Mesterséges intelligencia alapjai

Tudásbázis

Tudás

• Központi fogalom
• tudás = az elvégzendő feladat végrehajtásában hasznosnak bizonyuló bármely ismeret
• Bár az intelligenciát a vele foglalkozó tudósok sokféleképpen definiálják, abban egyetértenek, hogy az emberi intelligenciával összemérhető képességű gépi intelligenciának rendelkeznie kell az ember általános tudásával.
• Az ilyen tudással, ismerethalmazzal bíró mesterséges rendszer intelligenciája ezen ismerethalmaz szervezésétől függ.

​

A tudásszemléltetés szükségessége

• A valós világ objektumairól, azok viszonyáról, kapcsolataikról rendelkezésre álló ismeret ritkán adódik a számítógép által kezelhető formában.�
• Ahhoz, hogy a számítógép az ismereteket tárolni, kezelni tudja, azok kódolására van szükség. �
• A kódolás módja nagyban kihat a gép általi feldolgozás gyorsaságára, hatékonyságára, a tárolt tudáson alkalmazható gépi műveletekre, mint pl. keresések, illesztések, összehasonlítások, láncolások, kapcsolatok kialakítása, stb.�
• A megfelelő ismeretstruktúrát alkalmazó tudásszemléltetés az MI kulcskérdése. Oka: korlátos gépidő és tárkapacitás

• Megfelelő színvonalú működés reálisan csak párhuzamos hardverrendszerektől remélhető.�
• Súlypont áthelyezés a statikus tudásszemléltetés, tudásszemléltető modellek megalkotásáról és használatáról

​

• Dinamikus, önszervező ismeretábrázolási modellek
• Automatikus ismeretszerző és ismeretstruktúráló tevékenysége ugyanolyan fontos része a működésnek, mint az ismeret alkalmazása
• Öntanulóak, az ismeret megszerzéséhez nem igényelnek emberi közreműködést�
• Előtérbe kerül a szimbolikus jelleg
• A fogalom jelentése: mindaz, ami hozzá asszociálódott
• Térbeli, időbeli, minőségi, stb vonatkozásban

A tudásszemléltetés elvárt jellemzői

1. A fontos dolgokat világosan adja meg.
2. Fedje fel a természetes korlátokat, megkönnyítve a számítások néhány fajtáját.
3. Legyen teljes.
4. Legyen tömör.
5. Legyen átlátható számunkra.
6. Legyen alkalmas gyors feldolgozásra.
7. Rejtse el a részleteket, de tegye elérhetővé azokat szükség esetén.
8. Létezzen rá számítógépi eljárás.

​

A tudásfeldolgozási folyamat vízesésmodellje�

​

​

��

Christopher F. Chabris: Artificial Intelligence & Turbo Pascal Dow Jones-Irwin, Illinois,1987. p395.

Tudásfeldolgozás

• A tudásfeldolgozás az a folyamat, amelyben a szintetizált tudást a számítógépbe juttatjuk abból a célból, hogy a problémákat a tudásbázison �végzett elektronikus szimbolikus manipulációval és következtetéssel megoldjuk

​

• A szakterület szakértője nem elegendő egyedül, hogy létrehozza a tudásbázist, együtt kell működnie az úgynevezett „tudásmérnökkel” (knowledge engineer), aki megteremti a szakértőrendszer számára fogyasztható tudásreprezentációt, ez lesz a tudásfeldolgozás

​

• A gazdaságos és hatékony ismeretalapú rendszer létrehozásának kulcskérdése a megfelelő tudásfeldolgozás
• A tudásalapú rendszerek fejlesztésének egyik első teendője a tudásgyűjtés (Knowledge Acquisition). Egyben ez a tudástechnológus munkájának egyik legfelelősségteljesebb része is

​

Tudásgyűjtés

• Tudásgyűjtés, tudáskinyerés az a folyamat, amelynek feladata beazonosítani, kinyerni, dokumentálni és elemezni a szakterület szakértőjének információ-feldolgozó tevékenységét abból a célból, hogy meghatározásra kerüljön egy szakértőrendszer tudásbázisa és következtető automatája.�
• �A tudáskinyerés négy fő szakasza:

1. Az előzetes tudás és problématartomány feltárása

2. Az információforrások beazonosítása

3. A részletes tudás kinyerése a forrásokból

4. A kinyert tudás elemzése, kódolása és dokumentálása.

​

Előzetes tudásfeltárás

• Célja:
• a rendszer által kezelendő problémák tartományának behatárolása,
• a problématartomány jellemzőinek behatárolása,
• a tématerület tudásmennyiségének behatárolása,
• a felhasználók elvárásainak megismerése,
• néhány tipikus következtetési fordulat megismerése,
• a szakértők szakterülettel kapcsolatos elképzeléseinek megismerése,
• fő szabályok és koncepciók definiálása.�

Eszközei:

• előzetes archívum-kutatások,
• konzultációk szakértőkkel.

​

Tudás kézikönyv

A kezdeti feltáró munka végén a tudástechnológusnak egy dokumentummal kell rendelkeznie, egy kézikönyv formájában, melynek a következőket kell tartalmaznia:

​

• Az általános problémaleírást
• Kik a felhasználók és milyen elvárásokkal
• Alproblémákra és résztartományokra való lebontást a későbbi tudáskinyeréshez
• Egy részletesebb leírást a résztartományokról, melyet fel lehet használni a prototípusfejlesztésben
• A referencia dokumentumok nyilvántartását
• A szakterület terminológiájának, elveinek, szakkifejezéseinek listáját
• A prototípus kifejlesztésében közreműködő szakértők nevét
• Néhány ésszerű teljesítménymutatót a rendszer számára
• A tipikus következtetési módszer leírását.

​

Információforrások

• A szakterület szakértőjének kiválasztása
• A szakértő az, aki speciális szakértelmet birtokol, hordoz magában, vagy mutat, illetve olyan tudást, melyet gyakorlással, vagy tapasztalással szerzett
• Szakértő annyira rutinszerűen végezhetnek egy tevékenységet, hogy nem tudatosul bennük, mit miért csinálnak
• A tapasztalatok heurisztikaként is reprezentálhatóak
• A tartomány szakértőjének hitelessége
• Hitelesnek kell lennie az alábbi szerepkörök előtt:
• Felhasználók
• Projekt team
• Szakértők közössége
• Szervezet vezetése

• Szakértő fajtái:
• Akadémikus:
• Fontos számára az elméleti háttér
• Szakterületüket logikusan felépített szerkezetűnek tartják
• Tevékenységének része a dolgok tisztázása, más tanítása, így rengeteget beszélnek a szakterületről
• Esetenként távol állhatnak a valódi, mindennapi problémamegoldástól
• Gyakorlati szakértő:
• Napról-napra részt vesznek a szakterület problémáinak gyakorlati megoldásában
• Gyakorlatuk sokszor implicit
• Céljuk egy olyan megoldás, amely működik a megszorítások és korlátozott források mellett
• Heurisztikák dominálnak, sokszor nincs jelen megfelelő elméleti háttér
• Szamuráj:
• Tisztán a végrehajtás szakértője
• Egyetlen célja a tevékenység véghezvitele úgy, hogy optimális eredményt kapjunk
• Képzése sokszor kizárólag gyakorlati jellegű
• Válaszai gyakran automatikusak
• A szakértő motiválása
• Ez a tudáskinyerés záloga
• A szakértők gyakran érzik veszélyeztetve a projekt miatt a pozíciójukat vagy státuszukat
• A klasszikus mondás, „ a tudás hatalom” megfordul, a tudás elvesztése a hatalom elvesztése
• Meg kell különböztetni helyi és kozmopolita szakértőt
• A helyi szakértő lojalitása elsődlegesen a cégéhez fűződik
• A kozmopolita szakértő a szakma legjobbjaihoz méri magát
• Eltérő motiválást igényelnek

​

Tudáskinyerés

• A tudáskinyerés tárgyát két csoportra bontjuk:
• Előzetes tudás
• A bevezető interjúk és konzultációk alatt:
• Az alap-, gyakran primitívnek nevezett terminusok és elvek beazonosítása
• A rendszer tipikus inputjainak és outputjainak behatárolása
• A tipikus megoldások, vagy megoldási osztályok behatárolása
• A rendszer kezdeti implementációjához problémakezelő stratégiák találása
• Részletes tudás

Részletes tudás

• A szakértő privát tudása, amely tudás több éves tanulást és tapasztalatot tükröz
• A változatos adatok és szabályok közötti viszonyok beazonosítását
• A szabályok hierarchiájának beazonosítását
• Az adatok relatív értékének és fontosságának megítélését
• Az adatok bizonyosságának és relatív valószínűségének megítélését
• A szakértő közelítései alapjának meghatározását
• A feladatok prioritásának és sorrendjének megítélését
• A szabályok és a következmények közötti konfliktusok megoldásának meghatározását
• A problémamegoldás alternatív lehetőségeinek felismerését
• A következtetésekben elvégezhető ésszerűsítések meghatározását
• Részletes válaszokat a várt és a váratlan szituációkra
• A különféle szabályokban, eredményekben és adatokban való hit fokának megadását
• A különféle célok és részcélok input követelményeinek megértését
• Megfelelő teljesítménymércék meghatározását.

​

Tudáskinyerési technikák

• Cél minimalizálni a begyűjtésre és begyűjtött adatok analizálására fordított munkát, valamint a drága és nehezen elérhető szakértővel töltött időt, mellette maximalizálni a szerzett és használható ismeretek mennyiségét
• Interjú
• Különösen az előzetes információ kinyerésére előnyös.
• Két típusa:
• Strukturálatlan
• nyitott-végű.�
• A strukturálatlan interjúnál a tudástechnológus engedi a szakértőnek, hogy elveket, terminológiát mutasson be és meghatározza az interjú menetét. A tudástechnológus csak rögzít. Alacsonyabb hatékonyságú. Szakértő feleslegesen sokat beszélhet, esetleg eltúlozza egy általa fontosnak tartott téma jelentőségét.�
• A nyitott-végű interjú feltételezi, hogy a tudástechnológus rendelkezik előzetes háttér-információkkal. A tudástechnológus irányítja az interjú menetét kérdésekkel, de a szakértő szabadon válaszolhat, vagy kitérhet a válaszadás elől. �

2. Protokoll elemzés
• Leggyakrabban alkalmazott tudáskinyerési módszer a részletes tudás kinyerésére
• A protokoll a szakértő információ-feldolgozó tevékenységének és döntéshozó viselkedésének lépésről-lépésre történő rögzítése
• Online: Szakértőről problémamegoldás közben készül felvétel, melyhez ezzel párhuzamosan megjegyzések is készülnek. Ha a szakértő kommentálja, akkor önbeszámoló, ha egy másik szakértő, akkor árnyékbeszámoló
• Offline: A problémamegoldás folyamata után a szakemberek visszamenőleg teszik meg a kommentárjaikat
• Figyelmesen kell megválasztani a protokoll elemzésre kerülő problémákat az idő kötöttsége miatt, azok legyenek reprezentatívak.
3. Végigvezetés
• Általánosan alkalmazzák
• A tudásmérnök megkéri a szakértőt, hogy vezesse őt végig a feladat megoldásában és felügyelje
4. Kérdőívek
• Szabad-végű: Akkor válaszol, amikor ráér és kedve van
• Rövid válaszos: Leíró jellegű, tömör válaszok adására van mód, gyorsan elkészül
• Erőltetett válaszos: Válaszlehetőségek közül csak választania kell

5. Szakértői beszámoló
1. A szakértő saját írásos összegzése a problémamegoldó viselkedéséről. Kétféle forma:�
1. A szakértő megadja:
• feladat megközelítési módszerét
• stratégiáját
• a szabályokat, melyeket használ
• a szükséges adatokat
• az eredményt
• A tudástechnológus:
• feldolgozza a beszámolót,
• kinyeri az ismereteket.�
2. A szakértő formálisan, például folyamatábra alakjában adja meg az általa követett döntéshozás lépéseit, mentesítve ezen feladat alól a tudástechnológust.

Kinyert tudás elemzése, kódolása, dokumentálása

• Ebben a fázisban a következőket kell elvégezni: formális módszerekkel elemezni kell a kinyert tudást, dokumentálni kell a problématerületet érintő szabályokat, hálózatokat, viszonylatokat, jellemzőket.
• A dokumentálás helye a Tudás Kézikönyv.
• Elemzés négy tipikus lépése:
• Átírás
• A szóbeli információk első írásos alakjának letisztázása, minden egyéb járulékos információt, például a technikai segédszemélyzet által rögzített vizuális anyagokat is beleértve
• Szövegrész-indexelés
• Lényege az átirat tagolása rövid szövegrészekre, melyeket indexekkel látnak el
• Egy ilyen egység célszerűen megfelel egy tudáselemnek, azaz egy elemi feladatnak, állításnak vagy adategyüttesnek

3. Tudáskódolás
• Elemzik a tudást aszerint, hogy
• mivel foglalkozik,
• milyen típusú operátorokat tartalmaz,
• milyen kiértékelési kritériumot tartalmaz
• A választásokat és döntéseket megalapozó következtetéseket tartalmaz
• Két fő kategóriája:
• Descriptív (leíró) tudás
• Procedurális (eljárásokra vonatkozó) tudás
• Például: „A sikerre 75% esély van” tudáselemhez a „Megoldás kiértékelés/kritériumbeállítás(valószínűség)” megjegyzés kerül feljegyzése
4. Dokumentálás
• Helye a Tudás Kézikönyv
• Részei:
• Átfogó tartománylista
• Descriptív (leíró) tudás
• Procedurális (eljárásokra vonatkozó) tudás
• Szójegyzék

​

Gépi tanulás

• Feleslegessé válik a szakértő is.
• A szakértőrendszerek on-line adatbázisokat fognak�letapogatni, könyveket, folyóiratokat és magazinokat �fognak digitalizálni. Más számítógépes rendszereken �tárolt adatokat elektronikus vonalon lehívnak, hogy �származtassák, vagy aktualizálják az ismeretbázist, �mindezt emberi közreműködés nélkül.
• Az automatikus tudáskinyerés potenciális előnyei a következők:
• Jobb eredményeket érhetnek el, mint az emberek, különösen amiatt, hogy az információkeletkezés egyre nagyobb méretű és az információ egyre komplexebb, és ilymódon nagyobb szakértőrendszereket hozhatnak létre.
• Csökkentik a magas költségű emberi munkaerő iránti igényt és a tudásbázisok kifejlesztéséhez szükséges időt.

​

Előállító szabályok, szabályalapú tudásszemléltetés

• Előállító szabály (production rule):
• egy IF-THEN, feltétel-következmény szerkezet, melyet egyaránt alkalmaznak a problémák megoldásához szükséges deklaratív (leíró) és procedurális (eljárásokon alapuló) tudás ábrázolására. �A logikában neve: implikáció, modus ponens:
• Deklaratív következmény: kikövetkeztetett tény
• Procedurális következmény: akció.
• Példa: IF hőmérséklet>30 THEN hűtés�

• Szabályláncolás - a következtetési folyamat megvalósulása��szabályláncolódás = a szabály következményrésze illeszkedik más szabály feltételrészére
• Ha az összes kapcsolódást megvalósítanánk, előállna a szabálybázis által reprezentált összes következtetési fa, melyek egymáshoz rendelnék a leveleiken szereplő tényeket és a fák csúcsán szereplő végkövetkeztetéseket.
• A következtetési fa teljes előállítása gyakorlatilag lehetetlen, ezért egy konkrét esetre a következtetési feladat végigvitele a következtető automatára hárul.

​

Szabályláncolás

��������������

• Előrehaladó láncolás (forward chaining): a végkonklúzió megtalálása a feladat, a megadott tényekből kiindulva

​

​

​

​

​

​

​

• Hátrafelé haladó láncolás (backward chaining): az elérendő cél adott és a szükséges előfeltételek megtalálása, ill a megadottak elégséges voltának megállapítása a cél.

​

!

• Előnyös alkalmazási terület (Christopher Chabris):
• Előrehaladó láncolás: �ha a megoldandó problémával kapcsolatosan nagyszámú összegyűjtött adattal rendelkezünk, de a megoldást illetően nincs jó elképzelésünk. A szabályalapú rendszer el fogja végezni az összes végrehajtható következtetést és elő fogja állítani a megadott tényekből következő összes szóbajöhető megoldást.

​

• Hátrafelé haladó láncolás: amikor egy, vagy több hipotézissel rendelkezünk a problémánk megoldására vonatkozóan és azt kívánjuk, hogy a szabályalapú rendszerünk tesztelje ezeket. A hipotézistől visszafelé indulva a rendszer bekéri a hipotézis teljesüléséhez szükséges adatokat.��
• Az előreláncolást alkalmazó rendszert deduktív rendszernek is szokták nevezni utalva a sorozatban végzett deduktív logikai következtető műveletre (modus ponens).

​

Szabályalapú tudásszemléltetést és következtető automatát alkalmazó szakértőrendszer felépítése

​

• ������������

Szabályalapú következtetés működése előrehaladó láncolásnál

• Feladat: A szabálybázist és az aktuális feladat tényeit felhasználva meg kell próbálni elérni a célállapotot, mely a problémára adott válasz, vagy egy elfogadható választ reprezentáló részcél elérése lehet.��
• Lépések:

1. Mintaillesztés: ki kell keresni a szabálybázisból az összes olyan szabályt, melynek a feltételrésze a ténybázisbeli tényekkel igaz.

2. Konfliktusfeloldás: az 1. lépésben megtalált szabályok alkotják a konfliktus-halmazt, mert bármelyik felhasználható, de csak egyet alkalmazhatunk.

3. Szabályalkalmazás: végre kell hajtani a kiválasztott szabály következmény-részében szereplő tevékenységet, ill. fel kell használni az új tényt. (Új tény: az adott feladatra nézve igaz, kikövetkeztetett.)

4. A célállapot tesztelése: meg kell vizsgálni, eljutottunk-e a célállapotba, ha nem, folytatni kell 1.-től.

• A szabályalapú rendszerek előnyei�
• Modularitás: egyedi előállító szabályok hozzáadhatók, törölhetők, megváltoztathatók
• Egyöntetűség: homogén ábrázolás, könnyű megértés
• Természetesség: emberi problémamegoldáshoz hasonló.

​

• A szabályalapú rendszerek hátrányos tulajdonságai

​

• Merevek: nem nyújtanak különféle absztrakciós szinteket
• Nem hatékonyak: ténybázis-szabálybázis illesztés, kombinatorikus robbanás.

�A szabályalapú tudásszemléltetés rendkívül elterjedt és számtalan szakértőrendszernek és szakértőrendszer-váznak alkotja az alapját.