Συστήματα Γνώσης Knowledge Systems

Συστήματα Γνώσης Knowledge Systems 1

Συστήματα Γνώσης Συστήματα που αναπαριστούν και χρησιμοποιούν γνώση για να εκτελέσουν κάποια λειτουργία. Συντόμευση του όρου Συστήματα βασισμένα στη Γνώση (Knowledgebased Systems) Περιλαμβάνουν: Τα έμπειρα συστήματα 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 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) 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" (blackbox). Η συμπεριφορά του συστήματος καθορίζεται από τη συμπεριφορά του στο παρελθόν σε παρόμοιες περιπτώσεις, οι οποίες έχουν αποτυπωθεί ως εμπειρία. Δεν μπορεί να διαγνώσει νέες δυσλειτουργίες που δεν έχουν αντιμετωπισθεί στο παρελθόν, επειδή δεν έχουν αποτυπωθεί ως 3

Συλλογιστική Βασισμένη σε Μοντέλα (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: Δομή 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: 4

Συλλογιστική Βασισμένη σε Μοντέλα (3/3) Η εκμαίευση γνώσης αντικαθίσταται από την αποτύπωση του μοντέλου ενός φυσικού συστήματος. Δεν 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. 5 Απαιτείται τοπική προώθηση των ιδιοτήτων μεταξύ γειτονικών τμημάτωνεξαρτημάτων.

Λειτουργία Διαγνωστικού 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. 6 Κανόνες Προσομοίωσης: προσομοιώνουν τους φυσικούς περιορισμούς και νόμους που διέπουν το σύστημα, π.χ. ροή ηλεκτρικού ρεύματος. Κανόνες Εξαγωγής Συμπερασμάτων: εξάγουν

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. 7

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 το μοντέλο (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 8 1 η φάση: Παρακολούθηση συστήματος και διαπίστωση προβλημάτων

Λειτουργία του Συστήματος Kate Φάση Εντοπισμού Προβλημάτων Τα εξαρτήματα που θεωρούνται υπεύθυνα για τις ασυμφωνίες σημειώνονται ως ύποπτα. Όλα τα εξαρτήματα που συνδέονται άμεσα ή έμμεσα με τους αισθητήρες που κατέγραψαν τις ασυμφωνίες, καθώς και οι ίδιοι οι αισθητήρες. Υπολογισμός των θεωρητικών τιμών των εξαρτημάτων Για κάθε εξάρτημα Α υποθέτουμε ότι όλα τα εξαρτήματα 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. 9 Τα εξαρτήματα που παραμένουν: Μπορούν να αποδειχθούν ότι είναιπράγματι "ένοχα", ή Δεν είναι δυνατόν να "αθωωθούν". Επιθυμητό είναι να μείνει μόνο ένα εξάρτημα στο οποίο εντοπίζεται η βλάβη.

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 εξάρτημα δεν μπορεί να θεωρηθεί υπαίτιο της δυσλειτουργίας και αθωώνεται. 10

Παράδειγμα Διάγνωσης 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 11 Μετρήσεις Μ 1 Μ 2 Μ 3 Μ 4 Μ 5

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. Δε 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 12τοποθέτηση αισθητήρων στο εσωτερικό του συστήματος

Ποιοτική Συλλογιστική Qualitative Reasoning Συνδέεται με τη συλλογιστική βασισμένη 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 Δεν υπάρχουν αρκετά δεδομένα για να δημιουργηθεί ποσοτικό μοντέλο. Η ποιοτική προσομοίωση προβλέπει όλα τα πιθανά αλλά και τα απίθανα πρότυπα 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 13 εφαρμογής

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, ή να παραμένουν 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 χρόνου. Ο χρόνος είναι διακριτός. Στα κρίσιμα χρονικά σημεία η συνάρτηση που αναπαριστά τη φυσική παράμετρο αλλάζει τιμή. Χρησιμοποιούνται και τα χρονικά διαστήματα (time intervals) μεταξύ δύο χρονικών σημείων. Οι παράμετροι παίρνουν τιμές από το σύνολο διακεκριμένων τιμών (landmark values). 14 Πλήρες διατεταγμένο σύνολο των τιμών της παραμέτρου στα κρίσιμα

Παραδείγματα Συσχετίσεων Συσχέτιση Επιτάχυνση = dταχύτητα dt Δύναμη = μάζα * επιτάχυνση Οι λαμπτήρες μεγαλύτερης ισχύος παράγουν μεγαλύτερη φωτεινότητα Qsim DERIV(velocity acceleration) MULT(mass acceleration force) M+(wattage lumens) Η μείωση του μεγέθους ενός υπολογιστή αυξάνει την υπολογιστική ισχύ του M-(computer-size speed) 15

Σύστημα Qsim Ποιοτική Προσομοίωση Καθορισμός των τιμών όλων των παραμέτρων σε κάποιο χρονικό σημείο ή διάστημα. Για τον υπολογισμό των δυνατών μεταβολών χρησιμοποιείται ο πίνακας επιτρεπτών μεταβολών μεταξύ 2 καταστάσεων που υπάρχουν στο Qsim. Μεταβάσεις τύπου P, από ένα χρονικό σημείο (point) σε ένα χρονικό διάστημα. Μεταβάσεις τύπου I, από ένα διάστημα (interval) σε ένα σημείο. Για να βρεθούν οι επιτρεπτές μεταβολές σε κάποια συγκεκριμένη κατάσταση, πρέπει: Να ταυτοποιηθούν οι παράμετροι της προηγούμενης κατάστασης με τη μεσαία στήλη. Να παραχθούν οι δυνατές τιμές της επόμενης κατάστασης από την τρίτη στήλη. Να απορριφθούν κάποιες από τις παραπάνω μεταβολές, όταν: Δεν είναι συμβατές με τους περιορισμούς του συστήματος. Δε διαφοροποιούν την προηγούμενη κατάσταση. 16 Όταν δεν είναι δυνατός ο περιορισμός των νέων καταστάσεων σε μία

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) 17 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)

Το Παράδειγμα της Μπάλας Φυσικές παράμετροι: q Y = το ύψος στο οποίο υψώνεται η μπάλα (όχι απαραίτητα το μέγιστο) V = η ταχύτητα με την οποία η μπάλα ανεβαίνει και κατεβαίνει A = η επιτάχυνση της μπάλας Περιορισμοί: 18 DERIV(Y, V): V = DERIV(V,A): A = dy dv dt dt A(t) = g < 0 (σταθερά της βαρύτητας)

Το Παράδειγμα της Μπάλας Χρονικό Σημείο t 0 Η μπάλα εκτοξεύεται προς τα πάνω σε σχέση με το έδαφος. QS(A,t 0 ) = g QS(V,t 0 ) = V 0 QS(Y,t 0 ) = 0 Χρονικό Διάστημα [t 0, t 1 ] Η μπάλα κινείται προς τα πάνω χωρίς να είναι γνωστό ακόμα το σημείο στο οποίο θα σταματήσει. QS(A,t 0,t 1 ) = (g,std) Η τιμή της επιτάχυνσης είναι g, ενώ ο ρυθμός μεταβολής της είναι σταθερός (std). QS(V,t 0,t 1 ) = ([0, ],dec) Η ταχύτητα μειώνεται και η τιμή της είναι κάπου μεταξύ της αρχικής τιμής (οποιαδήποτε) και του μηδενός. 19 QS(Y,t 0,t 1 ) = ([0, ],inc) Το ύψος της μπάλας μεγαλώνει και η τιμή του είναι μεταξύ της

Χρονικό Σημείο t 1 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 παραμείνει σταθερή η τιμή της επιτάχυνσης, δηλαδή (g,std) (g,std) (λόγω I 1 ). Δυνατές μεταβολές της ταχύτητας: S(V,t 0,t 1 ) QS(V,t 1 ). [0, ],dec) (0,std) 20 Κατάσταση που δεν είνα δυνατό να υπάρξει. Η ταχύτητα μηδενίζεται και παραμένει σταθερή (μετάβαση I 5 ). ([0, ],dec) (0,dec) Κατάσταση που Η ταχύτητα μηδενίζεται ενώ μειώνεται συνεχώς (μετάβαση δεν διαφοροποιεί I 6 ). την προηγούμενη. ([0, ],dec) ([0, ],dec) Η ταχύτητα συνεχίζει να έχει κάποια θετική τιμή, όχι απαραίτητα την ίδια με πριν, ενώ μειώνεται συνεχώς Κατάσταση (μετάβαση I 7 ). που δεν είναι ([0, ],dec) (L*,std) δυνατό να

Χρονικό Σημείο t 1 Δυνατές 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) την Το ύψος άλλαξε παίρνοντας μία καινούρια τιμή και προηγούμενη. παραμένει σταθερό. Κατάσταση που δεν είναι ([0, ],inc) (,std), ([0, ],inc) (,inc) δυνατό να Το ύψος παίρνει τη μέγιστη τιμή του, συνεπώς η μπάλα υπάρξει. 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) 21 QS(Y,t1) = (Y new,std) Έχει "ανακαλυφθεί" μία καινούρια διακεκριμένη τιμή για τη Κατάσταση που δεν διαφοροποιεί

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 τη μορφή εμπειρικών κανόνων. Η εμπειρία καταγράφεται στιγμιαία και αφομοιώνεται (implicit knowledge), αντί να καταγράφεται λεπτομερώς και σαφώς (explicit knowledge). Αρχιτεκτονική συστήματος που χρησιμοποιεί συλλογιστική 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 22 τωρινή περίπτωση δεν είναι ακριβώς ίδια με την παλιά. Μέθοδος δοκιμής, επαλήθευσης και επιδιόρθωσης της

Συλλογιστική των Περιπτώσεων Κύκλος Λειτουργίας Νέα Περίπτωση (χωρίς λύση) Ανάκληση Προστιθέμενη Περίπτωση Αποθηκευμένη Περίπτωση Εκμάθηση Βιβλιοθήκη Περιπτώσεων Προσαρμογή 23 Διορθωμένη Νέα Περίπτωση Επαλήθευση Νέα Περίπτωση (με λύση)

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. Δεν πρέπει να αντιστοιχούν πολλές περιπτώσεις σε συγκεκριμένες τιμές των παραμέτρων, γιατί θα ανακαλούνται πολλές άσχετες περιπτώσεις. Η πολύ αυστηρή συνεκτικότητα μπορεί να οδηγήσει σε αντίθετα αποτελέσματα, γιατί τις περισσότερες φορές δε θα "ταιριάζει" καμιά περίπτωση. Δεικτοδότηση 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. 24 Περιγραφή του στόχου που προσπαθεί να επιτευχθεί από τη

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 που αντιμετωπίζει και ζητά από το σύστημα να του εμφανίσει από τη βιβλιοθήκη τις περιπτώσεις που ταιριάζουν. Η σύγκριση βασίζεται στην ταύτιση των χαρακτηριστικών του προβλήματος. Ο χρήστης ή το σύστημα κρίνει αν η ανακληθείσα περίπτωση είναι σωστή και αν όχι ζητά κάποια επόμενη. Για να αυξηθεί το ποσοστό επιτυχημένης ταύτισης 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 25περίπτωσης.

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: Oι πολλές προσαρμογές καταλήγουν σε ανακριβείς τιμές. Το σύστημα επιβάλει βαθμούς "ποινής", ανάλογα με τον αριθμό 26

Παράδειγμα Καθορισμού Αξίας Ακίνητης Περιουσίας Χαρακτηριστικό Βάρος Τρόπος βαθμολόγησης διαφορών Καθαρό εμβαδόν 0.9 Απόλυτη Ποσοστιαία Διαφορά (ΑΠΔ) Τρόπος προσαρμογής περίπτωσης Διαφορά x Κατασκευαστική τιμή m 2 Αριθμός δωματίων 0.8 ΑΠΔ Διαφορά x 6,000 Αριθμός τουαλετών 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 Τύπος θέρμανσης 0.7 Ίδιος=1, Διαφορετικός=0.5, Καθόλου=0 Τύπος parking 0.3 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% Ίδιος=0, Διαφορετικός= 2%, Καθόλου= 4% Ίδιος=0, Διαφορετικός= 5%, Καθόλου= 10% Μέγεθος οικοπέδου 0.2 ΑΠΔ Διαφορά x 300 27 Ύπαρξη πισίνας 0.1 Ίδιος=1, Διαφορετικός=0 Ίδιος=0, Διαφορετικός= 25%

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: 28 Την "ορθή" δόμηση της βιβλιοθήκης.