Kvejd i Bouer (1978);
Lajbovic (1984);
Silverman (1985);
Harmon i Sojer (1989).
67
ocjenjivanje
izvodljivosti,
informaciona
analiza
Projektovanje Fiziko Zahtjevi softvera
projektovanje:
projektovanje
sistema, razvoj
programa, razvoj
procedura
Programiranje Implementacija: Preliminarno
konverzija, projektovanje
funkcionisanje i
odravanje,
postrevizija
Testiranje sistema Detaljno
projektovanje
Prihvatanje Kodiranje, traenje i
mjenjanje
programskih greaka
Instalacija i Testiranje i
funkcionisanje predfunkcionisanje
FRIMEN I KVEJD I
MANDEL
VASERMEN BOUER
(1979)
(1977) (1978)
Analiza potreba Problem Projektovanje
situacije:
prepoznavanje
problema,
definisanje ciljeva,
studija postojeeg
sistema,
projektovanje
novog sistema,
predlaganje
rjeenja
Specifikacija Formiranje Implementacija:
sistema detaljno
projektovanje
sistema,
projektovanje
datoteka, razvoj
programa, razvoj
dokumentacije,
razvojtest
podataka,
68
testiranje sistema,
konverzija
Detaljno Evaluacija
projektovanje
Implementacija Interpretacija
Odravanje Verifikacija
Sugestije
akcija
HARMON I
LAJBOVIC SILVERMAN
SOJER
(1984) (1985)
(1989)
Problematino Identifikacija Preliminarna analiza
stanje poslova zahtjeva
Korisnik: Projektovanje, Analiza i dizajn
Hijerarhijska Razvoj, Testiranje i
vrijednost, pogled Integracija:
na svijet slini programi
Identifikacija Funkcionisanje i Razvoj prototipa
problema Odravanje
Motivacija: Kolektiranje Razvoj sistema
postojee
metodologije
Analogno Raspolaganje Testiranje i
rezonovanje implementacija
Izbor metodologije 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
Sutina faze preliminarne analize je formulacija potencijalnih projekata, obezbjeivanje saglasnosti
rukovodstva preduzea za potencijalne projekte i formiranje tima za razvoj projekta ekspertnog
sistema.
Razvoj sistema je faza prirodnog nastavka i proirenja prototipa. Znanje uzeto za prototip je samo
uzorak znanja. Sada se uzima, formalizuje, kodira i umee u bazu znanja sve preostalo znanje koje se
moe obezbjediti od eksperta. Osnovni zadatak je, dakle, ove faze proirivanje prototipa u konaan
sistem. Finalni ekspertni sistem bie implementiran, izravae u organizaciji neke korisne zadatke,
initi to na efikasan nain u odreenom softverskom i hardverskom okruenju i po mogunosti
integrisan u informacioni sistem organizacije.
Posljednja faza projektovanja i razvoja ekspertnog sistema je njegovo odravanje. Sistem djeluje
svakodnevno i njega je neophodno odravati. Odravanje ekspertnog sistema podrazumijeva
obezbjeivanje takvog funkcionisanja i takvih uinaka sistema kakvi su bili namjeravani i predvieni
pri konceptiranju sistema. Odravanje sistema znai i njegovo auriranje i unapreenje.
U sluaju ekspertnih sistema znanje je odvojeno od algoritama koji ga koriste. Baza znanja je zavisna
od problemskog domena dok su mehanizam zakljuivanja i interfejs esto nezavisni. Ta dva
nezavisna modula se zajedno nazivaju ljuska ekspertnog sistema. U principu imajui jednom
ljusku, samim dodavanjem nove baze dobivamo novi ekspertni sistem. Naravno, baza treba da bude u
takvom formalizmu, da je ljuska "razumije". Empirijski gledano, to ne ide uvijek sasvim jednostavno i
u pojedinim primjerima treba i ljusku promijeniti u nekim detaljima. Ipak, glavni principi ostaju isti,
pa je i u tom primjeru izrada ekspertnog sistema veoma ubrzana. Ljuske dakle spadaju u dobrodole
alate za izradu ekspertnih sistema, koji su na tritu sve evidentniji.
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.
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:
71
programske jezike za razvoj ekspertnih sistema,
jezike inenjeringa znanja,
programsku podrku izgradnji sistema i
olakice izgradnje ekspertnih 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.
*Primjer klauzule-pravila:
Temperatura(da):write('POVIENA'),POVIENA=da.
72
*Primjer klauzule-injenice:
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.
Suoen sa zadatkom da odgovori na pitanje, raunar daje rjeenje sa yes ili no.Za podatke iz predhodnog primjera
?-vrnjaci(igor,ema)
?vrnjaci(igor,darko)
odgovor biti yes.
Npr: ?roen(x,1985)
Raunar daje dva odgovora,na osnovu baze i to
:
X=igor
X=darko
Za razliku od programskih jezika opte namjene, programski jezici na najviem nivou, iskljuivo
namijenjeni konstruisanju ekspertnih sistema, zajedniki nazvani jezicima za inenjering znanja,
pruaju olakice pri radu, ali su sa aspekta predstavljanja znanja i manipulisanja znanjem manje
fleksibilni. Jezici inenjeringa znanja (JIZ) su inteligentan alat za razvoj ekspertnih sistema. Sastoje se
od jezika za izgradnju ekspertnih sistema kojem je pridodato iroko razvojno okruenje. Postoje dvije
vrste jezika inenjeringa znanja, jezici ogoljenog tipa i JIZ opte namjene.
Jezici ogoljenog tipa su redukovani ekspertni sistemi koji imaju sopstvene mehanizme zakljuivanja,
ali su lieni baze znanja. Dakle, ukoliko je u JIZ potrebno ukljuiti samo znanje specifino za odabrani
domen (domensko ekspertsko znanje) da bi on prerastao u ekspertni sistem, rije je o JIZ ogoljenog
tipa. Takvi jezici se nazivaju i ljuskama ekspertnih sistema. Tako npr. od ekspertnog sistema
PROSPECTOR, izuzimanjem svog geolokog znanja koje je u njega ukljueno da bi on mogao da
funkcionie, dobijen je jezik inenjeringa znanja ogoljenog tipa, KAS. Ljuska ekspertnih sistema KAS
je namijenjena izgradnji ekspertnih sistema koji rijeavaju probleme klasifikacije i dijagnostike.
73
Na isti nain je nastala i jedna druga ljuska, EMYCIN (Empty MYCIN = Prazan MYCIN),
oduzimanjem znanja iz oblasti medicine, potrebnog za dijagnosticiranje bakterijskih infekcija, iz
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.
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.
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
Alati za otkrivanje greaka su korisni u pronalaenju i ispravljanju greaka u ekspertnom sistemu. To
se moe postii na razliite naine. Programi za biljeenje "puta" polaska kroz aktivirana pravila
pomau otkrivanju greke analizom toka izvravanja programa. Kod drugih dibagera se pronalaze
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.
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
6.2.2. SOFTVER ZA IZRADU EKSPERTNIH SISTEMA
76
KATALOGIZACIJA SOFTVERA ZA RAZVOJ EKSPERTNIH SISTEMA
Sljedee tabele pokazuju najee koriene alate za razvoj ekspertnih sistema, grupisane u kategorije.
za PC i kompatabilne raunare
Naziv Distributer
Actor (objektno The Whitewater Group, Evanston,
orijentisan) Illinois
LISP ExpertTelligence, Inc., Santa Barbara,
California Texas Instruments, Dallas,
Texas Integral Quality, Seattle,
Washington, itd.
OPS83 Production Systems Technologies, Inc.,
Pittsburgh Pennsylvanis
Prolog Applied Logic Systems, Mountain View,
California Borland International, Inc.,
Scotts Valley, California, itd.
Smalltalk AT Softmarts, Inc., Woodside, California
(objektno
orijentisan)
77
Hardver: IBM veliki raunari
Izvorni jezik: Pascal
Mehanizam zakljuivanja: ulanavanje unaprijed i unazad
Faktori izvjesnosti: IF, FIF
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
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;
Kompletna interakcija sa alatom se vri pomou funkcijskih tastera (slino kao u Norton Commander-
u). Pri pokretanju izraenog ekspertnog sistema nad bazom znanja na raspolaganju su nam sljedee
funkcije: PAGE, STRT, WHY, PRNT, MENU, HELP i EXIT.
Ekspertni sistem se upravlja na osnovu informacija koje dobiva od krajnjeg korisnika putem etiri
razliite vrste pitanja (upita):
1. Logiki - SIMPLEFACT
2. Znakovni - STRING
3. Numeriki - NUMERIC
4. Atributivni - jedna od ponuenih vrednosti
79
Struktura baze znanja:
1. Naslov
2. Deklaracija podataka koji dijele povezane baze znanja
3. Deklaracija tipova podataka
4. Inicijalizacija parametara
5. Selektori kontrolnih naredbi
6. Deklaracija ciljeva
7. Definicija pravila
8. Prikaz tekstualnih informacija
9. Rezervisana rije END
Redoslijed produkcionih pravila u PRL bazi znanja nije bitan. Broj uslova unutar jednog pravila nije
ogranien.
Napomena
Pravila koja sadre ELSE slubenu rije UVIJEK SE OKIDAJU.
Sa Insightom 2+ se formiraju ekspertni sistemi koji koriste prikupljeno znanje o nekom problemu i na
osnovu toga donose odreene zakljuke. Samo donoenje zakljuaka se moe sprovoditi na dva
naina:
1. Lanano zakljuivanje unaprijed (forward chaining) - slijede se zadovoljena pravila:
1.1. Okidaju se pravila iz kojih se direktno mogu izvesti novi zakljuci (novo znanje).
1.2. Pravila se evaluiraju onim redom kako su napisana, pa je u ovom sluaju koncept cilja
nevaan.
1.3. Ona pravila koja se trenutno ne mogu izvriti se ostavljaju "na stranu".
2. Lanano zakljuivanje unazad (backward chaining) - sijede se (prema hipotezi) zadovoljeni
uslovi koji vode prema postavljenom cilju, tj.
2.1. Cilj: C (A1, ... An)
2.2. Atributi pojedinano postaju tekui ciljevi na osnovu kojih se rekurzivno pozivaju
definisana pravila.
80
7. PRIMJENA EKSPERTNIH SISTEMA
Osnovna podruja primjene ekspertnih sistema su ona za koja nisu u potpunosti poznati algoritmi
rjeavanja, niti je znanje dovoljno formalizovano. Takva podruja su zahvalna za eksperta da rjeava
probleme na osnovu obimnog znanja sluei se pri tom svojim iskustvom i donekle intuicijom.
Jedan od najranijih sistema za eksploataciju specifinog znanja iz odreene oblasti bio je DENDRAL,
koji je razvijen na Univerzitetu Stanford kasnih '60-ih godina 20. vijeka. DENDRAL je dizajniran za
izvoenje zakljuaka o strukturi organskih molekula iz njihovih hemijskih formula i spektografskih
informacija o hemijskim vezama koje postoje u okviru molekula. S obzirom da organski molekuli tee
da budu veoma veliki, broj moguih struktura za ove molekule takoe naginje velikom broju.
DENDRAL upuuje na problem ovih veliki prostora pretrage primjenjivanjem heuristikog znanja
eksperta hemiara na strukturu problema.
Dok je DENDRAL bio jedan od prvih programa koji je efikasno upotrebio specifino znanje o
odreenom podruju da bi postigao ekspertni nivo u rjeavanju problema. MYCIN je uspostavio
metodologiju savremenih ekspertnih sistema.
MYCIN je obezbjedio jasna i logina objanjenja svog rasuivanja, koristio kontrolnu strukturu
adekvatnu za specifinu problemsku oblast, i identifikovao kriterijume za pouzdanu ocjenu njegove
izvedbe. Mnoge tehnike razvoja ekspertnih sistema koje se trenutno koriste su prvi put razvijene u
okviru MYCIN projekta.
Zatim program INTERNIST za vrenje dijagnoze u oblasti interne medicine, Dipmeter Advisor za
tumaenje rezultata sa buotina nalazita nafte, XCON za vrenje konfiguracije VAX kompjutera.
Veliki broj mnogih drugih ekspertnih sistema trenutno rjeava probleme u razliitim oblastima kao to
su:
medicina,
obrazovanje,
poslovanje,
energetika,
ivotna sredina,
81
geografija,
dizajn,
psihologija,
filozofija,
lingvistika,
razumijevanje prirodnih jezika,
razne igre,
automatsko rezonovanje i dokazivanje teorema,
planiranje i robotika, itd.
AUDITOR Softverski paket ekspertnog sistema, koji je razvijen s ciljem da pomogne u analizi
doputenih spornih potraivanja, dugovanja i unutranjih kontrola u preduzeu."Auditor" je danas
jedan od najvie korienih ekspertnih sistema. Ovaj program bira kontrolne postupke na osnovu ulaza
iz preduzea. Razvijen je na Univerzitetu Ilinois.
TAX ADVISOR Ekspertni sistem koji prua poreske savjete za planiranje nasljedstva. Razvijen je
kao dio doktorskog rada na Univerzitetu Ilinois. Svrha mu je da svojim poreskim savjetom pomogne
klijentu u finansijskim poslovima tako da porez na prihod i porez na nasljee budu minimalni, a da pri
tom ne budu pogoene odluke o zdravom ulaganju i odgovarajuem pokriu osiguranja.
EDP AUDITOR Jo jedan kontrolni sistem, "Edp Auditor" je dizajniran s ciljem da pomogne
kontrolorima ili kontroli modernog EOP-a, te da pomogne u izvoenju modernog verifikacionog
postupka.
82
CORP-TAX Jo jedan poreski sistem, "Corp-Tax" je napravljen s ciljem da pomogne raunovoi u
vezi s amortizacijom.
FINANCIAL ADVISOR Razvijen na MIT Univerzitetu ovaj sistem moe pruati savjete o projektu,
proizvodima, udruivanjima, kupovini kada se razgovara sa visokim finansijskim savjetnikom.
PLAN POWER Novi ekspertni sistem za finansijsko planiranje, koji je razvijen kao rezultat sve vee
sloenosti zadataka za finansijskog planera zbog mnoenja investicionih sredstava. Razvio ga je
Applied Expert Systems za korienje na Xerox 1186 radnoj stanici. Program uzima u obzir
finansijsku situaciju, zatim usklauje potrebe s najpovoljnijim finansijskim proizvodima i uslugama.
Uz to sistem e proizvoditi tabelarne izvjetaje za scenarije koji pokazuju stanje poreza na prihod,
tokove novca, neto vrijednost i druge kritine faktore temeljene na alternativnim odlukama.
CASH VALUE Dizajniran u "Plan Power-u", ovo je komercijalno pristupaan ekspertni sistem, koji
pomae u planiranju kapitalnih projekata. Pravila odluivanja daju savjete o neto polaznoj vrijednosti,
toku novca, isplativosti i analizi rizika.
83
PRIMJER PRIMJENE EKSPERTNOG SISTEMA EIAxpert U OBLASTI ZATITE
IVOTNE SREDINE
EIAxpert predstavlja interaktivan, na pravilu zasnovan ekspertni sistem za procjenu ivotne sredine.
Dizajniran je za nivo snimanja procjene razvojnih projekata u ranoj fazi ciklusa projekta. Sistem moe
funkcionisati sa minimumom podataka i informacija o projektu, njegovim alternativama, i okolinskom
okruenju oslanjanjem na opte znanje i pravila kao i na regionalni geografski informacioni sistem
(GIS) i set baza podataka.
EIAxpert je generiko i u potpunosti podacima - voeno sredstvo za procjenu koje se moe veoma
lako konfigurisati za veoma irok spektar primjena u razliitim oblastima i regionima. Sistem koristi
specifinu listu provjere potencijalnih problema koja je karakteristina za odreeni tip projekta. Ti
potencijalni problemi se procjenjuju pravilima u dijalogu sa korisnikom.
Ovaj ekspertni sistem obrauje pravila putem hibridnog simbolikog i numerikog predstavljanja
objekata, po izboru i geokarakteristinih objekata i ugraenog GIS-a, kao i pomou veza sa bazama
podataka i simulacionih modela.
Sposobnost da obrauje i simbolike i numerike podatke putem potpune meusobne razmjene ga ini
pogodnim za analizu politike na visokom nivou.
WaterWare predstavlja integrisan, na modelu zasnovan informacioni sistem kao i sistem za podrku
odluivanja za upravljanje vodnim resursima. WaterWare je implentiran na jednoj otvorenoj, te
objektno orijentisanoj arhitekturi klijent-server, i podrava integraciju baza podataka, geografskog
informacionog sistema (GIS), modela i analitikih alata u jedan zajedniki okvir koji je veoma lak za
korienje. To sve podrazumijeva multimedijalni korisniki interfejs sa pristupom Internetu, hibridni
GIS sa hijerarhijskim slojevima mapa, baze podataka o objektima, analize vremenskih serija,
izvjetajne funkcije, ugraen ekspertni sistem za zadatke procjene, klasifikacije i procjene uticaja, te
hipermedijalni sistem za pomo i objanjenja.
Izvorno je EIAxpert sistem bio dizajniran za Donji Sliv Rijeke Mekong (kojim upravlja Sekretarijat
Komisije za sliv rijeke Mekong - ije su lanice Kamboda, Laos, Tajland i Vijetnam) za svrhu
procjene razvojnih projekata o vodnim resursima, i on koristi liste provjere i pravila procjene koje su
izvedene iz Smjernica Azijske Razvojne Banke za ivotnu sredinu. Osnovni okvir EIAxpert sistema
je, ve pomenuti informacioni sistem WaterWare.
84
Generator Sumarnog Izvjetaja koji sumira i ocjenjuje procjenu uticaja i obezbjeuje
tampanu verziju izvjetaja.
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.
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
8. PERSPEKTIVA EKSPERTNIH SISTEMA
Realno gledano, budunost ekspertnih sistema je veoma izvjesna. Sistemi koji podravaju upravljanje
postajae sve vie normalna praksa, pogotovo ako se uzme u obzir sve vea pristupanost i primjena
sve monijih mikrokompjutera. Ve su razvijeni silicijumski ipovi, koji omoguuju da
mikrokompjuteri postanu sve vie slini u pogledu snage dosadanjim "velikim" kompjuterima. Na taj
nain rukovodilac, nezavisno od nivoa gdje se nalazi, moe konsultovati svoj kompjuter na stolu za
rjeavenje vrlo vanih poslovnih problema.
Mnoge upravljake funkcije e izvravati ekspertni sistemi. Pravi rukovodioci e se nauiti kako da
sarauju sa vjetakim rukovodiocem, te e vie vremena i energije posvetiti problemima koji se rjee
javljaju i koji su specifiniji ili neodreeniji.
Podruje knjigovodstva, koje je meu prvima iskoristilo aplikacije ekspertnih sistema, bie kontrola.
Planiranje kontrole, proces analize rizika, bie u velikoj mjeri potpomognuto vjetakom
inteligencijom. Ekspertni sistem e poboljati kolovanje kontrolora, jer e se u odnosu na njih testirati
ocjene poetnika. Izbor i primjena kontrolnih procedura bie pomognuti prilikom uzimanja uzoraka,
provjere stvarnosti i potvrde podataka. Takoe e detalji, koji se odnose na opteprihvaene standarde
kontrole, biti dostupni za savjet u sloenim sluajevima izvjetaja.
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
9. PROTOTIP EKSPERTNOG SISTEMA ZA ANALIZU
KREDITNOG RIZIKA
Opta sposobnost banke da podnese rizik poslovanja naziva se solventnost ili adekvatnost kapitala. U
razvijenim ekonomijama solventnost mjeri sposobnost banke da na dui rok osigura vraanje
pozajmljenih sredstava, odnosno, da u momentu likvidacije osigura isplatu svojih kreditora. Mjerenje
solventnosti banke u stvari se svodi na kreditnu sposobnost banke ili njenu prihvatljivost za deponente
i kreditore i adekvatnost kapitala u odnosu na rizik gubitka.
Kako je osnovna funkcija banke odobravanje kredita, a kako svaki kredit u sebi sadri odreeni rizik,
bitan dio kreditne politike predstavlja procjena kreditne sposobnosti debitora, a time i stepena
kreditnog rizika. U osnovi, prihvaeni stepen rizika od strane banke je rezultanta njenih preferencija u
odnosu na profitabilnost i likvidnost.
Da bi se dolo do validne ocjene kreditnog rizika i kreditne sposobnosti debitora pri kratkoronom
kreditiranju privrede u ovom originalnom primjeru jednog ekspertnog sistema, primjeniemo
kombinaciju dvije poznate metode analize kreditnog rizika i kreditne sposobnosti:
preliminarnu analizu kreditnog rizika tzv. metod "5C" i
Z - Score analizu.
Analiza kreditne sposobnosti debitora predstavlja osnovu na kojoj treba da se zasniva i izvede
ocjena o njegovoj kreditnoj sposobnosti. Obuhvata debitorove pojave vezane za prolost i sadanjost,
kao i budue uslove poslovnog ambijenta debitora srazmjerne duini eventualnog perioda kreditiranja.
Ameriko poslovno bankarstvo ovom analizom analizira pet faktora kreditne sposobnosti debitora i
naziva ih "5 Cs of Credit" ili skraeno "5C", pri emu favorizuje prva tri faktora u odnosu na ostala
dva. Ti faktori su:
character - karakteristike debitora,
capacity - kapacitet debitora,
capital - kapital debitora,
collateral - zalog ili obezbjeenje kredita i
conditions - ekonomski uslovi u okruenju.
U naoj analizi svaki od navedenih elemenata vrednovan je sa tri stepena (odlian, dobar ili lo).
Kapacitet debitora predstavlja sposobnost debitora da vraa odobreni i uzeti kredit. Zasniva se na
sljedeim elementima:
likvidnost debitora,
operativna efikasnost preduzea,
89
rentabilnost debitora,
zaduenost debitora.
U zavisnosti od vrijednosti koeficijenata likvidnost dobiva ukupnu ocjenu odlina, dobra ili loa
likvidnost.
prosjean obrt zaliha = godinja realizacija / (koeficijent obrta zaliha) prosjean obim zaliha
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.
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:
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:
Na osnovu ovih vrijednosti indikatora Z, ekspertni sistem proizvodi ocjenu odlian, dobar ili lo. Ovaj
indikator ima eliminacioni karakter u ocjeni kreditne sposobnosti debitora.
91
9.2. REALIZACIJA PROTOTIPA EKSPERTNOG SISTEMA
ANALIZE KREDITNOG RIZIKA
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.
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.
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
9.2.2. STABLO ODLUIVANJA U GRAFIKOM OBLIKU
93
9.2.3. STABLO ODLUIVANJA U TEKSTUALNOM OBLIKU
Testing kredit.kbs
(= yes CNF 0 )
! KREDIT
! ! (= 4000000 CNF 100)
! IMOVINA
! ! (= 113064000 CNF 100)
! TAKT
! ! (= 46889000 CNF 100)
! TOBA
! ! (= 3710000 CNF 100)
! TZAL
! ! (= 1195000 CNF 100)
! GR
! ! (= 6105000 CNF 100)
! POZ
! ! (= 906000 CNF 100)
! PPP
! ! (= 600000 CNF 100)
! GPRI
! ! (= 6865000 CNF 100)
! GTRO
! ! (= 4817000 CNF 100)
! GPOR
! ! (= 103000 CNF 100)
! TDUG
! ! (= 3734000 CNF 100)
! UAKT
! ! (= 48282000 CNF 100)
! TVKAP
! ! (= 113064000 CNF 100)
! KVUOB
! ! (= 3734000 CNF 100)
(= ((TAKT-TZAL)/TOBA) CNF 100 )
(= (TAKT/TOBA) CNF 100 )
(= (GR/POZ) CNF 100 )
(= (GR/PPP) CNF 100 )
(= ((GPRI-GTRO-GPOR)/GR) CNF 100 )
(= (TDUG/TAKT) CNF 100 )
(= (GPRI-GTRO-GPOR) CNF 100 )
(= (GPRI+GTRP+GPOR) CNF 100 )
(=
(1.2*(TAKT/UAKT)+1.4*(NETO/UAKT)+3.3*(BRUTO/UAKT)+0.6*(TVKAP/KVUOB)+1.0*(GR/UAKT))
CNF 100 )
! ODGOVOR
! ! Testing A0
! ! ! KARAKTER
! ! ! ! Testing B0
! ! ! ! ! ODG_INT
! ! ! ! ! ! Testing B29
! ! ! ! ! ! ! KAR_ODG
! ! ! ! ! ! ! ! (= Dobar CNF 100 )
! ! ! ! Testing B1
! ! ! ! Testing B2
! ! ! ! Testing B3
! ! ! ! Testing B4
! ! ! ! Testing B5
! ! ! ! Testing B6
! ! ! ! Testing B7
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
9.2.4. IZVORNI TEKST PROTOTIPA EKSPERTNOG SISTEMA
! 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;
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;
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
KPC_ZSC=Dobar
THEN 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
KPC_ZSC<>Odlican
THEN 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;
RULE D2
IF SFA < (1.0) AND
STA > (1.0)
THEN KPC_LIK=Dobra;
RULE D3
IF STA <= (1.0)
THEN KPC_LIK=Losa;
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;
RULE F2
IF REN <= (0.3) AND
REN >= (0.1)
THEN KPC_REN=Dobra;
RULE F3
IF REN < (0.1)
THEN KPC_REN=Losa;
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
! I pravila - ispitivanje kapitala debitora
RULE I1
IF IMOVINA >= (KREDIT)
THEN KAPITAL=Dovoljan;
RULE I2
IF IMOVINA < (KREDIT)
THEN KAPITAL=Ne_dovoljan;
! Blok izjava
! Definisanje pitanja za unos varijabli i mogucih vrijednosti varijabli
ASK KOLATERAL: Da li postoji kolateral ?;
CHOICES KOLATERAL: DA,NE;
ASK KONJUKTURA: Kakva je konjuktura ?;
CHOICES KONJUKTURA: Povoljna,Losa;
ASK KAR_ODG: Ocjena top menadzera - vlasnika preduzeca ?;
CHOICES KAR_ODG: Odlican,Dobar,Los;
ASK KAR_INT: Poslovna iskustva sa debitorom ?;
CHOICES KAR_INT: Odlicna,Dobra,Losa;
ASK KAR_TAC: Blagovremenost izmirenja obaveza ?;
CHOICES KAR_TAC: Odlicna,Dobra,Losa;
ASK KAR_DOS: Stanje poslovnih knjiga ?;
CHOICES KAR_DOS: Odlicno,Dobro,Lose;
ASK TAKT: Kolika je tekuca aktiva ?;
ASK TOBA: Kolike su tekuce obaveze ?;
ASK TZAL: Kolike su tekuce zalihe ?;
ASK GR: Kolika je godisnja realizacija ?;
ASK POZ: Koliki je projsecan obim zaliha ?;
ASK PPP: Kolika su prosjecna potrazivanja ?;
ASK GPRI: Koliki su godisnji prihodi ?;
ASK GTRO: Koliki su godisnji troskovi ?;
ASK GPOR: Koliki je porez ?;
ASK TDUG: Koliki su tekuci dugovi ?;
ASK UAKT: Kolika je ukupna aktiva ?;
ASK TVKAP: Kolika je trzisna vrijednost kapitala ?;
ASK KVUOB: Kolika je knjigovodstvena vrijednost ukupnih obaveza ?;
ASK KREDIT: Koliki kredit trazis ?;
ASK IMOVINA: Kolika je neto vrijednost ukupnog kapitala ?;
109
9.2.5. IZGLED EKRANA ZA UNOS VARIJABLI
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-GTRO-
GPOR)/GR CNF 100
ZAD = (TDUG/TAKT)
CNF 100
NETO = (GPRI-GTRO-
GPOR) CNF 100
BRUTO =
(GPRI+GTRP+GPOR)
CNF 100
Z =
(1.2*(TAKT/UAKT)+1.4
CNF 100
Da li postoji kolateral ?
DA NE
KAPACITET = DA CNF
100
Finding KAPITAL
Testing I1
RULE I1 IF LITERATURA
IMOVINA >= KREDIT
THEN
KAPITAL = Dovoljan
CNF 100
Finding KOLATERAL 1. Adegoke A., Okunowo O.: Artificial Intelligence-Expert Systems for
STA = (TAKT/TOBA)
CNF 100 Environmental and Energy Applications, Environmental Informatics Archives,
KOZ = (GR/POZ) CNF Volume 2, 2004.
100
KPG = (GR/PPP) CNF
100 2. Bonjak K., Latinovi B.: Informatika, Narodna i univerzitetska
REN = ((GPRI-GTRO- biblioteka RS, Banjaluka, 2004.
GPOR)/GR CNF 100
ZAD = (TDUG/TAKT)
CNF 100 3. Buchman. J. r.: What are expert system, in building expert
NETO = (GPRI-GTRO-
GPOR) CNF 100
systems, Addison Wesley, 1983.
BRUTO =
(GPRI+GTRP+GPOR) 4. Date C.J.: An Introduction to Database Systems, 7th Edition. Addison-
CNF 100
Z = Wesley, Reading MA, 1999.
(1.2*(TAKT/UAKT)+1.4
CNF 100
Enter to select END to complete /Q to Quit ? for 5. ERwin, Methods Guide, 1995.
Unknown
6. Fedra K., Winkelbauer L., Pantulu V.R.:
Expert Systems for Environmental Screening: An Application in the Lower Mekong Basin,
International Institute for Applied Systems Analysis, Laxenburg, Austria, 1991
8. Geeorge J. Klir., Fuzzy sets and fuzzy logic, Prentice Hall P T R , Neew Jersey, USA, 1997.
9. Grant T.J.: Lessons for OI from AI, A. Sheduling Case Study, Journal of the Operation
Research Society, No.1, 1986, str.41-57.
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
31. www.tsrb.hr
32. www.wikipedia.com
33. www.willamette.edu
34. www.nm.zesoi.fer.hr
35. www.znanje.org
112
113