Τίτλος Εργασίας: Ανάπτυξη έμπειρου συστήματος λήψης αποφάσεων ναυτιλιακής επιχειρηματικότητας

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ Μεταπτυχιακό Δίπλωμα Ειδίκευσης στην Επιστήμη & Τεχνολογία των Υπολογιστών Τίτλος Εργασίας: Ανάπτυξη έμπειρου συστήματος λήψης αποφάσεων ναυτιλιακής επιχειρηματικότητας Μεταπτυχιακή Φοιτήτρια: Χαντζάρα Αικατερίνη Α.Μ.: 303 Τριμελής Εξεταστική Επιτροπή Επιβλέπων Καθηγητής: Μέλη: Δημήτρης Χριστοδουλάκης, Καθηγητής Αθανάσιος Σκόδρας, Καθηγητής Μιχάλης Ξένος, Επίκουρος Καθηγητής Πάτρα, Ιανουάριος 2008

2 Ευχαριστίες Ευχαριστώ βαθύτατα τον καθηγητή μου κύριο Δημήτρη Χριστοδουλάκη τόσο για την πάντα πρόθυμη συμπαράστασή του κατά τα έτη των προπτυχιακών σπουδών μου όσο και για την πολύτιμή βοήθειά του στη μετέπειτα σταδιοδρομία μου, καθώς επίσης και για την επιρροή του να ασχοληθώ με τον τομέα των έμπειρων συστημάτων στα πλαίσια της παρούσας μεταπτυχιακής διπλωματικής εργασίας. Ευχαριστώ τους καθηγητές κύριο Μιχάλη Ξένο και κύριο Αθανάσιο Σκόδρα, που ως μέλη της επιτροπής παρείχαν σημαντικές οδηγίες για τη βελτίωση της παρούσας εργασίας. Ευχαριστώ ιδιαίτερα το συνάδελφο Δρ. Πέτρο Κουσιουνέλο, που αποτέλεσε ουσιαστικά την πηγή της εμπειρογνωμοσύνης του συστήματος που υλοποιήθηκε στα πλαίσια της παρούσας εργασίας, και που χωρίς αυτή δε θα ήταν ποτέ δυνατή η ολοκλήρωσή του. Τέλος, ευχαριστώ την οικογένειά μου και τους φίλους μου για την κατανόηση και υπομονή τους στο διάστημα εκπόνησης της παρούσας εργασίας. 2

3 Περιεχόμενα Εισαγωγή 5 1o Κεφάλαιο: Εισαγωγή στα Έμπειρα Συστήματα Γενικοί Ορισμοί Χαρακτηριστικά Έμπειρων Συστημάτων Αρχιτεκτονική Έμπειρων Συστημάτων Βάση Γνώσης Μηχανισμός Εξαγωγής Συμπερασμάτων Μηχανισμός Επεξήγησης Περιβάλλον διεπαφής Ανάπτυξη Έμπειρων Συστημάτων Κατηγορίες ειδικών στην ανάπτυξη ενός έμπειρου συστήματος Διαδικασία ανάπτυξης ενός έμπειρου συστήματος Εργαλεία Ανάπτυξης Γλώσσες Προγραμματισμού Κελύφη Εφαρμογές Εξέχοντα Συστήματα Πλεονεκτήματα και Μειονεκτήματα Έμπειρων Συστημάτων 41 2o Κεφάλαιο: Έμπειρα Συστήματα Κανόνων Παραγωγής Εισαγωγή στα Συστήματα Διαχείρισης Κανόνων Παραγωγής Η εξέλιξη των Συστημάτων Κανόνων Παραγωγής Σύγχρονα Συστήματα Κανόνων Παραγωγής Προτυποποίηση των Συστημάτων Κανόνων Παραγωγής Εμπορικά Συστήματα Διαχείρισης Κανόνων Παραγωγής Jess JBoss Rules Blaze Advisor ILOG JRules OpenRules VisualRules OPSJ QuickRules Συγκριτικά αποτελέσματα 66 3o Κεφάλαιο: Εργαλεία Υλοποίησης του Συστήματος Ανάλυση του προβλήματος Η πλατφόρμα J2EE Ο εξυπηρετητής εφαρμογών JBoss AS Αρχιτεκτονική του συστήματος Η βαθμίδα της επιχειρησιακής λογικής Enterprise Java Beans 77 3

4 3.3.2 JBoss Rules Η βαθμίδα της μόνιμης αποθήκευσης Connection Pooling Hibernate Η βαθμίδα του περιβάλλοντος διεπαφής Struts Common Controls Presentation Framework 99 4o Κεφάλαιο: Βάση Γνώσης Στοιχεία της Κύριας Μηχανής φορτηγών Πλοίων Τα είδη των Γεγονότων του Συστήματος Τα στοιχεία των Αναφορών Benchmark Data Οι σταθερές του συστήματος Η δομή της Βάσης Δεδομένων Μοντελοποίηση μετρήσιμων μεγεθών - Μεταβλητών Μοντελοποίηση Σταθερών Μοντελοποίηση των φυσικών μεγεθών Αποθήκευση δεδομένων των αναφορών Βοηθητικές κλάσεις Οι Κανόνες του Συστήματος Domain Specific Language Η ροή του ελέγχου 142 5o Κεφάλαιο: Παρουσίαση του Συστήματος Η χρήση του συστήματος εξαγωγής συμπερασμάτων Τροποποίηση και εισαγωγή κανόνων 158 Επίλογος 167 Βιβλιογραφία 169 Παράρτημα 171 4

5 Εισαγωγή

6 Εισαγωγή Η Τεχνολογία της Γνώσης, και πιο συγκεκριμένα τα Έμπειρα Συστήματα (expert systems) ή αλλιώς Συστήματα Γνώσης (knowledge based systems) αποτελούν τους κλάδους της Τεχνητής Νοημοσύνης που αποδεδειγμένα έχουν προσφέρει τα πιο αξιοσημείωτα αποτελέσματα στην πρακτική τους εφαρμογή. Ως έμπειρα συστήματα θεωρούνται προγράμματα τα οποία επιδεικνύουν νοήμονα συμπεριφορά σε συγκεκριμένους τομείς και διαδικασίες, ανάλογη με εκείνη ενός ανθρώπου εµπειρογνώµονα µε ειδικότητα στον ίδιο τοµέα. Η λειτουργία των έμπειρων συστημάτων βασίζεται τόσο στην κωδικοποίηση της γνώσης και της συλλογιστικής του ανθρώπου-ειδικού σε έναν εξειδικευμένο τομέα όσο και στο χειρισμό αυτής της γνώσης, με κυριότερους στόχους τη διόρθωση βλαβών, την πρόβλεψη, παρακολούθηση και ερμηνεία καταστάσεων, τη διαμόρφωση και τον έλεγχο συστημάτων. Κατά τις τελευταίες δεκαετίες, η σημαντική πρακτική επιτυχία της εφαρμογής έμπειρων συστημάτων σε εξειδικευμένους τομείς όπως η φαρμακευτική διάγνωση (MYCIN), η ανάλυση γεωλογικών δεδομένων για εντοπισμό πετρελαίου (DIPMETER) και μετάλλων (PROSPECTOR), και η διαμόρφωση υπολογιστικών συστημάτων (XCON), έχουν οδηγήσει σε μία έκρηξη ενδιαφέροντος ως προς τη χρήση έμπειρων συστημάτων σε πολύ ευρύτερο φάσμα εφαρμογών. Σκοπός της εργασίας είναι η μελέτη του επιστημονικού τομέα των Έμπειρων Συστημάτων, με απώτερο στόχο την ανάπτυξη ενός Έμπειρου Συστήματος που θα συνάγει στον έλεγχο της κατάστασης λειτουργίας της κύριας μηχανής φορτηγών πλοίων. Το κέρδος από τη χρήση ενός τέτοιου συστήματος θα είναι η πρόληψη ή έγκαιρη διόρθωση βλαβών και εν τέλει η επίτευξη αποδοτικότερης και ασφαλέστερης λειτουργίας της μηχανής, λιγότερων φθορών και μεγαλύτερου χρόνου ζωής. Η ανάγκη εφαρμογής ενός τέτοιου συστήματος, που θα παρέχει αντικειμενικά και συνεπή συμπεράσματα, από τις εταιρείες διαχείρισης των πλοίων γίνεται όλο και μεγαλύτερη. Όχι μόνο γιατί αποτελεί βασικό μέρος του συστήματος διαχείρισης της ποιότητας (quality management system) των παρεχόμενων υπηρεσιών της εταιρείας προς τους πελάτες ναυλωτές των πλοίων, αλλά κυρίως γιατί μπορεί να αποτελέσει βασικό αρωγό στην προσπάθεια της εταιρείας για συμμόρφωση με διεθνή πρότυπα και κανονισμούς περιβαλλοντικής διαχείρισης (environmental management) για την προστασία εκείνων του στοιχείων του περιβάλλοντος στα οποία έχει επιπτώσεις η δραστηριότητα της εταιρείας. Το πρώτο βήμα για την ανάπτυξη ενός συστήματος ελέγχου τη κατάστασης λειτουργίας είναι ο καθορισμός των δεδομένων πάνω στα οποία θα βασιστεί η αξιολόγηση, και η εκμαίευση της γνώσης για το πώς θα αξιοποιηθούν τα δεδομένα ώστε να εξάγουμε ασφαλή και συνεπή συμπεράσματα. Για τη διαδικασία απόκτησης της γνώσης που αποτελεί την εμπειρογνωμοσύνη του συστήματος ή αλλιώς τη βάση γνώσης του συστήματος (knowledge base) χρησιμοποιήθηκε η μέθοδος των μη-δομημένων και ημιδομημένων συνεντεύξεων με μηχανολόγους μηχανικούς, 6

7 Εισαγωγή εξειδικευμένους σε θέματα μηχανών του συγκεκριμένου τύπου. Τα δεδομένα (working memory) πάνω στα οποία θα εφαρμοστεί η βάση γνώσης του συστήματος, ώστε να εξαχθούν τα συμπεράσματα για τη λειτουργία της μηχανής προέρχονται από μετρήσεις πάνω στα όργανα της μηχανής ανά τακτά χρονικά διαστήματα και σε όσο το δυνατόν σταθερές συνθήκες πλεύσης. Τα δεδομένα αυτά συγκρίνονται κατά κύριο λόγο με δεδομένα-αναφοράς τα οποία αντιπροσωπεύουν μετρήσεις σε ονομαστικές καταστάσεις λειτουργίας της μηχανής, καθώς επίσης και με σταθερά όρια ασφαλούς λειτουργίας της μηχανής, όπως έχουν δοθεί από τον κατασκευαστή ή έχουν υπολογιστεί με εμπειρικές μεθόδους από τους ειδικούς του τομέα. Βασική διαδικασία κατά την ανάπτυξη του συστήματος είναι η επιλογή του μηχανισμού που θα χρησιμοποιηθεί για την εξαγωγή των συμπερασμάτων από τη Βάση Γνώσης του συστήματος. Για την επιλογή του καταλληλότερου μηχανισμού ήταν αναγκαία η εφαρμογή διαδικασίας αξιολόγησης των πιο επιτυχημένων συστημάτων Διαχείρισης Κανόνων Παραγωγής, ως προς βασικά κριτήρια όπως οι χρόνοι απόκρισης για μεγάλο όγκο κανόνων, η γλώσσα σύνταξης των κανόνων, παροχή περιβαλλόντων ανάπτυξης των κανόνων, και κόστος χρήσης. Μέσω της διαδικασίας αξιολόγησης επιλέχθηκε η μηχανή JBoss Rules για να αποτελέσει το κέλυφος του συστήματος (expert system shell), η οποία στο επίπεδο του μηχανισμού εξαγωγής συμπερασμάτων (inference engine) υλοποιεί μία αντικειμενοστραφή παραλλαγή του αλγορίθμου Rete, ενώ επιπλέον παρέχει σύστημα διαχείρισης της βάσης γνώσης που καθιστά την ανάπτυξη, τροποποίηση και τον έλεγχό της δυνατό ακόμα και από τους ίδιους τους εμπειρογνώμονες. Η θεωρία γύρω από τον επιστημονικό τομέα των Έμπειρων Συστημάτων, αλλά και ο στόχος της μεταπτυχιακής διπλωματικής εργασίας, καθώς και η διαδικασία ανάπτυξης του συστήματος αξιολόγησης της λειτουργίας της κύριας μηχανής αναλύονται στα κεφάλαια της παρούσας εργασίας. Στο πρώτο κεφάλαιο ο αναγνώστης μπορεί να γνωρίσει το θεωρητικό υπόβαθρο της τεχνολογίας των Έμπειρων Συστημάτων. Αναλύονται οι βασικές αρχές λειτουργίας ενός Έμπειρου Συστήματος, ενώ εξηγείται ο διαχωρισμός της Βάσης Γνώσης από το Μηχανισμό Εξαγωγής Συμπερασμάτων ως τα δύο βασικά δομικά στοιχεία ενός Έμπειρου Συστήματος. Παρουσιάζεται η αρχιτεκτονική των συστημάτων αυτών, έτσι όπως έχει επικρατήσει κατά την ιστορική εξέλιξη της σχεδίασής τους. Στα πλαίσια της περιγραφής της διαδικασίας ανάπτυξης ενός Έμπειρου Συστήματος, ορίζονται οι προϋποθέσεις που πρέπει να τηρούνται από ένα πρόβλημα ώστε να είναι αποδοτική η χρήση της εν λόγω τεχνολογίας για την επίλυσή του, οι μέθοδοι εκμαίευσης της γνώσης από τους ειδικούς του τομέα, οι δημοφιλέστερες μορφές αναπαράστασης της γνώσης καθώς και τα διαθέσιμα εργαλεία από τα οποία μπορεί να επιλέξει ο μηχανικός κατά την ανάπτυξη του συστήματος. Αναφέρονται οι βασικότερες εφαρμογές της τεχνολογίας των Έμπειρων Συστημάτων, τα πιο επιτυχημένα παραδείγματα χρήσης της τεχνολογίας για τη δημιουργία εμπορικών συστημάτων και την επίλυση πρακτικών προβλημάτων, και τέλος αξιολογούνται τα 7

8 Εισαγωγή πλεονεκτήματα και μειονεκτήματα της χρήσης της τεχνολογίας των Έμπειρων Συστημάτων σε σχέση με το συμβατικό προγραμματισμό ή τη χρήση ανθρώπων ειδικών αντί μίας αυτοματοποιημένης διαδικασίας. Το δεύτερο κεφάλαιο εξειδικεύεται σε θέματα συστημάτων Διαχείρισης Κανόνων Παραγωγής, ως υποκατηγορία των Μηχανών Εξαγωγής Συμπερασμάτων των Έμπειρων Συστημάτων. Σύμφωνα με τη θεωρία των A. Newell και H. Simon, το μεγαλύτερο μέρος της διαδικασίας επίλυσης προβλημάτων από τον άνθρωπο μπορεί να εκφραστεί με κανόνες παραγωγής τύπου αν τότε. Τα συστήματα Διαχείρισης Κανόνων Παραγωγής λοιπόν, αναλαμβάνουν να διαχειριστούν τη γνώση όταν αυτή μοντελοποιείται με τη μορφή των κανόνων παραγωγής. Στις εισαγωγικές ενότητες περιγράφεται η εξελικτική πορεία των συστημάτων Διαχείρισης Κανόνων Παραγωγής και οι προσπάθειες προτυποποίησης των εν λόγω συστημάτων. Στο βασικό κορμό του κεφαλαίου επιχειρείται μία αξιολόγηση των πιο διαδεδομένων σύγχρονων συστημάτων Διαχείρισης Κανόνων Παραγωγής με άξονα την αποδοτικότητα του Μηχανισμού Εξαγωγής Συμπερασμάτων που υλοποιούν, την εκφραστικότητα και ευελιξία της γλώσσας τους, την ευχρηστία και αποτελεσματικότητα των βοηθητικών προγραμμάτων σύνταξης και ελέγχου των κανόνων που ίσως διαθέτουν, ως προς το κόστος χρήσης της κάθε πλατφόρμας. Στο τρίτο κεφάλαιο της εργασίας αναλύονται οι βασικές τεχνολογίες που επιλέχθηκαν κατά την ανάπτυξη του Έμπειρου Συστήματος. Ως βασικότερες κατευθύνσεις επισημαίνονται η επιλογή της πλατφόρμας JBoss Rules ως Σύστημα Διαχείρισης των Κανόνων Παραγωγής του συστήματος, καθώς και η επιλογή τεχνολογιών J2EE ως βάση για την ανάπτυξη των περιφερειακών συστημάτων που θα επιτρέψουν την επικοινωνία του Μηχανισμού Εξαγωγής Συμπερασμάτων με το χρήστη από τη μία και διατάξεις αποθήκευσης δεδομένων από την άλλη. Στο κεφάλαιο περιγράφεται η εγκατάσταση του συστήματος ως διαδικτυακή εφαρμογή με βάση τον εξυπηρετητή JBOSS AS, αναλύεται η αρχιτεκτονική σχεδίαση του συστήματος, διαχωρίζοντας μεταξύ του επιπέδου της επιχειρησιακής λογικής, του επιπέδου μόνιμης αποθήκευσης δεδομένων και του επιπέδου διεπαφής, και παρουσιάζονται οι κυρίαρχες τεχνολογίες και τα πλαίσια εργασίας που χρησιμοποιήθηκαν σε κάθε ένα από τα επίπεδα του συστήματος, όπως EJB 3.0, RMI, Hibernate, Struts, JSP. Στο τέταρτο κεφάλαιο αναφερόμαστε στη Βάση Γνώσης του συστήματος αξιολόγησης της κατάστασης λειτουργίας της κύριας μηχανής φορτηγών πλοίων. Στο κεφάλαιο αυτό ο αναγνώστης μπορεί να γνωρίσει τις βασικές αρχές λειτουργίας μίας αργόστροφης και δίχρονης Diesel μηχανής φορτηγού πλοίου, τα επιμέρους δομικά της στοιχεία, και τη μεταξύ τους αλληλεπίδραση. Περιγράφουμε τα είδη των μετρήσεων που μπορούμε να λάβουμε από τα όργανα μέτρησης της μηχανής, και πως μπορούμε να χρησιμοποιήσουμε τις μετρήσεις αυτές, εφαρμόζοντας υπολογισμούς και συγκρίσεις με τιμές που αντιπροσωπεύουν ονομαστικές καταστάσεις λειτουργίας της μηχανής, για να αξιολογήσουμε την κατάσταση λειτουργίας της μηχανής. 8

9 Εισαγωγή Εισάγουμε την έννοια της Domain Specific Language, ως γλώσσα ειδικού σκοπού, που μπορεί να περιγράψει τις έννοιες να εκφράσει τους κανόνες ελέγχου ενός συστήματος με τρόπο κατανοητό από τον άνθρωπο. Τέλος, παρουσιάζουμε την κωδικοποίηση της γνώσης που λάβαμε από τον εμπειρογνώμονα σε θέματα λειτουργίας της μηχανής σε κανόνες παραγωγής, ώστε να μπορεί να χρησιμοποιηθεί από το μηχανισμό εξαγωγής συμπερασμάτων της πλατφόρμας JBoss Rules. Στο πέμπτο κεφάλαιο παρουσιάζουμε τα αποτελέσματα χρήσης του συστήματος αξιολόγησης της κατάστασης λειτουργίας της κύριας μηχανής, για πραγματικές μετρήσεις που ελήφθησαν από τα όργανα μέτρησης της μηχανής φορτηγών πλοίων, όπου το σύστημα επιτυχώς εντοπίζει είτε προβλήματα λειτουργίας σε τμήματα της κύριας μηχανής, είτε εσφαλμένες ενδείξεις των οργάνων μέτρησης της μηχανής. Επιπλέον, παρουσιάζουμε το σύστημα Διαχείρισης Επιχειρησιακών Κανόνων της πλατφόρμας JBoss Rules, και δείχνουμε τον τρόπο με τον οποίο ακόμα και ένας χρήστης με περιορισμένη γνώση υπολογιστών θα μπορούσε να εισάγει νέους κανόνες ή να τροποποιήσει τους υπάρχοντες ώστε να βελτιώσει την ακρίβεια του συστήματος. Τέλος, επισημαίνουμε πιθανές κατευθύνσεις βελτίωσης του παρόντος συστήματος. 9

10 1o Κεφάλαιο: Εισαγωγή στα Έμπειρα Συστήματα

11 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα 1.1 Γενικοί Ορισμοί Το 1956, σε ένα καλοκαιρινό συνέδριο που οργανώθηκε από την IBM στο κολέγιο Darmouth, το ενδιαφέρον της μικρής ομάδας επιφανών επιστημόνων, όπως ο John McCarthy, ο Marvin Minsky, ο Claude Shannon κ.α., επικεντρώθηκε στην προσπάθεια για αυτοματοποίηση της διαδικασίας απόδειξης θεωρημάτων, και σε νέες γλώσσες προγραμματισμού που θα βοηθούσαν αυτό το σκοπό. Συζητήθηκαν τρόποι ώστε αυτή η προσπάθεια να οδηγούσε τελικά στην ανάπτυξη ενός υπολογιστικού συστήματος που θα μπορούσε να εξομοιώσει την ανθρώπινη συλλογιστική. Το συνέδριο αυτό σηματοδότησε τη γέννηση της Τεχνητής Νοημοσύνης. Τεχνητή Νοημοσύνη είναι ο τομέας της Επιστήμης των Υπολογιστών που ασχολείται με τη σχεδίαση και την υλοποίηση προγραμμάτων τα οποία είναι ικανά να μιμηθούν τις ανθρώπινες γνωστικές ικανότητες, εμφανίζοντας έτσι χαρακτηριστικά που αποδίδουμε συνήθως σε ανθρώπινη συμπεριφορά, όπως η επίλυση προβλημάτων, η αντίληψη μέσω της όρασης, η μάθηση, η εξαγωγή συμπερασμάτων, η κατανόηση της φυσικής γλώσσας κ.τ.λ. Στον όρο Τεχνητή Νοημοσύνη συνοψίζονται σήμερα πολλές περιοχές ενδιαφέροντος, οι σημαντικότερες από τις οποίες είναι: Επίλυση Προβλημάτων Απόδειξη Θεωρημάτων Επεξεργασία Φυσικής Γλώσσας Τεχνητή Όραση Σχεδιασμός Ενεργειών και Χρονοπρογραμματισμός Αυτόνομα Robot Έμπειρα Συστήματα και Συστήματα Γνώσης Ευφυείς πράκτορες (Agents) Ευφυείς υπηρεσίες διαδικτύου και σημασιολογικό δίκτυο (semantic web) Προσαρμοζόμενα και εξελισσόμενα ευφυή συστήματα Ο τομέας των Έμπειρων Συστημάτων αποτελεί μία πολύ επιτυχημένη προσεγγιστική λύση στο κλασικό πρόβλημα της ΤΝ, της κωδικοποίησης της λογικής. Ο καθηγητής Edward Feigenbaum, του Πανεπιστημίου του Stanford, μία πρωτοπόρα μορφή στην ιστορία των ΕΣ, όρισε ένα Έμπειρο Σύστημα ως ένα έξυπνο πρόγραμμα που χρησιμοποιεί γνώση και μηχανισμούς εξαγωγής συμπερασμάτων για να επιλύσει προβλήματα τα οποία είναι αρκετά δύσκολα ώστε να απαιτούν 11

12 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα σημαντική ανθρώπινη εμπειρογνωμοσύνη για την επίλυσή τους. Δηλαδή, ένα Έμπειρο Σύστημα είναι ένα υπολογιστικό σύστημα που εξομοιώνει 1 την ικανότητα λήψης αποφάσεων ενός ανθρώπου ειδικού. Όταν αναπτύχθηκαν τα πρώτα ΕΣ στη δεκαετία του 70, ο όρος έμπειρο σύστημα χρησιμοποιούνταν αποκλειστικά για συστήματα που περιείχαν κωδικοποιημένη τη γνώση ειδικών. Εντούτοις στις μέρες μας, ο όρος έμπειρο σύστημα συχνά χρησιμοποιείται για να ορίσει οποιοδήποτε σύστημα χρησιμοποιεί την τεχνολογία των έμπειρων συστημάτων. Επιπλέον, η γνώση που περιέχεται κωδικοποιημένη σε ένα έμπειρο σύστημα μπορεί να είναι εμπειρογνωμοσύνη κάποιου ειδικού, αλλά μπορεί να αποτελεί γνώση ευρύτερα διαθέσιμη από βιβλία και άλλες πηγές πληροφοριών. 1.2 Χαρακτηριστικά Έμπειρων Συστημάτων Η βασική ιδέα που χαρακτηρίζει την τεχνολογία των ΕΣ είναι ότι η επίλυση των προβλημάτων μπορεί να επιτευχθεί εφαρμόζοντας συγκεκριμένη γνώση, παρά εφαρμόζοντας συγκεκριμένη τεχνική. Η ιδέα αυτή αντανακλά την πεποίθηση ότι οι άνθρωποι ειδικοί ενός τομέα δεν διαχειρίζονται τη γνώση τους με διαφορετικό τρόπο από ειδικούς άλλου τομέα, απλά κατέχουν διαφορετικές γνώσεις. Με βάση τη φιλοσοφία αυτή, όταν τα αποτελέσματα της λειτουργίας ενός έμπειρου συστήματος δεν είναι ικανοποιητικά, το βάρος της εργασίας θα δοθεί στην επέκταση της γνωσιολογικής βάσης του συστήματος, παρά στον επαναπρογραμματισμό των διαδικασιών του συστήματος. Στο Σχήμα 1 απεικονίζονται σε γενικές γραμμές οι βασικές αρχές λειτουργίας ενός έμπειρου συστήματος. Σχήμα 1: Λειτουργία Έμπειρου Συστήματος Ο χρήστης τροφοδοτεί το έμπειρο σύστημα με γεγονότα μέσω ενός περιβάλλοντος διεπαφής, και στο τελικό στάδιο λαμβάνει ως αποτέλεσμα την εμπειρογνωμοσύνη του συστήματος μέσω του 1 Ο όρος εξομοίωση χρησιμοποιείται στον ορισμό των ΕΣ σε αντίθεση με τον πιο αδύναμο όρο προσομοίωση, ακριβώς για να δηλώσει ότι το ΕΣ αναμένεται να συμπεριφερθεί από κάθε άποψη σαν τον άνθρωπο ειδικό, και όχι μόνο κατά κάποιο τρόπο. 12

13 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα ίδιου περιβάλλοντος. Εσωτερικά, το έμπειρο σύστημα αποτελείται από δύο βασικά δομικά στοιχεία: τη Βάση Γνώσης (Knowledge Base) και το Μηχανισμό Εξαγωγής Συμπερασμάτων (Inference Engine). Η Βάση Γνώσης περιέχει την εμπειρογνωμοσύνη του συστήματος, όπως την όρισε ο άνθρωπος ειδικός, και όπως έχει κωδικοποιηθεί ώστε να μπορεί να χρησιμοποιηθεί από το Μηχανισμό Εξαγωγής των Συμπερασμάτων. Κατά τη χρήση του συστήματος, ο χρήστης τροφοδοτεί το σύστημα με Γεγονότα (Facts), είτε ως αρχικά δεδομένα του συστήματος, είτε ως ενδιάμεσες πληροφορίες, ανάλογα με τις απαιτήσεις του συστήματος. Τα γεγονότα αυτά αποτελούν τη Λειτουργική Μνήμη (Working Memory) του συστήματος. Ο Μηχανισμός Εξαγωγής Συμπερασμάτων, εφαρμόζει τη Βάση Γνώσης του συστήματος με βάση τα στοιχεία της Λειτουργικής Μνήμης και αποφασίζει ποιο είναι εκείνο το σύνολο της Βάσης Γνώσης που ικανοποιείται από τη δεδομένη ΛΜ. Η προτεραιοποίηση στην εφαρμογή της Βάσης Γνώσης δίνεται από την υπομονάδα του ΜΕΣ που ονομάζεται Πράκτορας (Agent). Αποτέλεσμα της επεξεργασίας της Λειτουργικής Μνήμης από το ΜΕΣ μπορεί να είναι ακόμα και η εισαγωγή, τροποποίηση ή διαγραφή Γεγονότων από τη ΛΕ, το οποίο είναι δυνατόν να τροφοδοτήσει νέο κύκλο λειτουργίας του Πράκτορα, και εν τέλει η εξαγωγή του τελικού συμπεράσματος του συστήματος. Ιδιαίτερα χρήσιμο συστατικό ενός έμπειρου συστήματος αποτελεί ο Μηχανισμός Επεξήγησης (Explanation Facility), ο οποίος αναλαμβάνει να εξηγήσει στο χρήστη τη συλλογιστκή που ακολουθήθηκε από το έμπειρο σύστημα ώστε να προκύψει το δεδομένο αποτέλεσμα. Προαιρετικά, ένα έμπειρο σύστημα μπορεί να περιλαμβάνει Μηχανισμό Απόκτησης της Γνώσης (Knowledge Acquisition Facility), κάποιο αυτόματο δηλαδή τρόπο ώστε να εισάγεται νέα γνώση στη Βάση Γνώσης του συστήματος, αντί να πρέπει να κωδικοποιηθεί χειρονακτικά από το μηχανικό ανάπτυξης του έμπειρου συστήματος. Παραδείγματα συστημάτων που υλοποιούν τέτοιους μηχανισμούς είναι το ΚΕΕ και το First Class, όπου το εργαλείο μπορεί να εκπαιδευτεί μέσω παραδειγμάτων και να παράγει μόνο του τους κανόνες. Ένα έμπειρο σύστημα σχεδιάζεται έτσι ώστε να διαθέτει μία σειρά χαρακτηριστικών, τα οποία, σε συνδυασμό με την ορθότητα των αποτελεσμάτων του, συμβάλλουν σημαντικά στην επιτυχία του συστήματος και στην αποδοχή του από τους χρήστες: Υψηλή απόδοση. Το σύστημα πρέπει να είναι ικανό να αποκρίνεται σε επίπεδο επάρκειας αντίστοιχο ή καλύτερο με εκείνο του ανθρώπου ειδικού. Η ποιότητα δηλαδή των απαντήσεων που εξάγει το σύστημα πρέπει να είναι πολύ υψηλή. Ικανοποιητικοί χρόνοι απόκρισης. Το σύστημα πρέπει να αποκρίνεται σε ένα λογικό χρονικό διάστημα, συγκρίσιμο ή καλύτερο από εκείνο που θα χρειαζόταν ένας άνθρωπος ειδικός για να καταλήξει στην απόφαση. Οι χρονικοί περιορισμοί που θέτονται στην 13

14 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα απόδοση ενός έμπειρου συστήματος μπορεί να είναι ιδιαίτερα κρίσιμοι, όπως σε περιπτώσεις συστημάτων πραγματικού χρόνου που κρίνεται σε κάποιο βαθμό η τύχη της ανθρώπινης ζωής ή περιουσίας. Αξιοπιστία. Το σύστημα πρέπει να είναι αξιόπιστο και να μην παρουσιάζει καθυστερήσεις και αδυναμία απόκρισης, διαφορετικά χάνεται η αξιοπιστία του με αποτέλεσμα να αποφεύγεται η χρήση του. Κατανοησιμότητα. Το σύστημα πρέπει να είναι σε θέση να εξηγήσει τα βήματα της συλλογιστικής που ακολούθησε κατά την εκτέλεσή του. Αντί να συμπεριφέρεται ως ένα μαύρο κουτί που δίνει απαντήσεις με άγνωστο τρόπο, θα πρέπει να διαθέτει ένα μηχανισμό επεξήγησης, με τον ίδιο τρόπο που ο άνθρωπος ειδικός μπορεί να εξηγήσει τα βήματα που τον οδήγησαν στο συγκεκριμένο αποτέλεσμα. Ένας τέτοιος μηχανισμός δίνει τη δυνατότητα στο χρήστη να ελέγξει κατά πρώτοις κατά πόσο ήταν σωστά τόσο τα δεδομένα της Βάσης Γνώσης, όσο και τα Γεγονότα που εισήχθησαν στο σύστημα, και κατά δεύτερον κατά πόσο η συλλογιστική του συστήματος είναι σωστή. Επιπλέον, ένα έμπειρο σύστημα με επαρκή μηχανισμό επεξήγησης μπορεί να αποτελέσει άριστο εργαλείο εκπαίδευσης για τον χρήστη που βρίσκεται σε διαδικασία εκμάθησης ενός τομέα. Ευελιξία. Λόγω του μεγάλου όγκου γνωστικών δεδομένων που περιέχει ένα έμπειρο σύστημα, είναι σημαντικό να περιλαμβάνει έναν αποδοτικό μηχανισμό για εισαγωγή, τροποποίηση και διαγραφή των γνωστικών δεδομένων. Εξάλλου, ένας βασικός λόγος της δημοτικότητας των έμπειρων συστημάτων είναι η αποδοτική αποθήκευση της γνώσης. 1.3 Αρχιτεκτονική Έμπειρων Συστημάτων Στο Σχήμα 2 παρουσιάζεται η αρχιτεκτονική των Έμπειρων Συστημάτων. Το βασικό στοιχείο της αρχιτεκτονικής αποτελεί ο διαχωρισμός της Βάσης Γνώσης του συστήματος από το σύνολο του λογισμικού που εφαρμόζεται για την εξαγωγή των συμπερασμάτων από τη Βάση Γνώσης με βάση τα Γεγονότα του προβλήματος, την παροχή επεξηγήσεων και τη διασύνδεση του χρήστη με τη λειτουργία του έμπειρου προγράμματος. Ο συνδυασμός του μηχανισμού εξαγωγής συμπερασμάτων με το σύνολο των προγραμμάτων που ορίζουν τη λειτουργία του έμπειρου συστήματος πέραν της Βάσης Γνώσης του είναι το Κέλυφος (Shell) του συστήματος. Το βασικό πλεονέκτημα της αρχιτεκτονικής με χρήση κελύφους είναι η 14

15 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα διαφάνεια και η ευελιξία. Με αλλαγή της Βάσης Γνώσης και μόνο, το έμπειρο σύστημα μπορεί να εκτελεί διαφορετικές λειτουργίες. Ως Πυρήνα του έμπειρου συστήματος ονομάζουμε το συνδυασμό της Βάσης Γνώσης και του Μηχανισμού Εξαγωγής Συμπερασμάτων του συστήματος. Στη συνέχεια της ενότητας αναλύουμε τις επικρατέστερες μεθόδους υλοποίησης των επιμέρους δομικών στοιχείων ενός έμπειρου συστήματος, της Βάσης Γνώσης, του Μηχανισμού Εξαγωγής Συμπερασμάτων και του Μηχανισμού Επεξήγησης. Τέλος παρουσιάζουμε τα επιθυμητά χαρακτηριστικά του περιβάλλοντος διεπαφής Βάση Γνώσης Η Βάση Γνώσης περιέχει την εμπειρογνωμοσύνη του συστήματος, όπως την εκμαίευσε ο μηχανικός γνώσης από τον άνθρωπο ειδικό κατά την ανάπτυξη του έμπειρου συστήματος. Υπάρχουν κυρίως δύο είδη γνώσης, η στατική γνώση (declarative) και η δυναμική (procedural). Η στατική γνώση περιέχει διαδικασίες, κανόνες, πλαίσια που περιγράφουν το πρόβλημα και τις γνωσιολογικές διαδικασίες επίλυσής του. Η στατική γνώση δε μεταβάλλεται κατά τη διάρκεια εκτέλεσης του προγράμματος. Η δυναμική γνώση αντίθετα, περιέχει μερικά συμπεράσματα τα οποία δημιουργούνται κατά την εκτέλεση του προγράμματος, καθώς και την τελική λύση του προβλήματος. Διαφορετικά, η δυναμική γνώση ονομάζεται και Λειτουργική Μνήμη (working memory). Σχήμα 2: Αρχιτεκτονική έμπειρων συστημάτων 15

16 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα Η Τεχνολογία της Γνώσης ορίζει τη διαδικασία εκμαίευσης της γνώσης από τους ανθρώπους ειδικούς, την αναπαράστασή της σε κατάλληλη μορφή ώστε να μπορεί να χρησιμοποιηθεί από το έμπειρο σύστημα, και τον έλεγχο της εγκυρότητάς της. Η απόκτηση της γνώσης είναι η διαδικασία της συλλογής της γνώσης που είναι απαραίτητη για την επίλυση των προβλημάτων στα οποία στοχεύει το έμπειρο σύστημα. Οι κύριες μέθοδοι που χρησιμοποιούνται μπορούν να κατηγοριοποιηθούν σε χειροκίνητες, ημι-αυτόματες και αυτόματες. Οι χειρονακτικές μέθοδοι συνήθως περιλαμβάνουν τη διαδικασία των συνεντεύξεων. Οι αυτόματες μέθοδοι βασίζονται στις αρχές της επαγωγής και της μηχανικής μάθησης. Περισσότερες πληροφορίες για τη διαδικασία απόκτησης παρέχονται στην ενότητα σχετικά με τη διαδικασία ανάπτυξης των έμπειρων συστημάτων. Η αναπαράσταση της γνώσης είναι ένα θέμα που παρουσιάζεται τόσο στη Γνωστική Επιστήμη, όσο και στην Τεχνητή Νοημοσύνη. Στη Γνωστική Επιστήμη αφορά το πώς οι άνθρωποι αποθηκεύουν και διαχειρίζονται την πληροφορία. Στην ΤΝ ο πρωταρχικός σκοπός είναι η αποθήκευση της γνώσης με τέτοιο τρόπο ώστε τα προγράμματα να μπορούν να τη διαχειριστούν και να πετύχουν την αποτελεσματικότητα της ανθρώπινης ευφυΐας. Οι ερευνητές της ΤΝ έχουν δανειστεί τις θεωρίες αναπαράστασης από τη Γνωστική Επιστήμη. Υπάρχουν τεχνικές αναπαράστασης, όπως τα πλαίσια, οι κανόνες και τα σημασιολογικά δίκτυα που έχουν προέλθει από τις θεωρίες της διαχείρισης της γνώσης από τον άνθρωπο. Δεδομένου ότι η γνώση χρησιμοποιείται για να επιτύχει την ευφυή συμπεριφορά, ο θεμελιώδης στόχος της αναπαράστασης της γνώσης είναι να αναπαραστήσει τη γνώση με τέτοιο τρόπο ώστε να διευκολυνθεί η διαδικασία εξαγωγής των συμπερασμάτων από τη γνώση Κανόνες Παραγωγής Στα τέλη της δεκαετίας του 50 και στις αρχές τις δεκαετίας του 60 πλήθος προγραμμάτων γράφτηκαν με στόχο τη γενικευμένη επίλυση προβλημάτων. Το πιο γνωστό από αυτά ήταν το General Problem Solver των Newell και Simon, που βασιζόταν στη μελέτη των δημιουργών του για τη διαδικασία της ανθρώπινης συλλογιστικής. Ένα από τα πιο σημαντικά αποτελέσματα που αναδείχθηκαν από τους Newell και Simon ήταν ότι το μεγαλύτερο μέρος της διαδικασίας επίλυσης προβλημάτων από τον άνθρωπο μπορούσε να εκφραστεί με κανόνες παραγωγής τύπου IF THEN. Ένας κανόνας αντιστοιχεί σε μία μικρή συλλογή γνώσεων (chunk). Μία θεωρία υποστηρίζει ότι όλη η ανθρώπινη μνήμη οργανώνεται σε μικρές συλλογές γνώσεων. Η γενική μορφή ενός κανόνα παραγωγής είναι η ακόλουθη: 16

17 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα Rule: <Rule Name> IF <LHS> THEN <RHS> Κάθε κανόνας χαρακτηρίζεται μοναδικά από ένα όνομα, το οποίο ακολουθείται από το IF μέρος του κανόνα. Το τμήμα του κανόνα μεταξύ των λέξεων IF και THEN καλείται τμήμα υπόθεσης (conditional part) ή αριστερή πλευρά του κανόνα (Left Hand Side). Η αριστερή πλευρά του κανόνα περιλαμβάνει προτάσεις οι οποίες πρέπει να ικανοποιούνται από τα Γεγονότα της Λειτουργικής Μνήμης ώστε να ενεργοποιηθεί ό κανόνας. Η δεξιά πλευρά του κανόνα (Right Hand Side) περιλαμβάνει τις ενέργειες που θα εκτελεστούν όταν ενεργοποιηθεί ο κανόνας. Οι Newell και Simon έκαναν δημοφιλή τη χρήση κανόνων παραγωγής για την αναπαράσταση της ανθρώπινης γνώσης και έδειξαν πώς μπορεί η συλλογιστική να υλοποιηθεί με κανόνες. Οι γνωστικοί ψυχολόγοι έχουν χρησιμοποιήσει τους κανόνες ως μοντέλα για να εξηγήσουν την ανθρώπινη διαδικασία επεξεργασίας της γνώσης. Η βασική ιδέα είναι ότι τα δεδομένα μέσω των αισθήσεων οδηγούν σε ερεθίσματα στον εγκέφαλο. Το ερέθισμα πυροδοτεί τους κατάλληλους κανόνες της μνήμης, οι οποίοι οδηγούν στην κατάλληλη απόκριση Σημασιολογικά δίκτυα Ένα σημασιολογικό δίκτυο (semantic net) είναι μία κλασική τεχνική αναπαράστασης της Τεχνητής Νοημοσύνης, που χρησιμοποιείται κυρίως για πληροφορία σε μορφή προτάσεων. Τα σημασιολογικά δίκτυα αναπτύχθηκαν αρχικά στα πλαίσια της ΤΝ ως μέσο για την αναπαράσταση της ανθρώπινης μνήμης και της κατανόησης της γλώσσας. Ο Quillian χρησιμοποίησε σημασιολογικά δίκτυα για να αναλύσει το νόημα των λέξεων σε προτάσεις. Μία πρόταση είναι μία δήλωση, η οποία είναι είτε αληθής είτε ψευδής. Επιπλέον, καλείται ατομική, γιατί η αληθής τιμή της δεν μπορεί να διαιρεθεί περεταίρω. Σε μαθηματικούς όρους, ένα σημασιολογικό δίκτυο είναι ένας κατευθυνόμενος γράφος με ετικέτες (labeled, directed graph). Η δομή ενός σημασιολογικού δικτύου απεικονίζεται γραφικά με τη χρήση κόμβων, και τόξων που τα συνδέουν. Οι κόμβοι συνήθως καλούνται αντικείμενα και τα τόξα καλούνται σύνδεσμοι ή ακμές. Οι σύνδεσμοι ενός δικτύου χρησιμοποιούνται για να δηλώσουν συσχετισμούς, ενώ οι κόμβοι χρησιμοποιούνται για να αναπαραστήσουν αντικείμενα, έννοιες, ή καταστάσεις. Οι συσχετισμοί έχουν ιδιαίτερη σημασία στα σημασιολογικά δίκτυα γιατί παρέχουν τη βασική δομή για την οργάνωση της γνώσης. Χωρίς τους συσχετισμούς, η γνώση είναι απλά μία συλλογή 17

18 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα ασύνδετων γεγονότων. Με τους συσχετισμούς, η γνώση αποτελεί μία συνεκτική δομή από την οποία μπορεί να παραχθεί νέα γνώση. Συγκεκριμένοι τύποι συσχετισμών έχουν αποδειχθεί ιδιαίτερα χρήσιμοι σε μεγάλη ποικιλία αναπαραστάσεων γνώσης. Η χρήση τυποποιημένων συσχετισμών προτιμάται έναντι του ορισμού νέων συσχετισμών σε κάθε νέα αναπαράσταση, γιατί αυξάνει την κατανοησιμότητα του γράφου. Ένας ευρύτατα χρησιμοποιούμενος τύπος συνδέσμων είναι ο IS-A, ο οποίος μεταφράζεται ως είναι στιγμιότυπο του και αναφέρεται σε ένα συγκεκριμένο μέλος μιας κλάσης. Η κλάση ορίζεται ως η μαθηματική έννοια του συνόλου, λόγω του ότι αναφέρεται σε μία ομάδα αντικειμένων. Παρόλο όμως που ένα σύνολο μπορεί να περιέχει στοιχεία οποιουδήποτε τύπου, τα αντικείμενα μίας κλάσης έχουν κοινά γνωρίσματα μεταξύ τους (attributes), και κάθε γνώρισμα έχει μία τιμή (value). Ο συνδυασμός του γνωρίσματος και της τιμής ονομάζεται ιδιότητα (property). Δεύτερος δημοφιλής τύπος συνδέσμων είναι ο A-KIND-OF, ο οποίος χρησιμοποιείται για να συνδέσει κλάσεις μεταξύ τους, και συγκεκριμένα για να συσχετίσει μία κλάση με μία γενικότερη κλάση, της οποίας είναι παιδί. Αντίστροφα, ο σύνδεσμος HAS-A συσχετίζει μία γενικότερη κλάση με μία πιο συγκεκριμένη υπο-κλάση. Παρόλο την ύπαρξη ευρέως χρησιμοποιούμενων συνδέσμων στα σημασιολογικά δίκτυα, δεν υπάρχει καθιερωμένος ορισμός των ονομάτων των συνδέσμων ή των κόμβων των δικτύων. Το γεγονός αυτό οδηγεί στους πρώτους περιορισμούς χρήσης των σημασιολογικών δικτύων γιατί καθιστά δύσκολη την κατανοησιμότητα των δικτύων και τον έλεγχο της συμβατότητας στην ανάπτυξή τους. Ένα δεύτερο πρόβλημα είναι ότι η αναζήτηση ανάμεσα στους κόμβους ενός δικτύου μπορεί να οδηγήσει σε μη διαχειρίσιμο πλήθος συνδυασμών, ειδικά αν η απόκριση στο ερώτημα είναι αρνητική μιας και για παραχθεί η αρνητική απάντηση πρέπει να εξεταστούν οι περισσότεροι αν όχι όλοι οι σύνδεσμοι του δικτύου. Επιπλέον, τα δίκτυα είναι ευριστικά ανεπαρκή, γιατί δεν υπάρχει τρόπος να εισαχθεί ευριστική πληροφορία στο δίκτυο για το πώς θα μπορεί να γίνει αποδοτικά η αναζήτηση μέσα σε αυτό. Συμπερασματικά μπορούμε να πούμε ότι τα σημασιολογικά δίκτυα μπορούν να λειτουργήσουν αποδοτικά για το σκοπό που έχουν σχεδιαστεί, την αναπαράσταση δυαδικών σχέσεων, και δε μπορούν να θεωρηθούν εργαλεία γενικής χρήσης Σχήματα Ένα σημασιολογικό δίκτυο είναι παράδειγμα ρηχής δομής γνώσης (shallow knowledge structure). Αυτό προκύπτει από το ότι όλη η γνώση στα σημασιολογικά δίκτυα περιέχεται στους συνδέσμους και στους κόμβους. Ο όρος δομή γνώσης είναι ανάλογος του όρου δομή δεδομένων στο ότι αντιπροσωπεύει μία ταξινομημένη συλλογή γνώσης παρά απλά δεδομένα. Μία δομή γνώσης με βάθος (deep knowledge structure) έχει γνώση αιτιότητας η οποία εξηγεί τους λόγους για τους οποίους κάτι συμβαίνει ή ισχύει. 18

19 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα Σε πολλές περιπτώσεις η γνώση του πραγματικού κόσμου δεν μπορεί να αναπαρασταθεί με την απλή δομή των σημασιολογικών δικτύων. Στην Τεχνητή Νοημοσύνη ο όρος σχήμα (schema) χρησιμοποιείται για να περιγράψει πιο πολύπλοκες δομές γνώσης. Ο όρος σχήμα προέρχεται από την ψυχολογία, στην οποία αναφέρεται στη διαρκή οργάνωση της γνώσης ή των αντιδράσεων από ένα ον ως συνέπεια ενός ερεθίσματος. Με άλλα λόγια, καθώς τα όντα μαθαίνουν τη σχέση μεταξύ μίας αιτίας και του αποτελέσματός της, θα προσπαθήσουν να επαναλάβουν την αιτία αν το αποτέλεσμα που προκάλεσε ήταν ευχάριστο, ή θα την αποφύγουν αν το αποτέλεσμα ήταν δυσάρεστο. Για παράδειγμα, οι ενέργειες του φαγητού και της πόσης είναι αισθητήρια-κινητήρια σχήματα που περιλαμβάνουν το συντονισμό των πληροφοριών από τις αισθήσεις με τις απαιτούμενες μυϊκές κινήσεις για να εκτελεστεί η διαδικασία. Άλλος τύπος σχήματος είναι το εννοιολογικό, κατά το οποίο συγκεκριμένα αντικείμενα ταξινομούνται με αφαιρετικό τρόπο με βάση τις γενικές τους ιδιότητες. Επικεντρώνοντας στις γενικές ιδιότητες ενός αντικειμένου είναι πιο εύκολο να αιτιολογήσεις συμπεράσματα σχετικά με αυτά. Συνήθως, τα σχήματα περιλαμβάνουν στους κόμβους τους εσωτερικές δομές, τις οποίες δεν περιλαμβάνουν τα σημασιολογικά δίκτυα. Η ετικέτα σε ένα σημασιολογικό δίκτυο είναι όλη η γνώση που μπορεί κάποιος να έχει σχετικά με τον κόμβο. Ένα σημασιολογικό δίκτυο είναι σα μία δομή δεδομένων στην επιστήμη των υπολογιστών, στην οποία το κλειδί αναζήτησης αποτελεί επίσης και την πληροφορία που είναι αποθηκευμένη στον κόμβο. Ένα σχήμα είναι σαν μία δομή δεδομένων στην οποία οι κόμβοι περιέχουν εγγραφές. Κάθε εγγραφή μπορεί να περιέχει δεδομένα, άλλες εγγραφές, ή δείκτες προς άλλους κόμβους Πλαίσια Ένα είδος σχήματος που έχει χρησιμοποιηθεί εκτεταμένα σε εφαρμογές της Τεχνητής Νοημοσύνης είναι τα πλαίσια (frames). Έχοντας προταθεί ως μέθοδος για την κατανόηση της όρασης και της φυσικής γλώσσας, τα πλαίσια παρέχουν βολικές δομές για την αναπαράσταση αντικειμένων που είναι τυπικά μίας δεδομένης κατάστασης, όπως τα στερεότυπα. Συγκεκριμένα, τα πλαίσια είναι χρήσιμα για την προσομοίωση της γνώσης της κοινής λογικής. Ενώ τα σημασιολογικά δίκτυα αποτελούν βασικά δυσδιάστατη αναπαράσταση της γνώσης, τα πλαίσια προσθέτουν μία τρίτη διάσταση επιτρέποντας στους κόμβους να έχουν δομές. Οι δομές αυτές μπορεί να είναι απλές τιμές ή άλλα πλαίσια. Το βασικό χαρακτηριστικό των πλαισίων είναι ότι αντιπροσωπεύουν συσχετιζόμενη γνώση σχετικά με ένα περιορισμένο θέμα που έχει κατά βάση προκαθορισμένη (default) γνώση. Για παράδειγμα ένα σύστημα πλαισίων θα ήταν καλή επιλογή για την περιγραφή μιας μηχανολογικής συσκευής. Η μέθοδος των πλαισίων χρησιμοποιείται σε αρκετές γλώσσες ειδικού σκοπού όπως η FRL, SRL, KRL, KEE, καθώς επίσης και η LISP έχει εμπλουτιστεί με χαρακτηριστικά που υποστηρίζουν τα πλαίσια, παράγοντας τις LOOPS και FLAVORS. 19

20 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα Ένα πλαίσιο είναι ανάλογο μίας δομής εγγραφής σε μία γλώσσα προγραμματισμού υψηλού επιπέδου. Σε αντιστοιχία με τα πεδία και τις τιμές μίας εγγραφής, τα πλαίσια έχουν τις σχισμές (slots) και τις τιμές πλήρωσης (filler) των σχισμών. Το πλαίσιο είναι ουσιαστικά ένα σύνολο από σχισμές και τιμές πλήρωσης που ορίζουν ένα στερεοτυπικό αντικείμενο. Επιπλέον, οι σχισμές μπορεί να περιλαμβάνουν και επισυναπτόμενες μεθόδους, οι οποίες είναι γενικά τριών τύπων. Οι μέθοδοι if-needed εκτελούνται όταν χρειάζεται μία τιμή πλήρωσης η οποία δεν υπάρχει, ή η προκαθορισμένη τιμή δεν μπορεί να εφαρμοστεί. Οι μέθοδοι if-added εκτελούνται όταν πρόκειται να προστεθεί μία τιμή πλήρωσης σε μία σχισμή, ενώ οι μέθοδοι if-removal εκτελούνται όταν πρόκειται να αφαιρεθεί μία τιμή πλήρωσης από μία σχισμή. Η χρησιμότητα των πλαισίων επεκτείνεται με τη χρήση ιεραρχικών πλαισίων και των αρχών της κληρονομικότητας. Χρησιμοποιώντας πλαίσια στη θέση των τιμών πλήρωσης και κληρονομικότητα, είναι δυνατόν να αναπτυχθούν πολύ ισχυρά συστήματα αναπαράστασης γνώσης, που περιλαμβάνουν ακόμα και γνώση αιτιότητας και αποτελέσματος. Τα πλαίσια μπορούν να ταξινομηθούν με βάση την εφαρμογή τους. Ένα πλαίσιο κατάστασης περιλαμβάνει γνώση για το τι είναι αναμενόμενο σε μία δεδομένη κατάσταση. Ένα πλαίσιο ενέργειας περιέχει σχισμές που καθορίζουν τις ενέργειες που πρέπει να εκτελεστούν σε μία δεδομένη κατάσταση. Συνδυάζοντας τα πλαίσια κατάστασης με τα πλαίσια ενέργειας μπορούμε να περιγράψουμε σχέσεις αιτιότητας-αποτελέσματος με τη μορφή των πλαισίων αιτιώδους γνώσης Κατηγορηματική Λογική Πρώτου Βαθμού Επιπροσθέτως των κανόνων, των πλαισίων και των σημασιολογικών δικτύων, η γνώση μπορεί να αναπαρασταθεί με τα σύμβολα της λογικής (logic), που είναι η μελέτη των κανόνων της ακριβούς συλλογιστικής. Ένα σημαντικό μέρος της συλλογιστικής είναι η εξαγωγή συμπερασμάτων από προϋποθέσεις. Η εφαρμογή των υπολογιστών στην υλοποίηση της συλλογιστικής καλείται λογικός προγραμματισμός, ο οποίος οδήγησε στην ανάπτυξη γλωσσών όπως η PROLOG. Η λογική είναι βασική στα έμπειρα συστήματα όπου ο μηχανισμός εξαγωγής συμπερασμάτων αιτιολογεί από τα γεγονότα στα συμπεράσματα. Η πρώτη μορφή λογικής αναπτύχθηκε από τον Αριστοτέλη και βασίζεται στο συλλογισμό, του οποίου όρισε δεκατέσσερις μορφές. Ο συλλογισμός αποτελείται από δύο προτάσεις και ένα συμπέρασμα, το οποίο συνάγεται από τις προτάσεις. Παράδειγμα συλλογισμού είναι το ακόλουθο: Πρόταση: Πρόταση: Συμπέρασμα: Όλοι οι άνθρωποι είναι θνητοί Ο Σωκράτης είναι άνθρωπος Ο Σωκράτης είναι θνητός. 20

21 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα Ένας εναλλακτικός τρόπος αναπαράστασης της γνώσης, των συλλογισμών, αποτελούν τα διαγράμματα Venn. Στο σχήμα αναπαρίσταται ο συλλογισμός σχετικά με το Σωκράτη και τη θνητότητα με ένα διάγραμμα Venn. Στα διαγράμματα Venn κάθε συλλογή αντικειμένων αναπαρίσταται με κύκλο. Στα σύνολα μπορούν να εφαρμοστούν οι πράξεις της ένωσης, της τομής και του συμπληρώματος. Η προτασιακή λογική (propositional logic) αποτελεί μία συμβολική λογική για τη διαχείριση των κατηγορημάτων. Η προτασιακή λογική ασχολείται με το υποσύνολο των δηλωτικών προτάσεων που μπορούν να ταξινομηθούν είτε ως σωστές είτε ως λάθος. Για παράδειγμα, η πρόταση ένα τετράγωνο έχει τέσσερις πλευρές έχει ως αληθή τιμή το σωστό, ενώ η πρόταση ο George Washington ήταν ο δεύτερος πρόεδρος της Αμερικής έχει ως αληθή τιμή το λάθος. Δήλωση καλείται μία πρόταση της οποίας μπορεί να καθοριστεί η αληθής τιμή. Δήλωση επίσης καλείται μία κλειστή πρόταση, γιατί η αληθής τιμή της δεν υπόκειται σε αμφισβήτηση. Στην προτασιακή λογική οι σύνθετες προτάσεις σχηματίζονται χρησιμοποιώντας λογικούς συνδέσμους σε μεμονωμένες προτάσεις, όπως σύζευξη, διάζευξη, άρνηση, συμπέρασμα, αν και μόνο αν. Παρόλο που η προτασιακή λογική είναι χρήσιμη, παρουσιάζει κάποιους περιορισμούς. Το μεγαλύτερο πρόβλημα είναι ότι η προτασιακή λογική χρησιμοποιεί ολοκληρωμένες προτάσεις και δεν μπορεί να εξετάσει την εσωτερική δομή μίας πρότασης. Η προτασιακή λογική δεν μπορεί καν να αποδείξει την εγκυρότητα ενός συλλογισμού. Για την ανάλυση πιο σύνθετων περιπτώσεων αναπτύχθηκε η κατηγορηματική λογική (predicate logic). Η πιο απλή μορφή κατηγορηματικής λογικής είναι η κατηγορηματική λογική πρώτης τάξης (first order predicate logic). Η κατηγορηματική λογική ασχολείται με την εσωτερική δομή των προτάσεων. Πιο συγκεκριμένα, ασχολείται με τη χρήση ειδικών λέξεων, που καλούνται ποσοτικοί δείκτες (quantifiers), όπως είναι οι λέξεις για όλα, υπάρχει και δεν υπάρχει. Η σημασία των λέξεων αυτών είναι ιδιαίτερη γιατί ποσοτικοποιούν με σαφήνεια άλλες λέξεις και έτσι κάνουν τις προτάσεις πιο ακριβείς. Όλοι οι ποσοτικοί δείκτες αφορούν το πόσα και έτσι επιτρέπουν μεγαλύτερο εύρος εκφράσεων από ότι η προτασιακή λογική. Παρόλο που η κατηγορηματική λογική είναι ιδιαίτερα χρήσιμη σε πολλές περιπτώσεις, υπάρχουν κάποια είδη προτάσεων που δεν μπορούν να εκφραστούν στα πλαίσια της κατηγορηματικής λογικής, όπως είναι οι προτάσεις που περιλαμβάνουν τον δείκτη οι περισσότεροι, ή οι προτάσεις που αληθεύουν κάποιες φορές αλλά όχι πάντα. Χρησιμοποιώντας οποιαδήποτε από τις μεθόδους που παρουσιάσαμε αναπτύσσεται η Βάση Γνώσης του έμπειρου συστήματος. Η Βάση Γνώσης ελέγχεται για την πληρότητα και την 21

22 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα ορθότητά της μέσω διαδικασιών επικύρωσης και επαλήθευσης. Οι τυπικοί έλεγχοι συμβατότητας περιλαμβάνουν τον εντοπισμό κανόνων που οδηγούν σε αδιέξοδα, αντιφατικούς κανόνες κ.α. και τη διόρθωσή τους. Μιας και η υλοποίηση ενός έμπειρου συστήματος αποτελεί μία επαναληπτική διαδικασία, η δομή της βάσης γνώσης του έμπειρου συστήματος θα πρέπει να είναι τέτοια ώστε να υπόκειται εύκολα σε απαιτούμενες τροποποιήσεις Μηχανισμός Εξαγωγής Συμπερασμάτων Σε αντιστοιχία με την ανθρώπινη ανατομία, ο εγκέφαλος ενός έμπειρου συστήματος είναι ο Μηχανισμός Εξαγωγής Συμπερασμάτων, ο οποίος οφείλει να διαχειρίζεται και να συνάγει αποτελέσματα βασισμένος σε ολοκληρωμένη Βάση Γνώσης και επαρκή δεδομένα με τη μορφή Γεγονότων. Ο Μηχανισμός Εξαγωγής Συμπερασμάτων λειτουργεί σε κύκλους. Ο κύκλος λειτουργίας του μηχανισμού καλείται κύκλος επιλογής-εκτέλεσης (select-execute cycle), αλλά συναντάται και ως κύκλος κατάστασης-απόκρισης (situation-response cycle), ή κύκλος κατάστασης-ενέργειας (situation-action cycle). Στα πλαίσια ενός κύκλου, ο μηχανισμός θα εκτελέσει ένα σύνολο εργασιών. Ο κύκλος εργασιών θα εκτελεστεί επανειλημμένα ώσπου συγκεκριμένα κριτήρια οδηγήσουν στον τερματισμό της λειτουργίας του μηχανισμού. Οι εργασίες που υλοποιούνται στα πλαίσια ενός κύκλου στα τυπικά παραδείγματα μηχανισμών εξαγωγής συμπερασμάτων φαίνονται στο σχήμα που ακολουθεί. Σχήμα 3: Κύκλος Λειτουργίας Μηχανισμού Εξαγωγής Συμπερασμάτων Σε ένα σύστημα βασισμένο σε Κανόνες Παραγωγής η Βάση Γνώσης περιέχει την απαιτούμενη γνώση για την επίλυση του προβλήματος με τη μορφή Κανόνων. Η διαδικασία εξέτασης της Βάσης Γνώσης σε αντιστοιχία με νέα ή υπάρχοντα Γεγονότα καλείται Ταυτοποίηση (Matching). Κατά τη Διαδικασία Ταυτοποίησης, κάθε κανόνας της Βάσης Γνώσης ελέγχεται ως προς τα γεγονότα που έχουν εισαχθεί στη Λειτουργική Μνήμη του συστήματος για να διαπιστωθεί αν ικανοποιούνται οι συνθήκες ενεργοποίησής του. Αν δεν υπάρχει ενεργοποιημένος κανόνας, τότε η λειτουργία του μηχανισμού εξαγωγής συμπερασμάτων τερματίζεται. Οι κανόνες οι οποίοι ενεργοποιήθηκαν κατά τη διαδικασία ταυτοποίησης εισάγονται στην Ατζέντα (Agenda) του συστήματος. Αν περισσότεροι του ενός κανόνες είναι ενεργοποιημένοι, εφαρμόζεται η Διαδικασία 22

23 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα Επίλυσης Συγκρούσεων (Conflict Resolution Strategy), η οποία θα αποφασίσει για το ποιος από τους ενεργοποιημένους κανόνες θα πυροδοτηθεί. Στο επόμενο βήμα εκτελείται το τμήμα των ενεργειών του κανόνα που επιλέχθηκε. Με το τέλος της εκτέλεσης του κανόνα το σύστημα θα ελέγξει αν έχει προκύψει εντολή τερματισμού της διαδικασίας εξαγωγής συμπερασμάτων είτε από εξωτερική πηγή (π.χ. τον χρήστη), είτε ως αποτέλεσμα της εκτέλεσης του τελευταίου κανόνα, και σε περίπτωση ύπαρξης τέτοιας εντολής το σύστημα θα τερματίσει. Σε διαφορετική περίπτωση θα ξεκινήσει ο επόμενος κύκλος εργασιών του μηχανισμού εξαγωγής συμπερασμάτων. Ως αποτέλεσμα της εκτέλεσης ενός κανόνα, είναι πιθανό η Λειτουργική Μνήμη του συστήματος στο τέλος ενός κύκλου εργασιών να διαφέρει σε σχέση με την κατάστασή της στην αρχή του κύκλου, μιας και η δεξιά πλευρά ενός κανόνα μπορεί να περιλαμβάνει εντολές τροποποίησης, διαγραφής ή εισαγωγής Γεγονότων στη Λειτουργική Μνήμη. Για το λόγο αυτό είναι απαραίτητο κάθε κύκλος εργασιών να επαναλαμβάνει τη διαδικασία ταυτοποίησης και να αναθεωρεί την Ατζέντα του συστήματος. Στη συνέχεια παρουσιάζουμε τους πιο γνωστούς αλγορίθμους που υλοποιούνται από Μηχανισμούς Εξαγωγής Συμπερασμάτων συστημάτων παραγωγής Αλγόριθμος Rete Ο αλγόριθμος Rete αναγνωρίζεται ως ο πιο αποδοτικός αλγόριθμος για την υλοποίηση συστημάτων παραγωγής. Ο αλγόριθμος αρχικά αναπτύχθηκε στο Πανεπιστήμιο Carnegie Mellon από τον Δρ C. L. Forgy και δημοσιεύτηκε για πρώτη φορά το 1974, έχει όμως εξελιχθεί δραματικά για περισσότερο από δύο δεκαετίες. Ο αλγόριθμος Rete αποτελεί τη βάση για πολλά γνωστά εργαλεία έμπειρων συστημάτων όπως το CLIPS, Jess, Soar κ.α. Ένας μηχανισμός εξαγωγής συμπερασμάτων που υλοποιεί τον αλγόριθμο Rete χτίζει ένα δίκτυο από κόμβους, όπου κάθε κόμβος, εκτός από τον κόμβο της ρίζας, αντιστοιχεί σε μία συνθήκη που εμφανίζεται στο τμήμα των προϋποθέσεων της ενεργοποίησης ενός κανόνα. Το μονοπάτι από τη ρίζα σε ένα φύλλο αντιπροσωπεύει πλήρως τις προϋποθέσεις ενεργοποίησης ενός κανόνα. Κάθε κόμβος έχει επίσης μία μνήμη των Γεγονότων που ικανοποιούν τη συνθήκη του. Η δομή που περιγράψαμε αποτελεί ένα γενικευμένο Tie (prefix tree). Καθώς νέα Γεγονότα εισάγονται στη Λειτουργική Μνήμη ή τροποποιούνται, διαδίδονται κατά μήκος του δικτύου, ώστε να ενημερωθούν οι κόμβοι για το αν η συνθήκη τους πλέον ικανοποιείται ή όχι. Όταν ένα Γεγονός ή ένα σύνολο από Γεγονότα της Λειτουργικής Μνήμης ικανοποιούν όλους τους ενδιάμεσους κόμβους που αναπαριστούν τις προϋποθέσεις ενός κανόνα, τότε ο κανόνας ενεργοποιείται. Ο αλγόριθμος Rete έχει σχεδιαστεί έτσι ώστε να θυσιάζει μνήμη για αυξημένη ταχύτητα. Σε πολλές περιπτώσεις η αύξηση της ταχύτητας που επιτυγχάνεται με τη χρήση του αλγορίθμου Rete σε σχέση με απλούς αλγορίθμους ανάγεται σε δεκάδες τάξεις μεγέθους, γιατί η απόδοση του Rete 23

24 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα είναι θεωρητικά ασυμπτωτικά ανεξάρτητη από το πλήθος των κανόνων. Σε πολύ μεγάλα συστήματα ωστόσο η χρήση του αλγορίθμου μπορεί να οδηγήσει σε προβλήματα κατανάλωσης μνήμης. Άλλοι αλγόριθμοι, βασισμένοι στον Rete και μη, έχουν σχεδιαστεί ώστε να έχουν λιγότερες απαιτήσεις σε μνήμη Αλγόριθμος Treat Ο αλγόριθμος TREAT διαφέρει από τον Rete στο ότι δε χρησιμοποιεί το δίκτυο των κόμβων, και δεν αποθηκεύει ενδιάμεσα αποτελέσματα, όπως συμβαίνει στους κόμβους του δικτύου. Αντίθετα η ταυτοποίηση των συνθηκών ελέγχεται κάθε φορά που αυτό απαιτείται εξ αρχής. Τα μοναδικά σύνολα που αποθηκεύονται είναι η Λειτουργική Μνήμη και οι ενεργοποιημένοι κανόνες. Η διαγραφή και η εισαγωγή ενός Γεγονότος από τη Λειτουργική Μνήμη είναι για τον TREAT ασύμμετρες πράξεις. Στην πράξη της διαγραφής ελέγχονται στην πλειοψηφία των περιπτώσεων μόνο οι ενεργοποιημένοι κανόνες, οπότε και αναιρούνται μεμονωμένοι κανόνες από το σύνολο των συγκρούσεων. Κατά συνέπεια, η πράξη της διαγραφής έχει μειωμένο κόστος σε σύγκριση με την περίπτωση του αλγορίθμου Rete, το οποίο αντισταθμίζει το αυξημένο κόστος της εισαγωγής. Η αποδοτικότητα του αλγορίθμου TREAT αυξάνει όταν οι κανόνες δεν περιλαμβάνουν αρνητικές συνθήκες που ικανοποιούνται σε περιπτώσεις μη-ύπαρξης Αλγόριθμος Leaps Ο αλγόριθμος Leaps αποτελεί επέκταση του αλγορίθμου TREAT με αποδοτικότερη χρήση του χώρου σε συστήματα αυξημένης πολυπλοκότητας, και για το λόγο αυτό είναι κατάλληλο για συστήματα μεγάλης Βάσης Γνώσης. Κατά την εκτέλεσή του, αλγόριθμος εισάγει όλα τα εισερχόμενα Γεγονότα σε μία κύρια στοίβα, ανάλογα με τη σειρά εισόδου τους στη Λειτουργική Μνήμη. Επιθεωρεί τα Γεγονότα ένα προς ένα προσπαθώντας να βρει ένα ταίριασμα για κάθε κανόνα με βάση τους τύπους δεδομένων των Γεγονότων και τους τύπους δεδομένων των συνθηκών του κανόνα. Μόλις βρεθεί το ταίριασμα το σύστημα αποθηκεύει τη θέση όπου τερματίστηκε η αναδρομική διαδικασία ώστε ο επόμενος κύκλος να ξεκινήσει από τη θέση αυτή και στη συνέχεια πυροδοτεί τον επιλεγμένο κανόνα. Με την ολοκλήρωση της εκτέλεσης του κανόνα, το σύστημα ξεκινάει τη διαδικασία εξετάζοντας ένα γεγονός από την κορυφή της κύριας στοίβας σε συνδυασμό με τους κανόνες λαμβάνοντας υπόψη τη θέση του κανόνα όπου τερματίστηκε κατά την προηγούμενη φάση η αναδρομική διαδικασία. Είναι σημαντικό να τονίσουμε ότι ο Leaps επιτρέπει την πυροδότηση ενός κανόνα πριν ολοκληρωθεί ο έλεγχος όλων των κανόνων, όπως συμβαίνει με τον αλγόριθμο Rete, το οποίο εξηγεί τη σημαντική αύξηση στην απόδοσή του. 24

25 Κεφάλαιο 1 ο : Εισαγωγή στα Έμπειρα Συστήματα Πέρα από τις περιπτώσεις αλγορίθμων όπου η διαδικασία ταυτοποίησης καταλήγει σε έναν ενεργοποιημένο κανόνα, όπως είναι ο αλγόριθμος Leaps που μόλις παρουσιάσαμε, στις περισσότερες περιπτώσεις αλγορίθμων ενεργοποιούνται περισσότεροι από ένας κανόνας, οπότε πρέπει να επιλεγεί ένας ο οποίος θα πυροδοτηθεί προς εκτέλεση. Σε ένα σύστημα με Βάση Γνώσης μεγάλου όγκου, είναι πολύ πιθανό η τροποποίηση ενός Γεγονότος ή η εισαγωγή ενός νέου να οδηγήσει στην ταυτόχρονη ενεργοποίηση πολλών κανόνων, οι οποίοι λέμε ότι συγκρούονται μεταξύ τους. Στο σημείο αυτό, θα εφαρμοστεί η Στρατηγική Επίλυσης Συγκρούσεων η οποία θα καθορίσει τον επόμενο κανόνα προς εκτέλεση. Παραδείγματα τέτοιων στρατηγικών είναι τα ακόλουθα: First In First Serve. Ο κανόνας ο οποίος θα πυροδοτηθεί είναι ο πρώτος ο οποίος ενεργοποιήθηκε από το μηχανισμό ταυτοποίησης. Last In First Serve. Ο κανόνας ο οποίος θα πυροδοτηθεί είναι ο τελευταίος ο οποίος ενεργοποιήθηκε από το μηχανισμό ταυτοποίησης. Prioritisation. Η επιλογή του κανόνα που θα πυροδοτηθεί βασίζεται σε βαθμούς προτεραιότητας που δίνονται στους κανόνες κατά τη σύνταξή τους από τον Ειδικό ή το Μηχανικό της Γνώσης. Specificity. Πυροδοτείται ο κανόνας με τις πιο συγκεκριμένες συνθήκες, ή που ταυτοποιείται με τα περισσότερα Γεγονότα της Βάσης Γνώσης. Recency. Πυροδοτείται ο κανόνας που ταυτοποιείται με Γεγονότα που έχουν προστεθεί πιο πρόσφατα στη Βάση Γνώσης. Refractoriness. Απαγορεύει την πυροδότηση των κανόνων που έχουν ήδη πυροδοτηθεί μία φορά κατά την τρέχουσα διαδικασία εξαγωγής συμπερασμάτων. Υπάρχουν δύο τεχνικές εκτέλεσης των κανόνων των Συστημάτων Κανόνων Παραγωγής. Η ορθή ακολουθία εκτέλεσης κανόνων (forward chaining) έχει ως σημείο εκκίνησης τα Γεγονότα και χρησιμοποιεί τους κανόνες για να εξάγει περισσότερα Γεγονότα ώσπου να επιτευχθεί η εξαγωγή του αποτελέσματος. Ένας μηχανισμός εξαγωγής συμπερασμάτων που χρησιμοποιεί ορθή ακολουθία εκτέλεσης κανόνων αναζητά έναν τουλάχιστον κανόνα του οποίοι οι προϋποθέσεις ικανοποιούνται από τα Γεγονότα της Λειτουργικής Μνήμης. Μόλις ο κανόνας βρεθεί, το σύστημα μπορεί να εκτελέσει τις ενέργειες που ορίζονται στο δεύτερο σκέλος του κανόνα. Η ορθή ακολουθία εκτέλεσης συνήθως ονομάζεται οδηγούμενη από τα Γεγονότα (datadriven), σε αντίθεση με την Ανάστροφη ακολουθία εκτέλεσης κανόνων που ονομάζεται οδηγούμενη από το στόχο (goal-driven). 25