Ekspertni sistemi u poslovanju

Inžinjering znanja
(Knowledge engineering)

Savo Stupar
Softverski resursi ES su:
2

• Mašina za zaključivanje (Inference Engine) je

program za procesiranje znanja (kao što su
pravila i činjenice) vezane za specifičan
problem
• Programi korisničkog interfejsa (User Interface
Programmmes) sadrži komunikacijske
elemente prema korisniku uključujući i
programe za objašnjavanje procesa
rezonovanja ukoliko korisnik treba i takva
objašnjenja. Programi za akviziciju znanja nisu
dio ES ali su softverski alat za izgradnju baze
znanja kako što su to i ES školjke (ES shells)
koje se koriste za razvoj ES
Znanje
3

znanje

vještna intuicija činjenice

pravila delanje objašnjenje slutnja mjerenje događaj

zanata

imlicitno znanje eksplicitno znanje

može se iskusiti može se učiti

Implicitno, prećutno ili znanje koje se podrazumijeva: akumulirano

iskustvo, mentalno shvatanje, oštroumnost, ekspertiza, stručne tajne, skup
vještina. Njegove karakteristike su: razbacano, nestrukturirano i bez
propisane forme.
Eksplicitno znanje: Naredba, propis, procedura, izvještaj, plan, strategija,
cilj, infrastruktura IT, znanje koje je kodifikovano (dokumentovano) u obliku
u kojem može biti dostavljeno drugim.
ES, kao sistemi zasnovani na znanju
4

 Znanje je ključni faktor u odlučivanju i rješavanju

problema
 Ekspertni sistemi i ostali na znanju zasnovani IS (KBIS
- Knowledge Based IS) su jedna od najpraktičnijih i
najraširenijih aplikacija vještačke inteligencije u
poslovanju.
 Cilj izgradnje i primjene ES u poslovanju je pretvaranje
(transformacija) implicitnog u eksplicitno znanje, da bi
se to implicitno (tacit) znanje eksperata pretočilo u
softver računara i na taj način i u svakom trenutku
postalo dostupno velikom broju mogućih korisnika.
 Moć ekspertnog sistema ne proizilazi iz šema
zaključivanja, niti iz formalizama koje on koristi, nego
iz kvaliteta znanja koje je pohranjeno u njegovu bazu
znanja.
Struktura znanja u bazi ES po Feigenbaumu
5

• Činjenice kao skup informacija, koje su

rasprostranjene u naučnoj javnosti i o kojima su
eksperti manje ili više saglasni.

• Heursitici su pretežno lična pravila rasuđivanja i

nagađanja, karakteristična za odlučivanje nekog
eksperta u datoj oblasti. Tu spadaju vještine, koje
se stiču iskustvom, intuicija, koju takođe treba
trenirati i vjerovati joj, te mudrost, samoinicijativa i
težnja za postignućem dotičnog eksperta.
Problemi predstavljanja znanja U ES
6

 Da li se neizrecivo znanje (“tacit knowledge” )

može dokučiti i na pravi način formalizirati
(predstaviti) u bazi znanja ES?
 Da li su u bazu znanja ugrađena stvarna znanja,
kako se obično tvrdi ili su to samo suhoparni
modeli znanja?
 Da li se u ES zaista ulaže znanje eksperata ili
“znanje minus osoba”?
 Da li se znanje može otuđiti od osobe (eksperta)?
 Šta se izostavlja takvim eventualnim otuđivanjem?
 Koji je kvalitet kontrole za manipulisanje znanjem,
koji je sastavni dio mehanizma za zaključivanje
Faze razvoja ES (sticanja znanja U ES)
7

 Identifikacija
• određivanje karakteristika problema i izbor problema
pogodnog za rješavanje ekspertnim sistemom
 Konceptualizacija
• nalaženje i eksplikacija pojmova i relacija potrebnih
za opisivanje procesa rješavanja problema u
odabranom domenu
 Formalizacija
• oblikovanje strukture za organizovanje znanja
(strukturiranje znanja)

 Implementacija
• formulisanje pravila za kreiranje baze znanja

 Provjeravanje
• kontrola validnosti (konzistentnosti) pravila kojima
se organizuje znanje
Akvizicija (sticanje i prikupljanje) znanja
8

 Akvizicija znanja je složeni proces prenosa i

transformacije ekspertize rješavanja problema iz
nekog izvora znanja u program.

 Svrha crpljenja znanja od eksperta:

• Postizanje što potpunijeg i tačnijeg opisa tog

znanja (transformacija implicitnog ili prećutnog
znanja u eksplicitno znanje)

• Predstavljanje (opis) načina na koji se ekspert

koristi svojim znanjima prilikom rješavanja
problema u uslovima neizvjesnosti u tom
domenu ekspertize (nestrukturirani ili slabo
strukturirani problemi)
Teškoće u crpljenju znanja od eksperata
9

 Nedovoljno znanje o samom znanju

 Nezadovoljavajuća osjetljivost na mjeru znanja koju
ekspert posjeduje. Psihološka istraživanja pokazuju da:
• Povjerenje eksperata u rješenje problema je obrnuto
proporcionalno težini zadatka
• Eksperti su skloni da suviše veliko povjerenje pridaju
heuristicima, kojima se koriste prilikom prosuđivanja o
problemu.
• Eksperti su dovoljno umni da koriste heuristike, koji iako
pogrešivi, često vode uspješnom rješavanju problema,
ali i nedovoljno savršeni da vide i ograničenja tih
heuristika (heuristika = pretpostavke, nagađanja,
vjerovanja)
 Crpljenje neizrecivog znanja (tacit knowledge) od eksperta
je veoma teško, a ponekad i nemoguće postići.
 Znanje koje se crpi od eksperta je više “znanje minus
osoba” nego znanje
 Proizvodi prikupljanja znanja u ES nisu sama znanja, nego
modeli znanja
Metode i tehnike akvizicije znanja
10

 Ispitivanje eksperata:

• Intervjui
• Upitnici
• Skale procjenjivanja
• Repertoarske rešetke
• Tehnike kritičnih događaja
• Tehnike uparivanja karakteristika i odluka
• Razlikovanje ciljeva
• Reklasifikacija
• Analiza odlučivanja

 Posmatranje eksperta na djelu

Ispitivanje eksperata
Repertoarske rešetke 11

 Svaki ekspert ima svoj lični, teorijski obrazac svijeta:

• On predviđa i nadzire procese i događaje tako što:
• Izgrađuje vlastite teorije
• Provjerava svoje hipoteze
• Vrednuje iskustveno svjedočanstvo
 Da bi se saznalo gledište eksperta o problemu ekspertize,
koriste se “repertoarske rešetke”, a to su:
• Elementi (ključni primjeri koje daje ekspert)
• Konstrukti (karakteristike koje svaki element ima u
određenoj mjeri)
Način dolaska do znanja: Elementi se ocjenjuju, opisuju i
upoređuju s obzirom na mjeru, odnosno stepen u kojem
posjeduju svaki konstrukt. Procjenjivanje se vrši skalom
procjenjivanja. Analiza podataka dobivenih ovom tehnikom,
vrši se faktorskom i klasterskom analizom.
Ispitivanje eksperata
Multidimenzionalno skaliranje 12

 Skup tehnika analize strukture ulaznih podataka,

prikazanih u vidu matrice odnosa između
objekata sa nepoznatom dimenzionalnošću,
pomoću kojih se iz raspoloživih informacija o
rastojanjima između objekata i iz nekih
pretpostavki određuje minimalna dimenzionalnost
odnosa između tih objekata i konfiguriše raspored
objekata u takvom dimenzionalnom prostoru
(odnosno određuje položaj svakog od tih objekata
na svakoj dimenziji)
 Postoji:
• Metričko multidimenzionalno skaliranje (ulazni
i izlazni podaci su u intervalu)
• Nemetričko (ulazni i izlazni podaci su u
ordinalitetu)
Ispitivanje eksperata
Tehnika kritičnih događaja 13

 Sastoji se od tri faze:

1. Ekspert detaljno opisuje teške, značajne i
zanimljive slučajeve iz svog iskustva.
2. Ekspert detaljno opisuje svoje ponašanje,
doživljavanje i osjećanje u tim slučajevima.
3. Od eksperta se traži da u evociranim mislima i
ponašanju, ocijeni ono što je bilo presudno za
uspješno ili neuspješno rješenje problema.
• Nedostatak ove metode:
• Teški i zanimljivi slučajevi su ipak netipični
uzorak osnovnog skupa slučajeva, pa se
informacije dobivene o njima moraju obazrivo
tumačiti i uopštavati.
Ispitivanje eksperata
Tehnika uparivanja karakteristika i odluka 14

• Razlog za korištenje ove tehnike je taj što eksperti

nisu u stanju da verbalizuju (objasne na prihvatljiv
način) pravila nagađanja i heuristike kojima se
rukovode rješavajući neki problem
• Suština ove tehnike - od eksperta se traži da:
• navede skup mogućih značajnih
karakteristika problemske situacije i skup
mogućih odluka, a zatim da:
• upari skup karakteristika sa odgovarajućim
odlukama.
• Efekat korištenja ove tehnike: Umjesto izričito,
pravila su izražena prećutno.
Ispitivanje eksperata
Razlikovanje ciljeva 15

• Hijerarhijska struktura ciljeva (HSC) u

obavljanju nekog zadatka:
• Da bi se riješio neki problem (obavio neki
zadatak) mora postojati krajnji cilj, te ciljevi koji
se moraju prethodno postići da bi se došlo do
konačnog cilja (posredni i neposredni.
• Suština ove tehnike je:
• Od eksperta se traži da za neki identifikovani cilj
u HSC, navede skupove nužnih i dovoljnih
razloga za razlikovanje tog cilja od drugih
ciljeva u HSC
• Efekat: Navođenjem takvih svjedočanstava za sve
identifikovane ciljeve, od konačnih do neposrednih,
opisuje se prava priroda tih ciljeva, te izgrađuje
strukturirani model znanja o datom problemu.
Ispitivanje eksperata
Reklasifikacija 16

• Razlika u odnosu na ostale metode:

• U većini metoda crpljenja znanja, ekspert
počinje opisivanjem činjenica, karakteristika,
simptoma, te njihovim postepenim grupisanjem,
približavajući se tako konačnom cilju
• Suština reklasifikacije:
• Polazi se od ciljeva i ide unatrag ka činjenicama,
karakteristikama i simptomima.
• Zadatka eksperta je da svaki pojedinačni cilj
raščlani na podciljeve i reklasifikuje na razloge
za te ciljeve
• Efekat: Opšti razlozi za ciljeve raščlanjuju se na
sve specifičnije svjedočanstvo, sve do opipljivih
karakteristika, simptoma, činjenica.
Ispitivanje eksperata
Analiza odlučivanja 17

• Suština ove tehnike:

• Identifikuje se problem odlučivanja
• Identifikuju se ciljevi
• Identifikuju se moguće odluke
• Specificiraju se moguća (neizvjesna) stanja
• Specificiraju se moguće posljedice varijanti akcija
• Procjenjuju se korisnosti posljedica
• Procjenjuju se distribucije vjerovatnoće posljedica
• Određuju se kriteriji odlučivanja
• Alati:
• Tabele odlučivanja
• Stablo odlučivanja
• Efekat: Dolazak do znanja neophodnih za odlučivanje
u datoj problemskoj oblasti
Posmatranje eksperta na djelu
18

 Razlika u odnosu na prethodne metode:

• Od eksperta se tražilo da se prisjeti šta je radio ili
da zamisli kako bi postupao pri rješavanju
određenog problema, a ovaj metod je usredsređen
na ono što ekspert čini u aktuelnoj situaciji.
• Posmatranje eksperta dok stvarno rješava neki
konkretan slučaj u životnoj situaciji ili zamišljeni
slučaj u simuliranoj situaciji.
• Glasno razmišljanje eksperta (razjašnjenja i
obrazloženja svojih procjena, odluka i postupaka)
tokom rješavanja problema ili snimanje radnog
ponašanja eksperta, te naknadno obrazlaganje
tog ponašanja.
 Kvalitet ove tehnike (opravdanost uopštavanja
nalaza dobivenih primjenom ove tehnike) zavisi od
korišćenja uzorka.
Tendencije razvoja metoda akvizicije znanja ES
19

 Učenje na osnovu kazivanja

• Ulaz u ES su činjenice i pravila iz domena o kojem je
riječ. Prilikom dodavanja nove stavke znanja nekom
uređenom skupu već raspoloživih znanja, u sistemu
mogu da nastanu tri različite situacije:
• Novu stavku znanja je moguće dedukovati iz
postojećeg znanja (odbacivanje uz obrazloženje)
• Nova stavka je u logičkom neskladu sa postojećim
znanjem (dodaje se, odbacuje ili uključuje kao
izuzetak)
• Nova stavka nije deduktivno izvodiva iz raspoloživog
znanja ili je u logičkom neskladu s njim pa se
uključuje u njega
 Učenje indukcijom na osnovu skupa primjera
(otkrivanje novog znanja)
• Ako je dat skup primjera (slučajeva) sa određenim
atributima, posredstvom induktivnog algoritma, stiče se
odgovarajuće znanje. Kvalitet parvila zavisi od primjera,
njihovih atributa i klasifikacije i od induktivnog algoritma
 Učenje opservacijom i otkrićem
Načini predstavljanja znanja
20

 Predstavljanje znanja je izgrađivanje stilizovane

verzije znanja o nekoj oblasti stvarnosti putem
skupa sintaksičkih i semantičkih konvencija, sa
ciljem da se tim znanjem rasvijetli sama saznata
oblast stvarnosti. Postoje dva nivoa predstavljanja
znanja:

• Apstraktno predstavljanje putem izraza koji

označavaju različita stanja stvari u tom domenu

• Konkretno predstavljanje putem izraza koji su

uskladišteni kao strukture podataka
Kriteriji za odabir način predstavljanja znanja
21

 Da li odabrani način predstavljanja znanja

podržava ES u efikasnom i efektivnom obavljanju
svoje funkcije

 Da li odabrani način predstavljanja olakšava

dodavanje novog i mjenjanje raspoloživog znanja

 Da li odabrani način predstavljanja omogućava

razvijanje i primjenu različitih metoda korišćenja
znanja i

 Da li odabrani način predstavljanja dopušta

razdvajanje deklarativnog od proceduralnog
Formalizmi koji se koriste u predstavljanju znanja
22

 Iskazni račun (elementi)

• Formule, koje koriste odgovarajuće simbole i
• Pravila izgrađivanja formula i
• Uslovi, koji bi trebalo da budu zadovoljeni da bi se
iskaz smatrao istinitim
 Predikatni račun
 Semantičke mreže
• Jedan od najstarijih načina predstavljanja znanja,
kojom se objekat (entitet) u domenu ekspertize i
deskriptori (kojima se saopštavaju dodatne
informacije o objektima, a one se tiču atributa i
vrijednosti)m formalizuju kao čvorovi, dok se
odnosi između njih prikazuju “vezama”:
• Odnos klasa – slučaj (veza “je”)
• Identifikacija čvorova, koji su svojstva drugih
čvorova (veza “ima”)
 Trojke objekat-atribut-vrijednosti
 Frejmovi
 Produkciona pravila
Trojke objekat-atribut-vrijednosti
23

 Objekti u ovom načinu predstavljanja znanja:

• Neki stvarni ili pojmovni (apstraktni) entiteti u
oblasti ekspertize
 Atributi
• Svojstva (osobine) koje posjeduju objekti ili
svojstva kojima su povezani sa objektima
 Vrijednosti
• Pojedinačne vrijednosti, koje iz određenog
skupa atributi mogu uzimati
 Faktor povjerenja
• Kada se razmatraju neizvjesna stanja stvari,
trojci O-A-V, se može dodati “faktor
povjerenja”, a to je brojčani ponder (težinski
faktor), koji se pripisuje nekom događaju ili
odnosu i predstavlja stepen povjerenja u njega
Frejmovi
24

• Frame (okvir) služi za označavanje načina opisivanja

nekog objekta ili pojave (M. Minsky)
• To je opis objekta koji sadrži slotove za “smještanje”
svih informacija povezanih sa datim objektom
• Frame je takav formalizam predstavljanja znanja koji
povezuje objekat sa nekim osobenostima
(karakteristikama) od kojih je svaka smještena u
slotu.
• Slot je komponenta u sistemu frame-a, a osobenosti
koje su u njemu smještene mogu biti činjenice,
pravila, atributi, procedure i vrijednosti.
• Frame je skup slotova povezanih sa nekim objektom
• Znanje bazirano na frame-ovima (Frame Based
Knowledge) je forma hijerarhijskih ili mrežnih okvira.
Okvir je kolekcija znanja o entitetu koja se sastoji od
kompleksnog paketa podataka i vrijednosti koji opisuju
pojedine atribute
Produkciona pravila
25

 Ovaj način predstavljanja znanja je najčešće korišćeni

način

 To je tehnika kojom se specificira način preporuka,

direktiva ili strategija izraženih implikacijom
(kondicionalnim, hipotetičkim iskazom)

 Mogu biti dva tipa iskaza:

• Ako premise, onda zaključak ili
• Ako uslov, onda akcija

 Pravilima se može pridruživati faktor povjerenja

Zaključak
26

 ZNANJE se može predstaviti u bazi znanja ES kao:

• Objektno bazirano znanje (Object-Based
Knowledge) je mreža objekata odnosno elemenata
podataka koji sadrže zajedno podatke i metode ili
procese koji se primjenjuju na tim podacima
• Baza zasnovana na pravilima (Rule-Based
Knowledge) je predstvljena kroz pravila i iskaze o
činjenicama. Pravila su iskazi koji obično imaju
formu premise i zaključka kao npr. If (uslov) Then
(zaključak)
 27

 Razvoj ekspertnih sistema se najlakše odvija korištenjem ES

školjke (Expert System Shell) odnosno softverskim paketom
koji sadrži ekspertni sistem bez njegovog jezgra odnosno bez
baze znanja
• Tako ostaje školjka softvera (mašina za zaključivanje i
programi korisničkog interfejsa) sa generičkim
komponentama za zaključivanje i komunikaciju sa
korisnikom
• Drugi ES razvojni alati kao što su “editori pravila” i
“generatori korisničkih interfejsa” od školjke prave moćan
ES razvojni alat
Inžinjering znanja (Knowledge engineering)
28

 Profesionalac koji radi sa expertima iz neke oblasti da bi

inkapsulirao odnosno prikupio (i zapakovao činjenice i pravila
ponašanja/rezonovanja) znanje koje oni imaju naziva se
inžinjer znanja (knowledge engineer)
 Inženjer znanja gradi bazu znanja i ostatak ES ako je to
potrebno koristeći iterativni prototajping proces sve dok ES ne
postane prihvatljiv
 Njegova uloga je slična ulozi sistem analitičara kod razvoja
konvencionalnih IS
 Kada se donese odluka o izgradnji ES formira se tim od tzv.
domen experata i inžinjera znanja (domen experti koji znaju
koristiti ES školjke mogu praviti vlastitie ES)
Inžinjering znanja (Knowledge engineering)
29

 Ako se koristi ES školjka, tada se činjenice i pravila ponašanja

specificiranog domena definišu i unose u bazu znanja uz
pomoć editora pravila ili drugih alata za akviziciju znanja
 Limitirano radno spreman prototip baze znanja se konstruiše,
testira i evaluira korištenjem mašine za zaključivanje i
programa korisničkog interfejsa ES školjke
 Inžinjer znanja i domen expert mogu modificirati bazu znanja,
potom resetovati sistem i ponovo evaluirati rezultate. Ovaj
proces se ponavlja sve dok baza znanja i ES školjka ne
rezultiraju korisnički prihvatljivim ES
Koji problemi su pogodni za rješavanje pomoću ES?
30

 Kriteriji pogodnosti za ES
• Domen problema je relativno mali i limitiran na dobro
definisano problemsko područje
• Ekspertiza tj. rješenje problema zahtjeva postojanje
eksperta koji ima znanje, tehniku i “intuiciju’’ relativno
malog / ograničenog broja ljudi
• Kompleksnost tj. rješenje problema je kompleksan
zadatak koji zahtjeva logičko procesiranje i zaključivanje
koje se ne bi moglo podržati konvencionalnim IS