Συστήµατα Γνώσης Knowledge Systems

Transcript

1 Συστήµατα Γνώσης Knowledge Systems! Συστήµατα που αναπαριστούν και χρησιµοποιούν γνώση γιαναεκτελέσουνκάποια λειτουργία. # Συντόµευση του όρου Συστήµατα βασισµένα στη Γνώση (Knowledge-based Systems) # Περιλαµβάνουν: Τα έµπειρα συστήµατα Συστήµατα στα οποία η γνώση δεν προέρχεται από ειδικούς αλλά αποτελεί επιστηµονικήτεχνολογική γνώση ή γνώση καταγεγραµµένη σε βάσεις δεδοµένων, τεχνικές αναφορές, κλπ.! Η ανάγκη για τα Συστήµατα Γνώσης προήλθε από τη δυσκολία: # Εκµαίευσης της γνώσης του ειδικού από το µηχανικό της γνώσης. # Κατανόησης και µετατροπής της γνώσης σε εύχρηστα υπολογιστικά µοντέλα.! Συλλογιστικές που χρησιµοποιούνται: # Συλλογιστική βασισµένη σε µοντέλα (model-based reasoning), # Ποιοτική συλλογιστική (qualitative reasoning) # Συλλογιστική βασισµένη σε περιπτώσεις (case-based reasoning).

2 Συλλογιστική Βασισµένη σε Μοντέλα Model-Based Reasoning (1/3)! Αναπαριστά τη δοµή και λειτουργία πραγµατικών (φυσικών) συστηµάτων. # Χρησιµοποιεί βασικές επιστηµονικές ή τεχνικές αρχές αντί εµπειρικής γνώσης. # Χρησιµοποιείται κυρίως σε εφαρµογές διάγνωσης (model-based diagnosis).! Μειονέκτηµα εµπείρων συστηµάτων που πραγµατοποιούν διάγνωση: # Συσχετίζουν ένα σύνολο παρατηρήσιµων παραµέτρων του φυσικού συστήµατος, µε ένα σύνολο παρατηρήσιµων δυσλειτουργιών. # Τα φυσικά συστήµατα αντιµετωπίζονται σαν "µαύρα κουτιά" (black-box). # Ησυµπεριφορά του συστήµατος καθορίζεται από τη συµπεριφορά του στο παρελθόν σε παρόµοιες περιπτώσεις, οι οποίες έχουν αποτυπωθεί ως εµπειρία. # εν µπορεί να διαγνώσει νέες δυσλειτουργίες που δεν έχουν αντιµετωπισθεί στο παρελθόν, επειδή δεν έχουν αποτυπωθεί ως εµπειρικοί κανόνες. # Η συλλογιστική που βασίζεται σε εµπειρική γνώση και συνδυάζει το αποτέλεσµα µε το αίτιο, ονοµάζεται απαγωγική συλλογιστική (abductive reasoning).

3 Συλλογιστική Βασισµένη σε Μοντέλα Model-Based Reasoning (2/3)! Πλεονέκτηµα συστηµάτων που πραγµατοποιούν διάγνωση βασισµένη σε µοντέλα: # Οι κατασκευαστές γνωρίζουν περισσότερα για τον τρόπο λειτουργίας ενός συστήµατος από τους ειδικούς που το χειρίζονται. # Η περιγραφή του φυσικού συστήµατος συνίσταται στις βασικές αρχές λειτουργίας του και όχι στις περιπτώσεις βλαβών που παρατηρήθηκαν. # Με τον τρόπο αυτό είναι σε θέση να αντιµετωπίσουν καταστάσεις που δεν έχουν συναντήσει στο παρελθόν.! Μοντέλο συστήµατος: # οµή και βασικές λειτουργίες ενός φυσικού συστήµατος.! Είδη µοντέλων: # Μαθηµατικά µοντέλα: Περιγράφουν µε αναλυτικές εξισώσεις ένα σύστηµα. # Στοχαστικά µοντέλα: Περιγράφουν στατιστικά τη λειτουργία ενός συστήµατος. # Αιτιοκρατικά µοντέλα: Περιγράφουν ένα σύστηµα µέσω των αλληλεπιδράσεων των επιµέρους τµηµάτων του.

4 Συλλογιστική Βασισµένη σε Μοντέλα Model-Based Reasoning (3/3)! Η εκµαίευση γνώσης αντικαθίσταται από την αποτύπωση του µοντέλου ενός φυσικού συστήµατος. # εν είναι εύκολη δουλειά, αλλά είναι λιγότερο πολύπλοκη και περισσότερο προβλέψιµη διαδικασία από την αλληλεπίδραση µε έναν άνθρωπο-ειδικό.! Οι βασικές διαγνωστικές λειτουργίες είναι συνήθως ανεξάρτητες από το προς εξέταση σύστηµα. # Μπορεί να µεταβληθεί µόνο το µοντέλο και να επαναχρησιµοποιηθεί ο πυρήνας του διαγνωστικού συστήµατος για άλλα φυσικά συστήµατα.! Τα απλά συστήµατα βασίζονται µόνο σε τοπικές αλληλεπιδράσεις γειτονικών τµηµάτων του φυσικού συστήµατος. # Απαιτείται τοπική προώθηση των ιδιοτήτων µεταξύ γειτονικών τµηµάτων-εξαρτηµάτων.! Η συµπεριφορά ενός φυσικού συστήµατος µπορεί να εξαρτάται από αλληλεπιδράσεις µεταξύ µη-γειτονικών εξαρτηµάτων.

5 Λειτουργία ιαγνωστικού Συστήµατος! Η πραγµατική συµπεριφορά του φυσικού συστήµατος συγκρίνεται µε τη συµπεριφορά που προβλέπει το µοντέλο. # Οι διαφορές που παρατηρούνται µπορεί να οφείλονται σε δυσλειτουργία εξαρτηµάτων ή των αισθητήρων.! Στα συστήµατα συλλογιστικής των µοντέλων χρησιµοποιούνται όλες οι γνωστές µέθοδοι αναπαράστασης γνώσης.! Οι κανόνες µπορούν να αναπαραστήσουν την αιτιότητα σε ένα τέτοιο σύστηµα. # Κανόνες Προσοµοίωσης: προσοµοιώνουν τους φυσικούς περιορισµούς και νόµους που διέπουν το σύστηµα, π.χ. ροή ηλεκτρικού ρεύµατος. # Κανόνες Εξαγωγής Συµπερασµάτων: εξάγουν συµπεράσµατα για την κατάσταση και τη συµπεριφορά του φυσικού συστήµατος.

6 Μελέτη Περίπτωσης - Το Σύστηµα KATE! Παρακολουθεί σε πραγµατικό χρόνο συστήµατα ελέγχου για την εκτόξευση διαστηµικών λεωφορείων της NASA.! Μοντέλο φυσικού συστήµατος: # Περιγραφή των εξαρτηµάτων του συστήµατος και των συνδέσεων µεταξύ τους. # Λειτουργία κάθε εξαρτήµατος µέσα στο σύστηµα.! Η λειτουργική εξάρτηση (Functional Dependency) είναι µια (αντιστρέψιµη) µαθηµατική συνάρτηση που υπολογίζει την έξοδο κάθε εξαρτήµατος ως συνάρτηση των εισόδων του.! Καταγράφονται 2 είδη τιµών στην είσοδο: # Εντολές: Εξωτερικές παράµετροι λειτουργίας του φυσικού συστήµατος Π.χ. εξωτερικές ρυθµίσεις για πίεση της αντλίας, έλεγχο ροής βαλβίδας, τάση ρεύµατος, κλπ. Οι τιµές θεωρούνται γνωστές και υπεράνω κάθε αµφισβήτησης. # Μετρήσεις: Οι τιµές των αισθητήρων που είναι τοποθετηµένοι σε διάφορα σηµεία του φυσικού συστήµατος.

7 Λειτουργία του Συστήµατος KATE Φάση παρακολούθησης και διαπίστωσης προβληµάτων! Καταγραφή των µετρήσεων των αισθητήρων (παρατηρούµενες τιµές).! Υπολογισµός των τιµών που έπρεπε να έχουν θεωρητικά οι αισθητήρες αν το φυσικό σύστηµα λειτουργούσε κανονικά, σύµφωνα µε τοµοντέλο (προβλεπόµενες τιµές).! Σύγκριση των προβλεπόµενων τιµών µε τις παρατηρούµενες. # Αν παρατηρηθεί κάποια ασυµφωνία τότε πρέπει να αναζητηθεί η αιτία της στη δεύτερη φάση. 2 η φάση: Εντοπισµός προβληµάτων Εντολές Μοντέλο Μετρήσεις 1 η φάση: Παρακολούθηση συστήµατος και διαπίστωση προβληµάτων

8 Λειτουργία του Συστήµατος KATE Φάση Εντοπισµού Προβληµάτων! Τα εξαρτήµατα που θεωρούνται υπεύθυνα για τις ασυµφωνίες σηµειώνονται ως ύποπτα. # Όλαταεξαρτήµατα που συνδέονται άµεσα ή έµµεσα µε τουςαισθητήρεςπουκατέγραψαν τις ασυµφωνίες, καθώς και οι ίδιοι οι αισθητήρες.! Υπολογισµός των θεωρητικών τιµών των εξαρτηµάτων # Για κάθε εξάρτηµα Α υποθέτουµεότιόλαταεξαρτήµατα που συνδέουν έµµεσα το Α µε τον αισθητήρα Β λειτουργούν σωστά. Ουσιαστικά υποθέτουµε πως υπάρχει µόνο µία βλάβη στο σύστηµα. # Υπολογίζεται µαθηµατικά η κατάσταση του Α από τη µέτρηση της τιµής του αισθητήρα Β, µέσω της λειτουργικής εξάρτησης.! Σταδιακά "αθωώνονται" τα ύποπτα εξαρτήµατα. # Τα εξαρτήµατα που παραµένουν: Μπορούν να αποδειχθούν ότι είναι πράγµατι "ένοχα", ή ενείναιδυνατόννα"αθωωθούν". # Επιθυµητό είναι να µείνει µόνο ένα εξάρτηµα στο οποίο εντοπίζεται η βλάβη.

9 Λειτουργία του Συστήµατος KATE Κριτήρια "Αθώωσης" Ύποπτων Εξαρτηµάτων! Αν ένα εξάρτηµα Α λειτουργεί προβληµατικά, τότε όλα τα εξαρτήµατα που το συνδέουν έµµεσα µε κάποιον ασύµφωνο αισθητήρα Β πρέπει να έχουν διαφορετικές υποθετικές τιµές από τις προβλεπόµενες. # Αν δε συµβαίνει κάτι τέτοιο, τότε το εξάρτηµα Α είναι αθώο.! Αν δεν µπορεί να υπολογιστεί η υποθετική τιµή ενός ύποπτου εξαρτήµατος, τότε σηµαίνει ότι αυτό δεν είναι σε θέση να επηρεάσει τους ασύµφωνους αισθητήρες και θεωρείται αθώο.! Αν η υποθετική τιµή ενός ύποπτου εξαρτήµατος συµπίπτει µε την προβλεπόµενη, τότε το εξάρτηµα λειτουργεί κανονικά και πρέπει να αθωωθεί.! Αν η υποθετική τιµή ενός ύποπτου εξαρτήµατος δε συµπίπτει µε την προβλεπόµενη, τότε υποθέτουµε ότι το συγκεκριµένο εξάρτηµα δυσλειτουργεί. # Αν δεν "εξηγούνται" οι ενδείξεις των αισθητήρων, το εξάρτηµαδενµπορεί να θεωρηθεί υπαίτιο της δυσλειτουργίας και αθωώνεται.

10 Παράδειγµα ιάγνωσης βασισµένης σε Μοντέλο Εντολές Ε 1 Ε 2 Ε 3 Ε 4 Σ 11 Σ 12 Σ 13 Σ 14 Εξαρτήµατα Σ 21 Σ 22 Σ 23 Μετρήσεις Μ 1 Μ 2 Μ 3 Μ 4 Μ 5

11 Συλλογιστική των Μοντέλων Πλεονεκτήµατα! Μειώνεται το υψηλό κόστος απόκτησης της γνώσης. # Μεταβιβάζεται η ανάγκη καταγραφής της εµπειρικής γνώσης ενός ειδικού στην ανάγκη περιγραφής ενός µοντέλου της συµπεριφοράς ενός φυσικού συστήµατος.! ε χρειάζεται να προβλεφθούν και να καταγραφούν όλες οι πιθανές βλάβες σε ένα σύστηµα. Μειονεκτήµατα! Αδυναµία αναπαράστασης και χρήσης ευριστικής και αβέβαιης γνώσης.! Προϋπόθεση της βλάβης ενός µόνο εξαρτήµατος. # Λογικοφανής υπόθεση που επιβεβαιώνεται στατιστικά, αλλά δεν ισχύει πάντα και για όλα τα συστήµατα.! Άσκοπη η κατασκευή µοντέλου όταν δεν είναι δυνατή η τοποθέτηση αισθητήρων στο εσωτερικό του συστήµατος

12 Ποιοτική Συλλογιστική Qualitative Reasoning! Συνδέεται µε τησυλλογιστικήβασισµένη σε µοντέλα. # Προσοµοιώνει κάποιο φυσικό σύστηµα βάσει ενός ποιοτικού και όχι ποσοτικού ή αριθµητικού µοντέλου. # Η ποιοτική κατανόηση της λειτουργίας ενός φυσικού συστήµατος είναι απλούστερη και πολλές φορές ουσιαστικότερη από την ποσοτική κατανόηση του µοντέλου.! Χρησιµοποιείται αντί της ποσοτικής συλλογιστική, όταν # Το ποσοτικό µοντέλο του φυσικού συστήµατος είναι πολύπλοκο, ή # ενυπάρχουναρκετάδεδοµένα για να δηµιουργηθεί ποσοτικό µοντέλο.! Η ποιοτική προσοµοίωσηπροβλέπειόλαταπιθανάαλλάκαιτααπίθαναπρότυπα συµπεριφοράς του συστήµατος. # Είναι πλήρης αλλά όχι ορθή. Π.χ., προβλέπει όλες τις πραγµατικές πιθανές συµπεριφορές µιας µπάλας που εκτοξεύεται προς τα πάνω, αλλά και την (απίθανη) αέναη προς τα πάνω κίνηση της. # Το πρόβληµα δεν οφείλεται στην τεχνική, αλλά στον τρόπο εφαρµογής της Πρέπει να εφαρµόζονται σωστά όλοι οι φυσικοί περιορισµοί του συστήµατος ώστε να απορρίπτονται κάποιες από τις συµπεριφορές που προβλέπει η ποιοτική προσοµοίωση.

13 Μελέτη Περίπτωσης Το Σύστηµα QSIM! Γλώσσα περιγραφής ποιοτικών καταστάσεων που µπορεί να βρεθεί ένα σύστηµα.! Οι ποιοτικές καταστάσεις καθορίζονται από παραµέτρους, οι οποίες µπορεί να αυξάνονται, να µειώνονται, ήναπαραµένουν σταθερές, ποιοτικά και όχι αριθµητικά. # Φυσικές παράµετροι (physical parameters) του συστήµατος # Περιορισµοί (constraints) που καθορίζουν τις συσχετίσεις (relationships) των παραµέτρων µεταξύ τους.! Κάθε φυσική παράµετρος αναπαρίσταται ως συνάρτηση του χρόνου.! Ο χρόνος είναι διακριτός. # Στα κρίσιµα χρονικάσηµεία ησυνάρτησηπουαναπαριστάτηφυσικήπαράµετρο αλλάζει τιµή. # Χρησιµοποιούνται και τα χρονικά διαστήµατα (time intervals) µεταξύ δύο χρονικών σηµείων.! Οι παράµετροι παίρνουν τιµές από το σύνολο διακεκριµένων τιµών (landmark values). # Πλήρες διατεταγµένοσύνολοτωντιµών της παραµέτρου στα κρίσιµασηµεία, π.χ. µέγιστο-ελάχιστο ύψος.

14 Σύστηµα QSIM Παραδείγµατα Συσχετίσεων Συσχέτιση dταχύτητα Επιτάχυνση = dt ύναµη = µάζα * επιτάχυνση Οι λαµπτήρες µεγαλύτερης ισχύος παράγουν µεγαλύτερη φωτεινότητα Η µείωση του µεγέθους ενός υπολογιστή αυξάνει την υπολογιστική ισχύ του QSIM DERIV(velocity acceleration) MULT(mass acceleration force) M+(wattage lumens) M-(computer-size speed)

15 Σύστηµα QSIM Ποιοτική Προσοµοίωση! Καθορισµός των τιµών όλων των παραµέτρων σε κάποιο χρονικό σηµείο ή διάστηµα.! Για τον υπολογισµό τωνδυνατώνµεταβολών χρησιµοποιείται ο πίνακας επιτρεπτών µεταβολών µεταξύ 2 καταστάσεων που υπάρχουν στο QSIM. # Μεταβάσεις τύπου P, απόέναχρονικόσηµείο (point) σε ένα χρονικό διάστηµα. # Μεταβάσεις τύπου I, από ένα διάστηµα (interval) σε ένα σηµείο.! Γιαναβρεθούνοιεπιτρεπτέςµεταβολές σε κάποια συγκεκριµένη κατάσταση, πρέπει: # Να ταυτοποιηθούν οι παράµετροι της προηγούµενης κατάστασης µε τηµεσαία στήλη. # Να παραχθούν οι δυνατές τιµές της επόµενης κατάστασης από την τρίτη στήλη. # Να απορριφθούν κάποιες από τις παραπάνω µεταβολές, όταν: εν είναι συµβατές µε τους περιορισµούς του συστήµατος. ε διαφοροποιούν την προηγούµενη κατάσταση. # Όταν δεν είναι δυνατός ο περιορισµόςτωννέωνκαταστάσεωνσεµία µοναδική δηµιουργείται ένα δένδρο δυνατών επόµενων καταστάσεων. Κάθε κλαδί του δένδρου πρέπει να αναπτυχθεί ξεχωριστά.

16 Σύστηµα QSIM Επιτρεπτές Μεταβολές Μεταξύ 2 Καταστάσεων Μετάβαση τύπου P Από κατάσταση QS(f, ti) Προς κατάσταση QS(f, ti, ti+1) P 1 (l j,std) (l j,std) P 2 (l j,std) ([l j, l j+1 ], inc) P 3 (l j,std) ([l j-1, l j ], dec) P 4 (l j,inc) ([l j, l j+1 ], inc) P 5 ([l j, l j+1 ], inc) ([l j, l j+1 ], inc) P 6 (l j, dec) ([l j-1, l j ], dec) P 7 ([l j, l j+1 ], dec) ([l j, l j+1 ], dec) Μετάβαση τύπου I Από κατάσταση QS(f, ti, ti+1] Προς κατάσταση QS(f, ti+1] I 1 (l j,std) (l j,std) I 2 ([l j, l j+1 ], inc) (l j+1,std) I 3 ([l j, l j+1 ], inc) (l j+1,inc) I 4 ([l j, l j+1 ], inc) ([l j, l j+1 ], inc) I 5 ([l j, l j+1 ], dec) (l j,std) I 6 ([l j, l j+1 ], dec) (l j, dec) I 7 ([l j, l j+1 ], dec) ([l j, l j+1 ], dec) I 8 ([l j, l j+1 ], inc) (l*, std) I 9 ([l j, l j+1 ], dec) (l*, std)

17 Το Παράδειγµα της Μπάλας! Φυσικές παράµετροι: # Y=το ύψος στο οποίο υψώνεται η µπάλα (όχι απαραίτητα το µέγιστο) # V=ηταχύτηταµε την οποία η µπάλα ανεβαίνει και κατεβαίνει # A=η επιτάχυνση της µπάλας! Περιορισµοί: dy # DERIV(Y, V): V = dt dv # DERIV(V,A): A = dt # A(t)=g<0(σταθερά της βαρύτητας)

18 Το Παράδειγµα της Μπάλας Χρονικό Σηµείο t 0! Η µπάλα εκτοξεύεται προς τα πάνω σε σχέση µε τοέδαφος. # QS(A,t 0 )=g # QS(V,t 0 )=V 0 # QS(Y,t 0 )=0 Χρονικό ιάστηµα [t 0,t 1 ]! Η µπάλα κινείται προς τα πάνω χωρίς να είναι γνωστό ακόµα τοσηµείο στο οποίο θα σταµατήσει. # QS(A,t 0,t 1 )=(g,std) Ητιµή της επιτάχυνσης είναι g, ενώ ο ρυθµός µεταβολής της είναι σταθερός (std). # QS(V,t 0,t 1 ) = ([0, ],dec) Ηταχύτηταµειώνεται και η τιµή τηςείναικάπουµεταξύ της αρχικής τιµής (οποιαδήποτε) και του µηδενός. # QS(Y,t 0,t 1 ) = ([0, ],inc) Το ύψος της µπάλας µεγαλώνει και η τιµή του είναι µεταξύ της αρχικής τιµής 0 και του µέγιστου ύψους (οποιαδήποτε θετική τιµή).

19 Το Παράδειγµα της Μπάλας Χρονικό Σηµείο t 1 (1/2)! Η µπάλα θα φτάσει στο µέγιστο ύψος.! QS(A,t 0,t 1 ) QS(A,t 1 ) # Επειδή η επιτάχυνση της βαρύτητας είναι σταθερή, η µόνη επιτρεπτή µεταβολή είναι να παραµείνεισταθερήητιµήτηςεπιτάχυνσης, δηλαδή (g,std) (g,std) (λόγω I 1 ).! υνατές µεταβολές της ταχύτητας: QS(V,t 0,t 1 ) QS(V,t 1 ). # ([0, ],dec) (0,std) Ηταχύτηταµηδενίζεται και παραµένει σταθερή (µετάβαση I 5 ). # ([0, ],dec) (0,dec) Ηταχύτηταµηδενίζεται ενώ µειώνεται συνεχώς (µετάβαση I 6 ). # ([0, ],dec) ([0, ],dec) Η ταχύτητα συνεχίζει να έχει κάποια θετική τιµή, όχι απαραίτητα την ίδια µε πριν, ενώ µειώνεται συνεχώς (µετάβαση I 7 ). # ([0, ],dec) (L*,std) Ηταχύτηταέχειαλλάξειπαίρνονταςµία καινούρια (άγνωστη) τιµή L*, η οποία παραµένει σταθερή (µετάβαση I 9 ). Κατάσταση που δεν είναι δυνατό να υπάρξει. Κατάσταση που δεν διαφοροποιεί την προηγούµενη. Κατάσταση που δεν είναι δυνατό να υπάρξει.

20 Το Παράδειγµα της Μπάλας Χρονικό Σηµείο t 1 (2/2)! υνατές µεταβολές του ύψους: QS(Y,t 0,t 1 ) QS(Y,t 1 ). # ([0, ],inc) ([0, ],inc) Το ύψος συνεχίζει να έχει θετική τιµή, όχι απαραίτητα την ίδια µε πριν, ενώ αυξάνεται συνεχώς. # ([0, ],inc) (L*,std) Το ύψος άλλαξε παίρνοντας µία καινούρια τιµή καιπαραµένει σταθερό. # ([0, ],inc) (,std), ([0, ],inc) (,inc) Το ύψος παίρνει τη µέγιστη τιµή του, συνεπώς η µπάλα φεύγει στο άπειρο είτε διατηρώντας σταθερό ύψος, είτε αυξανόµενο.! Προκύπτει η ακόλουθη, µοναδική ποιοτική κατάσταση: # QS(A,t1) = (g,std) # QS(V,t1) = (0,dec) # QS(Y,t1) = (Y new,std) Κατάσταση που δεν διαφοροποιεί την προηγούµενη. Καταστάσεις που δεν είναι δυνατό να υπάρξουν. Έχει "ανακαλυφθεί" µία καινούρια διακεκριµένη τιµή γιατηφυσικήπαράµετρο του ύψους.

21 Συλλογιστική Βασισµένη σε Περιπτώσεις Case-Based Reasoning! Χρησιµοποιεί συγκεκριµένες περιπτώσεις ή παραδείγµατα προβληµάτων που αντιµετωπίστηκαν στο παρελθόν για την επίλυση νέων προβληµάτων # Η επιλογή της κατάλληλης περίπτωσης βασίζεται στην οµοιότητά της µε την τωρινή.! Στα έµπειρα συστήµατα η γνώση αποτυπώνεται µε τηµορφή εµπειρικών κανόνων. # Ηεµπειρία καταγράφεται στιγµιαία και αφοµοιώνεται (implicit knowledge), αντί να καταγράφεται λεπτοµερώς και σαφώς (explicit knowledge).! Αρχιτεκτονική συστήµατος που χρησιµοποιεί συλλογιστική των περιπτώσεων: # Βιβλιοθήκη παλιών περιπτώσεων. # Μέθοδος ταιριάσµατος και ανάκλησης περιπτώσεων από τη βιβλιοθήκη, βάσει των χαρακτηριστικών του προβλήµατος. # Μέθοδος προσαρµογής της λύσης που δόθηκε στο παρελθόν, ότανητωρινήπερίπτωση δεν είναι ακριβώς ίδια µε τηνπαλιά. # Μέθοδος δοκιµής, επαλήθευσης και επιδιόρθωσης της προσαρµοσµένης λύσης. # Μέθοδος εκµάθησης της λύσης, όταν η νέα περίπτωση µαζί µετηλύσηπουυιοθετήθηκε συνιστούν µία πολύ διαφορετική περίπτωση από αυτές που βρίσκονται στη βιβλιοθήκη.

22 Συλλογιστική των Περιπτώσεων Κύκλος Λειτουργίας Νέα Περίπτωση (χωρίς λύση) Ανάκληση Προστιθέµενη Περίπτωση Αποθηκευµένη Περίπτωση Εκµάθηση Βιβλιοθήκη Περιπτώσεων Προσαρµογή ιορθωµένη Νέα Περίπτωση Επαλήθευση Νέα Περίπτωση (µε λύση)

23 Οργάνωση της Βιβλιοθήκης των Περιπτώσεων! Η οργάνωση της βιβλιοθήκης µπορεί να γίνει: # Με απλό τρόπο, π.χ. παράθεση περιπτώσεων, ή # Ιεραρχικά, όπου οι περιπτώσεις οργανώνονται σε επίπεδα, βάσει των παραµέτρων εισόδου ή τους στόχους του προς επίλυση προβλήµατος.! Η αναζήτηση στη βιβλιοθήκη βασίζεται σε "έξυπνη" δεικτοδότηση των περιπτώσεων (case indexing), για να είναι αποδοτική. # εν πρέπει να αντιστοιχούν πολλές περιπτώσεις σε συγκεκριµένες τιµές των παραµέτρων, γιατί θα ανακαλούνται πολλές άσχετες περιπτώσεις. # Η πολύ αυστηρή συνεκτικότητα µπορείναοδηγήσεισεαντίθετααποτελέσµατα, γιατί τις περισσότερες φορές δε θα "ταιριάζει" καµιά περίπτωση.! εικτοδότηση βασισµένη σε εξηγήσεις (explanation-based indexing): # Οι περιπτώσεις δεικτοδοτούνται βάσει κάποιων παρατηρούµενων χαρακτηριστικών του προβλήµατος πριν και µετά από κάποια δράση. # Επεξήγηση του λόγου για τον οποίο δόθηκαν τα χαρακτηριστικά. # Περιγραφή του στόχου που προσπαθεί να επιτευχθεί από τη συγκεκριµένη δράση.

24 Συστήµατα Συλλογιστικής των Περιπτώσεων! Απαιτούν τη δηµιουργία και "σωστή" δεικτοδότηση βιβλιοθήκης περιπτώσεων από άνθρωπο-ειδικό µε εµπειρία στα προβλήµατα που αντιµετωπίζει το σύστηµα.! Ο χρήστης εισάγει το πρόβληµα πουαντιµετωπίζει και ζητά από το σύστηµα νατου εµφανίσει από τη βιβλιοθήκη τις περιπτώσεις που ταιριάζουν. # Η σύγκριση βασίζεται στην ταύτιση των χαρακτηριστικών του προβλήµατος.! Ο χρήστηςήτοσύστηµα κρίνειανηανακληθείσαπερίπτωσηείναισωστήκαιανόχι ζητά κάποια επόµενη.! Γιανααυξηθείτοποσοστόεπιτυχηµένης ταύτισης των περιπτώσεων γίνεται: # Αξιολόγηση των χαρακτηριστικών του προβλήµατος βάσει της σπουδαιότητάς τους. # Όχι αυστηρή ταύτιση, αλλά µέσα σε κάποιο εύρος ανεκτικότητας (tolerance).! Όταν ανακληθεί κάποια περίπτωση, η λύση που υιοθετήθηκε στο παρελθόν προσαρµόζεται βάσει των χαρακτηριστικών της νέας περίπτωσης. # Ηπροσαρµοσµένηλύσηαποθηκεύεταιστηβιβλιοθήκητουσυστήµατος για µελλοντική χρήση. # Η γνώση του συστήµατος επεκτείνεται (case-based learning).

25 Μελέτη Περίπτωσης - Το Σύστηµα PAS! Προσδιορίζει αυτόµατα την αξία µιαςακίνητηςιδιοκτησίας. # Σύγκριση µεγέθους, λειτουργίας για την οποία προορίζεται και χαρακτηριστικών του ακινήτου µε κάποιο ανάλογο ακίνητο που βρίσκεται στην ίδια περιοχή.! Ανάκληση της κατάλληλης (πιο πρόσφατης) περίπτωσης αγοραπωλησίας. # Ανακαλεί, βαθµολογεί, και ταξινοµεί κατά φθίνουσα σειρά οµοιότητας, τις 10 πιο συναφείς περιπτώσεις. # Για τη βαθµολόγηση των περιπτώσεων πρέπει να καθοριστούν τα ακόλουθα: Ταβάρηήησπουδαιότητακάθεχαρακτηριστικούβάσειτουοποίουγίνεταιησύγκριση. Ο τρόπος που θα βαθµολογούνται οι διαφορές στη σύγκριση µεταξύ των χαρακτηριστικών.! Προσαρµογή της περίπτωσης που επιλέχθηκε. # Αυξοµείωση αξίας πώλησης του σπιτιού που ανακλήθηκε βάσει της αθροιστικής διαφοράς τιµών για όλα τα χαρακτηριστικά. # Μειονέκτηµα:Oι πολλές προσαρµογές καταλήγουν σε ανακριβείς τιµές.! Το σύστηµα επιβάλειβαθµούς "ποινής", ανάλογα µε τοναριθµό τωνπροσαρµογών. # Η τελική αξία προκύπτει από το µέσο όρο των 3 περιπτώσεων µε τους λιγότερους βαθµούς ποινής.

26 Παράδειγµα Καθορισµού Αξίας Ακίνητης Περιουσίας Χαρακτηριστικό Βάρος Τρόπος βαθµολόγησης διαφορών Καθαρό εµβαδόν 0.9 Απόλυτη Ποσοστιαία ιαφορά (ΑΠ ) Αριθµός δωµατίων 0.8 ΑΠ ιαφορά x 6,000 Αριθµός τουαλετών 0.5 ΑΠ ιαφορά x 3,000 Τρόπος προσαρµογής περίπτωσης ιαφορά x Κατασκευαστική τιµή m 2 Αρχιτεκτονικός ρυθµός 1.0 Ίδιος=1, ιαφορετικός=0 Ίδιος=0, ιαφορετικός=±30% Ηλικία οικήµατος 0.7 ΑΠ ιαφορά x2% Θέση (περιοχή - γειτονιά) Ηµεροµηνία αγοραπωλησίας 0.8 ΑΠ - Απόσταση από το κέντρο της πόλης 0.6 ΑΠ - Χρονική διαφορά/τριετία Τύπος ψύξης 0.2 Ίδιος=1, ιαφορετικός=0.5, Καθόλου=0 Τύπος θέρµανσης 0.7 Ίδιος=1, ιαφορετικός=0.5, Καθόλου=0 Τύπος parking 0.3 Ίδιος=1, ιαφορετικός=0.5, Καθόλου=0 ιαφορά αντικειµενικής (ανά περιοχή) αξίας m 2 x Εµβαδόν ιαφορά (σε χρόνια)x3% Ίδιος=0, ιαφορετικός=±0,5%, Καθόλου=±1% Ίδιος=0, ιαφορετικός=±2%, Καθόλου=±4% Ίδιος=0, ιαφορετικός=±5%, Καθόλου=±10% Μέγεθος οικοπέδου 0.2 ΑΠ ιαφορά x 300 Ύπαρξη πισίνας 0.1 Ίδιος=1, ιαφορετικός=0 Ίδιος=0, ιαφορετικός=±25%

27 Συλλογιστική των Περιπτώσεων Πλεονεκτήµατα! Βρίσκεται πιο κοντά στον τρόπο µε τον οποίο σκέφτονται οι άνθρωποι (συλλογιστική µε αναλογίες).! Η γνώση δεν υπόκειται σε µετατροπές που µπορούν να την αλλοιώσουν. # Στα έµπειρα συστήµατα η γνώση του ειδικού έχει υποστεί µετατροπές από: Τον ειδικό που αναγκάζεται να οµαδοποιήσει τις εµπειρίες του. Το µηχανικό της γνώσης που µετατρέπει αφαιρετικά τις εµπειρίες σε κανόνες.! Η διαδικασία απόκτησης της γνώσης απλουστεύεται. # Η γνώση υπάρχει ήδη σε παλαιότερα έγγραφα ή σε βάσεις δεδοµένων. Μειονεκτήµατα! Υπολογιστικό κόστος της αναζήτησης στη βιβλιοθήκη των περιπτώσεων.! Η απόδοση και ποιότητα των λύσεων που παρέχονται επηρεάζεται από: # Την "ορθή" δόµηση της βιβλιοθήκης. # Την ποιότητα και ποσότητα των περιπτώσεων που βρίσκονται στη βιβλιοθήκη.! υσκολίες στην προσαρµογή της λύσης στην τρέχουσα κατάσταση, όταν δεν υπάρχουν αριθµητικές µέθοδοι αλλά απαιτούνται ευριστικές-εµπειρικές σχέσεις.