Előadó: Kovács Zita 2013/2014. II. félév
-
Upload
channing-thompson -
Category
Documents
-
view
23 -
download
3
description
Transcript of Előadó: Kovács Zita 2013/2014. II. félév
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
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
Következtetési módok
3. Analógián alapuló következtetés egy struktúrált tudásbázis alstruktúráinak
hasonlóságán alapul megvalósításához egyeztetés, a
hasonlóság és a függőségi kapcsolatok kiértékelése szükséges
Következtetési módok
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
Következtetési módok
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
Következtetési módok
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
Következtetési módok
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
Hasonlóságon alapuló következtetés
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?
Hasonlóságon alapuló következtetés
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
Hasonlóságon alapuló következtetés
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
Eset alapú következtetés
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
Eset alapú következtetés
Eset alapú következtetés
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
Eset alapú következtetés
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 –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
Modell-alapú rendszerek
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
Modell-alapú rendszerek
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
Modell-alapú rendszerek
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)
Kvalitatív következtetést biztosító rendszerek
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
Kvalitatív következtetést biztosító rendszerek
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
Kvalitatív következtetést biztosító rendszerek
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
Temporális következtetést biztosító rendszerek
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
Temporális következtetést biztosító rendszerek
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)
Temporális következtetést biztosító rendszerek
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)
Mesterséges neuronhálózatok
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)
Mesterséges neuronhálózatok
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
Mesterséges neuronhálózatok
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)