E K S P E R T N I S U S T A V I

(razvoj ekspertnog sustava u području projektiranja tehnoloških procesa)

Kod varijantnih metoda prepoznavanje karakteristika predmeta obrad vrši se dešifriranjem klasifikacijskog broja koji sadrži geometrijsko-tehnološke informacije u stupnju koji je neophodan za grupiranje dijelova u grupe thnološki sličnih dijelova. Klasifikacijski broj može da odredi tehnolog ili konstruktor na temelju konstrukcijskog crteža dijela ili se može odrediti automatski na temelju interne prezentacije CAD modela, dobivene korištenjem CAD sustava.

Na temelju klasifikacijskog broja vrši se grupiranje svih dijelova u grupe tehnološki sličnih dijelova koji se proizvode sličnim tehnološkim postupcima. Za tipični dio iz grupe, koji može da bude realan ili fiktivan, radi se tehnološki proces na klasičan način i memorira se u računalu. Na temelju klasifikacijskog broja svakog konkretnog dijela vrši se određivanje tehnološke grupe kojoj dio pripada, poziva se standardni tehnološki proces za grupu dijelova kojoj taj dio pripada i na kraju se taj tehnološki proces modificira na automatiziran način i to na temelju informacija o tom dijelu koje sadrži klasifikacijski broj.

Nedostaci varijantnih metoda su:- zahtijevaju velike pripreme prije uvođenja u eksploataciju, tj. klasificiranje i grupiranje dijelova, i izradu standardnih tehnoloških procesa za sve grupe,- nedovoljno su fleksibilni u primjeni, tj. pri promjeni tehnološkog okruženja ne reagiraju automatski nego zahtijevaju preradu svih standardnih tehnoloških procesa, što je veoma spor i obiman posao.- može se desiti da za neki konkretni dio ne postoji standardni tehnološki proces koji bi poslužio kao osnova pri dobijanju tehnološkog procesa za taj dio. Dobra strana ovih metoda je u relativno jednostavnoj koncepciji koja se programski može lako realizirati, pa su ove metode pogodne za proizvodne sustave sa stalnim proizvodnim programom u kome preovladavaju različiti, ali tehnološki slični dijelovi, grupirani u relativno manji broj grupa.

Kod generativnih metoda tehnološki proces se formira neovisno i individualno za svaki dio, bez predhodne klasifikacije i grupiranja dijelova, i bez standardnih tehnoloških procesa. Procedura projektiranja tehnoloških procesa odvija se u dvije osnovne faze: 1. Faza tehnološkog prepoznavanja, tj. identeficiranje svih karakteristika dijela i njihovih parametara 2. Faza generiranja tehnološkog procesa, tj. definiranje redoslijeda operacija i njihovih elemenata. Postoji više načina za opisivanje dijela koji i uvjetuju metod tehnološkog prepoznavanja. Međutim, karakteristično za generativne metode je to da one generiraju tehnološki proces na osnovu tehnološke logike i znanja o tehnologiji što se pohranjuje u sustav za autamitizirano projektiranje. Taj sustav praktično simulira rad i razmišljane tehnologa pri izradi tehnološkog procesa za svski dio posebno.

U odnosu na varijantne metode imaju slijedeće prednosti:- ne zahtijevaju velike pripreme za primjenu,- brzo se generira tehnološki proces za svaki dio, neovisno od ranije urađenih dijelova,- lako se prilagođavaju promjenama u proizvodnji, a i promjenama asortimana proizvoda,-omogućavaju laku integraciju sa CAD iCAM sustavima, i realizaciju koncepta integracije CAD/CAP/PPC, što je uvjet za realiziranje CIM koncepta.

Kod hibridnih metoda koriste se tzv. tipske tehnološke forme, tj. funkcionalno povezane elementarne karakteristike koje se grupiraju u tipove. jedan dio ima više tipskih tehnoloških formi ( na primjer slijepi otvor sa navojem ) koji su interno označeni, a za svaki od njih je unaprijed definiran tipski tehnološki proces. Na temelju ovih tehnoloških procesa i identifikacije prisutnih tipskih tehnološki formi, dobija se konkretni tehnološki proces.Nedostatak ovih metoda je u tome što može da se desi da neki dio ima tipsku tehnološku formu koja nije definirana u sustavu, te se u tom slučaju tehnološki proces ne može odrediti.

Stanje tehnikeUpotreba računala u tehničkim područjima proizvodno - poslovnih sustava u posljednjim godinama imala je brz i dinamičan razvoj. Primjeri za ovu tvrnju su brojni CAD, NC, CAM i PPC sustavi. Zahtijevi za efikasnošću u službama za pripremu proizvodnje i za kvalitetom rezultata tehnologije stalno su u porastu. Bez podrške računala ovi zahtijevi skoro da ne mogu biti ispunjeni, imajući naročito u vidu obim podataka koji treba obraditi, kao i njihovu točnost i ažurnost. Veći uspjesi u racionalizaciji mogu se postići samo ako se specifično tehnološko znanje koje postoji u poduzeću pogodno oslika u računarskim sustaima i ako se ono koristi za svakodnevne zadatke.Korištenje računala u aktivnostima projektiranja tehnoloških procesa još uvijek ima deficit gore opisanih sustava. Međutim, to stanje se brzo popravlja. Na ovo značajno utječe stupanj razvoj u oblast CAD i PPC sustavima, čime projektiranje tehnoloških procesa dobiva sve više na značenju kao interfejs između CAD i PPC, što je pokazano na slici 1.Tokom 80-tih godina skoro da i nisu postojali CAP sustavi koji bi imali neko tržišno značenje. Bilo je samo nekoliko veoma specijalnih riješenja specifičnih za određene proizvođače, kao i institutska razvojna riješenja koja u praksi nisu imala nikakvu primjenu.Po sadašnjim procjenama računa se da će računalna podrška za projektiranje tehnoloških procesa doživjeti veliki zamah. U svemu tome vrlo značajnu ulogu igra pravilno i potpuno definiranje zahtijeva kojima treba da odgovore ti sustavi.

Zahtijevi prema CAP sustavimaZahtjevi koje jedan CAP sustav mora da ispunjava mogu se svrstati u nekoliko kategorija.. Ne postoje totalno čvrsti kriteriji za određivanje tih kategorija, nego se to radi iskustveno i u ovisnosti od potreba krajnjih korisnika.

Slika 1. Integracija CAD/CAP/CAM

Osnovno što CAP sustav mora da zadovolji je funkcionalnost, a to je sposobnost sustava da podržava poslovne procese u tehnologiji, dobivene dekompozicijom osnovne djelatnosti poduzeća. Osim funkcionalnosti postoje zahtjevi i prema strukturi sustava, odnosno prema načinu njegove gradnje tijekom razvoja. To znači da sustav treba da karakterizira:- modularna gradnja,- sposobnost proširenja s obzirom na proizvodni program i proizvodne tehnologije,- mogućnost za fazno uvođenje i proširenje sustava,- mogućnost rada na distribuiranim računalnim sustavima,-mogućnost podešavanja na specifične probleme nekih korisnika, odnosno poduzeća.

Slijedeća grupa zahtjeva se odnosi na raspoloživost na tržištu i mogućnost realne primjene kod korisnika proizvođača. Zbog toga sustav mora da ima slijedeće mogućnosti:- standardni softwar-ski proizvod,- stalna tehnička podrška od strane proizvođača,- podrška obimnom proizvodnom programu,- podrška širokom spektru proizvodnih postupaka (tehnologija),- jednostavno organizacijsko kopiranje,- ekonomičnost,- povezivanje na postojeći softwar,- rasterećenje tehnologa ponvljajućih poslova (automatizacija ponavljajućih funkcija).

Na kraju postavljaju se zahtijevi i prema korisničkom interfejsu koji može da ima presudnu ulogu, obično psihološku, da se neki softwar-ski sustav prihvati ili ne prihvati od stane krajnjih korisnika.Što se tiče pristupa sustavu, odnosno unosa, sustav mora da ima:- jednostavno, pregledno korisničko sučelje (user interface)- jednostavan unos u formi dijaloga,- jednostavan i jednoznačan unos za sve funkcije tehnologije, - minimalan utrošak energije prilikom unošenja, - trenutna kontrola formalnih logičkih grešaka,- preuzimanje unosa iz ostalih sustava.Što se tiče izlaza, odnosno izvješća, sustav mora da ima slijedeće karakteristike:- velika fleksibilnost vezano za za formu i sadržaj tehnoloških procesa,- podaci oizračunavanjima,- visok stupanj detaljnosti,- visoka točnost rezultata,- mogućnost reproduciranja rezultata.Naprijed se radi o maksimalnim zahtjevima prema jednom CAP sustavu.

Klase CAP sustavaKada je riječ o klasma CAP sustava onda prema većini autora grupiranje je moguće izvršiti u dvije osnovne klase i to:1. Sustavi za upravljanje (administriranje) tehnološkim procesima, - ponavljajući tehnološki procesi2. sustavi za generiranje tehnoloških procesa. - konvencionalno programirani sustavi, - tehnološko orjentirani sustavi, - sustavi na bazi tabela odlučivanja, - ekspertni sustavi Razvoj sustava ide u pravcu druge klase sa krajnjim ciljem izgradnje inteligentnih sustava za projektiranje tehnoloških procesa koje kao osnovu koriste generativne metode. Ovo pored ostalog proizilazi na temelju iznesenih nedostataka varijantnih metoda. Ovdje ne treba isključiti mogućnost ispreplitanja odnosno nadopunjavanja, a sve u cilju dobijanja što kvalitetnijeg sustava za riješavanje složenog problema projektiranja tehnoloških procesa.

Generiranje pri projektiranju tehnoloških procesaPolazeći od predpostavke da je CIM koncept krajnji cilj i najviša razina svake automatizacije u proizvodno-poslovnih sustavima, može se slobodno reći da je primjena generativnih metoda u projektovanju tehnoloških procesa jedan od nužnih uvjeta za realiziranje tog koncepta. Za generiranje tehnoloških procesa bi se moglo kazati da je to riješavanje postavljenog zadatka izrade tehnološkog procesa korištenjem automatiziranog sustava za projektiranje na bazi mogućnosti i koncepata umjetne inteligencije, tj. onog njenog dijela koji se odnosi na tzv. inženjering znanja. Osnovu za generiranje čini znanje. U cilju sprovođenja inženjerstva nad znanjem potrebno je definirati koja se vrsta znanja predstavlja i koliko znanja je potrebno za riješavanje nekog problema. U procesu projektiranja potrebno je definirati točno koja su znanja neophodna. To mogu biti opća znanja ili specijalizirana znanja za riješavanje određenog problema. Uvijek se teži da se koriste znanja koja dovode do uspješnog riješenja problema.

Proces projektiranja tehnologije bazira se na znanjima iz oblasti transformiranja oblika radnog komada njegovim sprezanjem sa alatom. Problem se znači svodi na razvoj strukture sustava sa bazom znanja, u koju će biti uloženo tehnološko znanje o postupcima pri izradi pojedinih dijelova. Za razvoj baze znanja moraju se koristiti koncepti i modeli iz oblasti umjetne inteligencije. Istraživanja u oblast umjetne inteligencije mogu se podijeliti na:- oblast primjene same inteligencije koristeći se znanošću poimanja (kognitivna znanaost) i- oblast praktične upotrebe umjetne inteligencije preko inženjering znanja. Praktična upotreba umjetne inteligencije preko inženjering znanja, a u svrhu generiranja tehnoloških procesa, ogleda se upravo u razvoju pomenutih inteligentnih sustava. Prvi korak je već učinjen razvojem sustava na bazi tabela odlučivanja, koje neki autori smatraju prethodnicom ekspertnih sustava.

Takođe, u posljednje vrijeme ulažu se ogromni napori u razvoju ekspertnih sustava za generiranje tehnoloških procesa. Pošto i sustavi na bazi tabela odlučivanja i ekspertni sustavi spadju u domen umjetne inteligencije i inženjering znanja, za bolje razumjevanje načina rada ovih sustava potrebno je dati neke osnove iz tog domena.  

Umjetna inteligencija i znanjePojam umjetne inteligencije pojavio se u upotrebi prvi put sredinom ovog vijeka. Na razvoj umjetne inteligencije i na način istraživanja u tom područiju snažno je utjecao veliki napredak u tehnologiji i računarskoj tehnici u posljednih tridesetak godina. U tablici 1. daje se prikaz povjesti umjetne inteligencije. Kao što je vidljivo mogu se uočiti veze između ključnih događaja u razvoju informatičke i računalne tehnologije, i pravaca razvoja i dostignuća u područiju primjene umjetne inteligencije.Šezdesetih godina dvadesetog vijeka razvoj umjetne inteligencije je karakterizao tzv. hard-pristup, tj. kruto postavljeni ciljevi i pretpostavljeni ciljevi i pretpostavljene mogućnosti umjetne inteligencije da će računala riješavati generalno postavljene probleme i da će računala u doglednoj budućnosti potpuno zamijeniti i potisnuti čovjeka, kao glavnog nosioca riješavanja problema.

Međutim, nakon izostanka očekivanih rezultata, već početkom sedamdesetih godina istraživanja u području umjetne inteligencije ograničavaju se na prikupljanje, formaliziranje, pohranjivanje u računalo, i rad sa ljdskim znanjem uz pomoć računala. Takav pristup je poznat pod nazivom soft-pristup. Dakle iz ovoga proizilazi da je umjetna inteligencija (Artificial Intelligence AI, Kunsttliche Intelligenz KI) znanstvena disciplina koja se bavi proučavanjem i formaliziranjem ljudskih sposobnosti razmišljanja.

PERIOD FAZA KLJUČNI DOGAĐAJI do 1940 "Prapovjest" - razvoj formalne logike

- razvoj kognitivne psihologije

 45 - 55 Koncepcija - razvoj računala

- razvoj kibernetike

55 - 60 Počeci - jezici obrade informacija

- simboličko programiranje

61 - 70 Preorijentacija - DENDRAL

- dokazivanje teorema

- robotika

- heuristika

- LISP

71 - 77 Prvi uspjesi - META - DENDRAL

- MYCIN

- IF - THEN formalizmi

- inženjering znanja

77 - 81 Izgradnja sustava na bazi znanja

- EMCIN

- PROSPECTOR, ROSIE, R1, OPS5,..

82 - 88 Industralizacija - ESPRIT, EUREKA

- KEE, ESE, HP, DEC, IBM

89 - Navala na primjenu - razvoj računala 5. generacije

- masovna pojava ekspertnih sustava opće namjene

na tržištu

Tek krajem sedamdesetih i početkom osamdesetih godina, razvojem baza znanja i sustava zasnovanih na bazama znanja, nastupio je kvalitetan napredk u oblasti umjetne inteligencije. Na tržištu se pojavljukju komercijalni ekspertni sustavi (EMCIN, KEE, ESE,...), a priozvođači računalne tehnike ulaze u trku za osvajanje još uvijek gladnog tržišta za ovim proizvodima. Poseban doprinos razvoju umjetne inteligencije krajem osamdesetih godina daju zajednički evropski projekti ESPIRT i EUREKA, i japanski projekat razvoja pete generacije. Sustavi umjetne inteligencije omogućavaju manipuliranje simboličkim informacijama, a obrada numeričkih podataka je u drugom planu. Dok se kod numeričkih obrada procesi manipuliranja nazivaju sračunavanjem (computing), manipuliranja simbolima se nazivaju rezonovanjem (reasoning). Sama oblast umjetne inteligencije izdijeljena je na šire podoblasti koje su obojene specifičnosti primjene ili okruženja primjene.

U oblasti umjetne inteligencije posebno je uočljiv razvoj sustava koji se zovu inteligentni sustavi, odnosno sustavi bazirani na znanju, a označavaju sustave koji se kreiraju primjenom metoda i tehnika umjetne inteligencije. To su sustavi koji se u promjenljivom okruženju ponašaju razumno, pa bi se moglo zaključiti da iza takvog ponašanja stoji znanje, iskustvo ili čak i inteligencija. Najbolja ilustracija za razumno ponašanje su živa bića, kao što je čovjek. Sve ostalo su vješte imitecije ponašanja živih bića. Pokušaji da se u računalnom domenu stvore programi ili programska okruženja koja omogućavaju emulaciju inteligentnog ponašanja, nazivaju se istraživanja umjetne inteligencije. Prema tome, pored ranije navedene definicije, za umjetnu inteligenciju može se reći da je to znanstvena disciplina koja se odnosi na projektiranje inteligentnih sustava, odnosno sustava baziranih na znanju, u koje, kako je već rečeno, spadaju sustavi na bazi tabela odlučivanja i ekspertni sistemi.

Značenje izraza znanjeIzuzetni uspjesi ljudi-eksperata na riješavanju problema iz njihovog domena rada presudno su određeni njihovim znanjem. Ekspert je, kako kaže F.L.Wright, čovjek koji je prestao da misli - on jednostavno zna. Iz ove konstatacije usvaja se uvjerenje da uprao znanje inteligentnog sustava predstavlja njegovu suštinsku vrijednost, dok sheme zaključivanja i formalizmi predstavljanja znanja, tj., način na koji se znanje ulaže u sustav, samo osiguravaju mehanizme za upotrebu znanaja. Prihvatajući to uvjerenje, moglo bi se reći da je znanje i nužan i dovoljan uvjet za razvoj jednog inteligentnog sustava. U pokušaju definiranja izraza znanja, neki autori su skloni da informaciju poistovjete sa znanjem ili da značenje jednog od ta dva izraza odrede pomoću onog drugog. Na primjer, prema definiciji koju je dao B.Langefors, informacija je prirast znanja. Ali pošto ne postoje argumenti i opravdanja za poistovjećivanje informacija i znanja, neophodno je razjasniti sam pojam znanja, a pod predpostavkom da je pojam informacije jasan.

Odgovor na pitanje:"Šta je znanje?" ne moži biti odlučan. Do 60-tih godina vladalo je neosporavano shvatanje da je znanje opravdano istinito vjerovanje. Osoba A zna p ako i samo ako: (1) A vjeruje u p(2) p je istinito, i(3) A ima adekvatno svjedočanstvo za p . Zatim su uslijedili pokušaji da se pokaže da (1) nije nužan uvjet znanja i da (2) i (3) nisu dovoljan uvjet znanja. Od toda rasprave traju, a znatan broj znanstvenika osporava uspješnost navedenih pokušaja, pa koncepciju znanja kao relativno istinitog uvjerenje, prihvaćenog na temelju stroge i nepristrasne procjene vrijednosti i relevantnosti svjedočanstva, mnogi mislioci smatraju prihvatljivom. U ovisnosti od nekoliko kriterija za razvrstavanje postoji više vrsta znanja. To su:- zdravorazumsko i znanastveno,- teorijsko i empirijsko, - individualno i socijalno,- eksplicitno i implicitno ("tacit knowledge"),- subjektivno i objektivno,- predhodno i novo (know-how i know- what),- deklarativno i proceduralno, i dr.

Osnovne procedure koje su u domenu umjetne inteligencije, odnosno inženjering znanja, vrše sa znanjem i nad znanjem su:- crpljenje (akvizicija ) znanja,- predstavljanje (formalizacija) znanja, i- pretraživanje (manipuliranje) znanja.To je ujedno i osnova za projektiranje i funkcioniranje sustava na bazi znanja. 

Crpljenje znanjaSvrha crpljenja znanja od eksperta u odabranom domenu je da se postigne što potpuniji i točniji opis tog znanja, kao i opis načina na koji se ekspert koristi svojim znanjem pri rješavanju problema u po pravilu nepotpuno sagledanim, nedovoljno jasnim i neizvjesnim uvjetima u tom domenu ekspertize.

Crpljenje znanja od eksperta je vrlo težak zadatak jer je individualno znanje složeno, podrazumjeva predpostavke, nagađanja vjerovanja, a na njegovo sticanje, provjeravanje, razvijanje i korištenje utiču mnoštvo saznajnih i vansaznajnih procesa i stanja ličnost eksperta, kao i mnogobrojni i raznovrsni uvjeti okoline. Teškoće crpljenja znanja su raznorodne. To što ne raspolažemo dovljnim znanjem o samom znanju jedan je od najznačajnijih izvora teškoća u crpljenju znanja. Zatim, poznato je da čovjek ne samo što zna, već i zna da zna, ali to ne znači da on ima i zadovoljavajuću osjetljivost za mjeru znanja koju posjeduje. O toj neosjetljivosti svjedoči činjenica otkrivena psihološkim istraživanjima, da se povjerenje eksperata u rješenje mijenja sporije od težine zadatka koji rješavaju. Nesumnjivo je, dalje, da je crpljenje neizrecivog znanja (tacit knowledge) od eksperta veoma teško postići, a u mnogim slučjevima, zbog nedokučivosti tog znanja, nemoguće. Osim toga ima vrijednih razloga za uvjerenje da se individualno znanje ne može bez ostatka, neokrunjeno otuđiti od osobe i da se pri crpljenju znanja od eksperta neizbježno izostavljaju neki osobni, saznajni i vansaznajni faktori tog znanja, pa bi se prije moglo reći da je ono što se inženjeringom znanja iscrpi od ekspert "znanje minus osoba", nego da je to znanje.

Važno je istaći i pretpostavku na koju upućuje dosta autora a to je da proizvodi procesa sticanja znanja o kojima je ovdje riječ, nisu samo znanja, već samo modeli znanja, i da u baze nisu uložena samo znanja nego njihovi modeli. 

Metode i tehnike crpljenja znanjaPostoje dva osnovna pristupa u crpljenju znanja od eksperata, a to su:a) Ispitivanje eksperata ib) Promatranje eksperta na dijeluU prvu grupu spadaju metode i tehnike kao što su:- intervjui,- upitnici,- skale procjenjivanja,- repertoarske rešetke,- tehnika kritičnih događaja,- tehnika uparivanja karakteristika i odluka,-razlikovanje ciljeva,- reklasifikacija itd.

Repertoarske rešetke

Prema shvatanju G.A.Kelly- koji je razvio ovu tehniku u području psihologije osobe, osoba ima svoj osobni teorijski obrazac svijeta. Ona predviđa i nadzire procese i događaje izgrađujući teorije, provjeravajući sve hipoteze i vrednujući iskustveno svjedočanstvo. U nastojanju da se dokuči, analizira i predstavi gledište eksperta o određenom problemu ekspertize, upotrebljavaju se repertoarske rešetke sačinjene od elemenata i konstrukata. Elementi su ključni primjeri koje daje ekspert, a konstrukti su bipolarne karakteristike koji svaki element ima u nekoj mjeri. Elementi se ocjenjuju, opisuju i uspoređuju s obzirom na stupanj u kojem posjeduju svaki konstrukt. U tom procjenjivanju se često upotrebljavaju skale procjenjivanja. Da bi se razvila rešetka kojom bi gledište eksperta na određeni problem ekspertize bilo relativno adekvatno predstavljeno, neophodno je prethodno izričito odrediti dati problem i jasno postaviti ciljeve analize.

Ekspert potom uzima u obzir odgovarajuće elemente i konstrukte, procjenjuje i upoređuje elemente s obzirom na odabrane konstrukte, odstranjuje neodgovarajuće elemente i konstrukte koji nisu dovoljno validni, uvodi nove, mijenja procijenjene vrijednosti za pojedine konstrukte i elemente, sve do konačnog uobličenja rešetke za koju smatra da vjerodostojno predstavlja njegovo viđenje razmatranog problema.

Za analiziranje podataka dobivenih ovom tehnikom uobičajeno se koristi faktorska analiza i klasterska analiza. Faktorska analiza omogućava proučavanje strukture skupa konstrukata, odnosno elemenata s obzirom na to kako je njihova varijansa objašnjena nekim skupom dimenzija (faktora) koje leže u njihovoj osnovi.Klasterska analiza dopušta grupiranje konstrukata, odnosno elemenata u podskupove (klastere) na temelju njihovih međusobnih odnosa. Klasterska analiza je veoma podesna za otkrivanje odnosa obrazaca i oblika u repertoarskoj rešetki koji privlače usredsređenu pažnju eksperta na čvorna, ključna mjesta, čime se potpomaže pronicanje u njegovo dubinsko znanje i dokučivanje općih načela kojima se on koristi u rješavanju problema.

Ova tehnika se smatra veoma pogodnom za stjecanje znanja pojmova i odnosa.

Tehnika kritičnih događajaPotiče iz područja primjenjene psihologije, a razvio ju je J.Flanagan. U njenoj primjeni na crpljenje znanja, od eksperta se traži da potanko opiše teške, značajne i zanimljive slučajeve iz svog iskustva, kao svoje ponašanje, doživljavanje i osjećanja u tim slučajevima. Naročitu pažnju u evociranim mislima i ponašanju eksperta zaslužuje ono što je prethodno vodilo uspješnom ili neuspješnom rješenju datog problema. Metoda opisivanja teških i zanimljivih slučajeva smanjuje izglede da se prenebregnu i izostave neke bitne pojedinosti koje se pri opisivanju tipičnih slučajeva lakše zanemaruju, potrebno je imati na umu da su teški i zanimljivi slučajevi netipični uzorak osnovnog skupa slučajeva i da se informacije dobivene o njima moraju obazrivo tumačiti i uopćavati . Ova tehnika je podesna za sticanje znanja činjenica i heuristika.

Tehnika uparivanja karakteristika i odlukaEksperti često nisu u stanju da verbaliziraju pravila nagađanja, heuristike kojima su vođeni u rješavanju problema. Tehnika uparivanja karakteristika i odluka takve zahtjeve i ne postavlja. Od eksperta se traži da navede skup mogućih značajnih karakteristika problemske situacije i skup mogućih odluka, a potom da upari podskupove karakteristika sa odgovarajućim odlukama. Na taj su način umjesto izričito, pravila izražena prećutno. Njih podrazumjeva odgovarajuće uparivanje karakteristika i odluka.Ova tehnika je prikladnija za doznavanje strukturalnog, nego za doznavanje dinamičkog aspekta rješavanja problema. Razlikovanje ciljevaPošto u obavljanju nekog zadatka i riješavanja nekog problema postoje konačni cilj, kao i posredni i neposredni ciljevi, moguće je zamisliti cjelokupnu hijerarhijsku strukturu ciljeva u obavljanju datog zadatka. Od eksperta se zahtijeva da za neki identikofani cilj u takvoj strukturi navede skupove nužnih i dovoljnih razloga za razlikovanje tog cilja od ostalih. Smatra se da se navođenjem takvih svjedočanstava za sve identificirane ciljeve, od konačnog do neposrednih, opisuje prava priroda tih ciljeva i ujedno izgrađuje strukturalni model znanja eksperta o datom problemu.

ReklasifikacijaZa razliku od nekih tehnika crpljenja znanja u kojima ekspert započinje opisivanjem činjenica, karakteristika, simptoma i njihovim postupnim grupiranjem, prilazeći tako konačnom cilju, u reklasifikaciji je smjer obrnut. Polazi se od ciljeva unatrag ka činjenicama, karakteristikama, simptomima. Zadatak je eksperta da svaki pojedinačni cilj rasčlani na podciljeve i reklasifikuje na razloge, odnosno svjedočanstvo za te ciljeve. Time se opći razlozi za ciljeve rasčlanjuju na sve specifičnije svjedočanstvo, sve do opažljivih karakteristika, simptoma i činjenica. Posmatranje eksperta na djeluOpisane metode i tehnike podrazumjevaju da se od eksperta traži da se prisjeti šta je činio ili da zamisli kako bi postupio pri riješavanju određenog problema, a ova metoda je usresređena na ono što ekspert čini u aktuelnoj situaciji. Riječ je o posmatranju eksperta dok stvarno riješava neki ozbiljan slučaj u životnoj situaciji, ili zamišljeni slučaj u simuliranoj situaciji. Riješavajući stvarni ili zamišljeni slučaj, ekspert može, na zahtijev promatrača, istovremeno glasno razmišljati dajući potrebna razjašnjenja i obrazloženja svojih procjena, odluka i postupaka, ili njegovo radno ponašanje može da bude snimljeno tako da promatrajući snimljeni materijal ekspert naknadno opisuje, tumači, razjašnjava i obrazlaže svoje prosuđivanje, zaključivanje, odlučivanje i postupanje.

Predstavljanje znanja Predstavljanje znanja se može shvatiti kao izgrađivanje stilizovane verzije znanja o nekoj oblasti stvarnosti posredstvom skupa sintaksičkih i semantičkih konvencija, sa ciljem da se tim znanjem izobrazi sama saznata oblast stvarnosti.Osnovni formalizmi koji se upotrebljavaju u predstavljanju znanja su:- matematička logika (iskazni račun i predikatski račun),- semantičke mreže,- vezane trojke objekat-atribut-vrijednost,- frejmovi i- produkcionaa pravila.Na slici 2. su na simbolički način prikazani neki od načina predstavljanja znaja.

Slika 2. Načini predstavljanja znanja metodama umjetne inteligencije

Matematička logikaBool, Frage i Russell su postavili temelje matematičke logike, a njen domen obuhvata iskazni račun i predikatski račun. Međutim, pošto ni iskazni račun niti predikatski račun nemaju širu primjenu u predstavljanju tehnološkog znanja u oblasti umjetne inteligencije, to se neće detaljnije objašnjavati.  Semantičke mrežeSemantička mreža je jedna od najstarijih vrsta predstavljanja znanja kojom se objekti u domenu ekspertize i deskriptori formaliziraju kao "čvorovi", dok se odnosi između njih prikazuju "vezama". Deskriptorima se saopćavaju dodatne informacije o objektima, a one se tiču atributa i vrijednosti. Nekim vezama je predstavljen odnos klasa (slučaj:veza "je"), nekim se identifikuju čvorovi koji su svojstva drugih čvorova (veza "ima"), dok se nekim vezama izražavaju heuristici. Dio mreže može izgledati kao na slici 3.

Slika 3. Semantička mreža

Ovo je mreža koja koristi hijerarhijsku kategoriju relacija, gdje objekat niže razine (ureznica) nasljeđuje osobine objekta nadređene razine (radni komad), tako da nije potrebno u mreži ponovo predstavljati da "ureznica je cilindar" Smatra se da su semantičke mreže vrlo podesne za predstavljanje taksonomskih znanja i da je taj način predstavljanja znanja veoma fleksibilan jer se, prema potrebi, novi članovi i veze lako mogu definirati i uključiti u mrežu. Trojke objekat - atribut - vreijednostPosebni vid upravo opisanog formalizma predstavljanja znanja jeste predstavljanje znanja trojkama objekat-atribut-vrijednost, pri čemu su:- objekti - neki stvarni ili pojmovni entiteti u oblast ekspertize, - atributu - svojstva povezana sa objektima, a- vrijednosti - pojedinačne vrijednosti koje atributi mogu uzimati.Primjer ovog formalizma dat je na slici 4.

Slika 4. Trojka objekat-atribut-vrijednost

FrejmoviFrejm je izraz koji je predložio M.Minsky za označavanje načina opisivanja nekog objekta ili pojave. To je opis objekta koji sadrži slotove za sve informacije povezane sa datim objektom. Drugim riječima, ovaj formalizam predstavljanja znanja povezuje objekat sa nekim skupom osobenosti od kojih je svaka smještena u slotu. Slot je komponenta u sustavu frejma, a osobenosti koje su u njemu smještene mogu da budu: činjenice, pravila, atributi, procedure, vrijednosti, i dr,.Frejmovi za objekte Radni komad i Ureznica predstavljeni su na slici 5.

Slika 5. Primjeri frejma

Frejm se može shvatiti kao skup slotova povezanih sa nekim objektom. Slot nekog frejma može sadržati i ime nekog drugog frejma sa ukazivanjem na ime odnosa koji povezuje ta dva frejma, pa se tako može razviti mreža frejmova nalik na semantičku mrežu.

Produkciona pravilaNajčešća forma predstavljena znanja su produkciona pravila koja omogućavaju iskazivanje kauzaliteta na način koji se označava kao modularan i fleksibilan. Tvrdi se da se najveći broj "tipova" znanja i iskustva može prikazati formalizmom produkcionih pravila koja su veoma prirodna i bliska načinu kako čovjek iskazuje iskustvo i znanje. Formalno to znači ovo: ako se od nekoga ko ima iskustva ili zna, prikupi znanje i iskustvo i prikaže se skupom pravila, dobiće se entitet pod nazivom baza pravila ili baza znanja. Ako se nad tim pravilima nadgradi mehanizam za zaključivanje - Inference Engine, već je to sustav koji bi mogao emulirati inteligentno ponašanje. Pod produkcionim pravilima se podrazumjeva način specificiranja preporuka, direktiva ili strategija izraženih implikacijom ( kondicionalnim, hipotetičkim iskazom) pri čemu antecedens i konsekvens mogu biti:a) ako premise, onda zaključak, ilib) ako uvjet, onda akcija.

Na primjer:IF (prečnik radnog komada između 6 i 32mm)AND (postoji četvornik u korjenu drške)AND (tvrdoća HRC = 60)THEN (izvesti operaciju brušenja sa alatom: brus sa mekim vezivnim sredstvom). Manipuliranje znanjemAko je u nekom ekspertnom sustavu znanje o datom domenu ekspertize preobraženo u pravila, mehanizam za zaključivanja ta pravila provjerava u odnosu na raspoloživu zbirku činjenica o aktualnom slučaju. Riječ je zapravo o provjeravanju, koje obavlja dio programa nazvanog mehanizam zaključivanja, upoređivanjem antecedensa sa raspoloživim činjenicama. Ako zbirka raspoloživih činjenica sadrži sve činjenice koje se tvrde antecedensom pravila (drugim riječima, ako je nađeno da je antecedens pravila istinit), izvršava se akcija specificirana konsekvensom pravila. Ta akcija može da bude dvojaka:- njom se može izmjeniti skup raspoloživih činjenica (napr: dodavanjem zaključene nove činjenice), i - konsekvens pravila može sadržati akciju kojom se utiče na vanjski svijet.

Uzastopnim upotrebljavanjem nekog niza pravila na temelju opisanog poređenja antecedensa pravila sa raspoložim činjenicama, može da bude proizveden lanac zaključivanja. Postoje dva osnovna načina posredstvom kojih pravila mogu da budu upotrebljna:- ulančavanje unaprijed (forward chaining), i- ulančavanje unatrag (backward chaining). Ulnčavanje unaprijedNaziv ovog načina upotrebljavanja pravila potiče otuda što se traganje za novom informacijom, stavkom znanja obavlja u smjeru ka konsekvensu pravila, odnosno od premisa ka zaključku. Postupak se odvija tako što se u odnosu na skup raspoloživih činjenica ispituje svako pravilo da bi se utvrdilo da li je antecedens pravila istinit. Ako se ovakvim provjeravanjem utvrdi da je antecedens nekog pravila istinit, onda je, prema validnom deduktivnom logičkom argumentu poznatom pod nazivom "logički argument potvrđivanja antecedensa" ili modus ponens, istinit i konsekvens tog pravila, pa se pravilo upotrebljava (na primjer, dodaje se nova činjenica postojećoj zbirci činjenica).

Ulančavanje unatragZa razliku od ulančavanja unaprijed koje odlikuje smjer od antecedensa ka konsekvensu, odnosno od činjenica sadržanih u premisama ka zaključku, ulančavanje unatrag ima smjer traganja od hipoteze ka činjenicama u premisama. U primjeni ove metode polazi se od onoga što bi trebalo dokazati, pa se nastoji utvrditi činjenice potrebne za to dokazivanje. Drukčije rečeno., ulančavanje unatrag otpočinje nastojanjem da se odredi da li je neku hipotezu predstavljenu kao konsekvens nekog pravila moguće dokazati iz raspoloživih činjenica. postupak se odvija tako što se sustav vraća antecedensu tog pravila sa ciljem utvrđivanja njegove istinitosne vrijednosti. Ali to sustav može voditi daljem razmatranju drugih pravila kojima se može dokazati sam antecedens koji se razmatra. Na taj se način sustav okreće i sve dublje vraća svojim pravilima, ali ne svim i ne bilo kojim, već samo onim koja su relevantna za dokazivanje hipoteze od koje se pošlo i za dokazivanje činjenica potrebnih za dokazivanje te hipoteze. Navedeni primjeri ulančavanja prikazani su na slici 6.

Slika 6. Primjeri ulančavanja

Mješovito ulančavanjeUlančavanje unaprijed zahtijeva uzimanje u obzir svih pravila i raspoloživih činjenica, dok ulančavanje unatrag ne uzima u obzir sva, nego samo ona pravila koja su relevantna za dati cilj. Jedna od osobina ulančavanja unaprijed jeste da ne zahtijeva da se informacije dodaju usmjereno, nekim određenim redosljedom. Protivno tome, ulančavanje unatrag je usmjereno, ono osigurava inteligentne upite, traženje od korisnika specifičnih informacija i obrazlaganje radi čega su one potrebne. Obe navedene strategije imaju neke dobre i neke slabe strane, pa se mješovitom strategijom nastoje iskoristiti prednosti i ujedno ublažiti nedostaci obiju strategija.