Expertní systém

Podle E. Feigenbauma (americký informatik, který je často označován za otce expertních systémů) je expertní systém inteligentní počítačový program, který užívá znalosti a inferenční procedury k řešení problémů, které jsou natolik obtížné, že pro své řešení vyžadují významnou lidskou expertízu. Jedná se tedy o počítačový program simulující rozhodovací činnost lidského experta při řešení složitých úloh a využívající vhodně zakódovaných speciálních znalostí převzatých od experta s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta. Expertní systémy jsou jedním z oborů umělé inteligence a objevily se v 70. letech 20. století. V praxi jsou využívány například jako aplikace pomocného charakteru. Často tak slouží pro nalezení rozhodnutí, ke kterému by uživatel dospěl sám za delší čas, nebo jako "návrh" navazujících procesů, aby uživatel na něco nezapomněl. V rámci expertních systémů uživatel jasně ví, proč se systém rozhodl právě tak, jak se rozhodl, a navíc má možnost si systém upravit dle svých představ. Můžeme jej považovat za informační systémy, které podle zadání automaticky usuzují na základě formalizovaných znalostí v konkrétní problémové oblasti a poskytují své závěry (nové informace týkající se daného problému). Expertní systém je tvořen bází znalostí a inferenčním mechanismem. Inferenční mechanismus slouží k tomu, aby informoval o průběhu inference a jednotlivé kroky podrobně objasnil. Jedině tak je možné přijmout jeho závěry. Vysvětlení předkládá ve formě vhodné pro uživatele a v rozsahu, který si uživatel určí.

Charakteristické rysy expertních systémů:

• Oddělení znalostí a mechanismu pro jejich využívání
• Neurčitost v bázi znalostí
• Neurčitost v datech
• Dialogový režim
• Vysvětlovací činnost
• Modularita a transparentnost báze znalostí

Požadavky na expertní systémy:

• vysoká spolehlivost
• přiměřená doba odezvy
• stabilita
• srozumitelnost
• flexibilita

Typy expertních systémů

Expertní systémy můžeme klasifikovat podle různých hledisek.

Podle obsahu báze znalostí můžeme expertní systémy rozdělit na:

• problémově orientované, jejichž báze znalostí obsahuje znalosti z určité domény.
• prázdné, jejichž báze znalostí je prázdná.

Podle charakteru řešených problémů můžeme expertní systémy rozdělit na:

• diagnostické, jejichž úkolem je určit, která z hypotéza z předem definované konečné množiny cílových hypotéz nejlépe koresponduje s daty týkajícími se daného konkrétního případu. Příklady diagnostických expertních systémů jsou: PROSPECTOR, AL/X, FEL-EXPERT a EQUANT.
• plánovací, které obvykle řeší takové úlohy, kdy je znám cíl řešení a počáteční stav a je třeba s využitím dat o konkrétním řešeném případu nalézt posloupnost kroků, kterými lze cíle dosáhnout. Příklad plánovacího expertního systému: DENDRAL.

Výhody expertního systému

• schopnost řešit složité problémy,
• schopnost řešit nepřesně zadané problémy,
• dostupnost expertíz a jejich opakované využití,
• uchovávání znalostí na delší dobu.

Nevýhody expertního systému

• nebezpečí selhání ve změněných podmínkách,
• neschopnost poznat meze své použitelnosti.

Tvorba expertního systému

V procesu tvorby expertního systému se vyskytují následující činnosti:

• výběr hardwaru a softwaru,
• návrh uživatelského rozhraní,
• akvizice znalostí (získání a reprezentace znalostí),
• implementace,
• validace a verifikace.

Vytvářením expertních systémů se zabývá znalostní inženýrství. V procesu tvorby expertních systémů představuje úzké místo akvizice znalostí. Toto úzké místo pomáhají překonat metody strojového učení.

Nástroje pro tvorbu expertních systémů můžeme rozdělit do těchto skupin:

• prázdné expertní systémy (např. EXSYS, FLEX, G2, HUGIN, M4, ... ),
• speciální programová prostředí (CLIPS, OPS5, Lisp, Prolog, ... ),
• obecná programová prostředí (např. Pascal, Delphi, C, C++Builder, ... ).

Pravidlové expertní systémy

Výhodou pravidlových expertních systémů je modularita (neboli jednoznačné vyjádření dané znalosti pravidlem a možnost snadného rozšiřování této sady pravidel), jednoduchost interpretace a podobnost usuzování s člověkem. Mezi potíž ovšem patří zejména jejich použitelnost jen pro jednodušší problémy, které jsou snadno převoditelné do přijatelného množství pravidel, dále také nebezpečí cyklů anebo nepříliš efektivní algoritmy pro srovnávání pravidel a prohledávání prostoru.

Reprezentace znalostí

V pravidlových expertních systémech jsou znalosti reprezentovány databází pravidel. Pravidlové expertní systémy jsou založeny na principu splnění platnosti nějakého předpokladu a generování z něj plynoucích závěrů. Aplikují pravidla typu jestliže -> pak, předpoklad -> konsekvence (akce, závěr, důsledek).

Příkladem:

• IF (zvysena_teplota_nad_38 OR bolest_hlavy) THEN (uzij_500mg_paralen AND jdi_do_postele).

Inferenční mechanismus

Interferenční mechanismus obsahuje myšlenkové, usuzovací, odvozovací algoritmy - vlastní program, který na základě znalostí modifikuje bázi faktů tak, aby byl schopen najít požadované výsledky.

Interferenční mechanismus umožňuje:

• Odvozování nových poznatků
• Prohledávání báze znalostí
• Zpracování neurčitostí (nepřesností, nekompletností, nekonzistenci dat, vágní pojmy, nejisté znalosti)
• Dedukce (logické usuzování, při němž závěry musejí vyplývat z předpokladů)
• Indukce (postup od specifického případu k obecnému)
• Abdukce (ze správných závěrů hledá předpoklady, které k těmto závěrům vedly)
• Heuristiky (závěry na zkušenostech)
• Modul pro vazby na jiné systémy
• Modul pro získávání znalostí
• Vysvětlovací modul
• Analogie (odvozování závěru na základě podobnosti s jinou situací)
• Generování a testování (metoda pokusů a omylů)
• Defaultní inference (usuzování na základě obecných znalostí v případě absence znalostí specifických.)
• Nemonotonní inference (je možná korekce, resp. ústup od dosavadních znalostí na základě nového pozorování.)
• Intuice (obtížně vysvětlitelný způsob usuzování, jehož závěry jsou možná založeny na nevědomém rozpoznání nějakého vzoru. Tento typ usuzování zatím nebyl v expertních systémech implementován a snad by se k němu mohlo blížit usuzování neuronových sítí.)

Důležitou schopností inferenčního mechanismu je zpracování neurčitosti. Neurčitost v expertních systémech se může vyskytovat jednak v bázi znalostí a jednak v bázi faktů.

Zdroji neurčitosti jsou:

• nepřesnost, nekompletnost, nekonzistence dat,
• vágní pojmy,
• nejisté znalosti.

Neurčitost může být reprezentována a zpracovávána např. pomocí následujících přístupů a prostředků:

• Bayesovské přístupy,
• fuzzy logika atd.

Nepravidlové expertní systémy

V nepravidlových expertních systémech nejsou znalosti reprezentovány sadou pravidel, ale jsou uloženy v jiné podobě. Nejčastěji se jedná o reprezentaci znalostí pomocí sémantických sítí či rámců a objektů a vztahů mezi nimi.

Sémantické sítě

Sémantická síť je reprezentována obousměrně orientovaným grafem, který reprezentuje znalosti expertního systému. Uzly reprezentují jednotlivé objekty modelu a hrany reprezentují relace mezi nimi. Veškeré znalosti jsou tedy rozprostřeny do jedné síťové úrovně. Hlavní výhodou sémantických sítí je jejich přehledné vyjádření a snadné vyhledávání. Nevýhodou jsou naopak nestandardizované vztahy mezi objekty, které mohou vést na různé způsoby jejich interpretace. Definovanou sémantickou síť lze popsat například prostřednictvím faktů v programovacím jazyce PROLOG.

Sítě (autor- Jiří Ivánek - Reprezentace znalostí)

Rámce

Rámce (autor- Jiří Ivánek - Reprezentace znalostí)

Rámce byly navrženy ve druhé polovině 60. let minulého století. Teorii rámců vytvořil Marvin Minsky a na jejím základě vzniklo orientované programování. Rámce vycházejí z představy, že lidé pro řešení nové situace využívají podobnosti s již známými schématy (jinými slovy hledají na základě analogie stereotypní řešení situace pouze s pozměněnými vstupními podmínkami). Charakteristická je pro rámce dědičnost. Rámce lze reprezentovat analogicky k datovému typu záznam procedurálních jazyků, kde jednotlivá pole záznamu se u rámců nazývají sloty a hodnoty těchto polí pak náplně. Náplní mohou být i další rámce či speciální procedury. Rámce mohou být obecné i konkrétní. Výhodou rámce je popis složitějších objektů s mnoha relacemi. Jazyky založené na rámcích jsou například KEE a LISP s rámcovým rozšířením (LOOPS). Rámce jsou obdobou ke strukturám či objektům u vyšších programovacích jazyků (např. Pascal, C). Rámce bývají obvykle doplněny o pravidla, která dovolují odvozovat v bázi znalostí.

Odkazy

Doporučená literatura

• Aplikace umělé inteligence AI '89: sborník referátů: Palác kultury 24.-26. dubna 1989. Vyd. 1. Praha: Ústav pro informační systémy v kultuře, 1989. 368 s. ISBN 80-02-99113-3.
• Berka, Petr a kol. Expertní systémy. Vyd. 1. V Praze: Vysoká škola ekonomická, Fakulta informatiky a statistiky, 1998. 160 s. ISBN 80-7079-873-4.
• Prax, Petr, ed. et al. Expertní systém pro vyhodnocování spolehlivosti a rizik městského odvodnění: sborník přednášek ze semináře konaného dne 27. ledna 2004. Brno: CERM, 2004. 96 s. ISBN 80-7204-329-3.
• Provazník, Ivo a Bardoňová, Jana. Expertní systémy: praktická cvičení. Vyd. 1. V Brně: Vysoké učení technické, Fakulta elektrotechniky a informatiky, 2000. 49 s. ISBN 80-214-1768-4.
• Valenta, Jan. Automatické ladění vah pravidlových bází znalostí = Automated weight tuning for rule-based knowledge bases: zkrácené znění doktorské práce. [V Brně: Vysoké učení technické], ©2009. 31 s. Vědecké spisy Vysokého učení technického v Brně. PhD Thesis, sv. 566. ISBN 978-80-214-4023-4.

Související články

• Kybernetika
  
• Umělá inteligence
  
• Fuzzy systémy
  
• Turingův test
  
• Sémantická síť
  
• Reprezentace znalostí
  
• Robotika
  
• Metody dobývání znalostí z databází (data mining)
  
• Produkční systém
  

Klíčová slova

expertní systém, umělá inteligence, báze znalostí, inferenční mechanismus, počítačový program