Professional Documents
Culture Documents
Χρυσόστομος Στύλιος
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ
Τα ΣΥΑ είναι
αλληλεπιδραστικά
συστήματα, τα οποία
επιτρέπουν στους αναλυτές
αποφάσεων να
χρησιμοποιούν δεδομένα
και μοντέλα προκειμένου να
επιλύουν προβλήματα
αποφάσεων χαμηλού
βαθμού δόμησης
ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ
DSS
αποφάσεις
πληροφορία MIS
δεδομένα
ΤPS
Ασαφής Λογική
Αποθήκες Δεδομένων
Προπαρασκευή δεδομένων
Κατηγοριοποίηση
Συσταδοποίηση
Ανακάλυψη συσχετίσεων
Λήψη αποφάσεων
Ημιδομημένα προβλήματα
Αδόμητα Δομημένα
προβλήματα προβλήματα
Αδόμητες
(μη προγραμματιζόμενες) Δομημένες
αποφάσεις (προγραμματιζόμενες)
«αποφάσεις»
Ημιδομημένες αποφάσεις
z Δομημένες «αποφάσεις»
z Στην ουσία δεν είναι αποφάσεις αλλά δομημένες διαδικασίες
z Από την φύση τους έχουν επαναληπτικό χαρακτήρα
z Τα σχετικά προβλήματα χαρακτηρίζονται από υψηλό βαθμό
δόμησης
z Μπορούν να περιγραφούν, να αναλυθούν και να ταξινομηθούν σε
πρωτότυπα
z Λαμβάνονται-με χρήση ποσοτικών μοντέλων
z Management Science (MS) / Επιχειρησιακή Έρευνα (OR)
z Επιλογή
z Κατάταξη
z Ταξινόμηση
Τι είναι τα ΣΥΑ
z Τα ΣΥΑ είναι αλληλεπιδραστικά συστήματα βασιζόμενα σε Η/Υ, τα οποία
δίδουν τη δυνατότητα στους αποφασίζοντες να χρησιμοποιούν δεδομένα
και μοντέλα προκειμένου να επιλύουν ημιδομημένα προβλήματα (Scott
Morton, 1971).
DSS
αποφάσεις
πληροφορία MIS
δεδομένα
ΤPS
Γιατί ΣΥΑ;
z Το μάνατζμεντ είναι ταυτόσημο με την λήψη αποφάσεων
z Καλές αποφάσεις = αποτελεσματικό μάναντζμεντ
z Οι αποφάσεις λαμβάνονται σε πολύπλοκα επιχειρησιακά
περιβάλλοντα που μεταβάλλονται πολύ γρήγορα
z Η λήψη αποφάσεων σήμερα είναι πολύ πιο πολύπλοκη από ότι στο
παρελθόν. Μερικές αιτίες:
z Μεγάλος αριθμός εναλλακτικών λύσεων εξαιτίας των νέων
τεχνολογιών και των συστημάτων επικοινωνίας
z Το κόστος των λαθών είναι μεγάλο εξαιτίας της αλυσιδωτής
αντίδρασης σε πολλά μέρη ενός οργανισμού
z Πρόσβαση σε απαραίτητη πληροφορία εντός αλλά και εκτός
οργανισμού
z Μεγάλος όγκος πληροφορίας
z Ανάγκη για πληροφορία τόσο ενδο-επιχειρησιακή όσο και εκτός
οργανισμού
z Ανταγωνισμός
ΣΥΑ
χρόνος
Χρήστης
Εύκολη κατασκευή/
προσαρμογή από
τελικούς χρήστες ΣΥΑ Αλληλοεξαρτώμενες ή
διαδοχικές/σειριακές
αποφάσεις
Αποτελεσματικότητα,
όχι αποδοτικότητα Υποστήριξη διαφορετικών
τύπων απόφασης
μοντέλα
Διαχείριση Γνώσης
DBMS MBMS
Άλλα computer-based
συστήματα
MBMS
•Εντολές μοντελοποίησης
Εκτέλεση μοντέλων,
•Υποστήριξη: ανανέωση ενοποίηση-
•Γλώσσα μοντελοποίησης ολοκλήρωση και
•Διεπαφή με Βάση Δεδομένων επεξεργαστής
εντολών
Διαχείριση
DBMS Διεπαφή Γνώσης
Το υποσύστημα (διαχείρισης)
γνώσης
Μοντελοποίηση
προβλημάτων
απόφασης
Βελτιστοποίηση
Βελτιστοποίηση Τυφλή αναζήτηση Ευρεστικές
(αναλυτική) Τυφλή αναζήτηση Ευρεστικές
(αναλυτική)
Ολική απαρίθμηση
Ολική απαρίθμηση Μερική Αναζήτηση
(εξαντλητική) Μερική Αναζήτηση
(εξαντλητική)
Η καλύτερη
Η καλύτερη
ανάμεσα στις
βέλτιστη βέλτιστη ανάμεσα στις Αρκετά καλή
βέλτιστη βέλτιστη εναλλακτικές που
εναλλακτικές Αρκετά καλή
έχουν ελεγχθείπου
Λύση έχουν ελεγχθεί
Δοκιμή-λάθος
Προσχεδιασμός
αντικειμενικοί στόχοι του ΣΥΑ
Σχεδιασμός του
Σχεδιασμός
Σχεδιασμός του Σχεδιασμός της μοντέλου
περιβάλλοντος βάσης μοντέλων Σχεδιασμός της
βάσης διαχείρισης
διεπαφής γνώσης
δεδομένων
χρήστη
Ανάγκη
Ανίχνευση
Ανάλυση
Σχεδιασμός
Υλοποίηση
Σύστημα
Is No
prototype Revise, improve
finished?
Option 1: The Throwaway Model Option 2: The Evolutionary Model
Yes
Preliminary design
Testing & evaluation
Build a Yes
complete Integrate with other CBS
system
Ανίχνευση
Ανάλυση
Σχεδιασμός
Υλοποίηση
Πρωτότυπο
Πρωτότυπο ΝΟΤ ΟΚ
Πρωτότυπο ΟΚ
Σύστημα
ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 36
Πρωτότυπο: Μοντέλο Throwaway
Ανάγκη
Ανίχνευση
Ανάλυση Σχεδιασμός
Υλοποίηση
Σχεδιασμός
Σύστημα
Υλοποίηση
Πρωτότυπο
Πρωτότυπο ΝΟΤ ΟΚ
DSS generators
[Excel, SAS, SPSS]
z Διαχείριση αποθεμάτων
z Διαχείριση πόρων
ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΒΑΣΗ ΤΟ
ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ
z Μάρκετινγκ, μεταφορές και logistics
z Ανάπτυξη στρατηγικής μάρκετινγκ (προϊόν, τιμή,
διαφήμιση, δίκτυο διανομής)
z Ενημέρωση καταναλωτή μέσω ταχυδρομείου
z Προφίλ καταναλωτή
z Market segmentation
z τιμολόγηση και τακτική πωλήσεων
z Σχεδιασμός δικτύων διανομής-κανάλια μεταφοράς
z Επιλογή μεταφορικών μέσων - δρομολόγηση
ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΒΑΣΗ ΤΟ
ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ
z Συστήματα πολλαπλών λειτουργιών
z Σχεδιασμός παραγωγής και διανομής
z Επιλογή χαρτοφυλακίου
ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΒΑΣΗ ΤΟ
ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ
z Ανθρώπινοι πόροι
z Επιλογή ανθρώπινου δυναμικού
z Ανάθεση εργασιών
ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΒΑΣΗ ΤΟ
ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ
z Στρατιωτικός τομέας
z Διαχείριση αποθηκών εξοπλισμού
z Διαχείριση διεργασιών συντήρησης πλωτών μέσων
ακτοφυλακής
z Διαχείριση φυσικών πόρων
z Διαχείριση δασικών οικοσυστημάτων
z Διαχείριση λιμνών και ταμιευτήρων νερού
z Στρατηγικός σχεδιασμός και διαχείριση υδάτινων
πόρων
ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΒΑΣΗ ΤΟ
ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ
z Τομέας εκπαίδευσης
z Προγραμματισμός μαθημάτων-εξετάσεων-επιτηρήσεων
z Πανεπιστημιακά χρονοδιαγράμματα
z Σχεδιασμός εγγραφών
Άλλα πεδία
73,3% Χρηματοοικονομική
26,7% 18% διοίκηση
Συστήματα πολλαπλών
λειτουργιών
Πληροφοριακά συστήματα
διοίκησης (MIS)
44% Μάρκετινγκ, μεταφορές
και logistics
Διοίκηση παραγωγής και
διεργασιών
ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΒΑΣΗ ΤΟ
ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ
14% Διάφορα
Κυβερνητικός τομέας
20%
Τομέας εκπαίδευσης
20%
Λειτουργικό
53%
27%
Τακτικό
Στρατηγικό
Αβέβαιη Γνώση
Κυριότερες πηγές αβεβαιότητας:
Ανακριβή δεδομένα (imprecise data).
Ελλιπή δεδομένα (incomplete data)
Υποκειμενικότητα ή/και ελλείψεις στην περιγραφή της γνώσης
Κάθε είδους περιορισμοί που κάνουν το όλο πλαίσιο λήψης απόφασης
ατελές.
ΛανθασμένηΑναξιόπι Όχι
Έξοδος στη Έξοδος
Τύποι σφαλμάτων σε
γεγονότα
Πολυσημαντικότητα (ambiguity)
Αποτυχία να διακρίνει μεταξύ των περιπτώσεων και πιθανοτήτων
Ελλιπής (incompleteness)
Αποτυχία να περιγράψει πλήρως τις απαραίτητες πληροφορίες
Εσφαλμένη (incorrectness)
Η πληροφορία είναι εσφαλμένη
Ψευδώς θετική
Δέχεται μια υπόθεση ότι είναι αληθινή ενώ δεν είναι αληθής
Ψευδώς αρνητική
Δέχεται μια υπόθεση ότι είναι ψευδής ενώ είναι αληθής
5
Τύποι σφαλμάτων σε
γεγονότα
Ανακριβής (imprecision)
Όχι αρκετά κοντά στην αλήθεια
Όχι ακριβής (inaccuracy)
Δεν είναι σωστή
Αναξιόπιστος (unreliability)
Μερικές φορές σωστό μερικές όχι
Τυχαία λάθη (random error)
Τα αίτια μπορεί να προβλέπονται ή να είναι άγνωστα
Συστηματικά λάθη (systematic error)
Ένα λάθος εισάγεται συνέχεια από κάποιο bias
7
Πηγές αβεβαιότητας
Ατελής γνώση της περιοχής εφαρμογής
Η υπάρχουσα θεωρία μπορεί να είναι ασαφής και ελλιπής
Ατελή δεδομένα για κάθε περίπτωση
Τα δεδομένα μπορεί να είναι ανακριβή ή αναξιόπιστα
Τα δεδομένα μπορεί να είναι προσεγγιστικά
Πηγές αβεβαιότητας
Αξιοπιστία της πληροφορίας
Ελλιπής πληροφορία
Πληροφορία από πολλές διαφορετικές πηγές
Μη ακριβής αναπαράσταση γλωσσών
9
Αντιμετώπιση της
αβεβαιότητας
Ποιοτικές προσεγγίσεις
Αντιμετωπίζουν την ελλιπή πληροφορία
Χρησιμοποιούν τη λογική ή κανόνες εξαρτώμενους από τα
συμφραζόμενα για τη συμβολική αναπαράσταση
Ποσοτικές προσεγγίσεις
Είναι βασισμένες σε αριθμητικές αναπαραστάσεις και
χρησιμοποιούν θεωρία πιθανοτήτων και άλλες μεθόδους
λογικής για τη διαχείριση της αβεβαιότητας μέσα από
διαδικασία συλλογισμού
10
Αναπαράσταση αβεβαιότητας
Προβλήματα
Είναι δύσκολο να ποσοτικοποιήσουμε τις αλληλεπιδράσεις των
πιθανοτήτων
Ο καθορισμός της πιθανότητας ενός γεγονότος απαιτεί πληροφορία που
δεν έχουμε
Είναι δύσκολο να καθορίσουμε επακριβώς τι σημαίνει πολύ, λίγο, πάρα
πολύ ψηλός κ.τ.λ.
Εφαρμόζοντας θεωρία πιθανοτήτων, απαιτούμε από τους μηχανικούς να
περιγράψουν με ακρίβεια ποσότητες που δεν έχουν συγκεκριμένη τιμή.
Οι πιθανότητες είναι δύσκολο να υπολογίζονται, να βελτιώνονται και
μπορεί να απαιτούν πολύ δύσκολους υπολογισμούς
11
Θεωρίες για την αβεβαιότητα
12
Κλασσική θεωρία
πιθανοτήτων
Αναφέρεται σε ιδανικές καταστάσεις όπως ρίψη ζαριού,
νομίσματος και χαρτιών. Όπου υπάρχουν
προκαθορισμένες πιθανότητες βασισμένες στην
παραδοχή ότι όλοι οι αριθμοί έχουν την ίδια πιθανότητα
να συμβούν
Η πιθανότητα, P, ορίζεται ως ο λόγος των σωστών
απαντήσεων προς τον αριθμό των πιθανών
αποτελεσμάτων
13
Πιθανότητα γεγονότων
Σε ένα παιχνίδι υπάρχει ένα σύνολο πιθανών
αποτελεσμάτων το οποίο σχηματίζει το χώρο του
παραδείγματος. Για ένα ζάρι ο χώρος είναι {1,2,3,4,5,6}
14
T
H
H T H T
HH H T TH TT
H T
H HH HT
T T H TT
15
Θεωρία πιθανοτήτων
Τρία αξιώματα για τις πιθανότητες
axiom1: 0 ≤ P ( E ) ≤ 1
axiom 2 :∑ P( Ei )=1
i
and itscorollary
P( E )+ P( E © )= 1
axiom3: P ( E 1 ∪ E 2) = P ( E 1) + P ( E 2)
16
Ιδιότητες
Προσθετική Ιδιότητα: Ρ(Α∨Β) = Ρ(Α) + Ρ(Β) - Ρ(Α∧Β)
Πολ/στική Ιδιότητα για δύο ανεξάρτητα γεγονότα Α και Β:
Ρ(Α∧Β) = Ρ(Α) • Ρ(Β)
Πολ/στική Ιδιότητα για δύο μη ανεξάρτητα γεγονότα Α και Β:
Ρ(Α∧Β) = Ρ(Α) • Ρ(Β|Α)
17
Παράδειγμα
Έστω ότι έχουμε ένα ζάρι:
19
Ο Νόμος του Bayes (Bayes' rule)
Επιτρέπει τον υπολογισμό πιθανοτήτων υπό συνθήκη με χρήση άλλων πιθανοτήτων που
είναι ευκολότερο να υπολογιστούν.
Χρήση εκτιμήσεων αντί συχνοτήτων εμφάνισης γεγονότων.
Η απλούστερη εκδοχή του νόμου του Bayes:
Παράδειγμα 1
Έστω τα δύο σύνολα Η και Ε με επτά και πέντε γεγονότα αντίστοιχα από ένα
συνολικό πληθυσμό δέκα γεγονότων.
Το σχήμα μας επιτρέπει να υπολογίσουμε τις απλές (άνευ συνθήκης) και τις υπό
συνθήκη πιθανότητες με απλή εφαρμογή του ορισμού τους.
Πρόβλημα χρήσης: για m πιθανές ασθένειες και n δυνατά συμπτώματα από τα οποία
εμφανίζονται τα k, απαιτούνται (m⋅n)k+m+nk τιμές πιθανοτήτων, αριθμός υπερβολικά
μεγάλος.
Απλούστερη περίπτωση: αν τα διάφορα γεγονότα Ε θεωρούνται ανεξάρτητα το ένα από
το άλλο, τότε απαιτούνται μόνο m⋅n+m+n τιμές πιθανοτήτων.
Δέντρα Απόφασης
Δέντρο απόφασης
Δέντρα απόφασης πολύ καλά εργαλεία για αποφάσεις με πολλές
σύνθετες πληροφορίες. Ένα δέντρο απόφασης δέχεται ως είσοδο ένα
αντικείμενο ή μια κατάσταση που περιγράφεται από ένα σύνολο
ιδιοτήτων και αποτελέσματα μια απόφαση ναι ή όχι. Οι λειτουργίες με
ένα μεγαλύτερο εύρος αποτελεσμάτων μπορούν να αντιπροσωπευθούν
με δέντρα αποφάσεων.
Η συνολική αξία του κάθε κόμβου του δέντρου προκύπτει με την πρόσθεση όλων
αυτών των τιμών.
Δέντρο απόφασης ανάπτυξης νέων προϊόντων
210.200 €
Δέντρο απόφασης ανάπτυξης νέων προϊόντων
Δέντρα απόφασης
Τα δέντρα απόφασης παρέχουν μια αποτελεσματική μέθοδο λήψης
απόφασης επειδή αυτά:
παρέχουν ένα πλαίσιο που ποσοτικοποιεί τις τιμές των αποτελεσμάτων και
των πιθανοτήτων επίτευξης των, και
μας βοηθούν για να πάρουμε τις καλύτερες αποφάσεις επί τη βάσει των
υπαρχουσών πληροφοριών και των καλύτερων εκτιμήσεών μας.
39
Χρήση του νόμου Bayesian για λήψη
αποφάσεων
Χρησιμοποιείται για ανάλυση δένδρου αποφάσεων στις
κοινωνικές επιστήμες και στις επιχειρήσεις
Το PROSPECTOR σύστημα χρησιμοποιεί Bayesian decision
making.
Χρησιμοποιήθηκε για να καθορίσει τις κατάλληλες περιοχές
για εξόρυξη
40
Πιθανότητες
Εκ των προτέρων
Υποκειμενική γνώμη
No Oil Oil για τη θέση - P(Hi)
P(O’)=0.4 P(O)=0.6
Υπο συνθήκη
-Test +Test -Test +Test Σεισμολογικά
P(-|O’) P(+|O’) P(-|O) P(+|O) αποτελέσματα
=0.9 =0.1 =0.2 =0.8 P(E|Hi)
-Test +Test
P(-)=0.48 P(+)=0.52
Εκ των υστέρων
No Oil Oil No Oil Oil P(Hi|E)=
P(O’|-) P(O|-) P(O’|+) P(O|+) P(E|Hi) P(Hi)/P(E)
=(.9)(.4)/0.48 =(.2)(.6)/0.48 =(.1)(.4)/0.52 =(.8)(.6)/0.52
=3/4 =1/4 =1/13 =12/13
42
43
Παράδειγμα Bayesian Decision Making
Γεγονότα
A Αποτελέσματα
P(-)=0.48 P(+)=0.52 + or -
D E Ενέργεια
Quit or Drill
B C Γεγονός
No Oil Oil Oil or No Oil
No Oil Oil P(O|+)
P(O’|-) P(O|-) P(O’|+)
=1/13 =12/13
=3/4 =1/4
-$50,000
-$250,000 $1,000,000-$50,000 -$250,000 $1,000,000 Κέρδος
Αρχικό δένδρο απόφασης για εξερεύνηση πετρελαίου 44
ή
Δίκτυα Πιθανοτήτων
(Bayesian Probability
Networks)
P(E )
O(E ) =
1 − P(E )
49
Δίκτυα Συμπερασμού (Inference Networks)
Λογική Επάρκεια (Logical Sufficiency – LS):
Εκφράζει πόσο πιθανότερο είναι να συνδεθεί ένα γεγονός Ε με την
αλήθεια ενός υποθετικού συμπεράσματος Η, παρά με την άρνηση
του Η (συμβολίζεται ¬Η)
P(E | H ) O(H | E )
LS = =
P(E | ¬H ) O(H )
P(¬E | H ) O(H | ¬E )
LN = =
P(¬E | ¬H ) O(H )
50
X ( →
LS 1= 4 , LN 1= 0.5 ) Y 2
(
2
= ,
LS =
) →
10 LN 0.2 Z
p o ( Y ) = 0 .1 p o ( Z ) = 0 .2
• Po(Y) και Po(Z) είναι οι αρχικές τιμές πιθανότητας για τα Υ και Ζ
αντίστοιχα, χωρίς να υπάρχει οποιασδήποτε γνώση για το Χ.
You have a new burglar alarm installed at home. It is fairly reliable at detecting a
burglary, but also responds on occasion to minor earthquakes.
You also have two neighbors, John and Mary, who have promised to call you at work
when they hear the alarm. John always calls when he hears the alarm, but sometimes
confuses the telephone ringing with the alarm and calls then, too. Mary, on the other
hand, likes rather loud music and sometimes misses the alarm altogether.
Δίκτυα Πιθανοτήτων Bayes 1/2
Once we have specified the topology, we need to specify the conditional probability table
or CPT for each node. Each row in the table contains the conditional probability of each
node value for a conditioning case. A conditioning case is just a possible combination of
values for the parent nodes (a miniature atomic event, if you like). For example, the
conditional probability table for the random variable Alarm might look like this:
(Each row in a conditional probability table must sum to 1, because the entries represent
an exhaustive set of cases for the variable. Hence only one of the two numbers in each
row shown above is independently specifiable. In general, a table for a Boolean variable
with n Boolean parents contains 2" independently specifiable probabilities. A node with
no parents has only one row, representing the prior probabilities of each possible value of
the variable.)
We can calculate the probability of the event that the alarm has sounded but neither a
burglary nor an earthquake has occurred, and both John and Mary call
Προσέγγιση Dempster-Shafer
57
Προσέγγιση Dempster-Shafer
Πλαίσιο διάκρισης (frame of discernment): το σύνολο U των
διακριτών και αμοιβαία αποκλειόμενων προτάσεων ενός τομέα
γνώσης. π.χ. αν εξετάζεται η ασθένεια κάποιου, το U αντιπροσωπεύει όλες τις
πιθανές διαγνώσεις, δηλαδή τα υποθετικά συμπεράσματα.
Αν U={A, B, C} πιθανές ασθένειες τότε Pow είναι το σύνολο των υποσυνόλων του
U:
Pow(U) = { {}, {A}, {B}, {C}, {A, B}, {A, C}, {B, C}, {A, B, C} } - πιθανές
διαγνώσεις.
Στοιχεία του U που δεν ανήκουν σε ένα στοιχείο του Pow(U), (π.χ. η ασθένεια C
στο {Α, Β}), κάνουν σαφή την άρνηση του αντίστοιχου υποθετικού συμπεράσματος.
{}: null hypothesis
Προσέγγιση Dempster-Shafer 2/2
Η βασική κατανομή πιθανότητας (basic probability assignment - bpa) είναι μία
απεικόνιση: m: Pow(U) → [0,1] η οποία αναθέτει μία τιμή πεποίθησης για κάθε
στοιχείο του Pow(U)
Είναι δηλαδή το μέτρο της πεποίθησης που υπάρχει για το κατά πόσο ισχύει το
υποθετικό συμπέρασμα που εκφράζεται με το συγκεκριμένο στοιχείο του U.
η πεποίθηση m({A, B})=0.3, δε μοιράζεται στα {Α} και {Β} αλλά αφορά το {Α,
Β}.
ισχύει m({})=0
Η συνολική πεποίθηση (belief) ότι ένα στοιχείο του U ανήκει στο Χ καθώς και στα
τυχόν υποσύνολα του Χ συμβολίζεται με Bel(X)
Κανόνας Dempster-Shafer
Αν m1 και m2 δύο ανεξάρτητες εκτιμήσεις (βασικές κατανομές πιθανότητας) που
αποδίδουν κάποιο βαθμό πεποίθησης στα στοιχεία του Pow(U), τότε αυτές
συνδυάζονται σε μία τρίτη εκτίμηση m3=m1⊕m2 με τρόπο που ορίζεται με τον
κανόνα D-S:
Παράδειγμα: Διάγνωση Ασθένειας
Έστω U={A, B, C} το σύνολο των δυνατών ασθενειών που μπορεί να διαγνωσθούν.
Πιθανές Διαγνώσεις Pow(U)={{}, {A}, {B}, {C}, {A,B}, {A,C}, {B,C}, {A,B,C}}
m( {{ }, {A}, {B}, {C}, {A, B}, {A, C}, {B, C}, {A, B, C} } ) = 1
υποδηλώνει τη βεβαιότητα ότι η διάγνωση βρίσκεται κάπου στα στοιχεία του
Pow(U) αλλά ελλείψει άλλων ενδείξεων δεν είναι δυνατό να δοθεί ιδιαίτερη
βαρύτητα σε κάποιο
Bayes: θα έπρεπε κάθε στοιχείο του Pow(U) να θεωρηθεί ισοπίθανο
Έστω ότι γίνεται διαθέσιμη επιπλέον πληροφορία, (π.χ. πραγματοποιούνται ιατρικές
εξετάσεις) και προκύπτει ότι η ασθένεια είναι μία από τις A ή Β με βαθμό πίστης 0.7
m1( {Α, Β} ) = 0.7
m1( {{ }, {A}, {B}, {C}, {A, C}, {B, C}, {A, B, C}} ) = 0.3
Δηλαδή, η έλλειψη πίστης σε ένα από τα υποθετικά συμπεράσματα του Pow(U),
ισοδυναμεί αυτόματα με ισόποσο βαθμό πίστης στα υπόλοιπα στοιχεία του Pow(U),
χωρίς όμως να δίνεται ιδιαίτερη προτίμηση σε κάποιο από αυτά.
Bayes: απαιτείται ο υπολογισμός μεγάλου αριθμού υπό συνθήκη πιθανοτήτων, κάτι
που είναι υπολογιστικά ακριβό και πολλές φορές αδύνατο.
Πώς μπορεί να συνδυαστούν δύο ανεξάρτητες εκτιμήσεις (π.χ. δύο ιατρών) σε μία;
{Α} 0.15 {Α} .0075 {}0 { } .0075 {Α} .0225 {Α} .015 { } .0075 {Α} .09
{C} 0.05 { } .0025 {}0 {C} .0025 { } .0075 {C} .005 {C} .0025 {C} .03
{A,B} 0.05 {Α} .0025 {Β} 0 { } .0025 {Α,B} .0075 {Α} .005 {Β} .0025 {A,B} .03
{A,C} 0.2 {Α} .01 {}0 {C} .01 {Α} .03 {Α,C} .02 {C} .01 {A,C}
.012
{B,C} 0.05 { } .0025 {Β} 0 {C} .0025 {Β} .0075 {C} .005 {B,C} .0025 {B,C} .03
{A,B,C} 0.5 {Α} .025 {Β} 0 {C} .025 {Α,B} .075 {Α,C} .05 {B,C} .025 {A,B,C} .3
Προέλευση uA:
Υποκειμενικές εκτιμήσεις
Προκαθορισμένες (ad hoc) μορφές
Συχνότητες εμφανίσεων και πιθανότητες
Φυσικές μετρήσεις
Διαδικασίες μάθησης και προσαρμογής (νευρωνικά δίκτυα)
Αν R1(x,y) και R2(y,z) είναι δύο ασαφείς σχέσεις ορισμένες στα σύνολα Χ×Υ και
Υ×Ζ αντίστοιχα, τότε η σύνθεσή τους δίνει μία νέα σχέση R1°R2 ορισμένη στο Χ×Ζ
με συνάρτηση συγγένειας:
Σύνθεση max-min:
Σύνθεση max-product:
Ασαφείς Μεταβλητές και Ασαφείς Αριθμοί
Ασαφής Μεταβλητή (fuzzy variable): οι τιμές τις ορίζονται με ασαφή σύνολα.
Π.χ. τα ασαφή σύνολα {κοντός, μεσαίος, ψηλός} θα μπορούσαν να είναι το
πεδίο τιμών της ασαφούς μεταβλητής "ύψος".
"ύψος": λεκτική (linguistic) μεταβλητή.
Ασαφείς αριθμοί (fuzzy numbers): ασαφή υποσύνολα του συνόλου των πραγματικών
αριθμών. Π.χ. "Ασαφές 3" στο σχήμα.
μη ασαφείς τιμές: crisp (σαφείς, συγκεκριμένες).
Κατασκευάζεται ο πίνακας:
Ασαφής κανόνας (fuzzy rule): είναι μία υπό συνθήκη έκφραση που συσχετίζει
δύο ή περισσότερες ασαφείς προτάσεις.
"Εάν η ταχύτητα είναι μέτρια τότε η πίεση στα φρένα να είναι μέτρια“
Η αναλυτική περιγραφή ενός ασαφούς κανόνα if-then είναι μία ασαφής σχέση
R(x,y) που ονομάζεται σχέση συνεπαγωγής (implication relation).
"if x is A then y is B“
και έστω συλλογιστική διαδικασία GMP (δηλαδή γνωστό το Α' ως τιμή του x
και ζητούμενο το B' ως τιμή του y), τα ασαφή σύνολα Α και Β συνδυάζονται με
κάποιον από τους τελεστές συνεπαγωγής και παράγουν τη σχέση συνεπαγωγής
R(x,y).
Από την R(x,y) μέσω σύνθεσης (έστω max-min σύνθεση) με το Α' προκύπτει η
άγνωστη ποσότητα Β':
Β'=A'oR(x,y)
Ασαφής Συλλογιστική
Εξαγωγή συμπερασμάτων με χρήση ασαφών κανόνων.
Τέσσερα στάδια:
Υπολογισμός της συνάρτησης συνεπαγωγής για κάθε εμπλεκόμενο
κανόνα.
Παραγωγή επιμέρους αποτελεσμάτων μέσω κάποιας συλλογιστικής
διαδικασίας.
Συνάθροιση των επιμέρους αποτελεσμάτων.
Αποσαφήνιση αποτελεσμάτων.
Παράδειγμα Προβλήματος
Ασαφούς Συλλογιστικής 1/2
Έστω σύστημα που ρυθμίζει τη δόση D μιας φαρμακευτικής ουσίας που πρέπει να
χορηγηθεί σε ασθενή, με βάση τη θερμοκρασία του T.
Έστω ότι το σύστημα βασίζεται στους εξής δύο ασαφείς κανόνες:
Κ1: if T is HIGH then D is HIGH
Κ2: if T is LOW then D is LOW
Δίνονται επίσης τα ασαφή σύνολα HIGH και LOW για τα μεγέθη Τ και D:
TLOW = { 0.2/37, 1/37.5, 0.5/38, 0.2/38.5, 0/39, 0/39.5, 0/40 }
THIGH = { 0/37, 0/37.5, 0.2/38, 0.5/38.5, 0.8/39, 1/39.5, 1/40 }
DLOW = { 1/0, 0.8/2, 0.5/5, 0.2/8, 0/10 }
DHIGH = { 0/0, 0.2/2, 0.5/5, 0.8/8, 1/10 }
Κάθε κελί του εσωτερικού πίνακα (σχέση συνεπαγωγής RK1) περιέχει το (uTHIGH
• uDHIGH) για τα Τ και D της γραμμής και στήλης στην οποία βρίσκεται.
Όμοια προκύπτει και η RK2(TLOW,DLOW) για τον κανόνα Κ2 (πίνακας δεξιά)
D 0 2 5 8 10
T
D'K1= [0/37, 0/37.5, 0/38, 1/38.5, 0/39, 0/39.5, 0/40] o 37.0 0 0 0 0 0
37.5 0 0 0 0 0
D'Κ1 = { 0/0, 0.1/2, 0.25/5, 0.4/8, 0.5/10 }
38.0 0 0.04 0.1 0.16 0.2
38.5 0 0.1 0.25 0.4 0.5
39.0 0 0.16 0.4 0.64 0.8
39.5 0 0.2 0.5 0.8 1
40.0 0 0.2 0.5 0.8 1
Βήμα Β2: Παραγωγή επιμέρους αποτελεσμάτων 2/2
Όμοια προκύπτει ότι ο κανόνας Κ2 δίνει: D'Κ2 = { 0.2/0, 0.16/2, 0.1/5, 0.04/8,0/10 }
Γραφική απεικόνιση των D'Κ1 (αριστερά) και D'Κ2 (δεξιά).
κανόνας Κ2: DF
κανόνας Κ1: CH
Λύση: αποσαφήνιση στην "καμπύλη" DH
Δυσκολότερο σημείο: επιλογή ασαφών μεταβλητών, των τιμών τους και των
κανόνων με τους οποίους θα συνδυαστούν.
Συναρτήσεις συγγένειας: χρήση νευρωνικών δικτύων.
σημεία προσοχής: επιλογή τελεστή συνεπαγωγής, μεθόδου αποσαφήνισης.
Σταθερότητα/Ποιότητα Ασαφούς Συστήματος
Σταθερότητα: η ικανότητα να εμφανίζει καλή συμπεριφορά σε όλο το φάσμα
τιμών εισόδου.
Η μορφή του τελικού αποτελέσματος πολλές φορές δίνει μία καλή ένδειξη για την
ποιότητα του συνολικού συστήματος.
Παράδειγμα
a) ύπαρξη ενός "ισχυρού" κανόνα (επιθυμητό χαρακτηριστικό).
b) δύο κορυφές: αντιφατική συμπεριφορά (απαιτείται βελτίωση του συστήματος
κανόνων).
c) μεγάλο πλατό: το σύστημα των κανόνων είναι ελλιπές.
ΧΡΗΣΙΜΟΤΗΤΑ
16-4
Θεωρία Χρησιμοτήτων
• Η αρχή της Μέγιστης Αναμενόμενης Χρησιμότητας, είναι
ένας ορθολογικός τρόπος λήψης αποφάσεων.
16-5
• Λοταρίες (lotteries)
– L = [p1, C1; p2, C2; … pn, Cn]
Τα δυνατά αποτελέσματα Ci προκύπτουν με πιθανότητες pi
16-6
Αξιώματα της
Θεωρίας Χρησιμοτήτων (1/2)
• Διαταξιμότητα
– (A ≻ Β) ∨ (Β ≻ Α) ∨ (Α ~ Β)
• Μεταβατικότητα
– (A ≻ B) KAI (B ≻ C) ⇒ (A ≻ C)
• Συνέχεια
– A ≻ B ≻ C ⇒∃p [p, A; 1 – p, C] ~ B
Υπάρχει κάποια πιθανότητα p για την οποία ο λογικός πράκτορας
θα είναι αδιάφορος μεταξύ του να επιλέξει τη B για σίγουρα ή να
επιλέξει την ενέργεια που δίνει την A με πιθανότητα p και την C
με πιθανότητα 1 – p
• Αντικαταστασιμότητα
– A ~ B ⇒ [p, A; 1 – p, C] ≿ [p, B; 1 – p, C]
Εάν είναι αδιάφορος μεταξύ A και B, τότε είναι αδιάφορος και
μεταξύ πιο πολύπλοκων λοταριών που είναι ίδεις με την
εξαίρεση ότι το Β έχει πάρει τη θέση του Α. 16-7
Αξιώματα της
Θεωρίας Χρησιμοτήτων (2/2)
• Μονοτονικότητα
– A ≻ B ⇒ (p ≥ q ⇔ [p, A; 1 – p, B] ≿ [q, A; 1 – q, B])
Ο πράκτορας που προτιμά το A από το B, πρέπει να προτιμήσει
τη λοταρία που έχει υψηλότερη πιθανότητα για το A
• Αποσυνθεσιμότητα
– [p, A; 1 – p, [q, B; 1 – q, C]] ~
[p, A; (1 – p)q, B; (1 – p)(1 – q), C]
H σύνθετες λοταρίες γίνονται
Απλούστερες με χρήση πιθανοτήτων
16-8
Χρησιμότητα
• Αρχή της χρησιμότητας:
– U(A) > U(B) ⇔ A ≻ B
Υπάρχει πραγματική συνάρτηση U, το Α είναι προτιμότερο του Β
– U(A) = U(B) ⇔ A ~ B
Ο πράκτορας είναι αδιάφορος μεταξύ Α και Β
U ([ p1 , S1 ;...; pn , S n ]) = ∑ p U (S )
i i
i
16-9
Συναρτήσεις χρησιμότητας
Η χρησιμότητα είναι μια συνάρτηση που απεικονίζει τις
καταστάσεις σε πραγματικούς αριθμούς.
Η θεωρία χρησιμοτήτων έχει τις ρίζες της στα οικονομικά.
• Χρηματικές αξίες
• Αναμενόμενη χρηματική αξία:
– [0,5, 3.000.000€; 0,5, 0€], [1,0, 1.000.000€]
• Αναμενόμενη χρησιμότητα:
EU ( Αποδοχή) = 12 U ( S k ) + 12 U ( S k +3.000.000 ),
EU ( Απόρριψη) = U ( S k +1.000.000 )
16-10
Η χρησιμότητα δεν είναι ακριβώς ανάλογη με τη χρηματική
αξία επειδή η χρησιμότητα — η θετική αλλαγή στον τρόπο
ζωής — για το πρώτο σας εκατομμύριο είναι πολύ υψηλή,
(ή τουλάχιστον έτσι λένε όλοι), ενώ η χρησιμότητα για ένα
επιπλέον εκατομμύριο είναι πολύ μικρότερη.
16-11
• Αποστροφή/Επιζήτηση/Ουδετερότητα ρίσκου
• Βέβαιο ισοδύναμο
16-12
• Ασφάλιστρο
• Οι πράκτορες με καμπύλες αυτού του σχήματος
αποστρέφονται το ρίσκο (risk-averse): προτιμούν κάτι
σίγουρο με απολαβή μικρότερη από την αναμενόμενη
χρηματική αξία του ρίσκου.
• Από την άλλη πλευρά, στην "απελπισμένη" περιοχή με
μεγάλη αρνητική περιουσία, η συμπεριφορά είναι η
επιζήτηση του ρίσκου (risk-seeking).
• Η αξία που θα αποδεχθεί ένας πράκτορας έναντι της
λοταρίας ονομάζεται βέβαιο ισοδύναμο (certainty
equivalent) της λοταρίας.
• Οι μελέτες έχουν δείξει ότι οι περισσότεροι άνθρωποι θα
αποδεχθούν περίπου 400 € στη θέση ενός ρίσκου που
τους αποφέρει 1.0006 τις μισές φορές και 0€ τις
υπόλοιπες — με άλλα λόγια, το βέβαιο ισοδύναμο της
λοταρίας είναι 400€.
16-13
16-15
Κλίμακες χρησιμότητας
• Ισοδύναμοι μετασχηματισμοί:
– U΄(S) = k1 + k2U(S)
• Κανονικοποιημένες χρησιμότητες
– Στο διάστημα [ u⊥ = 0, u⊤ = 1 ]
16-16
Κλίμακες χρησιμότητας
• Η θεωρία αποφάσεων είναι κανονιστική (normative)
θεωρία: περιγράφει τον τρόπο με τον οποίο θα πρέπει
να ενεργήσει ένας ορθολογικός πράκτορας.
16-17
Κλίμακες χρησιμότητας
Στα άτομα που συμμετείχαν σε αυτό το πείραμα ζητήθηκε να
κάνουν μια επιλογή μεταξύ των λοταριών Α και Β και στη συ-
νέχεια μεταξύ των λοταριών C και D:
Α: 80% πιθανότητα για $4000 C: 20% πιθανότητα για $4000
Β: 100% πιθανότητα για $3000 D: 25% πιθανότητα για $3000
16-19
Κλίμακες χρησιμότητας
Έχουν γίνει κάποιες προσπάθειες για την εύρεση της αξίας
που δίνουν οι άνθρωποι στις ίδιες τις ζωές τους.
Τα δύο συνηθισμένα "νομίσματα" που χρησιμοποιούνται
στην ανάλυση ιατρικών θεμάτων και θεμάτων ασφαλείας
είναι το:
• micromort (πιθανότητα θανάτου μία στο εκατομμύριο)
και
• το QALY, ή έτος ζωής προσαρμοσμένης ποιότητας
(quality-adjusted life year, ισοδύναμο με ένα έτος καλής
υγείας χωρίς αναπηρίες).
16-20
Πολυκριτηριακές
συναρτήσεις χρησιμότητας
16-21
Πολυκριτηριακές
συναρτήσεις χρησιμότητας
• Κάθε κριτήριο θεωρείται γενικά ότι έχει διακριτές ή
συνεχείς βαθμωτές τιμές.
• Το κάθε κριτήριο ορίζεται με τέτοιον τρόπο ώστε, όταν
όλα τα άλλα είναι ίσα, οι υψηλότερες αξίες του κριτηρίου
να αντιστοιχούν σε υψηλότερες χρησιμότητες.
• Σε μερικές περιπτώσεις μπορεί να είναι απαραίτητο να
διαιρέσουμε σε τμήματα το εύρος των τιμών, έτσι ώστε η
χρησιμότητα να ποικίλλει μονοτονικά μέσα σε κάθε
εύρος τιμών.
16-22
Πολυκριτηριακές
συναρτήσεις χρησιμότητας
Κυριαρχία
Το αεροδρόμιο S1 κοστίζει λιγότερο, προκαλεί μικρότερη
ηχορύπανση, και είναι ασφαλέστερο από το αεροδρόμιο
S2.
Δεν θα δίσταζε λοιπόν να απορρίψει κανείς το S2 .
16-23
Πολυκριτηριακές
συναρτήσεις χρησιμότητας
• Διάνυσμα κριτηρίων: X = 〈X1, …, Xn〉
• Αυστηρή κυριαρχία
Στοχαστική κυριαρχία
• Η Εικόνα δείχνει αυτές τις κατανομές, με το κόστος να
σχεδιάζεται ως αρνητική αξία.
• Κόστος κατασκευής αεροδρομίου:
– Θέση S1: U[2,8·106 €, 4,8·106 €](x) Σωρευτικές κατανομές:
– Θέση S2: U[3,0·106 €, 5,2·106 €](x) x x
– Η χρησιμότητα φθίνει με το κόστος ∀x ∫ p (x′)dx′ ≤ ∫ p (x′)dx′
−∞
1
−∞
2
16-26
Στοχαστική κυριαρχία
Στοχαστική κυριαρχία
Για να το διατυπώσουμε τυπικά, εάν δύο ενέργειες Α1 και
Α2 οδηγούν σε κατανομές πιθανοτήτων p1(x) και p2(x) ως
προς το κριτήριο Χ, τότε η Α1 κυριαρχεί στοχαστικά έναντι
της Α2 στο Χ εάν ισχύει:
x x
∀x ∫ p (x′)dx′ ≤ ∫ p (x′)dx′
−∞
1
−∞
2
16-29
16-30
Δομή προτίμησης και
πολυκριτηριακή χρησιμότητα
Η βασική προσέγγιση συνίσταται στο να εντοπίσουμε
κανονικότητα στη συμπεριφορά προτιμήσεων που θα
περιμέναμε να δούμε, και να χρησιμοποιήσουμε τα
επονομαζόμενα θεωρήματα αναπαράστασης
(representation theorems) ώστε να δείξουμε ότι ένας
πράκτορας με ένα συγκεκριμένο είδος δομής προτίμησης
έχει συνάρτηση χρησιμότητας :
U(x1 ...,xn)=f [f1(x1),...,fn(xn)]
16-31
16-32
Προτιμήσεις χωρίς αβεβαιότητα
• Για παράδειγμα, εάν προτιμάμε μια πόλη 20.000
κατοίκων εντός του αεροδιαδρόμου και κόστος κατα-
σκευής 4 δισεκατομμύρια € από μια πόλη 70.000
κατοίκων εντός του αεροδιαδρόμου και κόστος
κατασκευής 3,7 δισεκατομμύρια €, με το επίπεδο
ασφάλειας είναι να 0,06 θάνατοι ανά ένα εκατομμύριο
μίλια μεταφοράς επιβατών και στις δύο περιπτώσεις,
τότε θα έχουμε την ίδια προτίμηση και όταν το επίπεδο
θανάτων είναι 0,13 ή 0,01.
• Η ίδια ανεξαρτησία θα ίσχυε για προτιμήσεις μεταξύ
οποιουδήποτε άλλου ζεύγους τιμών για τα κριτήρια
Θόρυβος και Κόστος.
16-33
16-34
Προτιμήσεις χωρίς αβεβαιότητα
Για παράδειγμα, ενδεχομένως να μπορεί να ληφθεί η
απόφαση για τη θέση του αεροδρομίου με χρήση της
συνάρτησης αξίας
16-35
Δομή προτιμήσεων
• Κανονικότητα στη δομή των προτιμήσεων:
– U(x1, …, xn) = f [ f1(x1),…, fn(xn) ]
16-36
Προτιμήσεις με αβεβαιότητα
16-37
Προτιμήσεις με αβεβαιότητα
• Ανεξαρτησία χρησιμότητας:
– Ένα σύνολο κριτηρίων Χ είναι ανεξάρτητο ως προς την
χρησιμότητα από ένα σύνολο κριτηρίων Υ εάν οι προτιμήσεις
μεταξύ των λοταριών επί των κριτηρίων του Χ είναι ανεξάρτητες
από τις συγκεκριμένες τιμές των κριτηρίων στο Υ.
• Αμοιβαία ανεξαρτησία χρησιμότητας
16-38
Δίκτυα αποφάσεων
16-1
Δίκτυα αποφάσεων
16-2
Δίκτυα αποφάσεων (1/3)
• Χωροθέτηση αεροδρομίου
16-3
Δίκτυα αποφάσεων
Οι κόμβοι τύχης (chance nodes) — με οβάλ σχήμα —
αναπαριστούν τυχαίες μεταβλητές.
Με κάθε κόμβο τύχης συσχετίζεται μια υπό συνθήκη
κατανομή η οποία δεικτοδοτείται από την κατάσταση των
γονικών κόμβων. Στα δίκτυα αποφάσεων οι γονικοί
κόμβοι μπορούν να περιλαμβάνουν τόσο κόμβους τύχης
όσο και κόμβους απόφασης.
16-4
Δίκτυα αποφάσεων
Οι κόμβοι απόφασης (decision nodes) — με ορθογώνιο
σχήμα — αναπαριστάνουν σημεία όπου αυτός που
λαμβάνει την απόφαση έχει επιλογή ενεργειών.
Οι κόμβοι χρησιμότητας (utility nodes),— με σχήμα
ρόμβου — αναπαριστάνουν τη συνάρτηση χρησιμότητας
του πράκτορα.
Ο κόμβος χρησιμότητας έχει ως γονείς όλες τις μεταβλητές
που περιγράφουν το αποτέλεσμα το οποίο επηρεάζει
άμεσα τη χρησιμότητα. Με τον κόμβο χρησιμότητας είναι
συσχετισμένη μια περιγραφή της χρησιμότητας του
πράκτορα, με τη μορφή συνάρτησης των γονικών
κριτηρίων. Ο κόμβος χρησιμότητας αναπαριστάνει την
αναμενόμενη χρησιμότητα που σχετίζεται με κάθε ενέργεια.
16-5
16-7
16-9
16-10
Η Αξία των Πληροφοριών
Μπορούμε πλέον να υπολογίσουμε το αναμενόμενο κέρδος με δεδομένη
την πληροφορία της έρευνας:
1
×
(n − 1) C + n − 1 × C
=C/n
n n n n (n − 1)
Άρα η εταιρεία θα πρέπει να είναι πρόθυμη να πληρώσει στο σεισμολόγο
μέχρι και Cln δολάρια για την πληροφορία: δηλαδή η πληροφορία αξίζει
όσο και το ίδιο το τμήμα.
Η αξία της πληροφορίας προκύπτει από το γεγονός ότι με την
πληροφορία ο τρόπος ενεργειών μας μπορεί να αλλάξει ώστε να
προσαρμοστεί σύμφωνα με την πραγματική κατάσταση. Μπορούμε
πλέον να κάνουμε διάκριση ανάλογα με την περίσταση, ενώ χωρίς την
πληροφορία θα πρέπει να κάνουμε αυτό που είναι καλύτερο κατά μέσο
όρο για το σύνολο των δυνατών καταστάσεων. Γενικά, η αξία ενός
δεδομένου τμήματος πληροφορίας ορίζεται ως η διαφορά στην
αναμενόμενη αξία ανάμεσα στις βέλτιστες ενέργειες πριν και μετά
την απόκτηση της πληροφορίας.
16-11
16-12
Αξία της τέλειας πληροφόρησης
(Value of perfect information, VPI)
Υποθέτουμε ότι λαμβάνονται ακριβείς μαρτυρίες για την τιμή μιας
τυχαίας μεταβλητής Ej, έτσι χρησιμοποιείται η φράση αξία της τέλειας
πληροφόρησης (value of perfect information, VPI).
16-13
16-15
( ) ∑ P(E
VPI E E j = j ) ( )
= e jk | E EU ae jk | E , E j = e jk − EU (a | E )
k
16-18
Αξία της τέλειας πληροφόρησης
(Value of perfect information, VPI)
Ας υποθέσουμε τώρα ότι πρέπει να επιλέξουμε μεταξύ των δύο
χωματόδρομων το καλοκαίρι, όταν δεν είναι πιθανό να έχουν κλείσει
από τις χιονοστιβάδες.
Σε αυτή την περίπτωση οι αναφορές από το δορυφόρο μπορεί να
δείξουν ότι η μια διαδρομή είναι πιο όμορφη από την άλλη λόγω των
αλπικών λιβαδιών που ανθίζουν, ή ίσως πιο υγρή λόγω των ρυακιών.
16-19
• Είναι μη-αρνητική:
( )
∀j , E VPI E E j ≥ 0
16-20
Υλοποίηση ενός πράκτορα συλλογής
πληροφοριών
• Ένας συνετός πράκτορας θα πρέπει να κάνει ερωτήσεις στο χρήστη με
μια εύλογη σειρά, θα πρέπει να αποφεύγει να θέτει άσχετα ερωτήματα,
θα πρέπει να λαμβάνει υπόψη τη σπουδαιότητα κάθε τμήματος
πληροφορίας σε σχέση με το κόστος του, και θα πρέπει όταν χρειάζεται
να σταματά τις ερωτήσεις. Μπορούμε να επιτύχουμε όλες αυτές τις
ικανότητες χρησιμοποιώντας ως οδηγό την αξία των πληροφοριών.
• Για κάθε παρατηρήσιμη μεταβλητή μαρτυρίας Ej υπάρχει ένα
συσχετισμένο κόστος, Κόστος (Ej), το οποίο αντανακλά το κόστος
απόκτησης της μαρτυρίας μέσω δοκιμών, συμβούλων, ερωτήσεων, ή με
οποιοδήποτε άλλο μέσον. Ο πράκτορας ζητά να μάθει αυτή που φαίνεται
να είναι η πιο πολύτιμη πληροφορία σε σύγκριση με το κόστος της.
• Θεωρούμε ότι το αποτέλεσμα της ενέργειας Αίτημα (Ej), είναι ότι η
επόμενη αντίληψη θα παρέχει την αξία του Ej . Εάν καμία παρατήρηση
δεν αξίζει το κόστος της, ο πράκτορας επιλέγει μια "πραγματική"
ενέργεια.
16-21
16-22
Υλοποίηση ενός πράκτορα συλλογής
πληροφοριών
Ο μυωπικός έλεγχος βασίζεται στην ίδια ευρετική ιδέα
όπως και η άπληστη αναζήτηση, και συχνά αποδίδει καλά
στην πράξη. Ένας απολύτως ορθολογικός πράκτορας
συλλογής πληροφοριών θα έπρεπε να εξέταζε όλες τις
δυνατές ακολουθίες αιτημάτων πληροφοριών που
τερματίζονται σε μια εξωτερική ενέργεια, καθώς και όλα τα
δυνατά αποτελέσματα αυτών των αιτημάτων. Επειδή η αξία
του δεύτερου αιτήματος εξαρτάται από το αποτέλεσμα του
πρώτου, ο πράκτορας αυτός θα πρέπει να εξερευνήσει το
χώρο των υπό συνθήκη πλάνων.
16-23
• Συνάρτηση πράκτορα:
– function Information-Gathering-Agent(αντίληψη), returns μια
ενέργεια
– static: D, ένα δίκτυο αποφάσεων
– ενσωμάτωσε αντίληψη στο D
– j ← η τιμή που μεγιστοποιεί το VPI(Ej) – Κόστος(Ej)
– if VPI(Ej) > Κόστος(Ej)
– then return Αίτημα(Ej)
– else return η καλύτερη ενέργεια από το D
16-25
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων (1/2)
• Στένωση αορτής
σε νεογέννητα.
16-26
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
ΣΤΕΝΩΣΗ ΑΟΡΤΗΣ
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
16-28
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Δημιουργία αιτιολογικού μοντέλου (causal model).
Προσδιορισμός των δυνατών συμπτωμάτων, διαταραχών,
θεραπειών, και αποτελεσμάτων. Στη συνέχεια σχεδίαση
τόξων μεταξύ τους, τα οποία δείχνουν ποιες διαταραχές
προκαλούν το κάθε σύμπτωμα και ποιες θεραπείες
καταπραΰνουν την κάθε διαταραχή. Κάποια από αυτά θα
είναι πολύ γνωστά για τον ειδικό του πεδίου, και μερικά θα
προέλθουν από τη βιβλιογραφία. Συχνά το μοντέλο θα
ταιριάζει ικανοποιητικά με τις άτυπες περιγραφές σε μορφή
γραφήματος που δίνονται στα ιατρικά βιβλία.
16-29
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Απλοποίηση σε ποιοτικό μοντέλο λήψης αποφάσεων.
Αφού χρησιμοποιούμε το μοντέλο για να λάβουμε
αποφάσεις θεραπείας, και όχι για άλλους λόγους (όπως ο
προσδιορισμός της συνδυασμένης πιθανότητας
συγκεκριμένων συνδυασμών συμπτωμάτων και
διαταραχών), συχνά μπορούμε να το απλοποιήσουμε
αφαιρώντας τις μεταβλητές που δεν σχετίζονται με τις
αποφάσεις θεραπείας.
16-30
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Μερικές φορές οι μεταβλητές πρέπει να χωριστούν ή να
ενωθούν έτσι ώστε να ταιριάζουν με τις απόψεις του
ειδικού. Για παράδειγμα, το αρχικό μοντέλο στένωσης
αορτής είχε μια μεταβλητή Θεραπεία με τιμές εγχείρηση,
αγγειοπλαστική, και αγωγή, και μια ξεχωριστή μεταβλητή
για το Χρόνο της θεραπείας. Όμως ο ειδικός δυσκολευόταν
να τα σκεφθεί αυτά ξεχωριστά, έτσι τα συνδύασε ώστε η
Θεραπεία να παίρνει τιμές όπως εγχείρηση σε 1 μήνα.
16-31
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Απόδοση πιθανοτήτων. Οι πιθανότητες μπορούν να
προέρχονται από βάσεις δεδομένων ασθενών, μελέτες της
βιβλιογραφίας, ή υποκειμενικές εκτιμήσεις του ειδικού. Στις
περιπτώσεις στις οποίες η βιβλιογραφία παρέχει
εσφαλμένο είδος πιθανοτήτων, μπορούμε να
χρησιμοποιήσουμε τεχνικές όπως ο κανόνας του Bayes και
η περιθωριοποίηση για να υπολογίσουμε τις επιθυμητές
πιθανότητες. Έχει διαπιστωθεί ότι οι ειδικοί έχουν καλύτερη
δυνατότητα εκτίμησης της πιθανότητας ενός
αποτελέσματος με δεδομένο το αίτιο (για παράδειγμα Ρ
(δύσπνοια\καρδιακή ανεπάρκεια), παρά το αντίστροφο.
16-32
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Απόδοση χρησιμοτήτων. Όταν υπάρχει μικρός αριθμός
δυνατών αποτελεσμάτων, τα αποτελέσματα αυτά μπορούν
να απαριθμηθούν και να εκτιμηθούν μεμονωμένα. Θα
μπορούσαμε να δημιουργήσουμε μια κλίμακα από το
βέλτιστο προς το χειρότερο αποτέλεσμα και να δώσουμε σε
κάθε αποτέλεσμα μια αριθμητική τιμή, για παράδειγμα
-1000 για το θάνατο και 0 για την πλήρη ανάρρωση. Στη
συνέχεια θα μπορούσαμε να τοποθετήσουμε τα υπόλοιπα
αποτελέσματα σε αυτή την κλίμακα.
16-33
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Αυτό μπορεί να γίνει από τον ειδικό, αλλά είναι καλύτερο
εάν ο ασθενής (ή, στην περίπτωση βρεφών, οι γονείς του
ασθενή) μπορούν να συμμετάσχουν, δεδομένου ότι οι
διάφοροι άνθρωποι μπορεί να έχουν διαφορετικές
προτιμήσεις. Εάν υπάρχουν εκθετικά πολλά αποτελέσματα,
χρειαζόμαστε έναν τρόπο συνδυασμού τους με χρήση
πολυκριτηριακών συναρτήσεων χρησιμότητας. Για
παράδειγμα, μπορούμε να πούμε ότι η αρνητική
χρησιμότητα των διαφόρων επιπλοκών είναι προσθετική.
16-34
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Χρυσό πρότυπο
Επιβεβαίωση και βελτίωση του μοντέλου. Για να
αξιολογήσουμε το σύστημα, θα χρειαστούμε ένα σύνολο
σωστών ζευγών (είσοδος, έξοδος)
αυτό ονομάζεται χρυσό πρότυπο (gold standard) για τη
σύγκριση. Για τα έμπειρα ιατρικά συστήματα αυτό συνήθως
σημαίνει να συγκεντρώσουμε τους καλύτερους διαθέσιμους
γιατρούς, να τους παρουσιάσουμε μερικές περιπτώσεις, και
να τους ζητήσουμε τη διάγνωσή τους και το προτεινόμενο
πρόγραμμα θεραπείας.
16-35
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Στη συνέχεια εξετάζουμε με πόση ακρίβεια ταιριάζει το
σύστημα με τις προτάσεις τους. Εάν δεν αποδώσει καλά το
σύστημα, προσπαθούμε να απομονώσουμε τα τμήματα
που παρουσιάζουν σφάλμα και τα διορθώνουμε. Μπορεί
να αποδειχθεί χρήσιμο να εκτελέσουμε το σύστημα
"αντίστροφα". Αντί να εφοδιάσουμε το σύστημα με
συμπτώματα και να του ζητήσουμε μια διάγνωση,
μπορούμε να το δώσουμε μια διάγνωση όπως "καρδιακή
ανεπάρκεια", να εξετάσουμε την προβλεπόμενη
πιθανότητα των συμπτωμάτων, όπως η ταχυκαρδία, και να
την συγκρίνουμε με την ιατρική βιβλιογραφία.
16-36
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Εκτέλεση ανάλυσης ευαισθησίας. Αυτό το σημαντικό
βήμα ελέγχει εάν η βέλτιστη απόφαση είναι ευαίσθητη σε
μικρές μεταβολές των αποδιδόμενων πιθανοτήτων και
χρησιμοτήτων, τροποποιώντας συστηματικά αυτές τις
παραμέτρους και εκτελώντας εκ νέου την αξιολόγηση. Εάν
οι μικρές αλλαγές οδηγούν σε σημαντικά διαφορετικές
αποφάσεις, τότε μπορεί να αξίζει να καταναλώσουμε
περισσότερους πόρους έτσι ώστε να συλλέξουμε
περισσότερα δεδομένα. Εάν όλες οι παραλλαγές οδηγούν
στην ίδια απόφαση, τότε ο χρήστης θα έχει μεγαλύτερη
εμπιστοσύνη ότι αυτή είναι η σωστή απόφαση.
16-37
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Η ανάλυση ευαισθησίας είναι ιδιαίτερα σημαντική επειδή
μία από τις κύριες κριτικές για τις πιθανοτικές προσεγγίσεις
στα έμπειρα συστήματα είναι ότι είναι πολύ δύσκολο να
εκτιμηθούν οι απαιτούμενες αριθμητικές πιθανότητες. Η
ανάλυση ευαισθησίας συχνά αποκαλύπτει ότι πολλοί από
τους αριθμούς χρειάζεται να προσδιοριστούν μόνο πολύ
προσεγγιστικά. Για παράδειγμα, μπορεί να είμαστε
αβέβαιοι για την εκ των προτέρων πιθανότητα του Ρ
(ταχυκαρδία), αλλά εάν δοκιμάσουμε πολλές διαφορετικές
τιμές για αυτή την πιθανότητα και κάθε φορά η
προτεινόμενη ενέργεια του διαγράμματος επιρροών είναι η
ίδια, τότε μπορούμε να ανησυχούμε λιγότερο για την άγνοιά
μας.
16-38
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων (2/2)
• Βήματα ανάπτυξης:
– Δημιουργία αιτιολογικού μοντέλου
– Απλοποίηση σε ποιοτικό μοντέλο λήψης αποφάσεων
– Απόδοση πιθανοτήτων
– Απόδοση χρησιμοτήτων
– Επιβεβαίωση και βελτίωση του μοντέλου
• Χρυσό πρότυπο
– Εκτέλεση ανάλυσης ευαισθησίας
16-39
Ιεραρχική αναλυση
αποφασεων
Analytic hierarchy process (AHP)
Εισαγωγή
• http://www.expertchoice.com
Εισαγωγή
Σε πολλές περιπτώσεις (ή μάλλον στις περισσότερες) μία επιλογή επηρεάζεται από πολλούς
παράγοντες
Όταν μια επιλογή υπερέχει όλων των άλλων σε όλους τους παράγοντες, η επιλογή είναι
ξεκάθαρη. Συνήθως όμως αυτό δεν συμβαίνει
Κάποιες επιλογές υπερέχουν έναντι των άλλων σε κάποιους παράγοντες και υστερούν σε
κάποιους άλλους.
Η επιλογή της συνολικά καλύτερης λύσης μπορεί να είναι ένα πολύπλοκο πρόβλημα.
Επιπλέον πολλοί από τους παράγοντες μπορεί να είναι ποιοτικοί. Σε αντίθεση με τους
ποσοτικούς παράγοντες, οι ποιοτικοί είναι πιο δύσκολο να βαθμολογηθούν (εισάγεται η
υποκειμενικότητα του κριτή).
Εισαγωγή
Η Analytic Hierarchy Process (AHP) :
Στο αρχικό επίπεδο τοποθετείται ο σκοπός, στο επόμενο τα κριτήρια και στο τελικό οι
επιλογές
Εισαγωγή
Χρησιμεύει στο δύσκολο πρόβλημα της απόδοσης βάρους σε κάθε κριτήριο.
Η διαδοχική σύγκριση των κριτηρίων ανά ζεύγη είναι πιο ακριβής από την εξαρχής καθολική
Μπορεί να κάνει χρήση τόσο ποσοτικών όσο και ποιοτικών κριτηρίων στο ίδιο πρόβλημα.
Management
Resource allocation
Strategical Planning
Επιλογή προμηθευτών
Επιλογή προσωπικού
Conflict resolution
Βελτιστοποίηση
Ιεραρχική Δομή
Η AHP χρησιμοποιεί μια ιεραρχική δομή
Το πρόβλημα αποδομείται σε
Σκοπό
Κριτήρια επιλογής (ή βαθμολόγησης)
Διαθέσιμες επιλογές
Στο αρχικό επίπεδο του προβλήματος τοποθετείται ο σκοπός
Έστω ότι σκοπός ενός προβλήματος 𝑥 είναι η επιλογή μεταξύ των εναλλακτικών 𝑥1 , 𝑥2 , 𝑥3 και
τα κριτήρια τα οποία θα χρησιμοποιηθούν για να αξιολογηθούν οι επιλογές είναι 𝑐1 , 𝑐2 , 𝑐2 . Η
ιεραρχία που σχηματίζει το συγκεκριμένο πρόβλημα φαίνεται στο σχήμα που ακολουθεί.
AHP-Τα τέσσερα στάδια
1. Ιεραρχική ανάλυση του προβλήματος απόφασης σε
στοιχεία απόφασης (γενικός στόχος, κριτήρια,
χαρακτηριστικά, ..., εναλλακτικές λύσεις)
2. Συλλογή προτιμήσεων σχετικά με τα στοιχεία απόφασης
3. Υπολογισμός επιμέρους προτεραιοτήτων (βαρών) για τα
στοιχεία απόφασης
4. Σύνθεση των επιμέρους προτεραιοτήτων σε γενικές
προτεραιότητες των εναλλακτικών λύσεων
Ιεραρχική Δομή
Επιλογή
Επίπεδο 0
στόχος μεταξύ
𝑥1 , 𝑥2 , 𝑥3
Επίπεδο 1
κριτήρια 𝑐1 𝑐2 𝑐3
Επίπεδο 2
επιλογές 𝑥1 𝑥2 𝑥3
Ιεραρχική Δομή
Κάθε κριτήριο μπορεί να αποτελείται από υποκριτήρια.
Στην περίπτωση αυτή, τα υποκριτήρια τοποθετούνται σε ένα επίπεδο χαμηλότερα από το κύριο
κριτήριο.
Στην προηγούμενη περίπτωση, εάν το κριτήριο 𝑐1 αποτελούνταν από τα υποκριτήρια 𝑐11 , 𝑐12 ,
Ιεραρχική Δομή
Επίπεδο 1
κριτήρια 𝑐1 𝑐2 𝑐3
Επίπεδο 11
υποκριτήρια 𝑐11 𝑐12 𝑐13 𝑐31 𝑐32
Επίπεδο 0
στόχος 𝑥1 𝑥2 𝑥3
Ιεραρχική ανάλυση του προβλήματος απόφασης
• Αν το πρόβλημα απόφασης σε έναν Οργανισμό είναι η
επιλογή ενός ολοκληρωμένου πληροφοριακού συστήματος
(ΟΠΣ), ο απώτερος στόχος του Οργανισμού είναι η «επιλογή
του καλύτερου πληροφοριακού συστήματος» από τα
προσφερόμενα.
• Είναι προφανές ότι οι εναλλακτικές λύσεις σε ένα πρόβλημα
απόφασης είναι αδύνατο να συγκριθούν ως προς ένα τόσο
γενικό στόχο – κριτήριο.
• Στην περίπτωση του ΟΠΣ, ο απώτερος στόχος που
αναφέρεται στην ποιότητα της προσφερόμενης λύσης,
μπορεί να αναλυθεί σε κριτήρια που να αναφέρονται σε
«ποιότητα υλικού (H/W) και δικτύωσης», «ποιότητα
λογισμικού συστήματος (system S/W)», «ποιότητα
λογισμικού εφαρμογών (application S/W)», «ποιότητα
εκπαίδευσης», «ποιότητα υπηρεσιών συντήρησης» κ.λπ.
Ιεραρχική Δομή
Η ιεραρχική δομή που σχηματίζεται για το προηγούμενο πρόβλημα είναι :
Επιλογή
προγραμματιστή
Ιδιοδιάνυσμα ενός τετράγωνου πίνακα πίνακα ορίζεται το μη μηδενικό διάνυσμα 𝑥 το οποίο για
𝐴𝑥 = 𝜆𝑥 => (𝐴 – 𝜆Ι)𝑥 = 0
Για τον συγκεκριμένο τύπο πίνακα που σχηματίζεται από την AHP το ιδιοδιάνυσμα υπάρχει.
Ο πίνακας που προέκυψε από την προηγούμενη ύψωση στο τετράγωνο υψώνεται στο
τετράγωνο ξανά
Το διάνυσμα που κάθε φορά προκύπτει συγκλίνει προς μια συγκεκριμένη τιμή.
𝑟𝑖 = � 𝑤𝑖,𝑖 𝑣𝑖
𝑖=1
Ο αριθμός συγκρίσεων που πρέπει να γίνουν εάν υπάρχουν 𝒏 κριτήρια είναι 𝒏(𝒏−𝟏)�𝟐
4(4−1)
Στην περίπτωσή μας με 4 κριτήρια έχουμε �2 = 6 συγκρίσεις
Παράδειγμα εφαρμογής AHP
Ο πίνακας ο οποίος σχηματίζεται είναι :
γνώση ξένων
µόρφωση προϋπηρεσία ικανότητα επικοινωνίας
γλωσσών
µόρφωση 1 1/3 3 5
προϋπηρεσία 3 1 5 7
γνώση ξένων
1/3 1/5 1 2
γλωσσών
ικανότητα
1/5 1/7 1/2 1
επικοινωνίας
1
1 3 5 34,475
3 3,998 1,981 10,165 18,331
3 1 5 7
2 9,065 4 22,5 39 74,565
Α= 1 1 Α = τα αθροίσματα των σειρών είναι :
3 5
1 2 1,666 0,796889 3,999 7,065 13,52689
1 1 1 0,9955 0,4526 2,315 4,001 7,7641
5 7 2
1
Το άθροισμα των τιμών είναι (34,475 + 74,565 +13,52689 + 7,7641 )= 130,331 οπότε διαιρώντας καθένα από
0,264519
0,57212
τα στοιχεία με το άθροισμα παίρνουμε το κανονικοποιημένο 0,103789 (δηλαδή όλα τα στοιχεία έχουν
0,059572
άθροισμα 1)
Παράδειγμα εφαρμογής AHP
Επαναλαμβάνοντας τη διαδικασία έχουμε :
69,12517 32,24103 168,2983 295,7044 565,3689
148,8114 69,53917 362,4082 637,172 1217,931
𝐴4 = τα αθροίσματα είναι
27,58001 12,87228 67,21237 118,1381 225,8028
15,92261 7,438136 38,82276 68,26339 130,4469
0,264247
0,569246
Και το κανονικοποιημένα
0,105538
0,060969
µόρφωση 0,27
προϋπηρεσία 0,57
γνώση ξένων
0,1
γλωσσών
ικανότητα
0,06
επικοινωνίας
Κώστας 0,58
Γεωργία 0,31
Πέτρος 0,11
Κώστας 0,44
Γεωργία 0,31
Πέτρος 0,25
Στη συγκεκριμένη περίπτωση, χρησιμοποιήσαμε συγκεκριμένες τιμές όσον αφορά τις συγκρίσεις
ανά δύο, αφού τέτοιες ήταν διαθέσιμες (χρόνια προϋπηρεσίας) και όχι την κλίμακα με τις
εκτιμήσεις σπουδαιότητας 1-9
Παράδειγμα εφαρμογής AHP
Γνώση ξένων γλωσσών
Από τα στοιχεία των υποψηφίων ,ο πίνακας που διαμορφώθηκε ήταν ο εξής
Κώστας 0,12
Γεωργία 0,65
Πέτρος 0,23
Κώστας 0,31
Γεωργία 0,58
Πέτρος 0,11
Παράδειγμα εφαρμογής AHP
Τελικός υπολογισμός βαθμολογίας υποψηφίων
Η τελική βαθμολογία των υποψηφίων υπολογίζεται ως εξής :
0,57 0,3602
Γεωργία 0,31 0,31 0,65 0,58
0,1 0,2018
Πέτρος 0,11 0,25 0,23 0,11
0,06
Επισημάνσεις
Ένα πρόβλημα το οποίο μπορεί να προκύψει με τη χρήση της AHP είναι όταν στις
διαδοχικές συγκρίσεις υπάρχει ασυνέπεια.
Έστω τρία κριτήρια 𝑐1 , 𝑐2 , 𝑐2
Αν το 𝑐1 ως προς το 𝑐2 κριθεί ότι έχει βαρύτητα 2 (δηλαδή το 𝑐1 είναι λίγο σημαντικότερο από το 𝑐2 )
Και το 𝑐2 ως προς το 𝑐3 έχει βαρύτητα 3 (δηλαδή είναι αρκετά σημαντικότερο από το 𝑐3 )
Αν τέλος το 𝑐1 ως προς το 𝑐3 κριθεί ότι έχει βαρύτητα 1 (δηλαδή είναι ίσης σημασίας) ή 2 (ότι είναι
λίγο σημαντικότερο το 𝑐1 από το 𝑐3 )
Χρησιμοποιούμε ασυνεπείς εκτιμήσεις και η χρήση της διαδικασίας πολύ πιθανόν να οδηγήσει σε λάθος
αποτέλεσμα. Με απόλυτους αριθμούς η σύγκριση 𝑐1 / 𝑐3 θα έπρεπε να έχει τιμή 1/6 , αλλά και τιμές όπως
1/4 ή και 1/7 είναι αποδεκτές (τόσο όσον αφορά το υπολογιστικό κομμάτι της διαδικασίας αλλά και ως
προς το γεγονός ότι εκφράζουν την υποκειμενικότητα της ανθρώπινης κρίσης ).
Η AHP έχει μηχανισμό που ελέγχει τα αποτελέσματα για πιθανές ασυνέπειες
Από την πρώτη παρουσίαση της AHP και μετά, έχουν παρουσιαστεί και χρησιμοποιηθεί
αρκετές παραλλαγές της (π.χ. χρησιμοποιώντας διαφορετικές κλίμακες απο την 1-9, Fuzzy
AHP) .
ΑΣΑΦΗ ΓΝΩΣΤΙΚΑ ΔΙΚΤΥΑ
ΚΑΙ ΠΟΛΥΠΛΟΚΑ
ΣΥΣΤΗΜΑΤΑ
ΠΕΡΙΓΡΑΜΜΑ ΠΑΡΟΥΣΙΑΣΗΣ
Ασαφή Γνωστικά ∆ίκτυα (Fuzzy Cognitive Maps)
Ερευνητικές κατευθύνσεις
Ασαφή Γνωστικά ∆ίκτυα
(Fuzzy Cognitive Maps)
t N t 1
Ai f ( Aj Wj i ) Wi j [ 1, 1]
j 1
A [ 0, 1]
j i i
t
•A η τιμή του κόμβου C i στο βήμα t 1
i f ( x )
t 1 1 e x
•Aj η τιμή του κόμβου C j στo βήμα t-1
• Στάδιο Ι
Επιλογή πλήθους N και του είδους κόμβων Ci που αποτελούν
το ΑΓΔ
• Στάδιο ΙΙ
Καθορισμός συσχέτισης μεταξύ των κόμβων, ποιος κόμβος
επηρεάζει ποιόν.
• Στάδιο ΙΙΙ
Είδος της συσχέτισης μεταξύ δύο κόμβων: θετική Wij >0,είτε
αρνητική Wij <0 ή δεν υφίσταται.
• Στάδιο ΙV
Καθορισμός του βαθμού συσχέτισης μεταξύ δύο κόμβων, ποια
είναι η τιμή του βάρους διασύνδεσης Wij μεταξύ των κόμβων
Μ(αρνητικά πολύ ισχυρή)=το ασαφές σύνολο για 'επίδραση μικρότερη από -75%'
με συνάρτηση συμμετοχής μnvs
Μ(μηδενική)=το ασαφές σύνολο για 'επίδραση κοντά στο 0' με συνάρτηση
συμμετοχής μz
Μ(θετικά ισχυρή)=το ασαφές σύνολο για 'επίδραση κοντά στο 75%' με συνάρτηση
συμμετοχής μps
ΜΕΘΟΔΟΣ ΙΙ
ΕΑΝ μια μεταβολή Α συμβεί στην τιμή του κόμβου Ci ΤΟΤΕ μια
μεταβολή Β προκαλείται στην τιμή του κόμβου Cj και επομένως
η επίδραση του κόμβου Ci στον κόμβο Cj θα είναι Γ
ΕΑΝ μια μικρή αλλαγή συμβεί στην τιμή του κόμβου Ci ΤΟΤΕ μια πάρα
πολύ μεγάλη αλλαγή συμβαίνει στην τιμή του κόμβου Cj
Συμπέρασμα Σ4:
Η επίδραση του Ci στο Cj είναι θετική και πολύ μεγάλη και άρα το Wij είναι
θετικό και πολύ μεγάλο
ΜΕΘΟΔΟΣ ΙΙΙ
Χρήση ενός γλωσσικού κανόνα για την περιγραφή της
συσχέτισης μεταξύ δύο κόμβων και εξαγωγή μιας
συνάρτησης βάρους
ΕΑΝ η τιμή του κόμβου Ci είναι Πάρα πολύ Χαμηλή (μvvl ) ΤΟΤΕ η τιμή του
κόμβου Cj είναι Πάρα πολύ Χαμηλή (Β1)
ΕΑΝ η τιμή του κόμβου Ci είναι Πολύ Χαμηλή(μvl ) ΤΟΤΕ η τιμή του κόμβου Cj
είναι Χαμηλή (Β2)
ΕΑΝ η τιμή του κόμβου Ci είναι Χαμηλή(μl ) ΤΟΤΕ η τιμή του κόμβου Cj είναι
Πολύ Υψηλή (Β3)
Αλγόριθμοι εκπαίδευσης των Ασαφών Γνωστικών
Δικτύων
Ένα ΑΓΔ αξιοποιεί την ανθρώπινη γνώση και εμπειρία και υλοποιεί μια
συμβολική παρουσίαση της συμπεριφοράς και λειτουργίας του συστήματος
με χρήση μιας συνοπτικής και περιληπτικής μεθόδου
Ασαφή Γνωστικά Δίκτυα
Μοντελοποίηση και Έλεγχος Συστημάτων
ΔΙΑΔΙΚΑΣΙΑ
Έμπειροι
Ειδικοί
Ασαφές Γνωστικό
Δίκτυο
Αλγόριθμοι
Εκπαίδευσης
Επίπεδο ΑΓΔ
Επίπεδο διαδικασίας
Αισθητήρες Ενεργοποιητές
Ελεγχόμενη
Διαδικασία
Ανθρώπινος ΣΥΝΤΟΝΙΣΤΗΣ
παράγοντας ΑΓΔ
Διάταξη Διασύνδεσης
Συμβατικός/τοπικός Συμβατικός/τοπικός
Ελεγκτής Ελεγκτής
ΕΛΕΓΧΟΜΕΝΟ ΣΥΣΤΗΜΑ
Σήμα κινδύνου
0.40
Δ3
0.70
Σήμα κινδύνου
αισθητήρα
Βλάβη Δ6 θερμοκρασίας
διαδικασίαςl 0.97 0.24
0.33
Δ4
0.10 Δ5
Δ2 0.38
0.58
Υπερχείλιση
Βλάβη
0.39 Βλάβη
Δ1 θερμαντικού
Βαλβίδων
0.20 στοιχείου
0.22
0.37
Έννοιες- κόμβοι :
• καταστάσεις βλαβών των βαλβίδων,
• κακή λειτουργία του θερμαντικού στοιχείου,
• διαρροές από τις δεξαμενές,
• συνθήκες υπερχείλισης,
• υπέρβαση της θερμοκρασίας του υγρού,
Διάταξη
Διασύνδεσης
Δ3 Δεξαμενή2
Δεξαμενή1
Δ6 0.70 0.01
0.20 Δ8
-0.80
-0.42
Δ1 Δ5 Δ7
0.21 0.76 0.80
ΑΓΔ Δ4
Δ2 0.60
στο κατώτερο Βαλβίδα1 0.38
Βαλβίδα2 Βαλβίδα3
επίπεδο 0.55
Event 11 0.58
Δ 12
0.0
0.30
0.40
Δ 10
0.60 Θερμ. Τ2
Θερμαντικό Δ 13
Θερμ. Τ1 0.10
στοιχείο 0.09
0.20
0.05
Δ9
0.53
ΑΓΔ & Βιομηχανικά Συστήματα.
Το σύνολο των πληροφοριών που υπάρχουν σε ένα πολύπλοκο
βιομηχανικό σύστημα δημιουργούν ένα θεμελιώδες λειτουργικό
μοντέλο του συστήματος.
Εσωτερικές
μεταβολές -0.17 Λάθος
διαδικασίας χειρισμοί
Ακατάλληλη
Κόμβος C1 : Απαξίωση προϊόντος πρώτη ύλη
-0.77
0.5
Κόμβος C2 : Εσωτερικές μεταβολές διαδικασίας
0.59 0.7
Απαξίωση 0.21
Μηχανολογικά Προιόντος Επανασχεδιασμός
Κόμβος C3 : Κακής ποιότητας πρώτη ύλη προβλήματα 0.45 Διαδικασίας
0.4 0.2
0.1
Κόμβος C4 : Τεχνικά προβλήματα μηχανών -0.68 0.7 -0.2
Ο συντονιστής υλοποιεί :
• παρακολούθηση της λειτουργίας
• λήψη αποφάσεων
Λήψη
Διάγνωση
Βλαβών
Αποφάσεων • σχεδιασμό και αποστολή εντολών
Παρακολο
Σχεδιασμός
• οργάνωση του συνολικού συστήματος
Εκτέλεση
ύθηση
εντολών FCM
• στρατηγικό σχεδιασμό
• ανάλυση και πρόληψη βλαβών.
Διασύνδεση
+
∆ΙΑΦΗΜΙΣΗ
+
ΚΕΡ∆ΟΣ
-
-
ΑΥΞΗΣΗ +
ΜΙΣΘΩΝ
+
ΑΥΞΗΣΗ
ΠΑΡΑΓΩΓΗΣ
+
ΕΠΙΜΟΡΦΩΣΗ
Περιοχές εφαρμογής ΑΓ∆
Ανάλυση και λήψη αποφάσεων
Επιχειρησιακή Έρευνα
Περιγραφή της δομής φυσικού κόσμου
Μοντελοποίηση πολιτικών και κοινωνικών
συστημάτων
Ανάλυση Ηλεκτρικών κυκλωμάτων
Μοντέλα για ∆ιάγνωση σφαλμάτων
Έλεγχο συστημάτων
Έλεγχο διαδικασιών.
Επιχειρήσεις και βιομηχανικά μοντέλα
Ιατρικές εφαρμογές – Σύστημα Λήψης Απόφασης
Διάγνωση σε προβλήματα λογοθεραπείας
ΣΥΜΠΕΡΑΣΜΑΤΑ
Στόχοι Ακτινοθεραπείας:
Μέγιστη δυνατή δόση στον όγκο-στόχο (tumor)
Ελάχιστη δυνατή δόση στους υγιείς ιστούς και τα ευαίσθητα όργανα
Ασαφές Γνωστικό ∆ίκτυο-Σύστημα
Υποστήριξης Απόφασης (FCM-DSS)
Συμβολική παρουσίαση της συμπεριφοράς & λειτουργίας του συστήματος
Χρησιμοποιεί τη γνώση των έμπειρων γιατρών
Λεκτικοί κανόνες “if-then” για την περιγραφή των αλληλεπιδράσεων
Factor-Concepts: Μέγεθος του όγκου, σχήμα του όγκου, θέση, μετάσταση σε άλλα
σημεία, ομοιομορφία της δόσης, μέρος του ασθενή που ακτινοβολείται,
σκεδαζόμενη ακτινοβολία, χρόνος θεραπείας κ.τ.λ.
Selector-Concepts: ποιότητα της ακτινοβολίας, είδος, μέγεθος του πεδίου
ακτινοβόλησης, βαρύτητα πεδίου, κατεύθυνση δεσμών, αριθμός πεδίων, φίλτρα,
εμπόδια, ακινητοποίηση του ασθενούς.
Output-Concepts: (1) Δόση που λαμβάνει ο όγκος-στόχος,
(2) Ποσό του όγκου του υγιούς ιστού,
(3) Ποσό του όγκου των ευαίσθητων οργάνων που ακτινοβολείται
OUT C1 0.90
OUT C 2 0.05
OUT C 3 0.10
∆ιάγραμμα ροής του αλγορίθμου για τη
διαδικασία εποπτείας της θεραπείας
1ο Παράδειγμα
Κατασκευή και Εξομείωση Ασαφούς
Γνωστικού ∆ικτύου για υποβοήθηση στη
λήψη απόφασης στο πρόβλημα
σχεδιασμού της ακτινοθεραπείας και το
ποσοστό της δόσης στον όγκο-στόχο
του ασθενούς
40
ΑΓ∆ Λήψης Απόφασης στην
Ακτινοθεραπεία
Ένα απλό Ασαφές Γνωστικό ∆ίκτυο σχεδιάζεται για να
περιγράψει τις σχέσεις αιτίας και αποτελέσματος μεταξύ των
στόχων και των ενεργειών για το σχεδιασμό λήψης
απόφασης στο πρόβλημα της ακτινοθεραπείας. Οι κόμβοι-
έννοιες που αποτελούν το Ασαφές Γνωστικό ∆ίκτυο είναι οι
ακόλουθοι:
C1: Εντοπισμός του όγκου
C2: ∆όση που καθορίζεται από το σχεδιασμό θεραπείας
C3: Καθορισμός φίλτρου ακτινοβόλησης
C4: Ανθρώπινοι παράγοντες-εμπειρία
C5: Τοποθέτηση του ασθενή
C6: Ποιοτικός Έλεγχος
C7: Μηχανικοί Παράγοντες (Βλάβες Μηχανήματος)
C8: Τελική δόση στον όγκο-στόχο
41
• C1 • C2 • C3 • C4 • C5 • C6 • C7 • C8
Wij • C1 0 0 1 1 0 0 0 1
From Ci • C2 0 0 1 0 0 1 0 1
to Cj • C3 0 -1 0 0 0 -1 0 0
• C4 0 0 -1 0 -1 0 0 0
• C5 0 0 0 -1 0 0 1 0
• C6 1 1 0 0 0 0 0 1
• C7 0 0 0 0 0 0 0 0,5
• C8 0 0.5 0 0 0 0 0 0
42
ΑΓ∆ Λήψης Απόφασης στην
Ακτινοθεραπεία
Ερωτήματα:
Α) Να σχεδιάσετε το Ασαφές Γνωστικό ∆ίκτυο
Β) Να προσομοιώσετε το Ασαφές Γνωστικό ∆ίκτυο μέχρι το σημείο
σύγκλισής του για τις εξής αρχικές τιμές των κόμβων
C(0)=[1 0,5 0 0 0 0 0 0 0]. Να θεωρηθεί ότι η προσομοίωση σταματάει
όταν οι τιμές των κόμβων μεταξύ τριών διαδοχικών επαναλήψεων δεν
διαφέρουν μεταξύ τους.
43
C2
C6
C1
C8 C7
C3
C4 C5
44
ΑΓ∆-Υπολογισμός των τιμών
των κόμβων (1)
Η σχέση που θα εφαρμόσουμε για τον υπολογισμό των τιμών των κόμβων
σε κάθε βήμα t, με βάση τις αλληλεπιδράσεις είναι:
(t ) N (t )
A (t 1)
i S A i A j w ji
j1 1, y 0
Η συνάρτηση κατωφλίου
S(y) 0, y 0
(Threshold function)
1, y 0
0 0 1 1 0 0 0 1
0 0 1 0 0 1 0 1
0 -1 0 0 0 -1 0 0
0 0 -1 0 -1 0 0 0
Wij= 0 0 0 -1 0 0 1 0
1 1 0 0 0 0 0 1
0 0 0 0 0 0 0 0,5
0 0.5 0 0 0 0 0 0 45
(0)
2 S A 2 A j w j2 S 1 A 1 w 12 A 3 w 32 A 6 w 62 0 S(0.5 0) 1
N
A (1) (0) (0) (0) (0)
j 1
j w j3 S 0 A1 w13 A2 w23 A6 w62 0 S(0 1 1*0.5 0) 1
N
A3(1) S A3(0) A(0) (0) (0) (0)
j1
(0) N (0)
4 S A 4 A j w j4 S 0 A 1 w 14 A 2 w 24 0 S(0 1 0) 1
A (1) (0) (0)
j 1
46
ΑΓ∆-Υπολογισμός των τιμών
των κόμβων (3)
A 5(1) S A 5( 0 ) A (j0 ) w j5 S 0 A 1( 0 ) w 15 A (20 ) w 25 0 S(0 0) 0
N
j 1
(0) N (0)
A (1) A 6 A j w j6 S 0 A1 w16 A 2 w 26 A3 w 36 0 S(0 1*0.5) 1
(0) (0) (0)
6 S
j1
(0) 8 (0)
7 S A7 A j w j7 S 0 A1 w17 A2 w27 A5 w56 0 S(0 0) 0
A(1) (0) (0) (0)
j1
j wj8 S 0 A1 w18 A2 w28 A6 w68 A7 w78 0 S(1 0 0.5) 1
8
A8(1) S A8(0) A(0) (0) (0) (0) (0)
j1
47
3ο ερώτημα-∆ιαφορετική
τεχνική
Εφαρμόζουμε μια C1 C2 C3 C4 C5 C6 C7 C8
διαφορετική τεχνική για το
σχεδιασμό της t=0 1 0 1 1 0 1 0 0
ακτινοθεραπείας που
ορίζεται από τις εξής
αρχικές συνθήκες: t=1 1 0 0 1 -1 0 0 1
εντοπισμός του
όγκου(C1=1), φίλτρο t=2 1 1 0 1 -1 0 -1 1
ακτινοβόλησης (C3=1),
σημαντική εμπειρία του t=3 1 1 1 1 -1 1 -1 1
ανθρώπου (C4=1), και
ποιοτικός έλεγχος του
μηχανήματος (C6=1). t=4 1 1 1 1 -1 1 -1 1
t=5 1 1 1 1 -1 1 -1 1
Α(0)=[1 0 1 1 0 1 0 0].
t=6 1 1 1 1 -1 1 -1 1
Στο σημείο ισορροπίας η τελική
δόση και η δόση στο πλάνο
θεραπείας έχουν πάρει τις t=7 1 1 1 1 -1 1 -1 1
επιθυμητές τους τιμές=1
50
2ο Παράδειγμα: ΑΓ∆ που αναπαριστά την αύξηση
των βακτηριδίων σε μια πόλη ανάλογα με τον
πληθυσμό
51
0 0 0 0 0 0.8 0
52
ΑΓ∆ για το πρόβλημα
μόλυνσης σε μια πόλη
Η σχέση που θα εφαρμόσουμε για τον υπολογισμό των
τιμών των κόμβων σε κάθε βήμα t, με βάση τις
αλληλεπιδράσεις είναι:
N
A i(t 1) S A i(t ) A (tj ) w ji
j1
1, y 0
Η συνάρτηση κατωφλίου
S(y) 0, y 0
(Threshold function) 1, y 0
j1
(0) N (0)
2 S A2 A j w j2 S1 A1 w12 A3 w32 A4 w42 A5 w52 A6 w62 S(1 (0.3)*0 0) 1
A(1) (0) (0) (0) (0) (0)
j1
j w j3 S 0 A1 w 13 A 2 w 23 A 6 w 62 S(0 1*0.6 0) 1
N
A 3(1) S A 3(0) A (0) (0) (0) (0)
j1
(0) N (0)
4 S A 4 A j w j4 S 0 A 1 w 14 A 2 w 24 0 S(0 1* 0.9 0) 1
A (1) (0) (0)
j 1
j w j5 S 0 A1 w15 A 2 w 25 A 3 w 35 A 4 w 45 S(0 0) 0
N
A 5(1) S A 5(0) A (0) (0) (0) (0) (0)
j 1
(0) N (0)
6 S A 6 A j w j6 S 0 A1 w 16 A 4 w 46 A 5 w 56 A 7 w 76 S(0 0) 0
A (1) (0) (0) (0) (0)
j 1
54
Βήματα υπολογισμού των τιμών των
κόμβων-Σημείο Σύγκλισης
C1 C2 C3 C4 C5 C6 C7
t=0 1 1 0 0 0 0 0
t=1 1 1 1 1 1 0 1
t=2 1 1 1 1 o 0 o
t=3 1 1 1 1 1 -1 1
t=4 1 1 1 1 1 -1 1
t=5 1 1 1 1 1 -1 1
N
A i(t 1) S A i(t ) A (tj ) w ji
j1
χρησιμοποιήσουμε τη σχέση που δεν περιλαμβάνει τις προηγούμενες
τιμές των κόμβων, δηλ. την:
∆εν είν αι δυν ατή η προβολ ή αυτής της εικόν ας αυτή τη στιγ μή.
Για τις ιδιες αρχικές συνθήκες, (αρχικό διάνυσμα τιμών των κόμβων
Α(0)), πάλι καταλήγω στην ίδια κατάσταση ισορροπίας αλλά μετά από 7
βήματα.
Επομένως και οι δύο σχέσεις οδηγούν σε σύγκλιση του αλγορίθμου
αλλά πιο γρήγορα καταλήγουμε με την πρώτη σχέση όπου λαμβάνονται
σε κάθε βήμα t και οι προηγούμενες τιμές των κόμβων προκειμένου να
συνεισφέρουν στην εξομείωση του μοντέλου ΑΓ∆. 56
3ο Παράδειγμα
Ασαφές Γνωστικό ∆ίκτυο για την
αναπαράσταση της εμπειρίας του
χρήστη και τις επιλογές αναζήτησης
μέσω του διαδικτύου
(Users’ experience and search on the
WWW)
57
59
60
ΑΓ∆ για αναζήτηση στο
WWW-1η Περίπτωση
Το διάνυσμα εισόδου με τις αρχικές τιμές των κόμβων για επιλογή
κατευθυνόμενης αναζήτησης (search oriented) και αποτυχία χρήστη (Failure)
είναι: C(0)=[1 0 0 0 0 0 1]=F1
62
ΑΓ∆ για αναζήτηση στο
WWW-3η Περίπτωση
Το διάνυσμα εισόδου με τις αρχικές τιμές των κόμβων για επιλογή κατευθυνόμενης
αναζήτησης (search oriented)--C1=1 και επιτυχία χρήστη (Success)-C5=1 είναι:
C(0)=[1 0 0 0 1 0 0]=F1
Κέλυφος (shell)
Συνδυασμός της διασύνδεσης με το μηχανισμό εξαγωγής συμπερασμάτων
Προέρχεται από την αφαίρεση της βάσης γνώσης από ένα σύστημα γνώσης
Αποτελεί εργαλείο ανάπτυξης συστημάτων γνώσης
Κέλυφος εμπείρων συστημάτων (expert system shell)
Βάση Γνώσης - Knowledge Base
Περιέχει τη γνώση του συστήματος
Υπάρχουν διάφορες μορφές αναπαράστασης γνώσης
π.χ. κανόνες, πλαίσια
Στατική:
Δε μεταβάλλεται κατά τη διάρκεια εκτέλεσης του προγράμματος.
Αρχικά δεδομένα, διαδικασίες, κανόνες, πλαίσια
Περιγραφή του προβλήματος και των γνωσιολογικών διαδικασιών επίλυσής
του
Δυναμική:
Χώρος εργασίας (working memory).
Μερικά συμπεράσματα που δημιουργούνται κατά την εκτέλεση του
προγράμματος
Τελική λύση του προβλήματος
Χρονοπρογραμματιστής (scheduler):
Αποφασίζει πότε και με ποια σειρά θα χρησιμοποιηθούν οι κανόνες
Επιλύει το πρόβλημα της συγκρούσεως (conflict)
Στρατηγικές επίλυσης συγκρούσεων:
Ποιοι κανόνες είναι υποψήφιοι για να λύσουν το πρόβλημα
Μηχανισμός Επεξήγησης
Ερωτήσεις του χρήστη σχετικά με:
Τους σκοπούς των ερωτήσεων
Την πορεία του συλλογισμού
Ο μηχανισμός επεξήγησης αλληλεπιδρά με το μηχανισμό εξαγωγής
συμπερασμάτων
Η πορεία της συλλογιστικής συνδέεται άμεσα με τον τρόπο εκτέλεσης των
κανόνων.
Ερωτήσεις:
Πώς (how) κατέληξε σε ένα συμπέρασμα
Κρατάει πληροφορίες σχετικά με την αποδεικτική διαδικασία
Ο χρονοπρογραμματιστής:
Ελέγχει τα δεδομένα που υπάρχουν στο μαυροπίνακα
Κρίνει σε ποια πηγή γνώσης πρέπει να επιτραπεί η πρόσβαση
Διατηρεί ατζέντα με αιτήσεις πηγών γνώσης για πρόσβαση στο μαυροπίνακα
Σε κάθε κύκλο εκτέλεσης επιτρέπει πρόσβαση σε μία μόνο πηγή γνώσης
Εάν δεν υπάρχει καμία αίτηση η λειτουργία του συστήματος τερματίζεται
Κυριότερα ζητήματα:
Είναι το πρόβλημα κατάλληλο για επίλυση από σύστημα γνώσης ή συμβατικό
πρόγραμμα;
Υπάρχουν έτοιμες μελέτες περιπτώσεων επίλυσης του προβλήματος (case-
studies);
Ποια είναι τα οφέλη από την κατασκευή του συστήματος γνώσης;\
Η απόκτηση γνώσης και η παρουσία ειδικού είναι απαραίτητη ακόμα και όταν η
γνώση δεν είναι εμπειρική.
Συλλογιστική των μοντέλων: Ο μηχανικός γνώσης δεν είναι πάντα δυνατό να
μπορεί να ερμηνεύσει τα εγχειρίδια επιστημονικής γνώσης.
Συλλογιστική των περιπτώσεων: Ο ειδικός καθορίζει τη σπουδαιότητα των
χαρακτηριστικών, τη μέθοδο δεικτοδότησης, τη μέθοδο προσαρμογής των
λύσεων, κλπ.
Μοντελοποίηση Γνώσης
Knowledge Analysis & Modeling
Ανάλυση της γνώσης από το μηχανικό με σκοπό τη δημιουργία ενός μοντέλου της
γνώσης.
Η αναπαράσταση της γνώσης γίνεται με διάφορες ημιδομημένες μορφές
αναπαράστασης.
Υπάρχουν μεθοδολογίες που τυποποιούν τη μοντελοποίηση της γνώσης (KADS).
Το μοντέλο βοηθά στο να αποκαλυφθούν ατέλειες, ασάφειες και ελλείψεις στη
γνώση
Σχεδίαση
Προσδιορίζονται:
Η μορφή της αναπαράστασης της γνώσης και η συλλογιστική
Το εργαλείο για την ανάπτυξη του συστήματος γνώσης.
Παράγεται η αρχιτεκτονική του συστήματος
Λειτουργικές υπομονάδες (modules) του συστήματος
Λειτουργικότητα της κάθε υπομονάδας
Αλληλεξαρτήσεις υπομονάδων
Υλοποίηση
Κωδικοποιείται το μοντέλο της γνώσης χρησιμοποιώντας εργαλεία ανάπτυξης
Αρχικά αναπτύσσεται ένα πρωτότυπο σύστημα.
Επιδεικνύεται στον ειδικό και σε μία μικρή ομάδα χρηστών
Καθοδηγεί στη συνέχεια την ανάπτυξη, ή
Οδηγεί σε επανασχεδιασμό όταν δεν ικανοποιεί τις απαιτήσεις που τέθηκαν
στην αρχή.
Επαληθεύει τη γνώση που αποκτήθηκε από τον ειδικό και μοντελοποιήθηκε
από το μηχανικό γνώσης.
Το βάθος της γνώσης πρέπει να είναι μεγάλο.
Πρέπει να μπορεί επιλύσει πλήρως μερικά από τα προβλήματα για τα οποία
προορίζεται το σύστημα γνώσης.
Το εύρος της γνώσης δε χρειάζεται να είναι μεγάλο.
Δεν είναι αναγκαίο να αντιμετωπίζει πολλές περιπτώσεις.
Επαλήθευση και Έλεγχος Αξιοπιστίας
Επαλήθευση (verification):
Έλεγχος της συμβατότητας του συστήματος με τις αρχικές προδιαγραφές.
Επιβεβαίωση της συνέπειας και πληρότητας της κωδικοποίησης της γνώσης
που περιέχεται στο σύστημα
Ειδικός είναι το άτομο που έχει ειδική γνώση ή ικανότητα πάνω σε ένα θέμα.
Γνώση: Κατανόηση του κόσμου η οποία αποκτάται μέσω εμπειρίας ή μελέτης.
Πληροφορίες, εμπειρίες, ικανότητες, δεξιότητες
Είδη γνώσης:
Αντικείμενα, γεγονότα, διαδικασίες, κτλ.,
Βαθιά-επιφανειακή γνώση (deep-shallow knowledge).
Ρητή και άρρητη γνώση (explicit-tacit knowledge)
Προβλήματα στην Εκμαίευση της Γνώσης
Παράδοξο της ειδίκευσης
Όσο πιο πολύ ισχυρίζεται κάποιος ότι είναι ειδικός σε κάποιο θέμα, τόσο πιο
δύσκολη είναι η ανταλλαγή πληροφοριών μαζί του.
Ευσεβής πόθος (wishful thinking)
Ο ειδικός εκφράζει το τι θα έπρεπε να γίνεται και όχι το τι πραγματικά γίνεται.
Κατάλληλο υπόβαθρο γνώσης του μηχανικού γνώσης.
Έλλειψη χρόνου
Ο μηχανικός γνώσης πρέπει να διασφαλίσει ότι ικανοποιούνται οι στόχοι της
συνέντευξης.
Αμεροληψία του μηχανικού γνώσης
Ανεπιτήδειος έμπειρος (inexpert expert)
Aπροθυμία του ειδικού να μεταδώσει γνώση
Ο ειδικός μπορεί να μην είναι εξοικειωμένος στη διαδικασία της εκμαίευσης γνώσης
Αδυναμία του ειδικού να θυμηθεί ακριβώς τη ροή των γεγονότων σε παλιές
περιπτώσεις
Επικοινωνιακά προβλήματα του ειδικού ή/και του μηχανικού γνώσης
Υποκειμενικότητα του ειδικού
Είδη Συνεντεύξεων
Μη-δομημένες συνεντεύξεις.
Γενικές ερωτήσεις που υποβάλλονται με την ελπίδα της καταγραφής όσο
περισσότερων πληροφοριών
Ημιδομημένες συνεντεύξεις.
Σειρά ανοιχτών ερωτήσεων και θεμάτων που πρέπει να καλυφθούν.
Δομημένες συνεντεύξεις.
Ερωτηματολόγιο με αυστηρά καθορισμένη δομή που περιλαμβάνει
συγκεκριμένες ερωτήσεις σχετικές με τα χαρακτηριστικά του προβλήματος
Τεχνικές Συνέντευξης 1/4
Άμεση Παρατήρηση
Ο μηχανικός γνώσης πρέπει να παρατηρεί, να ερμηνεύει και να καταγράφει τις
διαδικασίες επίλυσης προβλημάτων στο φυσικό τους χώρο
Η παρατήρηση μπορεί να εκτρέψει την προσοχή των υπολοίπων υπαλλήλων
Η καταγραφή των γεγονότων απέχει χρονικά από τα ίδια τα γεγονότα, συνεπώς
μπορεί να υπάρξουν λάθη
Είναι απαραίτητο οι επισκέψεις να είναι σύντομες και επαναλαμβανόμενες
Ανάλυση Πρωτοκόλλου
Ο ειδικός καλείται να λύσει ένα πρόβλημα σκεπτόμενος μεγαλόφωνα
Αποτελεσματικός τρόπος καταγραφής της διαδικασία σκέψης
Βοηθάει τον ειδικό να συνειδητοποιήσει τις διαδικασίες τις οποίες περιγράφει
Η μέθοδος βοηθάει αργότερα στην αναπαράσταση της γνώσης
Υπολογίζεται, σε ένα νέο πλέγμα, πόσο όμοια ή ανόμοια είναι τα στοιχεία της
περιοχής μεταξύ τους.
Η μέθοδος χρησιμοποιείται συνήθως στα αρχικά στάδια της απόκτησης της γνώσης
Επαλήθευση (verification)
Η ορθή ανάπτυξη του συστήματος (O'Keefe, 1987) - Building the system right.
Έλεγχος της συμβατότητας του συστήματος με τις αρχικές προδιαγραφές.
Επιβεβαίωση της συνέπειας και πληρότητας της κωδικοποίησης της γνώσης που
περιέχεται στο έμπειρο σύστημα.
Έλεγχος λαθών που οφείλονται στους κατασκευαστές του συστήματος.
Δεν ελέγχεται η ίδια η γνώση που εκμαιεύτηκε αλλά ο τρόπος με τον οποίο
υλοποιήθηκε.
Ο έλεγχος πραγματοποιείται από το μηχανικό της γνώσης με τη βοήθεια
εργαλείων (π.χ. CHECK, TEIRESIAS)
Υπάρχουν λάθη
Σε συστήματα Κανόνων
Στις δομημένες αναπαραστάσεις γνώσης.
Λάθη ταξινόμησης
Κάποια κλάση τοποθετείται σε άλλο σημείο της ιεραρχίας από εκείνο που θα
έπρεπε.
Λάθη ιδιοτήτων
Κάποιες ιδιότητες (slots) τοποθετούνται σε λάθος σημεία της ιεραρχίας.
Π.χ. αν κάποια ιδιότητα s αποδίδεται και στις δύο υποκλάσεις B και C της
κλάσης A, τότε το ορθότερο είναι η ιδιότητα αυτή να ορισθεί στην κλάση A αντί
στις υποκλάσεις της.
Λάθη τιμών
Οι ιδιότητες κάποιων αντικειμένων είτε παίρνουν τιμές αντίθετες με τους
περιορισμούς της ιδιότητας, είτε παίρνουν την εξ' ορισμού τιμή, ενώ δεν είναι
απαραίτητο.
Λάθη στα Συστήματα Κανόνων
Πιθανά συντακτικά και σημασιολογικά λάθη σε συστήματα κανόνων.
Αν ισχύει μόνο temperature hot και humidity high η βεβαιότητα καταιγίδας είναι
0,7 (λόγω rule8).
Αν επιπλέον ισχύει ότι pressure low, τότε η βεβαιότητα αυξάνει σε 0,85 (λόγω rule8
και rule7).
Κυκλικοί Κανόνες (circular rules)
Δημιουργούν προβλήματα τερματισμού (αέναος βρόχος - infinite loop)
Εμφανίζονται με 2 μορφές:
Συντακτικά κυκλικοί κανόνες: Η συνθήκη κάποιου κανόνα αποτελεί συμπέρασμα
κάποιου άλλου και αντίστροφα.
(defrule rule9 (defrule rule10
(brothers ?x ?y) (same-parents ?x ?y)
=> (assert (same-parents ?x ?y))) => (assert (brothers ?x ?y)))
Πολλές φορές τέτοιες καταστάσεις προκαλούνται όχι λόγω άχρηστων συνθηκών αλλά
λόγω:
Ελλιπών συνθηκών
Λάθος κωδικοποίηση της γνώσης
Λάθος στην εκμαιευμένη γνώση
Αδιέξοδοι Κανόνες (dead-end rules)
Κανόνες με συμπεράσματα τα οποία:
Δεν ανήκουν στα τελικά συμπεράσματα του συστήματος.
Δεν εμφανίζονται στις συνθήκες άλλων κανόνων.
Παράδειγμα
(defrule rule15
(gas-gauge empty)
=> (assert (gas-tank empty)))
Διαπίστωση της ορθότητας του τελικού συστήματος σε σχέση με τις ανάγκες και
απαιτήσεις του τελικού χρήστη.
Επιβεβαίωση της ορθότητας των αποτελεσμάτων του συστήματος
Επιβεβαίωση ότι το σύστημα ανταποκρίνεται στις απαιτήσεις των χρηστών
Μέτρηση Αξιοπιστίας
Ακρίβεια (accuracy): Ποσοστό των αποδεκτών απαντήσεων του συστήματος
Αποδεκτές απαντήσεις είναι αυτές που συμπίπτουν σε αυτές ενός ειδικού
Επάρκεια (adequacy): Ποσοστό κάλυψης (coverage) του πεδίου γνώσης του
προβλήματος
Π.χ. ένα σύστημα κατηγοριοποίησης αναγνωρίζει σωστά το 83% των ειδών
Θα μπορούσε το ποσοστό να περιέχει και βάρη, δίνοντας μεγαλύτερη έμφαση
στα σημαντικότερα στοιχεία του πεδίου της γνώσης
Λάθη στην Αναπαράσταση της Γνώσης
Λάθη απόφασης: Συμβαίνουν όταν το σύστημα καταλήγει σε λάθος αποτέλεσμα
Επηρεάζουν την ακρίβεια του συστήματος
Διαπιστώνονται εύκολα, αλλά εντοπίζονται και διορθώνονται δύσκολα
Λάθη παράλειψης: Συμβαίνουν όταν το σύστημα δεν μπορεί να καταλήξει σε
αποτέλεσμα
Η απαραίτητη γνώση για να λυθεί κάποιο πρόβλημα παραλήφθηκε
Επηρεάζουν την επάρκεια του συστήματος
Διαπιστώνονται δύσκολα γιατί η δοκιμαστική περίπτωση (test case) που θα
αποκαλύψει την έλλειψη δεν είναι προφανής στο μηχανικό γνώσης