2 ES ESpr PDF

Ekspertni sustavi u primjeni
 Ekspertni sustavi:
... najzastupljenije područje

umjetne inteligencije (UI)
ES - definicije
... oni sustavi koji oponašaju znanje

eksperta
(ekspert = osoba koja je u stanju iznaći

odgovore na barem 100.000 različitih
upita ).
1
ES - definicije
... inteligentni programi na računalima koji

koriste znanja i postupke zaključivanja, pri
rješavanju složenih zadataka koji
zahtijevaju znatnu ljudsku stručnost.
(Kao model znanja nužnog za tu razinu

može se zamisliti sveukupno stručno
znanje najboljih praktičara na nekom polju
rada.)
Osnovne komponente ES
 komunikacijska / korisnička sučelja

 modul zaključivanja
 baza znanja
2
BAZA
ZNANJA
KORISNIK KORISNIČKO MODUL
SUČELJE ZAKLJUČI.
( User) (Rule Set or
Integrated
(User (Inference
Knowledge
Interface) Engine)
System)
 Komunikacijska / korisnička sučelja
– korisnik definira problem

– korisnik interaktivno komunicira sa
računalom (tijekom rasuđivanja i poslije
zaključka)
3
 Modul zaključivanja
– pronalazi načine zaključivanja

– interaktivan sa korisnikom ukoliko je
potrebno
– izvještava o rezultatima i opisuje način
zaključivanja
 Modul zaključivanja
– izvršavaju algoritme za rješavanje zadataka

tako da pozivaju neko
postojeće od svojstava iz baze ili tako da
pronađu
nova svojstva iz svojstava koja su
pohranjena u bazi znanja
4
 Modul zaključivanja i komunikacijsko
sučelje
– mogu zajedno činiti jedan sklop (modul) koji

se tada naziva ljuska ES-a ili skraćeno:
ljuska
(Jedna specifična ljuska daje ograničeni broj

metoda za prezentaciju znanja.)
 Baza znanja
– skup pravila za prikupljanje podataka

– integrirani sustav priključen i na druge
prezentacijske sustave: DB, tablice, grafičke
elemente, forme, tekst,..
5
 Baza znanja u inteligentnim sustavima:
– apstraktni prikaz okoline u kojoj sustav

djeluje
Znanje u inteligentnim sustavima uključuje:
 Spoznaja
– poznati sadržaji (nastali nepropozicijskim
razumijevanjem: percepcija, pamćenje,...)
– razumijevanje (propozicijsko i
nepropozicijsko)
 Logika
– proučava načela koja vode do ispravnih
zaključaka
6
Baza znanja sadrži:
 objekte i relacije među njima

 činjenice i nesigurne činjenice
 pravila svijeta
 opise motivacije, cilja i stanja sustava
 metode rješavanja problema i heuristiku (usmjeravanje
prema rješenju)
 opis ponašanja
 hipoteze
 opise tipičnih situacija
 procese
 ograničenja
 metaznanje (znanje o znanju)
 Baza znanja u inteligentnim sustavima
Jedan od središnjih problema:

- izrada sheme za prikaz znanja
( Razvoj dovoljno precizne notacije za prikaz

znanja u sustavima UI .)
7
Sheme za prikaz znanja moraju zadovoljavati:
– primjerenost prikaza – sposobnost prikaza svih vrsta

znanja koja su potrebna za određeno područje.
– primjerenost zaključivanja – sposobnost upravljanja
prikazanim strukturama na takav način da se izvode
nove strukture koje odgovaraju novom znanju
dobivenom zaključivanjem na temelju starog
znanja.
– djelotvornost zaključivanja – mogućnost ugradnje
dodatne informacije u strukturu znanja, koja se
može koristiti za usmjeravanje pažnje mehanizma
zaključivanja prema obećavajućim smjerovima.
– djelotvornost učenja – sposobnost lakog
prikupljanja znanja.
Jedna od poznatijih shema za prikaz znanja je
taksonomija (J.Mylopoulos, H.J.Levasque,
1984.) , koja ima tri važna čimbenika:
 Svijet – zbirka objekata i/ili činjenica i zbirka odnosa

koji postoje među njima.
 Stanje svijeta – zbirka svih objekata i odnosa među
njima u određenom trenutku u nekom svijetu.
 Transformacija stanja – prouzrokuje nastajanje i/ili
nestajanje objekta te promjene odnosa među njima
8
Ishodišne točke za prikaz znanja:
 Objekti i odnosi među njima

– mrežne sheme za prikaz znanja
 Istinitost izjava o stanjima

– logičke sheme za prikaz znanja
 Transformacije stanja
– proceduralne sheme za prikaz znanja
Shema prikaza znanja
9
Alati za izradu ES
Stavke za procjenu:
– Vrsta alata (pomagala)

– Svojstva upravljačkog modula
– Svojstva modula zaključivanja
Alati za izradu ES
Vrste alata:
 Programski jezici
 Jezgre:
– skup pravila, modul zaključivanja
 Integrirana okolina:
– jezgre sustava integrirane sa ostalim
računarskim komponentama u jednu
jedinstvenu cjelinu
10
Alati za izradu ES
Svojstva upravljačkog modula
(za upravljanje skupom pravila):
 Izgradnja: definiranje pravila i načina upotrebe

 Održavanje: promjena specifikacija kad se
proširi saznanje
 Prevođenje (compiling)-
rezultat izgradnje i održavanja:
- provjera vrijednosti i izvještaj o pogreškama
- optimizacija memorije i vremena odziva
Alati za izradu ES
Svojstva modula zaključivanja:
 razlozi za pravila
 kontrola korisničkog sučelja
 integracija sa drugim modulima zaključivanja
 razdioba snage zaključivanja
 vrste rasuđivanja (forward, reverse)
 upravljanje dvojbenim zaključcima
 okolina: povezivanje samostalnih i integriranih
jedinki sustava
11
Potencijalne prednosti
primjene ES
 vrijeme odlučivanja
 ponovljivost rezultata
 oslobađa vrijeme čovjeka
 vjerodostojnost
 objašnjava sam sebe
 upravlja dvojbenim rezultatima
 evoluira
 formalizacija znanja (i sistematizacija)
Implikacije ( strateške
prednosti) primjene ES
 povećanje produktivnosti
 poboljšane usluge
 nove usluge
 nove industrijske primjene
12
Područja poslovne primjene ES
Primjeri:
 Uspostava prodajnih postupaka i
definiranje prodajnih kvota
 Određivanje kreditnih limita
 Provjera poslovnih svojstava subjekata
 Procjena očekivanih poslovnih rezultata

Poslovna Inteligencija
Engl. BUSINESS INTELLIGENCE
Različito značenje:
 sposobnost poslovnog razumijevanja

 prikupljanje tajnih poslovnih informacija
13
 BI je skup metodoligija i softverskih alata
koji omogućavaju korištenje podataka iz
skladišta podataka (Data Warehouse) i
njihovo pretvaranje u informaciju
potrebnu za donošenje poslovnih odluka
 poslovna inteligencija je proces kojim se
sirovi podaci pretvaraju u informacije, te
informacije se zatim analiziraju i koriste u
procesu odlučivanja u poduzeću

Uporaba tehnologije:
 skladištenje podataka
(Data Warehousing)
 obrada podataka
(OLAP - On-line Analytical Processing)

 dubinsko iskopavanje podataka
(Data Mining)
14
Tehnološka podloga:

Cilj:
 prikupljanje i priprema poslovnih
podataka
 predviđanje događaja u poslovnim
sustavima
 pomoć pri upravljanju poslovnim
postupcima
 donošenje poslovnih odluka
15
BI Sustav:

BI Sustav (2):
16
BI Sustav (Višedimenzionalni prikaz podataka):

BI Postupak
ISKOPAVANJE PODATAKA-DM
POTVRDA PRETPOSTAVKI PRONALAŽENJE ZNANJA
SQL-Jezik OPIS PREDVIĐANJE
ALATI ZA UPITE STATISTIČKA

VIZUALNI PRIKAZ RAZDIOBA (PREDVIĐANJE)
REGRESIJA
GRUPIRANJE STABLA ODLUČIVANJA
IZVEDBA PRAVILA
PRIDRUŽIVANJE
NEURONSKE MREŽE
SAŽIMANJE
17
Poslovna Inteligencija-Prikupljanje podataka

Provjera kvalitete informacija:
 kvantitativni pristup (Shannon)

 vremenski pristup (Hamming)
 poslovno-pragmatički pristup (Liautaud)
18
-kvantitativni pristup
 jednakost između količine informacija i entropije polja

slučajnih događaja koje stvara informacije
 pokušava izvesti vrijednost informacije iz njene količine
 pretpostavka da polje slučajnih događaja X prije
nastupa i-tog događaja karakterizira jedna vrijednost
entropije - prethodna entropija H(X,1), a isto polje
nakon nastupa i-tog događaja karakterizira neka druga
vrijednost entropije - naknadna entropija
H(X,2)
 razlika navedene dvije entropije predstavlja količinu
informacija I(X) generiranu nastupom i-tog događaja:
I(X) = H(X,1) - H(X,2)

veza između količine informacija i njene vrijednosti:
 ako vrijedi: H(X,l) > 0 i H(X,2) = 0, generirana je

potpuna (perfektna) informacija
 ako vrijedi: H(X,l) > 0 i H(X,2) > 0 te H(X,l) >
H(X,2), generirana je nepotpuna (imperfektna)
informacija
 ako vrijedi: H(X,l) = H(X,2) > 0, generirana je
nulta informacija
 ako vrijedi: 0 < H(X,l) < H(X,2), generirana je
negativna informacija, odnosno dezinformacija
19
 povezujući količinu s vrijednošću informacija

dobiva se samo djelomična provjera
informacije
 razvrstavanje u samo četiri kategorije nije u
cjelosti iskoristivo za ozbiljnije praktične analize
 sveukupno ipak veliki doprinos znanstvenoj
spoznaji u ovom području

-vremenski pristup
 polazi od načela životnog vijeka informacije

(Information Life Cycle), koji pretpostavlja da
svaka informacija u određenom trenutku
nastaje, vremenski traje, te nakon toga nestaje
 vrijednost informacije je funkcija vremena.
 vrijednost nije postojana, već je vremenski
promjenjiva
20
-vremenski pristup
Funkciju vrijednosti informacije sačinjavaju:

 Područje prognoziranja – informacija se dobiva
prije donošenja odluke. Vrijednost informacije s
vremenom nelinearno opada.
 Područje stvarnog (realnog) vremena -
informacija se dobiva upravo kada treba donijeti
odluku. Vrijednost informacije je konstantna.
 Područje zastarijevanja – informacija se dobiva
prekasno tj. onda kada odluka više nije relevantna za
daljnji tijek događaja. Vrijednost informacije brzo
eksponencijalno opada.

-vremenski pristup
21
-vremenski pristup (prihvaćen u teoriji menadžmenta)
 Poslovni upravljački subjekti žele imati raspoloživu

informaciju za predviđanje poslovnih događaja u stvarnom
vremenu (Real Time), kada je vrijednost informacije najveća

-poslovno-pragmatični pristup
 vrijednost informacije širi se kroz određena područja (zone)

 uporaba informacije ide unutar, ali i izvan tvrtke, prema klijentima i
partnerima
Vrijednost informacija može se definirati kao funkcija broja korisnika koji

mogu pristupati tim informacijama i analizirati ih i broja poslovnih
područja kojima korisnici pripadaju:
 vrijednost (informacija) = korisnici2 x poslovna područja
22
-poslovno-pragmatični pristup
Pet zona područja vrijednosti informacije:
 1. zona u kojoj podaci predstavljaju trošak

 2. zona u kojoj podaci počinju stvarati novu
vrijednost
 3. zona inteligencije poduzeća
 4. zona proširenog poduzeća
 5. zona u kojoj informacija postaje roba kojom se
trguje

Provjera kvalitete informacija: posl.-pragm. pr.
23
Područja primjene ES
Prepoznavanje Uzoraka
Ovo je ???
Temelj:
 učenje na primjerima
(Osnovna razlika u odnosu na UI)
24
Postupak:
 prikupljanje podatka (baza primjera)

 analiza podataka, pravilnosti predefinirati u
zakonitosti
 primjena prepoznatih zakonitosti na analizu
novih podataka
Prepoznavanje pisanih
znakova:
- programiranje
računala da nauči
kako izgledaju
znakovi
25
Slična područja:
 Statističke metodologije
 Strojno učenje
 Umjetna inteligencija
 Ekspertni sustavi
 Neuronske mreže
 Data Mining
 Neizrazita logika i sustavi
Preklapanje sa srodnim područjima:
26
Povijest srodnih znanosti / modela:
 Grčka, oko 500. BC: logika

 19. stoljeće: linearna regresija
 20. stoljeće: statistika
 1930.: analiza diskriminante
 1940.–70.: neuronski modeli
 1950.–80.: umjetna inteligencija
 1980.–90.: neuronski modeli (ponovo)
 od 1990: postupci zasnovani na kernelu
(SVM-Strojevi s potpornim vektorima)
Pred-uvjeti:
- podaci su numerički tj. odnosi medu podacima
mogu se izraziti preko numeričkih deskriptora
(opisnih vrijednosti)
Opisne vrijednosti:
 udaljenost
 skalarni produkt
 vrijednost kernela
 mjera sličnosti
27
Postupci:
 Razvrstavanje (klasifikacija): minimizacija

vjerojatnosti pogrešnog svrstavanja podataka
 Regresija (aproksimacija): minimizacija
odstupanja (obicno srednjeg kvadratnog) od
funkcijske vrijednosti
 Clustering (raspoznavanje skupina):
minimizacija zbroja (kvadratnih) odstupanja od
središta clustera
Komponente sustava:
 Model podataka
– Pojednostavljen prikaz “isječka svijeta”, tj.
domene u kojoj sustav treba djelovati
 Algoritam za učenje
– Omogućuje automatsko stvaranje modela na
osnovu opažanja (mjerenja) iz stvarnog svijeta
 Postupak odaziva
– Omogućuje primjenu modela u praksi
28
Vrste modela:
 Globalni ⇔ Lokalni
– Linearna regresija ⇔ lokalno konstantne funkcije
 Numerički ⇔ Simbolički
– Linearna regresija ⇔ Neizraziti sustav
 Skalarni produkt ⇔ Udaljenost ⇔ Kernel

– Perceptron (raniji neuronski model) ⇔ LVQ Learning
Vector Quantization ⇔ SVM Support Vector Machines
(Strojevi s potpornim vektorima)
Tipičan postupak:
29
Primjene:
 Govor: mobiteli, uređaji za diktiranje
 Slika: lica, otisci prstiju
 Uzorci ponašanja: prevare s kreditnim
karticama, promjena telefonske kompanije...
 Prehrambena industrija: kvaliteta kave
 Medicina: prepoznavanje, prognoza bolesti
 Strojarstvo: motori s unutrašnjim
sagorijevanjem
 ...
Meta-Algoritam učenja:
 Odabiri parametara
 Učenje uz pomoć skupa podataka za učenje
 Provjeri ponašanje sustava na skupu za
provjeru
 Izmjena parametara i ponovno učenje
 Uporaba parametara koji daju najbolje rezultate
 Procjena konačnog rezultata na skupu za
testiranje
30
Sl. Primjer: A se odnosi prema B kao C prema ?
31
Ostalo ....
32
33
Telemedicina
Biomedicinsko inženjerstvo- sustav za
kontinuirano praćenje fizioloških parametara
pacijenta
34
Šah
Područja primjene ES-Primjeri

Računalne igre
35
Filmska produkcija
Filmska produkcija
36
Filmska produkcija
Filmska produkcija
37
Mobilna robotika – Toyota 2005
Mobilna robotika – Toyota
i-Unit
38
i-Foot
i-Foot & i-Unit
39
Mobilna robotika-SK Telekom Korea
Mobilni čuvar
Čistači
40
Robot za zabavu – Mitsubishi Wakamaru
Kućni ljubimci – Sony Aibo
41
Robot– HONDA Asimo
Roboti (Bio)- Rakovi za istraživanje
42
Roboti (Bio) - Insekti
Simulacije i VR
43
Robotic Limbs that Plug into the Brain
 Scientists are testing whether

brain signals can control
sophisticated prosthetic arms.
 Lifelike limbs: A brain-
controlled prosthetic arm,
under development at the
Applied Physics Lab at Johns
Hopkins University with
funding from DARPA, may
allow amputees to make much
more sophisticated
movements.
The robot that reads your mind to train itself
44
Zanimljivi linkovi
 Is My Robot Happy to See Me?
 Robotic perception, on purpose
 AIDA (Affective, Intelligent Driving Agent)
 Muscle-Bound Computer Interface
 Car Steered with Driver’s Eyes
 Can computers read?
 Hop, Jump and Stick
 Humanoid Robots Rise. Now, Can They Walk?
 DARPA Seeking to Revolutionize Robotic Manipulation
 Adding Human Intelligence to Software
 How to Make a Humanoid Robot Dance
 Robotic Gripper Made from Coffee-Filled Balloon Picks Up Anything
 The robot that reads your mind to train itself
 Humanoid Robot Octavia Helps Humans Fight Fires
 Robocopters to the Rescue
 Meet NASA's Futuristic Drone Research Lab
45

2 ES ESpr PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2 ES ESpr PDF

Uploaded by

Copyright:

Available Formats

Ekspertni sustavi u primjeni

... najzastupljenije područje

... oni sustavi koji oponašaju znanje

(ekspert = osoba koja je u stanju iznaći

... inteligentni programi na računalima koji

(Kao model znanja nužnog za tu razinu

 komunikacijska / korisnička sučelja

 Komunikacijska / korisnička sučelja

– korisnik definira problem

– pronalazi načine zaključivanja

– izvršavaju algoritme za rješavanje zadataka

– mogu zajedno činiti jedan sklop (modul) koji

(Jedna specifična ljuska daje ograničeni broj

– skup pravila za prikupljanje podataka

 Baza znanja u inteligentnim sustavima:

– apstraktni prikaz okoline u kojoj sustav

 objekte i relacije među njima

 Baza znanja u inteligentnim sustavima

Jedan od središnjih problema:

( Razvoj dovoljno precizne notacije za prikaz

– primjerenost prikaza – sposobnost prikaza svih vrsta

 Svijet – zbirka objekata i/ili činjenica i zbirka odnosa

 Objekti i odnosi među njima

 Istinitost izjava o stanjima

– Vrsta alata (pomagala)

 Izgradnja: definiranje pravila i načina upotrebe

 Provjera poslovnih svojstava subjekata

 Procjena očekivanih poslovnih rezultata

Područja poslovne primjene ES

 sposobnost poslovnog razumijevanja

Područja poslovne primjene ES

(OLAP - On-line Analytical Processing)

Područja poslovne primjene ES

Područja poslovne primjene ES

Područja poslovne primjene ES

POTVRDA PRETPOSTAVKI PRONALAŽENJE ZNANJA

SQL-Jezik OPIS PREDVIĐANJE

ALATI ZA UPITE STATISTIČKA

GRUPIRANJE STABLA ODLUČIVANJA

Područja poslovne primjene ES

 kvantitativni pristup (Shannon)

 jednakost između količine informacija i entropije polja

Područja poslovne primjene ES

 ako vrijedi: H(X,l) > 0 i H(X,2) = 0, generirana je

 povezujući količinu s vrijednošću informacija

Područja poslovne primjene ES

 polazi od načela životnog vijeka informacije

Funkciju vrijednosti informacije sačinjavaju:

Područja poslovne primjene ES

 Poslovni upravljački subjekti žele imati raspoloživu

Područja poslovne primjene ES

 vrijednost informacije širi se kroz određena područja (zone)

Vrijednost informacija može se definirati kao funkcija broja korisnika koji

 vrijednost (informacija) = korisnici2 x poslovna područja

Pet zona područja vrijednosti informacije:

 1. zona u kojoj podaci predstavljaju trošak

Područja poslovne primjene ES

(Osnovna razlika u odnosu na UI)

 prikupljanje podatka (baza primjera)

Povijest srodnih znanosti / modela:

 Grčka, oko 500. BC: logika

 Razvrstavanje (klasifikacija): minimizacija

 Skalarni produkt ⇔ Udaljenost ⇔ Kernel