Előadó: Kovács Zita 2013/2014. II. félév

Előadó: Kovács Zita

2014/2015. I. félév

TUDÁSALAPÚ RENDSZEREK

Következtetési technikák

Fejtörő

Ha egy kártya betűs oldalán magánhangzó van, akkor annak a számos oldalán páros szám áll.

Minimálisan mely kártyákat kell megfordítani, hogy az állítás helyességéről meggyőződjünk?

E K 4 7

Statisztika

46 % E és 4 33% E4% E és 7 -helyes 17% egyéb

Fejtörő 2.

Ha egy kártya betűs oldalán magánhangzó van, akkor annak a számos oldalán páros szám áll.

Minimálisan mely kártyákat kell megfordítani, hogy az állítás helyességéről meggyőződjünk?

elöl50$

elöl10$

hátulaláírva

hátulaláírás

nélkül

Következtetés

1. Vagy Anna, vagy Balázs bűnös.2. Ha Balázs bűnös, akkor Anna is.3. Ezért Anna bűnös.

R. M. Smullyan: Mi a címe ennek a könyvnek

c. könyve alapjánHatalmas mennyiségű árút loptak el egy áruházból. A tettes (vagy tettesek) autóval szállította (vagy szállították) el a zsákmányt. Három jól ismert bűnözőt vittek be a Scotland Yard-ra kihallgatni, P-t, Q-t és R-t.

A következők derültek ki:1. P-n, Q-n és R-n kívül senki nem vehetett

részt a rablásban.2. R sosem dolgozik P (és esetleg más)

tettestársak nélkül.3. Q nem tud autót vezetni.

P bűnös, vagy ártatlan?

Tartalom

A következtetési technikák részletes ismertetése

A következtetési módszerek osztályozása

Az eset-alapú következtetés

Következtető rendszerek

a szakértő rendszerek motorja ismeretelemek láncolatán keresztül

vezet a keresett cél felé

számos következtetőrendszer használható

bizonyítás, meggyőzés, elhatározás, igazolás, magyarázat, stb

Következtető rendszerek

eljárások csoportosítása: a következtetéshez való viszony

alapján (hipotézisen alapuló, analóg, stb.)

az ismeretekhez való viszony alapján (közelítő, kvalitatív, temporális, stb.)

Következtetési módok

1. formális következtetés egy szimbolikus adatszerkezet

szintaktikus műveletein alapul, adott szabályok szerint bizonyos szemantikus keretben

pl. elsőrendű predikátum kalkulus2. Procedurális következtetés

minden ismeretnek a felhasználása és maga a következtetés is eljárásokon alapul


3. Analógián alapuló következtetés egy struktúrált tudásbázis alstruktúráinak

hasonlóságán alapul megvalósításához egyeztetés, a

hasonlóság és a függőségi kapcsolatok kiértékelése szükséges


4. Általánosításon és absztrakción alapuló következtetés

az öröklődési mechanizmust megvalósító eljárás

közvetlenül kapcsolódik az osztályozáson alapuló következtetéshez, amelyben az elemi ismereteket hierarchiába rendezett tulajdonságok írják le


4. Eset-alapú következtetés lehetővé teszi kevésbé formalizált

problémák kezelését valamint új ismeretek megtanulását és gyakorlati tapasztalatok alapján történő továbbfejlesztését

5. Közelítő következtetés képes figyelembe venni bizonytalan és

pontatlan ismereteket és adatokat


6. Hipotetikus következtetés a hiányzó adatokat, amelyek különböző értékeket

vehetnek fel hipotézisként kezeli valamennyi szóba jöhető értékkel továbbdolgozik, s

ha valamelyikkel ellentmondásra jut, azt elveti7. Alapértelmezésen alapuló következtetés

a hiányzó adatokat alapértelmezésük szerint kezeli8. Kvalitatív következtetés

a fizikai törvények kvalitatív modelljén alapul, amikor a mennyiségi adatok hiányában a minőségi változásokat használja fel


Három fő kategória: levezetés jellegű (deduktív) egyediből az általános felé haladó

(induktív) hasonlóságot figyelembe vevő (analóg)

Hasonlóságon alapuló következtetés

formalizmus: legyenek P és T adatstruktúrák, A és B alstruktúra P-ben, C és D alstruktúra T-ben

az analógián alapuló következtetés megfelelteti egymásnak az A és a C alstruktúrákat

amennyiben C-ből D-re előzőleg levontunk valamilyen következtetést, akkor ennek mintájára A-ból következtetünk B-re


ez az eljárás két kapcsolatot tételez fel: A és B, illetve C és D közötti függést A és C, illetve B és D közötti

hasonlóságot

Kérdés: milyen következtetési módot használunk, amikor C-ből D viselkedését írjuk le?


minél nagyobb A és C között a hasonlóság (határesetben A azonos C-vel) és

minél erősebb a függés C és D között (határesetben deduktív levezetés):A-ból B-re vonatkozó analóg következtetés

annál inkább tart a deduktív levezetéshez


Forrás probléma (C)

Célprobléma (A)

Forrás megoldás (D)

Célmegoldás (B)

hasonlóság

függés

T adatstruktúra P adatstruktúra

Eset alapú következtetés

a hasonlóságon alapuló következtetés egyik formája

Case Based Reasoning, CBR az előzőleg már megismert eseteket

(precedens) használjuk fel az új problémák megoldása során

egyes szakmákban a tanulás nem más, mint a különböző esetek sokaságának memorizálása


egy eset nem más, mint:

a probléma leírása (a probléma keletkezésének leírásával együtt),

az adott probléma megoldásának leírása, valamint

a megoldott probléma hatásának, eredményességének leírása

olyan modell felállítását teszi lehetővé, amely magában foglalja a probléma

◦ megértését◦ már megoldott más problémákhoz való

viszonyát◦ megoldását◦ tanulását

alkalmas◦ hiányosan vagy pontatlanul definiált szituációk

kezelésére◦ olyan kiértékelések elvégzésére, amelyekre nem

létezik jól definiált algoritmus



szükség van: a problémát megfelelően reprezentáló

alapesetekre jó adaptáló mechanizmusra eset-bázis: sikeres és sikertelen

próbálkozások egy cél eléréséhez sikeres esetek: segítséget nyújtanak a

probléma megoldására sikertelen esetek: felhasználhatjuk a hibák

elkerülésére

Eset alapú következtetés az új szituáció megértésének képessége a

régi tapasztalatok függvényében két fő részből áll: emlékezni kell a régi tapasztalatra (felidézni

azt valamilyen jellemzői alapján) interpretálni az új szituációt a visszakeresett

függvényében ezután egy adaptációs eljárással

módosítjuk a régi megoldást az új szituáció által támasztott követelmények figyelembe vételével


az eset alapú következtető rendszerek egyik jellegzetessége, hogy képesek tanulni a tapasztalatokból

ehhez szükség van egy bizonyos visszacsatolásra, hogy a rendszer értelmezni tudja, mi működött jól és rosszul az általa szolgáltatott megoldásban

Eset alapú következtetés az eset alapú következtetés célja formálisan:

a P célproblémához hozzárendeljen egy Megoldás(P) megoldást, felhasználva az eset-bázisban talált P’ forrásproblémának a Megoldás(P’) megoldását

Eset:(P, megoldás-menete (o1,…,ol), megoldás(P))

aholP: a probléma valamilyen reprezentációja;megoldás-menete(o1,…ol) az o1,…ol operátorok azon sorozatát jelöli, amelyek a P problémára, mint kezdeti állapotra előállítják a megoldás(P) megoldást, azaz a végállapotot

Eset alapú következtetésEset bázis: az esetek egy véges

halmaza, azaz Eset-bázis = {esetk: k=1,…,n}, ahol

esetk=(Pk,megoldás-menete(o1k, …, olk), megoldás(Pk))

különféle típusú problémák – diagnózis, konfiguráció, tervezés – megoldását állíthatjuk elő

A CBR életciklusa

A CBR életciklusa –1. az eset visszakeresése

ez a lépés egy keresési és egy illesztési eljárás kombinációja

két probléma: az esetek indexelése és a hasonlósági kérdések

az indexelés, azaz az esetek jellemzésére szolgáló attribútumok kialakításának problémája során az indexeknek eléggé általánosnak kell lenniük, hogy lehetővé tegyék az esetek alkalmazását a különböző szituációkban, ugyanakkor megfelelő módon specifikusnak, hogy a visszakeresés során találjunk illeszthető eseteket az eset-bázisban

az illesztéshez szükséges a hasonlóság megállapítása, ehhez viszont be kell vezetni valamilyen távolság definíciót, melynek alapján választunk a jelöltek közül

A CBR életciklusa –2. egyeztetés, a közelítő megoldás

javaslata

az előbbiek szerint megtalált esetekből kiindulva egy előzetes, közelítő megoldást konstruálunk

általában kiválasztjuk a legjobb visszakeresett eset megoldását, mint első közelítést

itt az a kérdés, hogy a régi megoldás mely részeit használjuk fel

A CBR életciklusa –3. Illesztés, adaptáció

mivel az új szituáció ritkán azonos valamely régivel, ezért annak megoldását módosítanunk kell az aktuális szituáció sajátos feltételeivel

például valamilyen helyettesítő eljárással meg kell oldanunk az aktuális paraméterek illesztését

két megközelítési mód: generáló adaptáció és átalakító adaptáció

generáló adaptáció esetén minden szükséges ismeret a rendelkezésünkre áll a tudásbázisban a feladat megoldásához

átalakító adaptáció esetén hiányosak az ismereteink, a tudásbázisból nem vagyunk képesek a megoldás generálására

A CBR életciklusa –4. Felülvizsgálat, igazolás

az illesztés során kialakult közelítő megoldás értelmezése során ellenőrizzük az esetleges alternatív megoldásokat és a sikertelen megoldásokra magyarázatot szolgáltatunk

A CBR életciklusa –5. Tanulás, memorizálás

az eset-bázist kiegészítjük a kialakult új eset (probléma, megoldás, megoldás-menete) hármassal

megtörténik az új ismeretek szintézisének beépítése

ez a lépés nem feltétlenül kapcsolódik közvetlenül a CBR következtetési eljáráshoz

Modell-alapú rendszerek

Model-Based Reasoning - MBR a szakértő ismereteit nehezen tudja átadni,

ösztönösen cselekszik (pl autószerelő)

a mélyszintű ismeretek kezelésére alkalmas

a fizikai rendszereket - akár a természet, akár az ember alkotta azokat - saját szerkezetükben és funkcionalitásukban ragadja meg


egy fizikai rendszer modellje lehet: funkcionális sztochasztikus oksági

egy funkcionális modell matematikai eszközökkel szimulálja a

működést lehetőséget ad arra, hogy megfelelő

paraméterek megváltoztatásával beavatkozzunk a renszer működésébe


egy sztochasztikus modell statisztikai eszközökkel dolgozik

egy oksági modell a részegységek ok-okozati kapcsolatokkal leírt

rendszerén dolgozik példa: KATE (Knowledge-based Autonomous Test

Engineer)▪ a NASA fejlesztette ki folyamatok online

monitorozására▪ struktúrált (keretalapú) reprezentációval írja le az

egyes komponensek funkcióit és a komponensek kapcsolatát


előnyei: kiiktatható a tudásszerzés nem kell az összes hiba tovaterjedésének hatását

explicit módon megadni hátrányai:

ha mégis szükség lenne heurisztikus tudásra, azt nehéz beépíteni

nehéz a bizonytalanságot kezelni a legtöbb rendszer feltételezi, hogy egyetlen ok áll a

hiba mögött a rendszer hatékonysága nem éri el a klasszikus

tudásalapú rendszerekét

Kvalitatív következtetést biztosító rendszerek

Qualitative Reasoning – QR sok olyan probléma van, amely esetén

nem lehet kvantitatív, számszerű következtetést alkalmazni

fizikai rendszerek esetében ilyen helyzetek például: nincs általános megoldó képlet nem végezhető el numerikus szimuláció vannak ismeretlen paraméter-értékek

(amelyek nem mérhetők vagy sok munka lenne megmérni)


túl sok az adat túl sok számítást kellene elvégezni csak a viselkedés jellegét ismerjük,

illetve csak azt akarjuk megjósolni kezdetben (a tervezés indításakor) még

nem tudjuk a feladatot numerikusan leírni


a kvalitatív következtetések más szóval a kvalitatív szimuláció módszerei még nincsenek eléggé kidolgozva

sok mérnöki döntés alapszik ilyen jellegű megfontolásokon

például egy atomerőmű tervezésénél fontos tudni azt, hogy egy kritikus tényező (pl. a mag hőmérséklete) hogyan reagál az alapvető rendszer-beállítások megváltozására – melyekre nő, melyekre csökken az értéke


Kupier QSIM nyelve (Qualitative SIMulation language)

előnyei: segít a hétköznapi gondolkodás

megfogásában, valamint a feladat szervezési struktúrájának

meghatározásában hátránya:

természetéből fakad: nem ad pontos választ a vizsgált problémára

Temporális következtetést biztosító rendszerek

Temporal Reasoning – TR

az időbeni következtésekre képes, ún. temporális rendszerek lehetővé teszik események közötti időkapcsolatok ábrázolását, illetve ennek alapján következtetések elvégzését

ez az ember számára természetes következtetési mód


az MI sok rendszertípusa (pl. diagnózis, tevékenységtervezés, intelligens szimuláció) megkívánja az idő explicit kezelését

a temporális logika, amely az ok-okozati kapcsolatokat a szóban forgó változásokat kiváltó szabályokkal ábrázolja, több ilyen esetben jól alkalmazható


legelterjedtebb módszer az idő reprezentálására és manipulálására az intervallum-alapú közelítés

ez hét primitív bináris relációval dolgozik (átlapol, megelőz, bennfoglal, találkozik, egyszerre kezdődik, egyszerre végződik, azonos; két esemény összesen 13-féle kapcsolatban lehet)


gyakran szükség van diszkrét időpontok ábrázolására és kezelésére is (intervallum-kezelés esetén az 1 óra az 1 évhez viszonyítva időponttá „zsugorodik”)

más rendszerek időegységek kezelését kívánják meg; a digitális óra analógiájára képzelhetjük ezt el, ahol egész számokból álló, megfelelően rendezett sorozat reprezentálja az évet, hónapot, stb.

Mesterséges neuronhálózatok (Artifical) Neural Networks – NN

az emberi agy működését elég jól modellező, funkcionális, adaptív tanuló rendszerek

e rendszerek példák alapján tanulnak, azonban nem szimbolikus eszközökkel, mint az induktív rendszerek és nem is generálnak döntési fát

Mesterséges neuronhálózatok

a neuronhálózatok egyszerű átviteli függvénnyel jellemezhető processzorokból változtatható súlytényezőkkel ellátott összeköttetések hálózatán keresztül kommunikálnak egymással

a tárgyterületi ismeretanyag ábrázolás a hálózatban elosztott módon, a súlytényezők közvetítésével történik (elosztott párhuzamos reprezentáció)


a neuronhálózatok programozása tanítással – tanító mintákkal, példákkal történik

a tanítási módszerek osztályozása: tanítás felügyelet mellett vagy anélkül (ekkor önszerveződésről

beszélünk) a tanítás célja a tanító mintáknak

megfelelő súlytényező beállítása (nem döntési fa generálása)


egy neuronhálózat viselkedését a processzorok átviteli függvénye a hálózat súlytényezőkkel ellátott

összeköttetési sémája a (szakértő segítségével összeállított)

tanító minták – példák – és az alkalmazott tanítási módszer

határozza meg


sokféle típusa létezik mindegyiknek megvan az az óriási előnye,

hogy nem kell heurisztikus ismereteket a szakértőtől megszerezni; csupán a tanító mintákat kell (a szakértő irányításával) összeállítani – minél szisztematikusabb és kimerítőbb módon

ez az adathalmaz nem kell, hogy teljes legyen, továbbá lehet hibás, valamint tartalmazhat ellentmondó adatokat is (mivel a neuronhálózatok hibatűrő rendszerek)


teljesítményük túlszárnyalhatja tanítójuk képességeit

legnagyobb hátrányuk az, hogy feladatmegoldás közben, illetve végén nem tudnak magyarázatot, indoklást adni

Előadó: Kovács Zita 2013/2014. II. félév

Documents

Transcript of Előadó: Kovács Zita 2013/2014. II. félév