Úvod do problematiky expertních systémů
2. Charakteristické znaky expertních systémů
2.1 Báze znalostí
2.1.1 Ideální požadavky na bázi znalostí
2.2 Báze dat
2.3 Řídicí mechanismus
3. Typologie expertních systémů
3.1 Členění expertních systémů z hlediska charakteru řešených úloh
3.2 Členění expertních systémů z hlediska obecnosti
3.3 Členění expertních systémů z hlediska způsobu reprezentace znalostí
3.4 Typy expertních systémů v historickém vývoji
4. Získávání znalostí a tvorba báze znalostí
4.1 Znalostní inženýrství
4.2 Tvorba báze znalostí
4.2.1 Fáze procesu tvorby báze znalostí
4.3 Získávání znalostí
1. CO JE EXPERTNÍ SYSTÉM
Pojem expertní systém byl poprvé použit na přelomu 70. a 80. let 20. století. Přesná definice tohoto pojmu nebyla dosud stanovena. Expertní systém bývá charakterizován jako počítačový program, který simuluje rozhodovací činnost expertů při řešení složitých, úzce problémově zaměřených úloh. Jedná se tedy o systém, který nevyužívá znalostí nabytých vlastní činností, ale využívá znalostí (myšlení a rozhodování) špičkových odborníků v dané oblasti. Avšak bez lidských omylů. Cílem činnosti expertního systému je dosáhnout co nejlepší odezvy na reálná data.Představa, jak by měly být expertní systémy konstruované a využitelné, se v průběhu času mění. Zejména v 80. letech se usilovalo o vytvoření několika opakovatelně a široce využitelných, problémově nezávislých expertních systémů se silným stupněm všeobecně přijaté standardizace. Časem se však ukázalo, že každá aplikační oblast a každá kategorie úloh vyžadují odlišnou reprezentaci znalostí i odlišný řídicí mechanismus, a tak většina dnešních expertních systémů má charakter speciálních, problémově orientovaných systémů.
2. CHARAKTERISTICKÉ ZNAKY EXPERTNÍCH SYSTÉMŮ
Třemi základními částmi expertních systémů je báze znalostí, řídicí mechanismus a báze dat.2.1 Báze znalostí
Veškeré znalosti experta, které jsou potřebné k řešení daného problému, jsou soustředěné v bázi znalostí. Tato báze je koncepčně podobná databázi.
V bázi znalostí je zapsáno velké množství různých znalostí - od nejobecnějších k úzce odborným. Specialitou jsou soukromé znalosti (též označovány jako heuristiky či nejisté znalosti). Jde o exaktně nedokázané znalosti, které expert získává postupně v průběhu praxe a o nichž ví, že mu pomáhají při řešení určitých problémů. Tyto nejisté znalosti však nezaručují nalezení správného řešení. Heuristiky odlišují znalosti experta od znalostí průměrného pracovníka (resp. laika).
Vedle své hlavní úlohy (obecný systém pravidel pro řešení problému) může být báze znalostí využita k výuce, k získávání informací (znalostí) z oboru, na který je báze znalostí orientována.
Nejnovější expertní systémy nepracují jen s jednou bází znalostí, ale k řešení využívají současně větší počet samostatných bází znalostí - tzv. zdroje znalostí. Každá z těchto bází znalostí zapisuje své závěry na jakousi tabuli, sdílenou datovou strukturu, která je přístupná všem zdrojům znalostí. Informace zapsané na tabuli jsou důležité pro činnost zbývajících zdrojů. Tato činnost je založena na reálné představě, kdy skupina expertů různých specializací řeší určitou úlohu před tabulí, na kterou zapisují nejrůznější poznatky o řešeném problému. Každý z odborníků si na tabuli vybírá údaje, které odpovídají jeho specializaci, zpracuje je a výsledky opět zapíše na tabuli.
2.1.1 Ideální požadavky na bázi znalostí
Vzhledem k tomu, že se znalosti experta stále (a rychle) vyvíjejí a rozrůstají, je nezbytné, aby báze znalostí byla vysoce modulární (tj. aby bylo možné poznatky v bázi znalostí kdykoliv doplnit anebo aktualizovat, tak, aby báze stále odpovídala úrovni nejnovějších poznatků v dané oblasti).
Expertní systém musí být schopen využívat soukromé (nejisté) znalosti, stejně jako člověk-expert. Existence těchto nepodložených, zkreslených či neúplnných informací v bázi znalostí se označuje jako nejistota v bázi znalostí. Každému jednotlivému nejistému elementu reprezentace znalostí jsou přiřazovány numerické parametry (váhy, míry, stupně důvěry apod.), které vyjadřují míru jejich nejistoty.
Každý člověk při řešení všech problémů vychází ze svých zkušeností (tzv. hloubkové znalosti). Také expertní systém musí být schopen využívat hloubkové znalosti ("používat zdravý rozum"). Každý expertní systém by měl být zkonstruován tak, aby dokázal předvídat následky všech svých činností (navržených řešení). "Robotu, který má vařit špagety na plynovém vařiči, by nemělo zůstat utajeno, že vařící voda má tendenci z přikrytého hrnce utíkat. Měl by "vědět" to, že přetékající kapalina může uhasit plamen vařiče, aniž by ovlivnila funkci přívodu plynu do hořáku. Bylo by víc než nešťastné, kdyby v takovém případě uvažovaný robot nebyl vybaven schopností předvídat vzrůst koncentrace plynu v místnosti a následný vztah k druhům ohrožení, jaké nás zkušenost učí spojovat s uvažovaným scénářem, např. nebezpečí exploze (v případě přítomnosti otevřeného ohně) či udušení každé živé bytosti v místnosti."
Expertní systém musí být schopen vysvětlit a zdůvodnit závěry a položit vhodný doplňující dotaz.
V současnosti jsou běžnou součástí expertních systémů elektronické slovníky, encyklopedie, katalogy apod., které může uživatel využívat k získávání informací o určitých faktech, s nimiž se při práci (v dialogu) s expertním systémem setká.
2.2 Báze dat
K řešení určitého konkrétního problému je třeba poskytnout systému data o daném případu. Tato data se ukládají do báze dat (množina údajů k danému případu), a takto se "dosadí" do obecně formulovaných znalostí z báze znalostí. Konkrétní data poskytuje uživatel, a to v dialogovém režimu s počítačem. Tento dialog evokuje dialog nezkušeného odborníka s expertem. Úlohou expertního systému v tomto dialogu je dotazovat se co nejlépe na informace k dané problematice, analyzovat odpovědi uživatele a na jejich základě (a na základě obecných znalostí uložených v bázi znalostí) zkonstruovat závěr, příp. navrhnout řešení.
Velmi důležitým a rozsáhlým modulem, který je součástí expertních systémů je komunikační modul. Tento modul má obecně za úkol zabezpečovat uživateli "přátelské" (user-friendly) chování systému ve všech fázích a režimech činnosti. Konkrétně vykonává komunikační modul následující funkce:
zabezpečuje plynulý dialog s uživatelem poskytuje relevantní informaci o průběhu konzultace (např. zobrazuje jméno právě využívané báze znalostí, tiskne výsledky) poskytuje informace z báze znalostí poskytuje vysvětlení a zdůvodnění (např. co je právě zkoumáno, proč byl položen daný dotaz) --> vysvětlovací část komunikačního modulu zprostředkovává on-line interakci s hypertextovým či hypermediálním systémem (ten obsahuje hierarchicky uspořádaná fakta a znalosti z předmětné oblasti, a to nejen v textové podobě) komunikuje v přirozeném jazyce zabezpečuje porozumění pokynům Dialog s uživatelem se někdy nahrazuje přímým měřením údajů na reálných objektech či jejich vyhledáváním v bankách dat. 2.3 Řídicí mechanismus Řídicí mechanismus je programový modul, který předem udává strategii využívání znalostí z báze znalostí, zprostředkovává komunikaci mezi bází znalostí a bází dat (resp. bází znalostí a uživatelem expertního systému). 3. TYPOLOGIE EXPERTNÍCH SYSTÉMŮ 3.1 Členění expertních systémů z hlediska charakteru řešených úloh 1. diagnostický expertní systém (expertní systém klasifikačního charakteru) Úkolem těchto systémů je porovnávat a vyhodnocovat předem stanovené hypotézy. Cílem je určit, která z těchto hypotéz nejlépe odpovídá reálným datům. Obrázek 1 zachycuje typickou architekturu diagnostického expertního systému. Řídicí mechanismus vybírá nejvhodnější dotazy a průběžně upřesňuje aktuální model konzultovaného případu. Příklady diagnostických expertních systémů: PROSPECTOR, AL/X, FEL-EXPERT, EQUANT 2. plánovací expertní systémy (též generativní expertní systémy) Při řešení úloh v plánovacím expertním systému je znám cíl řešení a počáteční stav. Úkolem systému je s využitím dat o daném případu nalézt optimální posloupnost kroků (operátorů), kterými lze dosáhnout stanoveného cíle. Výsledkem je seznam navrhovaných řešení, která jsou ohodnocena určitou měrou optimality. Důležitou částí je zde generátor možných řešení, který automaticky generuje, kombinuje a testuje přípustná řešení. Vybraná řešení jsou testována na datech z báze dat. V souvislosti s kombinováním řešení při vytváření posloupnosti kroků se hovoří o "kombinatorické explozi". Tuto explozi omezují znalosti experta a data o daném případu. Obrázek 2 zachycuje typickou architekturu plánovacího expertního systému. Řídicí mechanismus ovlivňuje výběr přípustných operátorů, řídí testování shody vygenerovaných řešení s daty z báze dat, a tak utváří zásobník potenciálních řešení. Příklad plánovacího expertního systému: DENDRAL 3. hybridní expertní systémy Kombinací architektury diagnostického a plánovacího systému vzniká hybridní expertní systém. Tímto typem jsou například inteligentní výukové systémy či monitorovací systémy. 3.2 Členění expertních systémů z hlediska obecnosti 1. prázdný expertní systém Expertní systém bez problémově závislých částí (tj. bez báze znalostí a báze dat). Tento typ expertních systémů se podařilo vyvinout pouze pro řešení diagnostických úloh (diagnostické expertní systémy). Plánovací a hybridní expertní systémy mají totiž výrazně problémově závislou bázi znalostí. 2. problémově orientovaný expertní systém (dedikovaný expertní systém) Prázdný expertní systém doplněný o bázi znalostí. Je použitelný k řešení úloh pouze v určité problémové oblasti (architektura, typ reprezentace znalostí a řídicí mechanismus jsou těsně spojeny s danou oblastí). 3. expertní systém řešící konkrétní případ Expertní systém obsahující všechny důležité složky - bázi znalostí, řídicí mechanismus a bázi dat. Takový systém je již určený k řešení určitého problému. 3.3 Členění expertních systémů z hlediska způsobu reprezentace znalostí 1. expertní systémy založené na pravidlech Báze znalostí je tvořena množinou produkčních pravidel typusituace --> akce (IF - THEN) ("Nastala-li v bázi dat nebo v modelu řešeného případu jistá situace, proveď pravidlem předepsanou akci, kterou se pozměňuje model řešeného případu.") Bázi znalostí lze v tomto případě vyjádřit v podobě jednoduché inferenční sítě reprezentované orientovaným grafem (každému tvrzení přiřadíme uzel grafu, každému pravidlu orientovanou hranu). Inferenční sítí je jednoznačně dána návaznost pravidel, a následně pak pevná struktura odvozovacího procesu. 2. expertní systémy založené na rámcíchrámce = datové struktury, sdružující komplexní informace (pravidla) o objektech, třídách objektů, stereotypních situacích apod. 3. expertní systémy založené na logickém programování Znalosti jsou vyjádřeny ve formě logických formulí. Dokazuje se pravdivost systému takových formulí. Tento typ není vhodný k reprezentaci a využívání neurčitých znalostí, jelikož neurčitost není pro logiku typická. 3.4 Typy expertních systémů v historickém vývoji Historii expertních systémů lze rozdělit do čtyř etap:1. počáteční etapa (1965-1970) systémy DENDRAL, MACSYMA 2. etapa výzkumných prototypů (1970-1975) systémy MYCIN, PROSPECTOR, HEARSAY-II 3. etapa experimentálního nasazování (1975-1981) systémy PUFF, SACON, ONCOCIN, HEADMED, CLOT, AL/X, HASP, INTERNIST, CADUCEUS 4. etapa komerčně dostupných systémů (od r. 1981) systémy XCON, XSEL, DIPMETER, ADVISOR Zároveň se z historického hlediska hovoří o expertních systémech první generace (všechny systémy až do současnosti) a expertních systémech druhé (a vyšší) generace (systémy budoucnosti). Každý z typů je charakterizován následujícími vlastnostmi: expertní systémy první generace jednoduché systémy obvykle jen jeden typ reprezentace znalostí (úzká oblast expertízy) obvykle příliš jednoduchý řídicí mechanismus malá schopnost využívat zdravý rozum omezené jazykové prostředky omezené vysvětlovací schopnosti expertní systémy druhé (a vyšší) generace využívání různorodých zdrojů znalostí využívání komplikovaných řídicích mechanismů větší využívání hloubkových znalostí uvažování na základě analogií schopnost uvažovat o čase učení z vlastních zkušeností integrace s vnějším prostředím 4. ZÍSKÁVÁNÍ ZNALOSTÍ A TVORBA BÁZE ZNALOSTÍ Úspěšnost činnosti expertního systému je dána především kvalitou a rozsahem báze znalostí. Proto je třeba věnovat tvorbě báze znalostí velkou pozornost (a také velké množství času). 4.1 Znalostní inženýrství V souvislosti s vývojem expertních systémů vznikl v rámci umělé inteligence samostatný obor, který dostal název znalostní inženýrství (knowledge engeneering). Znalostní inženýrství se obecně zabývá tvorbou expertních systémů, jejich aplikací, údržbou a integrací s jinými softwarovými produkty. Nejvýznamnější činnosti souvisejí s naplňováním expertních systémů znalostmi (metody a techniky získávání znalostí, jejich formalizace, kódování, uchovávání, testování a udržování). Kromě vlastní práce se znalostmi se znalostní inženýrství zabývá tříděním a katalogizací dostupných metod a technik reprezentace znalostí, inferenčních strojů, vysvětlovacích mechanismů, prostředků počítačové podpory návrhu expertních systémů a tvorbou relevantních metodologií. Spolu s novým oborem vznikla také nová profese - znalostní inženýr. Znalostní inženýr musí být seznámen s problematikou umělé inteligence a expertních systémů, s technickými možnostmi reprezentace znalostí a s dostupnými inferenčními stroji. Kromě toho se musí před tvorbou expertního systému (resp. báze znalostí) podrobně seznámit s terminologií a základy problémové oblasti, získávat od experta znalosti v průběhu celého procesu tvorby báze znalostí, formulovat tyto znalosti způsobem vhodným pro počítačovou reprezentaci a kódovat je do tvaru vhodného pro daný expertní systém. Aby mohl znalostní inženýr vykonávat kvalitně všechny činnosti, kterými se jeho obor zabývá, měl by být vybaven následujícími schopnostmi: kognitivní schopnosti usuzovací schopnosti sociální vědění kreativita analytické schopnosti schopnosti procedurálního chování 4.2 Tvorba báze znalostí Procesu tvorby báze znalostí se především účastní a) expert ve zvolené problémové oblasti b) znalostní inženýr c) koncový uživatel 4.2.1 Fáze procesu tvorby báze znalostí 0. zadání úlohy - původní zadání, vzniklé z bezprostřední potřeby uživatele (většinou vágní a jednostranně orientované) 1. identifikace problému - analýza požadavků (zadání), nalezení klíčových pojmů v oboru, specifikace vztahů mezi nimi, sestavení schematického modelu reálného objektu 2. návrh koncepce báze znalostí - získání představy o možném rozkladu úlohy na podúlohy, zvolení základních principů pro bázi znalostí (co budeme považovat za uzly, jaké vztahy mezi nimi budeme respektovat), stanovení cílů a funkcí systému, přesné vymezení okruhu potenciálních uživatelů, identifikace zdrojů znalostí - výsledkem je základní konceptuální model organizace relevantních znalostí3. formalizace znalostí - volba vhodné reprezentace znalostí (jak získané znalosti formálně zapsat, aby to odpovídalo požadavkům expertního systému - např. zvolit zápis znalostí dle pravidla IF…THEN nebo zaplnit připravené rámce?)4. realizace (implementace) báze znalostí - vlastní tvorba prvotního prototypu báze znalostí jako celku5. testování, ladění báze znalostí - řešení trénovacích příkladů, pokusný provoz expertního systému - opakovaně probíhá cyklus znázorněný na Obrázku 3 4.3 Získávání znalostí Získávání znalostí pro bázi znalostí je možno provádět několika technikami, resp. jejich kombinací: 0. studium literatury Znalostní inženýr si předem shromáždí a utřídí všechny běžně dostupné informace, na jejichž základě si osvojí základní znalosti, zejména terminologii. 1. přímé získávání znalostí od špičkového odborníka/experta Jedná se o dialog znalostního inženýra s expertem. Až do konce 80. let byl toto základní a vpodstatě jediný způsob získávání znalostí. K přímému získávání znalostí od experta dochází obecně ve dvou krocích: 1. úvodní výklad experta k dané problematice 2. případová diskuse (expert na vybraných případech demonstruje svůj přístup k jejich řešení) Využívá se několika metod: - rozhovor - brainstorming Tyto dvě metody slouží hlavně k uvedení do problému, k charakteristice hlavních cílů, úkolů a funkcí navrhovaného systému. - karetní metoda (card sort) Expert navrhuje různá setřídění objektů/případů uvedených na jednotlivých kartách. Metoda je určena k primární strukturaci znalostí. - metoda repertoárové tabulky Metoda založená na "konstruktivní psychologické teorii" G. Kellyho. Psychologický prostor je budován na dvou druzích pojmů:objekty, které člověk používá k definování daného tématukonstrukty = vlastnosti/atributy objektů Každý konstrukt je tvořen dvěma protikladnými vlastnostmi, které tvoří jeho mezní hodnoty, a tím je charakterizován daný objekt. 2. interaktivní získávání znalostí od experta Technika je založena na metodě repertoárové tabulky (viz výše). Při získávání znalostí se postupuje následovně: a) expert zadává seznam všech možných objektů b) expert vytváří za pomoci systému pro každý objekt jeho konstrukt (dvojici opačných pólů) --> vznik repertoárové tabulky c) generování pravidel d) testování a dolaďování báze znalostí expertem 3. automatizované získávání znalostí (z příkladů a souborů dat) Tvůrce báze znalostí si stanoví, jak má vypadat cílová znalost: a) deklarativní charakter cílové znalosti Úkolem je nalézt vztahy mezi sledovanými atributy, které by vhodně popisovaly pozorované objekty. Potenciálně užitečné informace se extrahují z rozsáhlých datových souborů, které obsahují informace ze studované oblasti --> objevování znalostí v databázích, dolování dat (data-mining) b) procedurální charakter cílové znalosti Znalosti se hledají ve formě postupů, které povedou ke klasifikaci nových objektů nebo k efektivnějšímu využití dostupných informací. Poté dochází k odvozování znalostí: a) metodou indukce - vzniká nová speciálnější teorie, obecný návod jak postupovat v dosud neznámých situacích b) metodou dedukce - z apriorní znalosti se odvozují její další důsledky, většinou formou pravidel LITERATURA Umělá inteligence 1. Vladimír Mařík a kol. Praha : Academia, 1993. 264 s. ISBN 80-200-0496-3 Umělá inteligence 2. Vladimír Mařík a kol. Praha : Academia, 1997. 373 s. ISBN 80-200-0504-8 Umělá inteligence a expertní systémy. Svatoslav Gosman a kol. Praha : Kancelářské stroje - oborové informační středisko, 1990. 168 s. Výběr informací z organizační a výpočetní techniky ISBN 80-7018-004-8 Poznámka: Text byl zpracován jako seminární práce na Ústavu informačních studií a knihovnictví FF UK.