tr_ea_6

Report
TUDÁSALAPÚ RENDSZEREK
Előadó: Kovács Zita
2014/2015. I. félév
Következtetési technikák
E


K
4
7
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?




46 % E és 4
33% E
4% E és 7 -helyes
17% egyéb
elöl
50$


elöl
10$
hátul
aláírva
hátul
aláírás
nélkül
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?
1.
2.
3.
Vagy Anna, vagy Balázs bűnös.
Ha Balázs bűnös, akkor Anna is.
Ezért Anna bűnös.
Hatalmas mennyiségű árút loptak el egy áruházból. A
tettes (vagy tettesek) autóval szállította (vagy
szállították) el a zsákmányt. Három jól ismert bűnözőt
vittek be a ScotlandYard-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?



A következtetési technikák részletes
ismertetése
A következtetési módszerek osztályozása
Az eset-alapú következtetés

a szakértő rendszerek motorja
ismeretelemek láncolatán keresztül vezet a
keresett cél felé

számos következtetőrendszer használható

bizonyítás, meggyőzés, elhatározás, igazolás,
magyarázat, stb


eljárások csoportosítása:
 a következtetéshez való viszony alapján
(hipotézisen alapuló, analóg, stb.)
 az ismeretekhez való viszony alapján
(közelítő, kvalitatív, temporális, stb.)
formális következtetés
1.


egy szimbolikus adatszerkezet szintaktikus
műveletein alapul, adott szabályok szerint
bizonyos szemantikus keretben
pl. elsőrendű predikátum kalkulus
Procedurális következtetés
2.

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
Eset-alapú következtetés
4.
 lehetővé teszi kevésbé formalizált problémák
kezelését valamint új ismeretek megtanulását és
gyakorlati tapasztalatok alapján történő
továbbfejlesztését
Közelítő következtetés
5.

képes figyelembe venni bizonytalan és pontatlan
ismereteket és adatokat
Hipotetikus következtetés
6.


a hiányzó adatokat, amelyek különböző értékeket
vehetnek fel hipotézisként kezeli
valamennyi szóba jöhető értékkel továbbdolgozik, s ha
valamelyikkel ellentmondásra jut, azt elveti
Alapértelmezésen alapuló következtetés
7.

a hiányzó adatokat alapértelmezésük szerint kezeli
Kvalitatív következtetés
8.

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)

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
T adatstruktúra
Forrás probléma (C)
P adatstruktúra
hasonlóság
Célprobléma (A)
függés
Forrás megoldás (D)
Célmegoldás (B)




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
Eset alapú következtetés
 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

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

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))
ahol
P: 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 bázis: az esetek egy véges halmaza, azaz
 Eset-bázis
=
{esetk:
k=1,…,n},
esetk=(Pk,megoldás-menete(o1k,
…,
megoldás(Pk))

ahol
olk),
különféle típusú problémák – diagnózis,
konfiguráció,
tervezés
–
megoldását
állíthatjuk elő


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



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





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

az illesztés során kialakult közelítő megoldás
értelmezése során ellenőrizzük az esetleges
alternatív megoldásokat és a sikertelen
megoldásokra magyarázatot szolgáltatunk



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


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



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

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 (intervallumkezelés 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.

(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

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

similar documents