Ekspertni sustavi
Izvor: Wikipedija
Ekspertni sustavi kao najzastupljenije područje umjetne inteligencije definiraju se na različite načine, jedna od najjednostavnijih definicija je: (Jožef Štefan, Ljubljana) Ekspertni sustavi su sustavi koji oponašaju znanje eksperta.
Ekspertni sustavi su inteligentni programi na računalima koji koriste znanja i postupke zaključivanja, kako bi se riješili teški zadatci, kad oni zahtijevaju znatnu ljudsku stručnost. Kao model znanja nužnog za tu razinu može se zamisliti sveukupno stručno znanje najboljih praktičara na nekom polju rada (Lujić, 1993).
Sadržaj |
[uredi] Povijest razvoja
[uredi] Komponente i način rada ekspertnih sustava
Osnovne komponente ekspertnih sustava su:
- komunikacijski međusklopovi
- modul zaključivanja
- baza znanja
Moduli zaključivanja izvršavaju algoritme za rješavanje zadataka tako da pozivaju neko od svojstava iz baze ili tako da pronađu nova svojstva iz svojstava koja su pohranjena u bazi znanja. Komunikacijski međusklopovi omogućavaju korisniku sve udobnosti rada sa sustavom na interaktivan način, a ujedno mu pružaju uvid u tijek donošenja zaključka. Može se module zaključivanja i komunikacijski međusklop podrazumijevati i kao jedinstveni modul koji se tada naziva ljuska ekspertnog sustava ili samo ljuska. Potrebno je naglasiti da jedna specifična ljuska daje na raspolaganje samo ograničeni broj metoda za reprezentaciju znanja i zaključivanja.
Baze znanja u inteligentnim sustavima su apstraktni prikaz radne okoline ili svijeta u kojem sustav treba rješavati zadatke. Mogu biti iz problemske domene ili o načinu kako se problem rješava. No prije svega trebamo najprije definirati što je to znanje. Znanje: stvari koje su znane, rezultati dobiveni percepcijom. Ili jednostavnije rečeno znanje je spoj spoznaje i logike. Spoznaja uključuje nepropozicijsko razumijevanje (kao što su percepcija, pamćenje, refleks), ali i propozicijsko razumijevanje te razumijevanje sudova o nepropozicijskom razumijevanju. Logika je znanost koja proučava načela koja vode do ispravnih zaključaka.
Baza znanja sadrži:
- objekte i relacije među njima
- činjenice i nesigurne činjenice
- pravila svijeta i dezicijska pravila
- opise motivacije, cilja i stanja sustava
- metode rješavanja problema i heuristiku
- opis ponašanja
- hipoteze
- opise tipičnih situacija
- procese
- ograničenja
- metaznanje
Jedan od središnjih problema na području umjetne inteligencije jest razvoj dovoljno precizne i djelotvorne notacije za prikaz znanja u inteligentnom sustavu – sheme za prikaz znanja.
Sheme za prikaz znanja moraju ispunjavati sljedeće uvjete:
- primjerenost prikaza – sposobnost prikaza svih vrsta znanja koja su potrebna za određeno područje.
- primjerenost zaključivanja – sposobnost baratanja prikazanim strukturama na takav način da se izvode nove strukture koje odgovaraju novom znanju dobivenom zaključivanjem na temelju starog znanja.
- djelotvornost zaključivanja – mogućnost ugradnje dodatne informacije u strukturu znanja, koja se može koristiti za usmjeravanje pažnje mehanizma zaključivanja prema obećavajućim smjerovima.
- djelotvornost učenja – sposobnost lakog prikupljanja znanja.
Jedna od poznatijih shema za prikaz znanja je taksonomija (J.Mylopoulos, H.J.Levasque, 1984.) uzima tri važna čimbenika. Svijet – zbirka objekata i/ili činjenica i zbirka odnosa koji postoje među njima. Stanje svijeta – zbirka svih objekata i odnosa među njima u određenom trenutku u nekom svijetu. Transformacija stanja – prouzrokuje nastajanje i/ili nestajanje objekta te promjene odnosa među njima.
Ishodišne točke za prikaz znanja:
- Objekti i odnosi među njima – mrežne sheme za prikaz znanja
- Istinitost izjava o stanjima – logičke sheme za prikaz znanja
- Transformacije stanja – proceduralne sheme za prikaz znanja