Συστήματα Βασισμένα σε Γνώση (Knowledge Based Systems)

Τεχνητή Νοημοσύνη 10 Συστήματα Βασισμένα σε Γνώση (Knowledge Based Systems) Φώτης Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας Δεδομένα, Πληροφορία, Γνώση και Σοφία Εμπειρικοί κανόνες Όχι προγραμματισμός ΣΟΦΙΑ ΓΝΩΣΗ ΠΛΗΡΟΦΟΡΙΑ Αλγόριθμοι ΔΕΔΟΜΕΝΑ Προγραμματισμός Από την επεξεργασία δεδομένων στα Συστήματα Γνώσης Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 2

Δεδομένα Μη-οργανωμένα και μη-επεξεργασμένα γεγονότα σχετικά με αντικείμενα ή συμβάντα του πραγματικού κόσμου. Μετρήσιμες ή υπολογίσιμες τιμές των ιδιοτήτων των αντικειμένων, όπως π.χ. η τιμή πώλησης ενός προϊόντος σε μία εμπορική συναλλαγή η ημερομηνία γέννησης ενός ατόμου Είναι στατικά, καθώς από τη στιγμή που θα καταγραφούν δεν αλλάζουν. Δεν είναι ιδιαίτερα χρήσιμα παρά μόνο μετατραπούν σε πληροφορία. Πληροφορία Αποτελείται από δεδομένα που έχουν φιλτραριστεί και μορφοποιηθεί κατάλληλα, όπως π.χ. "το ετήσιο άθροισμα πωλήσεων κάποιου υποκαταστήματος επιχείρησης" Επεξεργασμένη πληροφορία, λόγω της άθροισης Φιλτραρισμένη πληροφορία, λόγω του συγκεκριμένου υποκαταστήματος Η πληροφορία, σε σύγκριση με τα δεδομένα, έχει νόημα, σκοπό και συνάφεια, ώστε να μπορεί να ερμηνεύεται και να διευκολύνει στη λήψη αποφάσεων. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 3 Γνώση Πληροφορία που έχει υποστεί μία σειρά ειδικών ελέγχων για την πιστοποίησή της, όπως για παράδειγμα: η επιστημονική γνώση η γνώση που προέρχεται από μακρόχρονη επιβεβαίωση των καθημερινών εμπειριών η επαναλαμβανόμενη παρατήρηση πως π.χ. "οι πωλήσεις από ένα συγκεκριμένο υποκατάστημα αυξάνονται 20% κατά τους καλοκαιρινούς μήνες" Αναδεικνύει τη σημαντικότητα της πληροφορίας συσχετίζοντάς τη με χρήσιμα συμπεράσματα ή αναγκαίες ενέργειες. Γνώση θεωρείται η κατανόηση που αποκτάται μέσω εμπειρίας ή μελέτης και συμπεριλαμβάνει όλες τις πληροφορίες, τις εμπειρίες, τις ικανότητες, τις δεξιότητες και την κοινή λογική, που κατέχει ένας άνθρωπος. Η γνώση έχει συνήθως αφηρημένη ή γενικευμένη μορφή. π.χ. όλοι οι ρόμβοι είναι τετράπλευρα. Σοφία Σοφία (wisdom): Ικανότητα να χρησιμοποιεί κάποιος τη γνώση όσο το δυνατόν αποδοτικότερα (αναθεώρηση, μάθηση, διορατικότητα, πρόβλεψη). Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 4

Τι ακολουθεί: A. Αναπαράσταση Γνώσης (Knowledge Representation) A1 - Κανόνες (Rules) A2 - Ακολουθία Εκτέλεσης Κανόνων (Rule Chaining) B. Απόκτηση Γνώσης B1 - Εκμαίευση (Knowledge Acquisition) B2 - Μοντελοποίηση (Modeling) Γ. Συστήματα Γνώσης (Knowledge Systems) Γ1 - Συστήματα Παραγωγής (Production Systems) Γ2 - Έμπειρα Συστήματα (Expert Systems) Δ. Συλλογιστική Δ1 Κύρια Είδη Συλλογιστικής Δ2 Συλλογιστική Βασισμένη σε Περιπτώσεις Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 5 A. Αναπαράσταση Γνώσης Τι είναι; Σύνολο συντακτικών και σημασιολογικών παραδοχών, οι οποίες καθιστούν δυνατή την περιγραφή ενός κόσμου. Η φυσική γλώσσα είναι ακατάλληλη για αναπαράσταση γνώσης Πολυσημαντικότητα (ambiguity) π.χ. bank: τράπεζα ή κοίτη ποταμού; Ερμηνεία με βάση τα συμφραζόμενα (context) Χρειάζεται μονοσήμαντος και τυποποιημένος συμβολισμός Επακριβής αναπαράσταση γνώσης Συνδυασμός με μηχανισμό εξαγωγής συμπερασμάτων (inference mechanism) Έχουν προταθεί και υπάρχουν πολλοί τρόποι αναπαράστασης γνώσης. Ο μακροβιότερος και περισσότερο διαδεδομένος είναι η αναπαράσταση γνώσης με κανόνες. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 6

Α1. Αναπαράσταση Γνώσης με Κανόνες Ο πιο προσφιλής και πρακτικός τρόπος αναπαράστασης γνώσης. Η γνώση αναπαριστάται με τρόπο που πλησιάζει την ανθρώπινη γλώσσα. Η εξαγωγή συμπερασμάτων γίνεται με εύκολο τρόπο (επάρκεια συνεπαγωγών). Συστήματα τέτοιων κανόνων αποτελούν τη βάση πολλών ευφυών εφαρμογών. Μορφές Κανόνων Εκφράζει Επεξήγηση IF συνθήκες THEN συμπέρασμα Δηλωτική γνώση Αν οι συνθήκες αληθεύουν τότε αληθεύει και το συμπέρασμα IF συνθήκες THEN ενέργειες Διαδικαστική γνώση Αν οι συνθήκες αληθεύουν τότε εκτέλεσε τις ενέργειες Οι συνθήκες (conditions) είναι μία ακολουθία από κατηγορήματα τα οποία συνδέονται μεταξύ τους με τους λογικούς τελεστές AND και/ή OR. Αναφέρονται και ως προϋποθέσεις (premises) ή αριστερό μέρος του κανόνα (left hand side - LHS). Το συμπέρασμα (conclusion) είναι ένα κατηγόρημα. Οι ενέργειες (actions) είναι μία σειρά από εντολές που πρέπει να εκτελεστούν. Οι ενέργειες ή το συμπέρασμα αναφέρονται και ως επακόλουθα (consequent) ή δεξιό μέρος του κανόνα (right hand side - RHS). Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 7 Αναπαράσταση Γνώσης με Κανόνες (συνέχεια) Συστήματα Κανόνων (2 ειδών): Συστήματα Εξαγωγής Συμπερασμάτων (Deduction Systems): οι κανόνες εκφράζουν δηλωτική γνώση (δηλ. συμπεράσματα), και Συστήματα Παραγωγής (Production Systems): οι κανόνες εκφράζουν διαδικαστική γνώση (δηλ. περιγράφουν ενέργειες προς εκτέλεση). Αμφότερα, παρουσιάζονται αναλυτικά παρακάτω Πλεονεκτήματα: Κάθε κανόνας ορίζει ένα μικρό και (σχεδόν) ανεξάρτητο τμήμα της γνώσης για ένα πρόβλημα (modularity). Νέοι κανόνες μπορούν να προστεθούν σε ένα σύνολο κανόνων (σχεδόν) ανεξάρτητα από άλλους υπάρχοντες κανόνες (incrementability). Κανόνες που ήδη υπάρχουν σε ένα σύνολο κανόνων μπορούν να αλλάξουν (σχεδόν) ανεξάρτητα από άλλους κανόνες (modifiability). Μειονεκτήματα: Η διαχείριση ενός μεγάλου συνόλου κανόνων είναι δύσκολη π.χ. έλεγχος για ύπαρξη αντικρουόμενων κανόνων Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 8

Παράδειγμα Σύμπτωμα Πιθανή Βλάβη Επιδιόρθωση Ο εκτυπωτής δεν τυπώνει καθόλου ή ο Το καλώδιο δεν κάνει Κλείστε τον εκτυπωτή και τον εκτυπωτής τυπώνει λάθος χαρακτήρες καλή επαφή υπολογιστή και προσπαθήστε ξανά Ο εκτυπωτής τυπώνει σωστά αλλά τα χρώματα δε τυπώνονται σωστά Ο εκτυπωτής τυπώνει σωστά αλλά τα χρώματα δε τυπώνονται σωστά Έχει τελειώσει το έγχρωμο μελάνι Δεν είναι καθαρή η κεφαλή Αλλάξτε την κεφαλή με το έγχρωμο μελάνι Ακολουθήστε τη διαδικασία καθαρισμού της κεφαλής Δηλωτικοί Κανόνες IF ο εκτυπωτής δεν τυπώνει καθόλου OR ο εκτυπωτής τυπώνει λάθος χαρακτήρες THEN το καλώδιο δεν κάνει καλή επαφή IF ο εκτυπωτής τυπώνει σωστά and τα χρώματα δε τυπώνονται σωστά THEN έχει τελειώσει το έγχρωμο μελάνι IF ο εκτυπωτής τυπώνει σωστά and τα χρώματα δε τυπώνονται σωστά THEN δεν είναι καθαρή η κεφαλή Διαδικαστικοί Κανόνες IF ο εκτυπωτής δεν τυπώνει καθόλου OR ο εκτυπωτής τυπώνει λάθος χαρακτήρες THEN κλείστε τον εκτυπωτή και τον υπολογιστή και προσπαθήστε ξανά IF ο εκτυπωτής τυπώνει σωστά and τα χρώματα δε τυπώνονται σωστά THEN αλλάξτε την κεφαλή με το έγχρωμο μελάνι IF ο εκτυπωτής τυπώνει σωστά and τα χρώματα δε τυπώνονται σωστά THEN ακολουθήστε τη διαδικασία καθαρισμού κεφαλής Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 9 Παράδειγμα Κανόνων Αν έχει τρίχωμα ή παράγει γάλα τότε είναι θηλαστικό. 1: if has(animal,hair) or gives(animal,milk) then isa(animal,mammal). Αν έχει φτερά ή (πετάει και κάνει αυγά) τότε είναι πτηνό. 2: if has(animal,feathers) or (flies(animal) and lays(animal,eggs)) then isa(animal,bird). Αν είναι θηλαστικό και (τρώει κρέας ή (έχει κυνόδοντες και έχει νύχια και βλέπει εμπρός)) τότε είναι σαρκοφάγο. 3: if isa(animal,mammal) and (eats(animal,meat) or (has(animal,pointed_teeth) and has(animal,claws) and has(animal,forward_pointing_eyes))) then isa(animal,carnivore). Αν είναι σαρκοφάγο και έχει καφετί χρώμα και έχει βούλες τότε είναι cheetah. 4: if isa(animal,carnivore) and has(animal,tawny_colour) and has(animal,dark_spots) then isa(animal,cheetah). Αν είναι σαρκοφάγο και έχει καφετί χρώμα και έχει μαύρες ρίγες τότε είναι τίγρης. 5: if isa(animal,carnivore) and has(animal,tawny_colour) and has(animal,black_stripes) then isa(animal,tiger). Αν είναι πτηνό και δεν πετάει και κολυμπάει τότε είναι πιγκουίνος. 6: if isa(animal,bird) and not flies(animal) and swims(animal) then isa(animal,penguin). Αν είναι πτηνό και πετάει πολύ καλά τότε είναι Άλμπατρος. 7: if isa(animal,bird) and isa(animal,good_flyer) then isa(animal,albatros). Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 10

Γραφική Αναπαράσταση Κανόνων has(animal,hair) 1 isa(animal,mammal) gives(animal,milk) eats(animal,meat) has(animal,pointed_teeth) has(animal,black_stripes) isa(animal,carnivor) 3 has(animal,tawny_colour) 5 4 isa(animal,tiger) isa(animal,cheetah) has(animal,claws) has(animal,dark_spots) has(animal,forward_poited_eyes) has(animal,feathers) flies(animal) lays(animal,eggs) isa(animal,good_flyer) 2 isa(animal,bird) not flies(animal) 7 6 isa(animal,albartos) isa(animal,penguin) Σύζευξη and Διάζευξη or swims(animal) Πώς εκτελούνται οι κανόνες; Μπορεί να χρησιμοποιηθεί ορθή ή ανάστροφη ακολουθία εκτέλεσης Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 11 A2. Ακολουθία Εκτέλεσης (Chaining) Είναι ο τρόπος με το οποίον υλοποιείται η συλλογιστική, ώστε να εξαχθούν τα συμπεράσματα (μηχανισμός εξαγωγής συμπερασμάτων). Ορθή Ακολουθία Εκτέλεσης (Forward Chaining) (αριστερά προς τα δεξιά). Η εξαγωγή συμπερασμάτων εξετάζει πρώτα αν οι προϋποθέσεις στο αριστερό μέρος του κανόνα είναι αληθείς έτσι ώστε το συμπέρασμα που αναφέρεται στο δεξιό μέρος να είναι αληθές. Εξετάζονται μόνο οι αληθείς τρόποι απόδειξης, αλλά το σύστημα μπορεί να συμπεράνει περισσότερα συμπεράσματα από τα επιθυμητά (Συστήματα Παραγωγής). Ενδείκνυται όταν υπάρχουν λίγα δεδομένα (δίδονται στο σύστημα όλα μαζί στην αρχή) και μπορούν να οδηγήσουν σε πολλά συμπεράσματα. Εφαρμογές: Συστήματα Διάγνωσης. Ανάστροφη Ακολουθία Εκτέλεσης (Backward Chaining) (δεξιά προς τα αριστερά). Η εξαγωγή συμπερασμάτων ξεκινά από το δεξιό μέρος του κανόνα και προσπαθεί να βρει αν οι προϋποθέσεις είναι αληθείς. Εξετάζονται όλοι οι εναλλακτικοί τρόποι απόδειξης του συμπεράσματος (ακόμα και αυτοί που δεν είναι αληθείς) έως ότου αποδειχθεί η αλήθεια του συμπεράσματος (όπως στην Prolog: η κεφαλή του κανόνα είναι το υποθετικό συμπέρασμα δηλ. ισχύει εάν ισχύουν οι δηλώσεις στο σώμα του κανόνα). Ενδείκνυται όταν υπάρχουν λίγα συμπεράσματα και πολλά δεδομένα, για τα οποία το σύστημα μας καθοδηγεί ζητώντας τα με μια λογική σειρά και όσα χρειάζονται. Εφαρμογές: Συστήματα Ελέγχου Λειτουργίας (Monitoring). Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 12

Γραφική Αναπαράσταση Εξαγωγής Συμπεράσματος Ορθή Ακολουθία Εκτέλεσης Αρχικά δεδομένα: flies(petros), lays(petros, eggs), isa(petros, goodflyer). has(petros,hair) gives(petros,milk) 1 has(petros,feathers) isa(petros,good_flyer) 7 isa(petros,albatros) flies(petros) 2 isa(petros,bird) lays(petros,eggs) not flies(petros) 6 swims(petros) Παράγονται τα συμπεράσματα: isa(petros, albatros) και isa(petros, bird) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 13 Γραφική Αναπαράσταση Εξαγωγής Συμπεράσματος Ανάστροφη Ακολουθία Εκτέλεσης Ερώτηση: isa(jimmy, tiger) has(jimmy,hair) gives(jimmy,milk) 1 isa(jimmy,mammal) eats(jimmy,meat) has(jimmy,black_stripes) 3 5 isa(jimmy,carnivor) has(jimmy,pointed_teeth) has(jimmy,claws) has(jimmy,tawny_colour) has(jimmy,forward_pointed_eyes) isa(jimmy,tiger)? Απάντηση: Yes Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 14

B. Απόκτηση της Γνώσης Knowledge Acquisition Είδαμε πριν έναν δημοφιλή τρόπο κωδικοποίησης (ή αναπαράστασης) της γνώσης (knowledge representation) έτσι ώστε αυτή να μπορεί να υποστηρίξει διαδικασίες εξαγωγής συμπερασμάτων. Η κατασκευή συστημάτων γνώσης απαιτεί επιπλέον την απόκτηση της γνώσης (knowledge acquisition) συνήθως οδηγεί σε μία ημιδομημένη αναπαράστασή της (μοντελοποίηση) (knowledge analysis & modelling) Στο στάδιο της απόκτησης της γνώσης, ο μηχανικός της γνώσης: αρχικά εκμαιεύει από τον ειδικό τη γνώση του πάνω στο πρόβλημα στη συνέχεια τη μοντελοποιεί, μεταφέροντάς τη σε κάποια ενδιάμεση μορφή αναπαράστασης. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 15 B1 - Εκμαίευση Γνώσης (knowledge elicitation) Διαδικασία απόκτησης (εξαγωγής) της γνώσης από άτομα που θεωρούνται "ειδικοί" ή "εμπειρογνώμονες" (μηχανικοί γνώσης). Είναι το πιο δύσκολο (και αμφίβολο) βήμα στην ανάπτυξη συστημάτων γνώσης. Ο πιο διαδεδομένος και αποδοτικός τρόπος εκμαίευσης γνώσης είναι η συνέντευξη. Μη-δομημένες Συνεντεύξεις. Αποτελούνται από γενικές ερωτήσεις που υποβάλλονται με την ελπίδα της καταγραφής όσο περισσότερων πληροφοριών γίνεται. Ημιδομημένες Συνεντεύξεις. Περιέχουν μια σειρά ανοιχτών ερωτήσεων και θεμάτων που πρέπει να καλυφθούν. Δομημένες Συνεντεύξεις. Περιέχουν ένα ερωτηματολόγιο με αυστηρά καθορισμένη δομή που περιλαμβάνει συγκεκριμένες ερωτήσεις σχετικές με τα χαρακτηριστικά του προβλήματος. Εκτός από τις κλασσικές μεθόδους, υπάρχουν: Ημι-αυτόματες μέθοδοι: Ο ειδικός εισάγει απευθείας τη γνώση σε ειδικό λογισμικό Αυτόματες μέθοδοι: Χρησιμοποιούνται τεχνικές μηχανικής μάθησης Αναζήτηση/Εξόρυξη γνώσης σε βάσεις δεδομένων (data mining, knowledge discovery). Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 16

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! Ανεπαρκές υπόβαθρο γνώσης του μηχανικού γνώσης. Έλλειψη χρόνου που οδηγεί σε βιαστικές απαντήσεις από τον ειδικό. Αμεροληψία του μηχανικού γνώσης. Απροθυμία του ειδικού να μεταδώσει γνώση. Ανεπιτήδειος (ακατάλληλος) ειδικός (inexpert expert). B2 - Μοντελοποίηση Γνώσης (knowledge analysis & modeling) Ανάλυση της γνώσης από το μηχανικό με σκοπό τη δημιουργία ενός μοντέλου της. Η αναπαράσταση της γνώσης γίνεται με διάφορες ημιδομημένες μορφές αναπαράστασης. Υπάρχουν μεθοδολογίες (όπως η KADS) που τυποποιούν τη μοντελοποίηση της γνώσης. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 17 Γ. Συστήματα Γνώσης Σύστημα Γνώσης (Knowledge System): πρόγραμμα υπολογιστή, που επιδεικνύει νοήμονα συμπεριφορά σε συγκεκριμένους τομείς και διαδικασίες, ανάλογη με αυτή ενός ανθρώπου με ειδικότητα στον ίδιο τομέα (επιστήμονα, τεχνικό, εμπειρογνώμονα). Σύγχρονες ονομασίες που αντικατοπτρίζουν τη λειτουργικότητα: Συστήματα Διάγνωσης (diagnostic systems), Σύμβουλοι (expert advisors/consultants), Έξυπνοι Βοηθοί (smart assistants), Βοηθοί Χρονοπρογραμματισμού (scheduling assistants), Έξυπνα Προγράμματα Παρακολούθησης Ασθενών (intelligent patient monitor), Οικονομικοί Σύμβουλοι (financial advisors), κτλ Τρόποι χρήσης συστημάτων γνώσης: αντικαθιστούν τον άνθρωπο-ειδικό (εξομοιώνουν την ικανότητά του στη λήψη αποφάσεων) βοηθούν τον άνθρωπο-ειδικό να πάρει κάποια απόφαση (συμβουλευτικός ρόλος στήριξη αποφάσεων (decision support) ) Θα παρουσιαστούν αναλυτικά δύο είδη συστημάτων γνώσης (κανόνων και τα δύο) Συστήματα Παραγωγής (Production Systems) Έμπειρα Συστήματα (Expert Systems) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 18

Γ1 - Συστήματα Παραγωγής Συστήματα κανόνων στα οποία οι κανόνες παραγωγής αναφέρονται σε ενέργειες που εκτελούνται και όχι σε συμπεράσματα: if <συνθήκες> then <ενέργεια> Χώρος Εργασίας Γεγονότα Βάση Κανόνων Κανόνας που πυροδοτείται Μηχανισμός Ελέγχου και Επίλυσης Συγκρούσεων Κανόνες που ενεργοποιούνται Βάση Kανόνων: περιέχει τους κανόνες παραγωγής Χώρος (Μνήμη) Eργασίας (working memory): περιέχει γεγονότα Αρχικά δεδομένα (data) ή ενδιάμεσα συμπεράσματα (partial conclusions) Στοιχεία της μνήμης εργασίας (working memory elements) Μηχανισμός Eλέγχου (control ή scheduler) και επίλυσης συγκρούσεων (conflict resolution): εκτέλεση των κανόνων βάσει στρατηγικής επίλυσης συγκρούσεων (conflict resolution strategy) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 19 Κύκλος Λειτουργίας Συστήματος Παραγωγής Έως ότου δε μπορεί να εκτελεστεί κανένας κανόνας επανέλαβε: 1. Βρες όλους του κανόνες που οπλίζουν και σχημάτισε το σύνολο συγκρούσεων. 2. Σύμφωνα με το μηχανισμό επίλυσης συγκρούσεων, διάλεξε ένα κανόνα. 3. Πυροδότησε τον κανόνα που διάλεξες στο βήμα 2. Στα συστήματα παραγωγής υπάρχει ορθή ακολουθία εκτέλεσης κανόνων Χώρος Εργασίας Γεγονότα Βάση Κανόνων Κανόνας που πυροδοτείται Μηχανισμός Ελέγχου και Επίλυσης Συγκρούσεων Κανόνες που ενεργοποιούνται Η λειτουργία των κανόνων παραγωγής "παραπέμπει" στη συνεπαγωγική συλλογιστική: Με βάση κάτι (κανόνας) που ισχύει γενικότερα, υιοθετείται μια ειδική ενέργεια. Γίνεται ταίριασμα των μεταβλητών που περιέχουν οι κανόνες με δεδομένα/τιμές από τη μνήμη εργασίας του συστήματος. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 20

Επίλυση Συγκρούσεων Ο κανόνας ενεργοποιείται (triggers) όταν ικανοποιούνται οι συνθήκες του. Όταν πυροδοτείται (fires) ο κανόνας, τότε εφαρμόζονται/εκτελούνται οι ενέργειές του Σύνολο σύγκρουσης (conflict set): Το σύνολο των κανόνων που ενεργοποιούνται. Ο μηχανισμός ελέγχου καθορίζει ποιος κανόνας θα πυροδοτηθεί μέσω στρατηγικών επίλυσης συγκρούσεων. Στρατηγικές επίλυσης συγκρούσεων: Τυχαία (random). Διάταξης (ordering). Επιλογή του πρόσφατου (recency). Επιλογή του πιο ειδικού (specificity). Αποφυγή επανάληψης (refractoriness). Ανάλυση μέσων-σκοπών (means-ends analysis) Μετα-έλεγχος (μετα-κανόνες) Θα δούμε παρακάτω τις στρατηγικές αυτές Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 21 Στρατηγικές Επίλυσης Συγκρούσεων (1/3) Τυχαία (random): Επιλέγεται ένας κανόνας στην τύχη. Διάταξη (ordering): Επιλέγεται ο κανόνας που είναι πρώτος στη σειρά (όπως στην Prolog) ή έχει μεγαλύτερη προτεραιότητα βάσει κάποιου αριθμητικού μεγέθους Αποφυγή Επανάληψης (refractoriness): Δεν επιλέγεται ο ίδιος κανόνας με τα ίδια δεδομένα για δεύτερη συνεχόμενη φορά Αποφεύγονται άσκοπες ή ατέρμονες επαναλήψεις. Παράδειγμα: Υπάρχουν τα γεγονότα Α, Β και οι κανόνες: 1: if Α then C 2: if Β then D Αν εκτελεστεί πρώτα ο 1, μετά θα εκτελεστεί ο 2 Ο 1 δε θα εκτελεστεί ξανά, αν και εξακολουθεί να είναι ενεργοποιημένος Επιλογή του Πρόσφατου (recency): Επιλέγεται ο κανόνας που ενεργοποιείται από τα πιο πρόσφατα δεδομένα που προστέθηκαν στο χώρο εργασίας Ακολουθείται μία χρονικά συνεπής πορεία σκέψης, η οποία είναι επικεντρωμένη και δε διασκορπάται σε διάφορα σημεία. Παράδειγμα: Υπάρχουν τα γεγονότα Α, Β και οι κανόνες: 1: if A then C 2: if B then D 3: if C then E Έστω ότι εκτελείται πρώτα ο 1 Μετά θα εκτελεστεί ο 3 (όχι ο 2) γιατί το C είναι πιο πρόσφατο από το B Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 22

Στρατηγικές Επίλυσης Συγκρούσεων (2/3) Επιλογή του πιο Ειδικού (specificity): Επιλέγεται ο κανόνας που είναι πιο ειδικός από τους άλλους, δηλαδή η συνθήκη του εκφράζεται με αναλυτικότερο τρόπο. Εξετάζονται πρώτα τα πιο συγκεκριμένα θέματα τα οποία οδηγούν πιθανότατα σε λύση πιο γρήγορα και στη συνέχεια τα πιο γενικά. Παράδειγμα: Υπάρχουν τα γεγονότα Α, Β, C και οι κανόνες 1: if Α and Β and C then D 2: if Α and Β then Ε Θα εκτελεστεί πρώτα ο 1 γιατί έχει πιο πολλές συνθήκες από τον 2. Ανάλυση Μέσων-Σκοπών (means-ends analysis): Το συνολικό πρόβλημα επιμερίζεται σε απλούστερες διεργασίες (tasks) και κάθε διεργασία υλοποιείται από μία ομάδα κανόνων (cluster). Όταν εκτελείται κάποια διεργασία, τότε οι κανόνες άλλων ομάδων δεν προτιμούνται, παρά μόνο αν δεν υπάρχουν άλλοι ενεργοί κανόνες της ίδιας ομάδας (με άλλα λόγια, η αποδεικτική διαδικασία είναι επικεντρωμένη στους τρέχοντες στόχους της). Παράδειγμα: Υπάρχουν τα γεγονότα Α, Β, C, G1, G2 και οι κανόνες 1: if G1 and Α and Β and C then D 2: if G2 and Α and Β then Ε Τα G1, G2 υποδηλώνουν τη διεργασία που ανήκει ο κανόνας. Έστω έστω επίσης ότι το G2 είναι πιο πρόσφατο από το G1. Θα εκτελεστεί πρώτα ο 2, γιατί ασχολείται με τον πιο τρέχοντα στόχο Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 23 Στρατηγικές Επίλυσης Συγκρούσεων (3/3) Συνήθως τα συστήματα παραγωγής εφαρμόζουν μία ή περισσότερες στρατηγικές επίλυσης συγκρούσεων. Όταν υπάρχουν πολλές στρατηγικές, πρέπει να υπάρχει προτεραιότητα μεταξύ τους Μετα-έλεγχος (meta-control): καθορίζει ποια στρατηγική θα εφαρμοστεί Απλά συστήματα: σταθερή προτεραιότητα Χαμηλότερη τιμή στην τυχαία επιλογή Σύνθετα συστήματα: η προτεραιότητα αλλάζει δυναμικά (at run-time) Mετα-κανόνες (meta-rules): κανόνες που καθορίζουν τη σειρά εκτέλεσης άλλων κανόνων Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 24

Παράδειγμα Κίνησης Ρομπότ Ρομπότ κινείται σε χώρο με εμπόδια Στόχος: Να αποφύγει τα εμπόδια και όταν βρει κάποιο αντικείμενο, να στείλει ένα μήνυμα και να σταματήσει robot_at(6,4) direction(e) choice(w) choice(s) choice(n) choice(e) obstacle_at(7,4) obstacle_at(6,8) obstacle_at(7,7) object_at(4,7) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 25 Μνήμη εργασίας: θέση ρομπότ: robot_at(x,y) Παρατηρήσεις κατεύθυνση προς την οποία κινείται: direction(d), D {e, w, n, s} θέση εμποδίων: obstacle_at(x,y) Σταθερά θέση αντικειμένων: object_at(x,y) επιλογή κατεύθυνσης: choice(d), D {e, w, n, s} Ενέργειες κανόνων: addwm: βάλε κάτι στη μνήμη εργασίας (σημείωση: wm => working memory) delwm: σβήσε κάτι από τη μνήμη εργασίας output: εκτύπωσε ένα μήνυμα στην οθόνη αριθμητικές εκφράσεις. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 26

Κανόνες Κίνησης Ρομπότ 1: detect_object: if robot_at(x,y) and object_at(x,y) then output( object is found ). MOVE 2: move_west: if robot_at(x,y) and direction(w) then delwm(robot_at(x,y)) and NX=X-1 and addwm(robot_at(nx,y)). 3: move_east: if robot_at(x,y) and direction(e) then delwm(robot_at(x,y)) and NX=X+1 and addwm(robot_at(nx,y)). 4: move_north: if robot_at(x,y) and direction(n) then delwm(robot_at(x,y)) and NY=Y+1 and addwm(robot_at(x,ny)). 5: move_south: if robot_at(x,y) and direction(s) Change then delwm(robot_at(x,y)) and NY=Y-1 and addwm(robot_at(x,ny)). Direction 6: avoid_obstacle_south: if robot_at(x,y) and NY=Y-1 and obstacle_at(x,ny) and direction(s) and choice(nd) then delwm(direction(s)) and addwm(direction(nd)). 7: avoid_obstacle_west: if robot_at(x,y) and NX=X-1 and obstacle_at(nx,y) and direction(w) and choice(nd) then delwm(direction(w)) and addwm(direction(nd)). 8: avoid_obstacle_north: if robot_at(x,y) and NY=Y+1 and obstacle_at(x,ny) and direction(n) and choice(nd) then delwm(direction(n)) and addwm(direction(nd)). 9: avoid_obstacle_east: if robot_at(x,y) and NX=X+1 and obstacle_at(nx,y) and direction(e) and choice(nd) then delwm(direction(e)) and addwm(direction(nd)). Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 27 Στρατηγική Επίλυσης Κίνησης Ρομπότ Αποφυγή Επανάληψης (ΑΕ) Βοηθά να μην κολλήσει το ρομπότ σε εμπόδιο, επιλέγοντας συνεχώς την κατεύθυνση προς την οποία βρίσκεται το εμπόδιο Επιλογή του πιο Ειδικού (ΕΕ) Δίνει προτεραιότητα στην αποφυγή εμποδίων (κανόνες 6-9) Τυχαία Επιλογή (ΤΕ) Το ρομπότ επιλέγει τυχαία μία από τις 4 κατευθύνσεις Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 28

Κύκλος Μνήμη Εργασίας 1 robot_at(6,4) direction(e) choice(w) choice(n) choice(s) choice(e) obstacle_at(7,4) obstacle_at(6,8) object_at(4,7) 2 robot_at(6,4) direction(n) 3 robot_at(6,5) direction(n) Παράδειγμα Κίνησης Ρομπότ Παρακολούθηση Εκτέλεσης (1/3) Σύνολο Συγκρούσεων {3, 9 (ND=w), 9 (ND=n), 9 (ND=s), 9 (ND=e)} Στρατηγική Κανόνας που πυροδοτεί ΕΕ ΤΕ Κανόνες που οπλίζουν απο τα δεδομένα της Μνήμης Εργασίας. O (3) από το direction(e) και ο (9) από το direction(e) και από το obstacle(7,4) 9:avoid_obstacle_east (ND=n) {4} - 4: move_north {4} - 4: move_north Επιλέγεται ένας (9), με choice(n) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 29 Κύκλος Μνήμη Εργασίας 4 robot_at(6,6) direction(n) 5 robot_at(6,7) direction(n) obstacle_at(6,8) 6 robot_at(6,7) direction(n) obstacle_at(6,8) 7 robot_at(6,7) direction(e) obstacle_at(7,7) Παράδειγμα Κίνησης Ρομπότ Παρακολούθηση Εκτέλεσης (2/3) Σύνολο Στρατηγική Κανόνας που πυροδοτεί Συγκρούσεων {4} - 4: move_north {4, 8 (ND=w), 8 (ND=n), 8 (ND=s), 8 (ND=e)} {4, 8 (ND=w), 8 (ND=n), 8 (ND=s), 8 (ND=e)} {3, 9 (ND=w), 9 (ND=n), 9 (ND=s), 9 (ND=e)} EE TE AE EE TE EE TE 8:avoid_obstacle_north (ND=n) 8:avoid_obstacle_north (ND=e) 9: avoid_obstacle_east (ND=w) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 30

Παράδειγμα Κίνησης Ρομπότ Παρακολούθηση Εκτέλεσης (3/3) Κύκλος Μνήμη Εργασίας 8 robot_at(6,7) direction(w) 9 robot_at(5,7) direction(w) 10 robot_at(4,7) direction(w) object_at(4,7) Σύνολο Στρατηγική Κανόνας που πυροδοτεί Συγκρούσεων {2} - 2: move_west {2} - 2: move_west {1,2} EE TE 1: detect_object Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 31 Γ2 - Έμπειρα Συστήματα (Expert Systems) Προγράμματα τα οποία: Επιδεικνύουν νοήμονα συμπεριφορά σε συγκεκριμένους τομείς και διαδικασίες, ανάλογη ενός ανθρώπου εμπειρογνώμονα στον ίδιο τομέα. Κωδικοποιούν και χειρίζονται τη γνώση και τη συλλογιστική ενός ανθρώπου-ειδικού σε έναν εξειδικευμένο τομέα, με σκοπό την επίλυση προβλημάτων ή την παροχή συμβουλών. Χρησιμοποιούνται με δύο τρόπους: Από κάποιον άνθρωπο μη-ειδικό, για να παρέχει λύσεις σε συγκεκριμένα προβλήματα. Συμβουλευτικά, από έναν άνθρωπο-ειδικό ο οποίος καλείται να πάρει κάποια απόφαση. Τυπικές κατηγορίες εφαρμογών: Ερμηνεία Δεδομένων (ηχητικών ή ηλεκτρομαγνητικών σημάτων σε έρευνες κοιτασμάτων) Διάγνωση (βλαβών σε μηχανήματα, ασθενειών σε ανθρώπους, κτλ) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 32

Ανάπτυξη Εμπείρων Συστημάτων Για την ανάπτυξη ενός έμπειρου συστήματος πρέπει να συνεργαστούν: Ένας ειδικός του τομέα (domain expert). (π.χ. ιατρός) Είναι κάποιος άνθρωπος εξειδικευμένος σε έναν τομέα της ανθρώπινης δραστηριότητας. Η γνώση του για τον τομέα αυτό θα μεταφερθεί στο σύστημα. Ένας μηχανικός γνώσης (knowledge engineer) με σκοπό τη λήψη της γνώσης του πρώτου. Πληροφορικός, ειδικευμένος σε θέματα ΤΝ και εμπείρων συστημάτων. Με βάση τα αποτελέσματα της συνεργασίας σχεδιάζει το σύστημα και τη δομή της γνώσης και στη συνέχεια το αναπτύσσει. Το τελικό ΕΣ χρησιμοποιείται από τον τελικό χρήστη (end user). Αυτός δεν είναι απαραίτητο να είναι σχετικός με την επιστήμη των υπολογιστών ή με τον τομέα με τον οποίο ασχολείται το ΕΣ. Ο τομέας της ΤΝ που ασχολείται με την ανάπτυξη έμπειρων συστημάτων ονομάζεται τεχνολογία της γνώσης (knowledge engineering). Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 33 Πλεονεκτήματα/ Μειονεκτήματα Έμπειρου Συστήματος Σε Σχέση Με Άνθρωπο-Ειδικό Μειονεκτήματα Πλεονεκτήματα ΑΝΘΡΩΠΟΣ ΕΙΔΙΚΟΣ Γνώση διαθέσιμη όταν ο ίδιος είναι παρών Δυσκολία μεταφοράς-αποτύπωσης γνώσης Συναισθηματικές παρορμήσεις Η απόδοσή του επηρεάζεται από εξωγενείς παράγοντες Υψηλό κόστος Υποκειμενικότητα Δημιουργικότητα, Ευρύννοια Κοινή λογική Γνώση των ορίων και δυνατοτήτων τους (μετα-γνώση) Εκφραστική και λειτουργική επεξήγηση του τρόπου σκέψης τους Ο έλεγχος της γνώσης γίνεται υποσυνείδητα Αυτονομία στη μάθηση Απόκριση σε πραγματικό χρόνο Πλεονεκτήματα Μειονεκτήματα Γνώση πάντα διαθέσιμη. ΕΜΠΕΙΡΟ ΣΥΣΤΗΜΑ Ευκολία μεταφοράς-αποτύπωσης γνώσης Εργάζεται με συνέπεια Εργάζεται οπουδήποτε Χαμηλό κόστος λειτουργίας / Υψηλό κόστος ανάπτυξης Αντικειμενικότητα αν η γνώση προέρχεται από πολλούς ειδικούς Απουσία έμπνευσης, Περιορισμένο πεδίο σκέψης Δυσχέρεια στη μεταφύτευση της κοινής λογικής Έλλειψη μετα-γνώσης Μηχανική επεξήγηση του τρόπου λήψης απόφασης Πρέπει η γνώση να ελέγχεται για ορθότητα, πληρότητα και συνέπεια Πρέπει να προγραμματιστούν για να μαθαίνουν αυτόματα Δυσκολία απόκρισης σε πραγματικό χρόνο Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 34

Εφαρμογές των Εμπείρων Συστημάτων Διάγνωση (diagnosis) πχ ασθένειας ή βλαβών ενός συστήματος βάσει παρατηρήσεων και μετρήσεων Πρόγνωση (prognosis-prediction) πρόβλεψη πιθανών μελλοντικών επιπτώσεων με βάση δεδομένες καταστάσεις Εκπαίδευση (instruction) κατανόηση, αξιολόγηση και διόρθωση απάντησης μαθητών σε εκπαιδευτικά προβλήματα Παρακολούθηση καταστάσεων (monitoring) πχ λειτουργίας μια μηχανής - σύγκριση παρατηρούμενων παραμέτρων με αναμενόμενες Επιδιόρθωση λαθών (repair) Ανάπτυξη και εκτέλεση σχεδίων (πλάνων) για τη διαχείριση βλαβών. Ερμηνεία (interpretation) πχ δεδομένων από έρευνες για κοιτάσματα ορυκτών (αέριο, πετρέλαιο, κτλ) Έλεγχος (control) Έλεγχος της συμπεριφοράς ενός συστήματος. Περιλαμβάνει πολλά από τα παραπάνω. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 35 "Διάσημα" Έμπειρα Συστήματα DENDRAL Ταυτοποίηση χημικών ενώσεων μέσω φασματικής ανάλυσης. Χρήση ευρετικών κανόνων για περιορισμό του χώρου αναζήτησης. MYCIN ('76) (ίσως το πιο διάσημο!) Διάγνωση και θεραπεία της μηνιγγίτιδας και της βακτηριαιμίας. Η ιατρική γνώση κωδικοποιούταν σε κανόνες IF-THEN με επιπλέον χρήση συντελεστών βεβαιότητας στα συμπεράσματα των κανόνων, λόγω αβεβαιότητας απαντήσεων χρήστη. PROSPECTOR Πρόβλεψη της ακριβούς θέσης ορυκτών κοιτασμάτων αξιοποιώντας γεωλογικά δεδομένα. Χρήση σημασιολογικών δικτύων και δικτύων πιθανοτήτων. INTERNIST ('74) Έμπειρο σύστημα βασισμένο σε κανόνες (rule-based expert system) για την διάγνωση πολύπλοκων προβλημάτων παθολογίας. Χρησιμοποιούσε τα συμπτώματα του ασθενούς για να συμπεράνει τις πιθανές ασθένειες. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 36

Αρχιτεκτονική Εμπείρων Συστημάτων Ένα ΕΣ αποτελείται συνήθως από μία ομάδα προγραμμάτων που μπορούν να χωρισθούν σε 3 κατηγορίες: Τον πυρήνα του έμπειρου συστήματος ο οποίος αποτελείται από δύο μέρη: Τη βάση γνώσης. (συνήθως με κανόνες) Το μηχανισμό εξαγωγής συμπερασμάτων. Τη διασύνδεση με το χρήση και Ένα σύνολο βοηθητικών προγραμμάτων (π.χ. γραφικά-στατιστικά πακέτα, βάσεις δεδομένων, κτλ.) Ο διαχωρισμός της γνώσης από το μηχανισμό χειρισμού, στον πυρήνα, προσφέρει διαφάνεια. Με αλλαγή της γνώσης, το έμπειρο σύστημα μπορεί να εκτελεί διαφορετικές λειτουργίες. Κέλυφος εμπείρων συστημάτων (expert system shell): Ο συνδυασμός της διασύνδεσης με το μηχανισμό εξαγωγής συμπερασμάτων. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 37 Μια δεύτερη ματιά στον όρο Συστήματα Γνώσης (Knowledge Systems) Αποτελεί ουσιαστικά συντόμευση του όρου σύστημα βασισμένο στη γνώση (knowledge-based system) και δηλώνει ένα σύστημα που αναπαριστά και χρησιμοποιεί γνώση για να εκτελέσει κάποια λειτουργία. Ο όρος είναι υπερσύνολο του όρου έμπειρο σύστημα, γιατί εκτός από αυτά περιλαμβάνει και συστήματα στα οποία η γνώση δεν προέρχεται από ειδικούς αλλά αποτελεί επιστημονική-τεχνολογική γνώση ή γνώση καταγεγραμμένη σε βάσεις δεδομένων, τεχνικές αναφορές, κλπ. Η ανάγκη για γενίκευση των ΕΣ σε συστήματα γνώσης προήλθε κυρίως από τη δυσκολία εκμαίευσης της γνώσης του ειδικού από το μηχανικό της γνώσης και στη συνέχεια της κατανόησης και μετατροπής της σε εύχρηστα υπολογιστικά μοντέλα. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 38

Δ. Συλλογιστική (Reasoning) Είναι αναπόσπαστο συστατικό της νοημοσύνης: Συλλογιστική: Μέθοδος με την οποία τμήματα υπάρχουσας γνώσης συνδυάζονται μεταξύ τους ώστε να παράγουν νέα γνώση ή να εξάγουν συμπεράσματα. Κάθε μέθοδος αναπαράστασης γνώσης έχει τις δικές της συλλογιστικές. Στα συστήματα κανόνων οι πιο γνωστές συλλογιστικές είναι οι: Συνεπαγωγή (deduction) Επαγωγή (induction) Απαγωγή (abduction) Άλλες γνωστές (εξελιγμένες) συλλογιστικές σε συστήματα γνώσης: Συλλογιστική των Περιπτώσεων (case-based reasoning) Συλλογιστική με Αναλογίες (analogical reasoning) Εξαγωγή Συμπερασμάτων (Inference) Οι συλλογιστικές υλοποιούνται από έναν ή περισσότερους εναλλακτικούς μηχανισμούς εξαγωγής συμπερασμάτων (inference mechanisms) Μηχανισμός Εξαγωγής Συμπερασμάτων: Αλγόριθμος που σε ένα σύστημα γνώσης, συνδυάζει τα διάφορα τμήματα της γνώσης (σύμφωνα με το μοντέλο συλλογιστικής που ακολουθείται) και παράγει νέα γνώση. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 39 Δ1 Κύρια Είδη Συλλογιστικής Συνεπαγωγική Συλλογιστική (deductive reasoning): Εξάγει συμπεράσματα βασισμένη στους κλασικούς μηχανισμούς εξαγωγής συμπερασμάτων της λογικής. Δεδομένου του κανόνα: Όλα τα σκυλιά του Κώστα είναι καφέ και του γεγονότος: Αυτά τα σκυλιά είναι του Κώστα Συμπέρασμα που εξάγεται: Αυτά τα σκυλιά είναι καφέ Λογικό επακόλουθο, χωρίς αμφισβήτηση! Επαγωγική Συλλογιστική (inductive reasoning): αφορά την εξαγωγή γενικών συμπερασμάτων από ένα σύνολο παραδειγμάτων. Δεδομένων των γεγονότων: Το σκυλί Α είναι του Κώστα και είναι καφέ. Το σκυλί Β είναι του Κώστα και είναι καφέ.... Κανόνας που εξάγεται: Όλα τα σκυλιά του Κώστα είναι καφέ. Απαγωγική Συλλογιστική (abductive reasoning): με δεδομένα μία βάση γνώσης και μερικές παρατηρήσεις (observations) επιχειρείται η εύρεση υποθέσεων οι οποίες μαζί με τη βάση γνώσης εξηγούν τις παρατηρήσεις. Δεδομένου του κανόνα: και του αποτελέσματος: Υπόθεση που γίνεται: Όλα τα σκυλιά του Κώστα είναι καφέ Τα σκυλιά είναι καφέ Αυτά τα σκυλιά είναι του Κώστα. Γενίκευση Data Mining Πιθανώς! Δεν είναι απόλυτα αληθές! Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 40

Δ2 - Συλλογιστική Βασισμένη σε Περιπτώσεις Case-Based Reasoning Σύγχρονη τεχνική που χρησιμοποιείται στα συστήματα γνώσης. Για την επίλυση νέων προβλημάτων, χρησιμοποιεί παρόμοιες περιπτώσεις προβλημάτων που αντιμετωπίστηκαν (λύθηκαν) στο παρελθόν. Η επιλογή της κατάλληλης παλιάς περίπτωσης βασίζεται στην ομοιότητά της με την νέα. 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, όταν η τωρινή περίπτωση δεν είναι ακριβώς ίδια με την παλιά. Μέθοδος δοκιμής, επαλήθευσης και επιδιόρθωσης της προσαρμοσμένης λύσης. Μέθοδος εκμάθησης της λύσης, όταν η νέα περίπτωση μαζί με τη λύση που υιοθετήθηκε συνιστούν μία πολύ διαφορετική περίπτωση από αυτές που βρίσκονται στη βιβλιοθήκη. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 41 Συλλογιστική των Περιπτώσεων Κύκλος Λειτουργίας Νέα Περίπτωση (χωρίς λύση) Ανάκληση Προστιθέμενη Περίπτωση Αποθηκευμένη Περίπτωση Εκμάθηση Βιβλιοθήκη Περιπτώσεων Προσαρμογή Διορθωμένη Νέα Περίπτωση Επαλήθευση Νέα Περίπτωση (με λύση) Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 42

Μελέτη Περίπτωσης - Το Σύστημα PAS Προσδιορίζει αυτόματα την αξία μιας ακίνητης ιδιοκτησίας. 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: Τα βάρη ή η σπουδαιότητα κάθε χαρακτηριστικού βάσει του οποίου γίνεται η σύγκριση. 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: Οι πολλές προσαρμογές καταλήγουν σε ανακριβείς τιμές. Το σύστημα επιβάλει βαθμούς "ποινής", ανάλογα με τον αριθμό των προσαρμογών. Η τελική αξία προκύπτει από το μέσο όρο των 3 περιπτώσεων με τους λιγότερους βαθμούς ποινής. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 43 Παράδειγμα Καθορισμού Αξίας Ακίνητης Περιουσίας Χαρακτηριστικό Βάρος Τρόπος Βαθμολόγησης Διαφορών Τρόπος προσαρμογής περίπτωσης Καθαρό εμβαδόν 0.9 Απόλυτη Ποσοστιαία Διαφορά x Κατασκευαστική τιμή m 2 Διαφορά (ΑΠΔ) Αριθμός δωματίων 0.8 ΑΠΔ Διαφορά x 6,000 Αριθμός WC 0.5 ΑΠΔ Διαφορά x 3,000 Αρχιτεκτονικός ρυθμός 1.0 Ίδιος=1, Διαφορετικός=0 Ίδιος=0, Διαφορετικός=30% Ηλικία οικήματος 0.7 ΑΠΔ Διαφορά x 2% Θέση (περιοχή - γειτονιά) Ημερομηνία αγοραπωλησίας 0.8 ΑΠΔ - Απόσταση από το κέντρο της πόλης 0.6 ΑΠΔ - Χρονική διαφορά/τριετία Τύπος ψύξης 0.2 Ίδιος=1, Διαφορετικός=0.5, Καθόλου=0 Διαφορά αντικειμενικής (ανά περιοχή) αξίας m 2 x Εμβαδόν Διαφορά (σε χρόνια) x 3% Ίδιος=0, Διαφορετικός=0,5%, Καθόλου=1% Τύπος θέρμανσης 0.7 Ίδιος=1, Διαφορετικός=0.5, Ίδιος=0, Διαφορετικός=2%, Καθόλου=4% Καθόλου=0 Τύπος parking 0.3 Ίδιος=1, Διαφορετικός=0.5, Ίδιος=0, Διαφορετικός=5%, Καθόλου=10% Καθόλου=0 Μέγεθος οικοπέδου 0.2 ΑΠΔ Διαφορά x 300 Ύπαρξη πισίνας 0.1 Ίδιος=1, Διαφορετικός=0 Ίδιος=0, Διαφορετικός=25% Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 44

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. Δυσκολίες στην προσαρμογή της λύσης στην τρέχουσα κατάσταση, όταν δεν υπάρχουν αριθμητικές μέθοδοι αλλά απαιτούνται ευριστικές-εμπειρικές σχέσεις. Φ.Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας 45