Ekspertni Sustavi, AI Seminar

Ekspertni sustavi

Seminarski rad iz kolegija Umjetna inteligencija Fakultet strojarstva i brodogradnje

Luka Drobilo

Ekspertni sustavi

1

Sadržaj

Ekspertni sustavi – pojam ........................................................................................................................ 2

Prednosti ekspertnih sustava .................................................................................................................. 2

Arhitektura ekspertnih sustava ............................................................................................................... 3

Svojstva ekspertnih sustava .................................................................................................................... 6

Inženjerstvo znanja .................................................................................................................................. 8

Prikupljanje znanja .......................................................................................................................... 9

Razlika od konvencionalnih programa .................................................................................................. 10

Baze pravila ........................................................................................................................................... 11

Ulančavanje ........................................................................................................................................... 12

Ulančavanje unaprijed ................................................................................................................... 12

Ulančavanje unatrag ...................................................................................................................... 13

Koju metodu koristiti? ................................................................................................................... 14

Primjena ................................................................................................................................................ 14

Primjer: Ekspertni sustav inteligentnoga dizelskog motora .................................................................. 15

Zaključak ................................................................................................................................................ 18

Literatura ............................................................................................................................................... 19

Ekspertni sustavi

2

Ekspertni sustavi – pojam

Ekspertni sustav (ES) je program koji je projektiran tako da svojim modelom oponaša

sposobnosti rješavanja problema ljudskog eksperta u nekom području.

Pod ekspertnim sustavima podrazumijeva se uspostavljanje dijela vještine nekog eksperta

unutar samog računala i to u takvom obliku da sustav može ponuditi inteligentan savjet ili donijeti

inteligentnu odluku o operaciji koja je u tijeku. Ekspertni sustav posjeduje i karakteristiku da na

zahtjev izloži svoju način razmišljanja tako da direktno obavještava korisnika koji postavlja pitanje.

Drugim riječima, ekspertni sustav je inteligentni računalni program koji koristi znanje i

postupke zaključivanja u procesu rješavanja problema i to takvih problema za čije je rješavanje

potreban visok stupanj stručnosti i iskustva iz područja kojima je ekspertni sustav namijenjen. Naziv

ekspertni potječe upravo od toga što se ovi sustavi ponašaju kao vrhunski stručnjaci (engl. expert) na

svom području. Njegovu osnovu čini poseban software koji modelira one elemente čovjekovog

rješavanja problema za koje se smatra da čine čovjekovu inteligenciju: zaključivanje, prosuđivanje,

odlučivanje na osnovu nepouzdanih i nepotpunih informacija i tumačenje svog ponašanja.

Ekspertni sustav mora omogućiti tri osnovna zadataka inženjerstva znanja:

prezentacija i memoriranje velike količine znanja problemskog pobručja u računalo

aktiviranje korištenja znanja problemskog područja za rješavanje problema

odgovor na korisnikovo pitanje Dvije stvari se prije svega modeliraju u ekspertnom sustavu: znanje eksperta i njegovo

zaključivanje. Zato se ekspertni sustav među ostalim sastoji i od baze znanja i sustava zaključivanja

(inference engine). Znanje koje nam ekspert pruža može se predstavljati činjenicama, pravilima,

konceptima ili relacijama. Način i problem njegovog predstavljanja je reprezentacija znanja, dok način

i problem zaključivanja na osnovu baze znanja i zadatih upita je pitanje tehnike zaključivanja. Ekspert

je često neophodna osoba u mnogim organizacijama, i postavlja se onda pitanje zašto ga uopće

pokušavati zamijeniti strojem? Prije svega, donekle slično zamjeni nekih ljudi i njihovih poslova

strojevima tijekom industrijske revolucije, ekspertni sustav može biti koristan kao pomoć kada čovjek

nije raspoloživ ili jednostavno kao alat koji olakšava posao i omogućava automatizaciju nekih

postupaka, radi sa većim stupnjem formalizma koji isključuje mogućnost greške ili slabosti zbog

ljudskog faktora i sl. Postoji i jedna dodatna prednost ‐ znanjem kao općim dobrom ili kapitalom neke

organizacije se lakše upravlja, lakše se prenosi i primjenjuje jer ne ovisi u toj mjeri od pojedinca ‐

eksperta ako se koristi ekspertni sustav. Gotovo da i nema područja ljudskih djelatnosti gdje nije

napravljen neki ekspertni sustav i uspješno primijenjen, a njihov broj i dalje geometrijski raste.

Prednosti ekspertnih sustava

Ekspertni sustavi posjeduju niz korisnih svojstava:

Povećana dostupnost – stručnost je dostupna na svakom računalu primjerenih

performansi, moglo bi se zapravo reći da je ekspertni sustav jedan način masovne

proizvodnje stručnosti.

Ekspertni sustavi

3

Snižena cijena – Cijena pružanja stručnosti po korisniku je znatno snižena.

Povećanje sigurnosti – Ekspertni sustavi mogu biti korišteni u okruženjima koja mogu

biti potencijalno opasna po ljudsko zdravlje.

Trajnost – Stručnost je trajna. Zarazliku od ljudskih stručnjaka koji mogu otići u

mirovinu, dati otkaz ili umrijeti, znanje i stručnost ugrađeni u ekspertni sustav ne

posjeduju rok trajanja.

Višestruka stručnost – Pomoću ekspernih sustava znanje većeg broja stručnjaka može

biti iskorišteno da istovremeno i neprekidno radi na rješavanju problema u bilo koje

doba dana i noći. Razina stručnosti većeg broja stručnjaka znanjem i opširnošću znatno

nadmašuje znanje samo jednog stručnjaka.

Povećana pouzdanost – Ekspertni sustavi povećavaju pouzdanost u donošenje pravilne

odluke pružajući drugo mišljenje ljudskom stručnjaku ili mogu pomoći u donošenju

odluke u slučaju kada se veći broj ljudskih stručnjaka ne može usuglasiti oko rješenja.

Naravno ova metoda vjerojatno nije primjenjiva ako je jedan od tih stručnjaka

programirao sam ekspertni sutav budući bi se, ukoliko stručnjak nije počinio nekakvu

pogrešku, ekspertni sustav uvijek trebao slagati sa stručnjakom na bazi čijeg znanja je

oformljen.

Objašnjavanje – Ekspertni sustav može eksplicitno u detalje objasniti razmišljanje koje

ga je dovelo do nekog zaključka. Ljudski stručnjak bi možda bio preumoran, u

nemogućnosti ili bi nevoljko to radio cijelo vrijeme i uvijek kada je potrebno. Ovo

povećava pouzdanje u ispravnost donesene odluke.

Kratko vrijeme reakcije – Brza ili reakcija u stvarnom vremenu može nekad biti

krucijalna za neka područja primjene. Ovisno o korištenom softwareu i hardwareu,

ekspertni sustav može odgovarati na upite brže i spremnije od ljudskog stručnjaka.

Neke hitne situacije možda zahtjevaju reakciju bržu nego što ju je ljudski stručnjak u

mogućnosti pružiti pa se u takvim slučajevima ekspertni sustavi sa reakcijom u

stvarnom vremenu nameću kao dobro rješenje.

Uravnotežene, kompletne reakcije bez prisutstva osjećaja – Ovo svojstvo je

potencijalno izrazito bitno u stvarnim stresnim situacijama ili hitnim slučajevima kada

ljudski stručnjak možda nije u mogućnosti djelovati pri vršnoj učinkovitosti kao

posljedica stresa ili umora.

Inteligentni sustav za učenje – Ekspertni sustav može se koristiti i kao inteligentni

sustav za učenje koji omogućava učeniku pokretanje i proučavanje primjera te ujedno i

objašnjava način razmatranja sustava prema datim primjerima.

Inteligentna baza podataka – Ekspertni sustavi mogu biti korišteni za pristup bazi podataka na inteligentan način.

Arhitektura ekspertnih sustava

Temeljna konfiguracija ekspertnih sustava uključuje tri glavna dijela:

baza znanja (engl. Knowledge Base – KB)

mehanizam zaključivanja (engl. Inference Mechanism ili Inference Engine – IE)

korisničko sučelje (engl. User Interface – UI)

Ekspertni sustavi

4

Slika 1

Baza znanja je baza činjenica i heuristika pridruženih problemu u području za koje je

namjenjen ekspertni sustav. Baza znanja uključuje činjenice, relacije između činjenica i moguće

metode za rješavanje problema u području date aplikacije. U predstavljanju znanja koriste se tzv.

proizvodna pravila (IF ‐ THEN), okviri i semantičke mreže. Prikupljanje znanja vrši se intervjuiranjem

stručnjaka i tzv. strojnim učenjem.

Mehanizam zaključivanja je software sposoban na osnovu pravila iz baze znanja shvatiti

informacije iz baze znanja i na osnovu toga izvoditi zaključke. On funkcionira na taj način da činjenice

iz baze znanja kombinira sa informacijama dobivenim od korisnika u cilju izvođenja specifičnih

zaključaka. Pri radu se koriste kontrolne strategije koje odlučuju u kojem trenutku treba primjeniti

neko od pravila iz baze znanja na nove činjenice dobivene tijekom konzultiranja sa korisnikom. Na taj

način se simulira ljudsko razmišljanje. Postoje dvije osnovne procedure zaključivanja, odnosno

rezoniranja:

zaključivanje koje počinje s tzv. potvrđenim pronalascima i djeluje unaprijed da

pronađe zaključak, tzv. zaključivanje vođeno podacima (engl. Forward chaining)

zaključivanje koje počinje s hipotezom i djeluje unatrag prema lako potvrđenim

pronalascima, tzv. zaključivanje vođeno ciljem (engl. Backward chaining)

Korisničko sučelje je dio koji omogućava dijalog između donosioca odluke (korisnika) i sustava, služi za unos i prikaz podataka, prezentira moguće odluke, prikazuje informacije, pitanja, odgovore te odvraća korisnika da unosi greške. Sa jedne strane omogućava korisniku da tijekom rada sustava dostavi informacije koje sustav iz baze znanja nije uspio dobiti, a sa druge strane omogućava korisniku da za svaku odluku ekspertnog sustava zatraži dodatno objašnjenje o tome koji su ga zaključci vodili da donese takvu odluku odgovaranjem na pitanja “zašto'' i “kako”.

Ovakav sustav u teoriji umjetne inteligencije naziva se “zaključivanje na temelju pravila” (engl.

Rule‐based Reasoning). Ekspertni ili na znanju temeljeni sustavi jedan su od uspješnih područja iz područja umjetne inteligencije. Više od 25 godina je prošlo od realizacije prvih ekspertnih sustava (DENDRAL, MYCIN i PROSPECTOR). Arhitektura ekspertnih ili na znanju temeljenih sustava nije

Ekspertni sustavi

5

značajnije mijenjana i više je poznatih problema u njihovu razvoju: prikupljanje znanja vrlo je težak i dugotrajan proces, implementacija i uspješno korištenje ovakvih sustava zahtijeva visoku stručnost i iskustvo, implementirani ekspertni sustavi često su spori i teški za održavanje. Uz tri navedena osnovna dijela, ekspertni sustavi sadrže i bazu podataka čime se mogućnosti sustava znatno proširuju i povećavaju.

Slika 2

Suvremeni ekspertni sustavi imaju mogućnost prikupljanja znanja i učenja. Na slici 3 prikazana je puna konfiguracija ekspertnog sustava koji uz temeljnu konfiguraciju i bazu podataka sadrži razvojni dio i modul za učenje. Razvojni dio ekspertnih sustava zadužen je za prikupljanje znanja koje je moguće tzv. strojnim učenjem ili preuzimanjem znanja od stručnjaka. Prikupljanje znanja kod ovakvih sustava u svakom je slučaju vrlo teško i zahtijeva tzv. eksperte za prikupljanje znanja. Modul za učenje u suvremenim ekspertnim sustavima važan je dio koji omogućuje tzv. samoučenje sustava. Glavni problemi ekspertnih sustava jesu nedostatak tzv. dubokog znanja, zatim točnost rezultata i skupo učenje. Nedostatak “dubokog znanja” ustvari znači čest nedostatak uskih specijalističkih znanja za uspješno rješavanje problema. Proces objašnjenja postupka zaključivanja također je često nerazumljiv. Točnost rezultata često može biti upitna. Ovo je ozbiljan problem, posebno u rizičnim područjima kao što je upravljanje zračnim prometom, upravljanje nuklearnim pogonima, vojnim sustavima itd. Učenje temeljeno na iskustvu je oskudno. Proces zaključivanja nije predmet unapređenja tijekom korištenja ekspertnih sustava.

Ekspertni sustavi

6

Slika 3

Svojstva ekspertnih sustava

Srce svakog ekspertnog sustava je znanje akumulirano u procesu izgradnje tog sustava.

"Znanje" ekspertnog sustava čine činjenice i heuristika (iskustvo i osjećaj za izbor rješenja).

Činjenice čine glavni dio podataka o prirodi sustava, njegovim aktivnostima i ciljevima koje

sustav ostvaruje kroz te aktivnosti. Određene pojave i manifestacije regularnog i neregularnog stanja

u sustavu imaju svoje uzroke i posljedice i također se opisuju skupovima podataka. Svi ovi podaci

uglavnom mogu biti raspoloživi, dokumentirani i verificirani u domeni ekspertnog sustava.

Heuristiku čine vlastita pravila rasuđivanja i vještina u izboru i donošenju odluka kojima se

utjče na promjenu stanja sustava. Ona je uglavnom slabo dokumentirana i osobina je vrhunskih

specijalista za područje za koje se ekspertni sustav kreira. Nivo performansi ekspertnog sustava je

prije svega funkcija veličine i kvalitete baze znanja tog sustava u kojoj su objedinjene činjenice i

heuristika, a ne određenog formalizma zaključivanja i postupka koji se koriste u pretraživanju

činjenica.

U principu razlikujemo dva tipa znanja:

eksplicitno znanje – znanje dato u pisanoj ili drugoj prijenosnoj formi i nalazimo ga

u knjigama, časopisima i sl. Ovo znanje je obično prihvaćeno kao univerzalno točno.

Ekspertni sustavi

7

implicitno znanje – heurističko znanje, ono znanje koje čovjek ekspert gradi na

osnovu iskustva i koje, kombinirano sa prvim tipom znanja čini čovjeka ekspertom.

Znanje je dostupno i može se prenositi putem knjiga i lekcija.

Slika 4

Važno svojstvo ekspertnog sustava je ekspertiza visokog nivoa koju osigurava kao pomoć u

rješavanju problema. Ta ekspertiza predstavlja najbolja razmišljanja vrhunskih eksperata u datom

području, sakupljena i ugrađena u program tako da u postupku rješavanja problema mogu dovesti do

preciznih i efikasnih rešenja.

Mogućnost predviđanja je svojstvo koje potječe iz mogućnosti da se ekspertni sustav koristi

kao model za rješavanje problema u datom području koji će, kao takav, davati odgovore na zadane

probleme i pokazivati kako će se ti odgovori mijenjati ovisno o novim situacijama.

Cjelokupno znanje ugrađeno u ekspertni sustav prikupljeno je kroz interakciju sa ključnim

osobljem u nekoj službi, odjelu ili području, tako da ono oslikava i tekuću politiku i način rada te

grupe. Na taj način, ova skup znanja postaje trajni zapis usklađenih najboljih metoda i postupaka koje

ti ljudi koriste pri rješavanju problema. I kad ti ljudi odu iz određene firme ovo znanje će ostati

sačuvano. Ovo je veoma važno u poslovnim sistemima, a kritično u vojsci i državnim ustanovama

zbog čestih premještaja i izmjene kadrova. Prikupljeno znanje je na taj način postalo institucionalna

memorija, koja ublažava (iako nikad ne može potpuno ukloniti) nedostatke proistekle iz čestih

fluktuacija ljudi.

Još jedno važno svojstvo svakog ekspertnog sustava je i mogućnost obučavanja. Ekspertni

sustav može biti oblikovan tako da omogući obuku novih kadrova. Oni već imaju određena znanja i

sposobnosti i potrebno je na njih prenijeti znanje i iskustvo prikupljeno i sačuvano u bazi znanja u

vidu institucionalne memorije. Neophodno je da program posjeduje mogućnost tečnog, prijateljskog

dijaloga sa čovjekom, kao i ugrađene metode učenja. Ekspertni sustav može biti podešen kako za

obuku stručnih ljudi, tako i za uvođenje u posao tek pridošlih početnika.

Ovisno o sustavu, načini objašnjavanja i razlaganja donesenih odluka mogu biti jednostavni ili

složeni. Jednostavni sustavi u pravilu samo navode činjenice koje su ih zaključivanjem doveli do

posljednjeg izvedenog pravila. Složeniji sustavi su sposobni učini i nešto od sljedećeg:

Ekspertni sustavi

8

Navesti sve razloge za i protiv određene hipoteze – Hipoteza je cilj koji treba biti

dokazan, pa tako kao primjer možemo uzeti zaključak medicinskog ekspertnog

sustava: “pacijent boluje od tetanusa”. U stvarnom problemu može postojati veći

broj hipoteza isto kao što i pacijent može imati više bolesti istovremeno. Na hipotezu

se također može gledati kao na činjenicu u čiju se istinitost sumnja i koja mora biti

dokazana.

Navesti sve hipoteze koje mogu objasniti dostupne dokaze

Objasniti sve posljedice hipoteze – Primjerice, ako pretpostavljamo da pacijent

boluje od tetanusa na njemu bi također trebali biti prisutni znakovi vrućice kako

infekcija napreduje. Ako su ovi simptomi stvarno prisutni oni dodaju na sigurnosti da

je hipoteza ispravna. Ako simptomi nisu prisutni sigurnost u točnost hipoteze se

smanjuje.

Dati prognozu ili predviđanje što će se dogoditi u slučaju da je hipoteza ispravna

Opravdati pitanja koja program postavlja korisniku kako bi dobio dodatne

informacije – Ova pitanja mogu biti korištena kako bi se usmjerio način razmišljanja u

smjeru vjerojatnih dijagnostičkih pravaca. U većini realnih problema razmatranje svih

mogućnosti je preskupo i traje predugo tako da je potrebno osigurati neki način

navođenja potrage prema točnom rješenju. Primjerice možemo razmotriti koliko bi

sredstava i vremena potrošili a kakvi bi bili efekti primjenivanja svih mogućih

medicinskih ispitivanja na pacijenta koji se žali na bol u grlu.

Opravdati znanje programa – Recimo da program tvrdi kako je hipoteza “pacijent

boluje od tetanusa” točna, korisnik bi od sustava mogao zatražiti objašnjenje.

Program bi mogao opravdati ovaj zaključak prema pravilu koje mu govori da ako

rezultati krvnog testa pokazuju da je pacijent pozitivan na tetanus, onda on stvarno i

boluje od tetanusa. Tada bi korisnik od sustava mogao zatražiti da opravda i to

pravilo na što bi on mogao odgovoriti kako je pozitivan krvni test dokaz bolesti.

Inženjerstvo znanja

Sveukupnost procesa izgradnje ekspertnog sustava naziva se inženjerstvo znanja, time se

obuhvaća skup metoda i postupaka koje se odnose na prikupljanje, računalno predstavljanje i

memoriranje, kao i upotrebu ljudskog znanja u rješavanju složenih problemskih situacija. Taj proces

uključuje posebnu vrstu interakcije između graditelja ekspertnog sustava, koga zovemo inženjer

znanja i jedne ili više osoba koje su eksperti u određenom problemskom području za koje se

ekspertni sustav izgrađuje.

Inženjer znanja od eksperata "vrši ekstrakciju" njihovih procedura, strategija i postupaka za

rješavanje problema i ugrađuje to znanje u ekspertni sustav. Rezultat procesa je skup programa koji

rješavaju probleme u datom području na način na koji to radi čovjek‐ekspert.

Kao što je prikazano na sljedećoj slici, u proces izgradnje ekspertnog sustava uključeni su:

ekspert, inženjer znanja i korisnik. U cijelom poslu važno mjesto zauzima i alat za izgradnju

ekspertnog sustava a ne smije se zaboraviti ni sam ekspertni sustav.

Ekspertni sustavi

9

Slika 5

Ekspert je osoba koja je stekla reputaciju u svojem području zbog stručnih sposobnosti

kvalitetnog rješavanja problema. On koristi svoje znanje, sposobnosti i vještine stečene kroz bogato

iskustvo kako bi skratio proces pronalaženja rješenja. Znanje eksperta je nadgradnja znanja koje se

može dobiti čitanjem knjiga. On ne može uvijek objasniti razloge svoje odluke, ne zato što ih ne želi

objasniti, već zato što se kroz svoje odluke vodi intuicijom. On isto tako vjerojatno zna mnogo više

nego što je svjestan. Ekspertni sustav treba obuhvatiti i objediniti te sposobnosti, vještine i iskustvo

jednog ili više eksperata. Znanje se, naravno, može prikupljati i iz stručnih knjiga i časopisa.

Inženjer znanja je osoba koja poznaje područje računalnih znanosti i umjetne inteligencije te

zna kako se izrađuju ekspertni sustavi. On kroz pitanja i razgovore sa ekspertom od njega prikuplja

znanje, organizira ga, odlučuje kako će ono biti prikazano u sustavu i piše programe, sam ili uz pomoć

drugih programera.

Korisnik je osoba koja koristi ekspertni sustav kad je njegova izrada i učenje gotovo i spreman

je za uporabu.

Osoblje uključuje sve one koji unose podatke u sustav (operateri, pomoćnici i sl.).

Alat za izgradnju ekspertnih sustava je programski jezik koji koristi inženjer znanja i/ili

programer kako bi taj sustav izradio. Pod pojmom alat podrazumjevaju se i svi uslužni programi koji

su na raspolaganju (editori, debugeri, sredstva za izdvajanje znanja, grafika i dr.). Razvijeni su

specijalizirani alati za izradu ekspertnih sustava, koji su nazvani "školjke" (shells). Ovi alati se razlikuju

od konvencionalnih programskih jezika po tome što osiguravaju odgovarajuće načine predstavljanja

složenih koncepata i elemenata znanja.

Prikupljanje znanja

Upravo prikupljanje znanja je usko grlo razvoja ekspertnih sustava jer je često veoma teško

izvesti ovu fazu. Postoje različite tehnike otkrivanja znanja prilagođene različitim tipovima sustava, ali

osnova je razgovor (strukturirani i nestrukturirani intervju) sa ekspertom za što opet postoje

standardni praktični postupci. Nakon prikupljanja informacija od eksperta slijedi analiza sakupljenog

znanja na osnovu čega se izdvajaju važne činjenice i strukture koje pomažu i utječu na daljnji tijek

razvoja sustava. Prikaz gotovih primjera (case studies, retrospektivno proučavanje i promatračko ‐

Ekspertni sustavi

10

uživo) kao šablona kroz koju se može vršiti procjena, demonstracija, i sl. Protokol (pojam kognitivne

psihologije) kao bilješka postupaka koji osoba ili sustav čini da bi rješio problem. Otkrivanje znanja:

Prikupljanje

Interpretacija

Analiza

Razvoj sljedeće sesije

Razlika od konvencionalnih programa

Današnja računala rješavaju zadatke logikom konvencionalnih programa. Programi se sastoje

u osnovi iz dva dijela:

algoritam

podaci

Algoritam određuje kako riješiti određenu vrstu problema koristeći niz točno definiranih

pravila, a podaci karakterizirajuu parametre u konkretnom problemu.

Ljudsko znanje se ne uklapa u ovaj model. Sistemi na bazi znanja razlikuju se od

konvencionalnih programa po načinu organizacije, po tome da je u njih ugrađeno znanje, po načinu

izvršavanja i po efektu koji stvaraju kroz interakciju dijalogom.

Može se dakle reći da je glavna razlika između konvencionalnih programa i ekspertnih

sustava u tome što prvi manipuliraju podacima a drugi znanjem. Ostale razlike prikazane su u tablici 1:

KONVENCIONALNI PROGRAM

EKSPERTNI SUSTAV

predstavlja i algoritamski koristi podatke, ponavljajući proces

predstavlja i heuristički koristi znanje, proces zaključivanja

efikasno manipuliranje velikim bazama podataka

efikasno manipuliranje velikim bazama znanja

znanje i metode korisničkog znanja su pomješani

model rješavanja problema se pojavljuje kao baza znanja a njom upravlja odvojeni dio – mehanizam zaključivanja

(interpreter pravila)

znanje je organizirano u dva nivoa – podaci i program

znanje je organizirano u bar tri nivoa – podaci, baza znanja i mehanizam zaključivanja

u slučaju novog znanja potrebno je reprogramiranje

novo znanje se dodaje bez reprogramiranja, proširivanjem

baze znanja

Tablica 1

Ekspertni sustavi

11

Osim toga, konvencionalni programi su projektirani tako da svaki put daju konkretne

rezultate, dok su ekspertni sustavi projektirani uglavnom da daju korektne odgovore, a imaju i

mogućnost da uče na greškama.

U konvencionalnim programima su implementirani potpuno definirani algoritmi i jasan način

nalaženja rješenja čak i kad se koristi kompleksno grananje, rekurzivne petlje i dr. S druge strane,

poslovi koje obavljaju stručnjaci uglavnom su takvi da ih često nije moguće opisati u algoritamskoj

formi. Stručnjaci ne rade po čvrstom planu već iskustvom i prosuđivanjem odlučuju kako će se dalje

rješavati problem, ne "vide" kompletan postupak rješavanja odmah. Ekspertni sustavi su pak

zasnovani na stručnoj vještini akumuliranoj u bazi znanja tako da su u stanju ponuditi inteligentan

savjet i na zahtjev mogu objasniti svoj način “razmišljanja”.

U konvencionalnim programima, moduli (potprogrami) se međusobno pozivaju po fiksnom, unaprijed

definiranom postupku. U ekspertnim sustavima moduli se ne pozivaju između sebe direktno. Moduli

komuniciraju sa okruženjem podataka. Struktura dozvoljava simultano izvršenje nekoliko modula

(onih koje aktivira trenutno stanje baze podataka).

Baze pravila

Kao što smo već spomenuli, ekspertni sustavi koriste pravila kako bi ispitivali uvjete,

„razmišljali“ i tako donosili odluke o zadanim problemima. Ta pravila se pohranjuju unutar sustava u

bazu pravila, uključene u bazu znanja, koja se pri radu pretražuje i očitava ili modificira te tako

omogućuje rad sustava i daljnji razvoj. Sustav proučava sve uvjete pravila (IF) i određuje podset

pravila u koji su smješteni uvjeti za izvršavanje pravila iz seta pravila. Taj podset se zatim koristi za

uspoređivanje za vrijeme rada i aktivira jedan od uvjeta u njemu. Koji od uvjeta je aktiviran ovisi o

strategiji rješavanja problema. Kada je uvjet aktiviran izvršavaju se operacije određene THEN klauzom

dotičnog uvjeta. Ove operacije mogu promijeniti stanje memorije sustava, modificirati bazu pravila ili

učiniti bilo što drugo što programer odluči uključiti u njih. Taj se lanac uvjeta i zadovoljavanja njihovih

pravila nastavlja sve dok jedan od dva uvjeta nije postignut: nema više pravila čije uvjete treba

zadovoljiti ili je aktivirano pravilo čijom je operacijom definirano prekidanje programa.

Koje pravilo je aktivirano pri rješavanju zadatka ovisi o strategiji rješavanja problema. Odabir

strategije može biti određen samim problemom ili može biti stvar preferencije osobe koja izvodi i

uređuje sustav. U svakom slučaju odabir strategije je izrazito važan budući ona kontrolira koje od

primjenjivih pravila će biti aktivirano te time i kako će se cijeli sustav ponašati. Postoji nekoliko

različitih strategija od kojih su ovdje navedne neke od najčešćih:

Prvo primjenjivo ‐ Ako su pravila pohranjena prema nekom principu, aktiviranje prvog

primjenjivog omogućava kontrolu rasporeda po kojem su pravila aktivirana. Ovo je

najjednostavnija strategija iz koje potencijalno može nastati veliki problem: beskonačna

petlja na jednom istom pravilu. Ukoliko se stanje memorije sustava i/ili baze pravila ne

promijeni tada se ni uvjeti prvog pravila neće promijeniti i ono će stalno iznova biti

aktivirano. Kako bi se riješio ovaj problem uobičajena je praksa omogučivanje prekida tog

pravila i spriječavanje njegovog ponovnog aktiviranja sve dok nisu promijenjeni podaci u

memoriji sustava tako da zadovoljavaju uvjet ili dok sam uvjet pravila nije modificiran.

Ekspertni sustavi

12

Nasumičan odabir ‐ Iako ne pruža predvidljivost i kontrolu strategije prvog primjenjivog

pravila, strategija nasumičnog odabira ima svoje prednosti. Kao prvo njena nepredvidivost

dolazi kao prednost u određenim okolnostima (npr. u igrama). Nasumična strategija

jednostavno odabire jedno pravilo iz podseta koje će biti aktivirano. Druga mogućnost je

primjena sustava neizrazite logike u kojem bi svaki od sustava imao vjerojatnost takvu da će

neka od pravila imat veću šansu da budu aktivirana od drugih.

Najkonkretniji ‐ Ova strategija je bazirana na broju uvjeta pravila, pravilo sa najvećim

brojem uvjeta je odabrano iz podseta. Ovo je bazirano na pretpostavci da je ukoliko pravilo

ima najviše uvjeta izgledno kako je to pravilo od najveće važnosti i relevantnosti za

postojeće podatke.

Najdulje nekorišteno ‐ Svako od pravila posjeduje vremensku oznaku koja označava vrijeme

kada je posljednji put korišteno. Ovo povećava broj pojedinačnih pravila koja su aktivirana

barem jedanput. Ako su sva pravila potrebna za postizanje rješenja tada je ovo savršena

strategija za taj primjer.

„Najbolje“ pravilo ‐ Kako bi ovako strategija funkcionirala, svakom pravilu dodijeljena je

težinska vrijednost koja određuje koliko bi neko pravilo trebalo biti više uzeto u obzir s

obzirom na alternative. Pravilo sa željenim ishodom je odabrano ovisno o svojoj težinskoj

vrijednosti.

Ulančavanje

Dvije metode odlučivanja kada se koriste pravila zaključivanja su:

ulančavanje unaprijed

ulančavanje unatrag

Ulančavanje unaprijed (slika 6) započinje sa dostupnim podacima i koristi

pravila zaključivanja kako bi razmotrilo više

podataka sve dok željeni cilj nije postignut.

Mehanizam zaključivanja koji koristi metodu

ulančavanja unaprijed pretražuje pravila

zaključivanja sve dok ne nađe pravilo u kojem

je IF klauza istinita. Zatim izvršava operacije

zadane THEN klauzom i pridodaje ovu

informaciju svojoj bazi podataka. Sustav

nastavlja ovu proceduru sve dok ne postigne

zadani cilj. Budući da dostupni podaci

određuju koja će se pravila zaključivanja

koristiti, ova metoda se također zove metoda

vođena podacima (engl. data driven).

S

Slika 6

bazapravila

radnamemorija

odredivanje pravilakoja bi mogla biti

aktivirana

strategijarješavanja problema

aktiviranje pravila

izlaz

odabir pravila za aktivaciju

pravilopronadeno

podset

pravilo nijepronadeno

izlaz ako je tako odredeno pravilom

Ekspertni sustavi

13

Ulančavanje unatrag (slika 7) započinje sa popisom ciljeva i djeluje unatrag kako bi se

otkrilo postoje li podaci koji omogućavaju zaključivanje nekih od ciljeva. Mehanizam zaključivanja koji

koristi ulančavanje unatrag će tražiti pravila zaključivanja sve dok ne nađe pravilo koje ima THEN

klauzu koja odgovara zadanom cilju. Ako je IF klauza toga pravila istinita ono je tada dodano na listu

ciljeva.

bazapravila

cilj

pretraživanje radne memorije i ciljeva radi

provjere istititosti izvršenja ciljeva

pošalji signalistinito

poklapaju lise ciljevi s

memorijom?

unat

ražn

o po

navl

jaj s

vako

sta

nje

aktiv

irano

g pr

avila

kao

cilj

a

da

ciljevi su ispunjeni, izlaz, vraća istinitu vrijednost

radnamemorija

odredi sljedeće moguće pravilo za

aktivaciju provjerom zaključaka i ciljeva

strategijarješavanja problema

izlaz

odabir pravila za aktivaciju

podset

pravilo nijepronađeno

pošalji signal

nije istinito

ne

aktivirajpravilo pravilo

pronađeno

za svako stanje pravila

napraviti unatražno

ulančavanje sa stanjem kao

ciljem

rezultati svih ponavljanja su istiniti? jedno ili više pravila nije uspjelo, sljedeće odgovarajaćuje pravilo

istinito

Slika 7

Ekspertni sustavi

14

Koju metodu koristiti?

Od dvije dostupne metode ulančavanja ‐ unaprijed ili unatrag, odabir koju ćemo koristiti je

određen samim problemom. Usporedba stanja i operacija u bazi pravila može pomoći odrediti koja

metoda ulančavanja je preferirana. Ako “prosječno” pravilo ima više uvjeta nego zaključaka, tj. da

tipična hipoteza ili cilj (zaključci) može dovesti do još mnogo više pitanja (uvjeti), preferira se

ulančavanje unaprijed. Ako je pak obrnuta situacija i prosječno pravilo ima više zaključaka nego

uvjeta tako da se svaka nova činjenica može proširiti u velik broj novih činjenica i operacija, idealna bi

bila uporaba ulančavanja unatrag.

Ako nijedno nije dominantno, broj činjenica u radnoj memoriji može pomoći pri odluci. Ako

se sve (relevantne) činjenice već znane i svrha sustava je odrediti kamo informacije vode trebalo bi

odabrati ulančavanje unaprijed. Ako je pak s druge strane znano samo nekoliko ili niti jedna činjenica

ili operacija, ulančavanje unatrag je idealno rješenje problema.

Primjena

Expertni sustavi konstruirani su kako se bavili problemima u računovodstvu, medicini,

upravljanju, financijskim uslugama, proizvodnji, ljudskim resursima itd. Uobičajeno su problemska

područja toliko kompleksna da su jednostavniji tradicionalni algoritmi nedostatni u pružanju

odgovarajućeg rješenja.

Dobar primjer primjene ekspertnih sustava u financijskom području su ekspertni sustavi za

kamate. Odjeli za kredite su zainteresirani za ekspertne sustave za kamate zbog sve više rastuće

cijene rada koje rukovanje i prihvaćanje relativno malih kredita čine manje isplativim. U primjeni

ekspertnih sustava također vide i mogućnost standardizacije te efikasnog baratanja hipotekarnim

kreditima. Još jedna česta primjena ekspertnih sustava u financijskom području je u obliku pružanja

trgovačkih preporuka u raznim trgovinama. Ovakve trgovine uključuje brojne varijable i ljudske

osjećaje koje bi bilo nemoguće deterministički iskazati pa su stoga na takvim pozicijama primjenjeni

ekspertni sustavi temeljeni na pravilima stručnjaka i simulacijskim podacima. Ekspertni sustavi ovog

tipa mogu varirati od pružanja regionalnih prodajnih preporuka oko financijskih odluka donesenih od

strane nadležnih institucija ili vlada.

I dok su se ekspertni sustavi dokazali u pronalasku praktične primjene za rješenja bazirana na

umjetnoj inteligenciji, njihova primjena je ipak ostala ograničena. Ekspertni sustavi djeluju u izrazito

uskom području znanja i ukoliko im je zadan problem koji nadilazi te granice mogu raditi greške koje

bi čovjek lako primjetio. Isto tako nakon što je dio mističnosti vezane uz ekspertne sustave kao

primjer umjetne inteligencije polako nestao, većina programera je shvatila kako su jednostavni

ekspertni sustavi u svojoj biti samo malo razrađenije verzije logike odlučivanja koju su već bili koristili.

Stoga se neke od tehnika ekspertnih sustava mogu pronaći u najkompleksnijim programima bez da se

diže ikakva prašina oko toga.

Primjer i dobra demonstracija ograničenja ekspertnih sustava je ekspertni sustav koji velik

broj ljudi koristi: sustav za otkrivanje greški inkorporiran u Microsoftov operativni sustav Windows.

Microsoft je osmislio svoj ekspertni sustav kako bi pružao rješenja, savjete i prijedloge na neke

Ekspertni sustavi

15

uobičajene pogreške koje se mogu susresti tijekom korištenja operativnog sustava. Sam sustav

možda i djeluje jednostavno, no pojedincima koji nisu usko vezani uz razvoj operativnog sustava,

dobivanje stručne tehničke potpore preko tog sustava je često zahtjevno i teško je dobiti konkretne

rezultate kojima će riješiti svoj problem.

Uz primjene u financijskim i proizvodnim područjima, tehnike umjetne inteligencije, pa tako i

ekspertni sustavi, našli su i primjenu u sve više rastućem informatičkom području – računalnim

igrama. U gotovo svim računalnim igrama postoji nekakav sustav umjetne inteligencije kojim se

pokušava dočarati inteligencija protivnika ili računalnog suigrača. Ti sustavi su često razvijeni upravo

preko samih ekspertnih sustava i baza znanja prema kojima će se entiteti u vritualnim okruženjima

ponašati ovisno o geometriji samog okruženja, njihovim svojstvima ili akcijama igrača.

Primjer: Ekspertni sustav inteligentnoga dizelskog motora

Ekspertni sustav za dijagnostiku stanja brodskoga dizelskog motora temelji se na

eksperimentalnim podacima dobivenima mjerenjem relevantnih značajki brodskog motora i

kontinuiranim praćenjem njegova rada. Baza znanja pri izradi dijagnostičkog ekspertnog sustava je

datoteka kvarova gdje se unose teorijska i praktična znanja stručnjaka. Osnovni zahtjevi koji se

očekuju u radu stroja, pa tako i brodskoga dizelskog motora, jesu maksimalni radni učinci s

minimalnim troškovima održavanja.

Uspješnost ekspertnog sustava izravno ovisi o kvantiteti i kvaliteti formiranih primjera i

pravila. Poradi toga je potrebno uskladiti prikupljene podatke s radnim značajkama motora ovisno o

okolnostima kvara. Najveći dio podataka za bazu znanja dobiva se eksperimentalnim putem, mjereći

parametre motora u radnim uvjetima. Najprije se uspostavlja baza sirovih podataka na temelju već

spomenutih eksperimentalnih vrijednosti, tj. laboratorijskih i servisnih podataka, a zatim se

dopunjuje podacima tijekom "eksperimentiranja" (testiranjima) u radu. Posebnim softverskim

postupkom, od prikupljenih podataka formira se baza kondenziranih podataka, koja sadržava

statističke rezultate za kritične značajke.

Koncept ekspertnog sustava za dijagnostiku kvarova prikazan je na slici. Nakon što se

specificira problem, utvrđuju se zahtjevi potrebni da se dođe do informacija. Podaci se dobivaju iz

odgovarajućih izvora i adekvatno se organiziraju u bazi ulaznih podataka. Slijedi izrada modela

problema sa shemom procesa koji vodi do rješenja. Model problema zajedno s bazom ulaznih

podataka tvori „ekspertni sustav za analizu informacija“. On služi za definiranje datoteke primjera, iz

koje se primjenom pogodnog softwarea izvodi prototip "sustava utemeljenog na pravilima". Da bi se

kompletirao ekspertni sustav, potreban je modul za donošenje odluke, koji konzultira bazu znanja i

konstruira operacijski sustav baze znanja. Dijagnostika u sebi sadržava određivanje i analizu statičkih i

dinamičkih značajka i procjenu sustava.

Promjene stanja u sustavu prate se i kvantitativno mjere temeljem odgovarajućih značajka

tehničkog sustava. Izbor dijagnostičkih značajka svakoga sastavnog dijela ili sustava obnavlja se na

osnovi:

Ekspertni sustavi

16

proučavanja njihovih funkcija, načina i uvjeta rada

analize razine njihova funkcioniranja

sastavljanja logičkih shema uzročno‐posljedičnih veza značajka i činitelja koje utječu na

radnu sposobnost tehničkog sustava

analize otkaza i drugo.

ULAZNI PODACI

eksperimantalni podaci

teorijski simulacijski podaci

prototip sustava utemeljenog na

pravilima

redefinirana pravila

datoteka primjera

ekspertno znanje

strateški model informacijskih analiza

baza ulaznih podataka

generiranje pravila

ULAZNI PODACI

modul za odlučivanje

operacijski sustav baze znanja

software za vezu

poboljšanja

software za uvođenje

pravila

baza znanja

Slika 8

Na slici 8 prikazan je ekspertni sustav inteligentnog dizelskog motora u kojemu je prikazano polje

POBOLJŠANJA. Poboljšanja se ostvaruju s pomoću jedinice za kontrolu cilindara ili jedinice za kontrolu

motora postupnim otklanjanjem pojedinih vrijednosti od trenutnih. Otvaranje i zatvaranje ispušnih

ventila te ubrizgavanje goriva više se ne obavljaju s pomoću bregaste osovine već se oni elektronički

upravljaju, pa tako vremena nisu strogo definirana, već je moguće ugađati vremena otvaranja i

zatvaranja ispušnih ventila te vremena i način ubrizgavanja goriva u cilindar. Izravnim istraživanjem

tijekom rada brodskog motora, promjenom određenih parametara u njihovim dopuštenim granicama

(dobivenih eksperimentalnim podacima na radnom stolu, teorijskim simulacijskim podacima i

ljudskim znanjem) može se doći do optimalne potrošnje goriva i maziva bez posljedica za rad motora.

Ekspertni sustavi

17

U tablici 2 prikaz je dijela baze znanja za „inteligentni“ motor koji se odnosi na kontrolu ispušnih

ventila i vremena ubrizgavanja goriva. Uz to prikazan je samo mali dio dijagnostičkog ekspertnog

sustava, koji djeluje sa sustavom inteligentnog motora.

pravilo br.

AKO TEST AKCIJA

…

30103 broj okretaja prevelik smanjeno opterećenje na propeleru

smanji se dobava goriva u cilindar

30104 tlak kompresije u cilindru nizak

provjera stanja stapnih prstenova

zamijene se stapni prstenovi

30105 tlako kompresije u cilindru nizak

provjera zračnosti ventila

ispušni se ventil demontira i ubrusi

30106 max. tlak izgaranja u cilindru nizak

provjera visokotlačne pumpe goriva

otkloni se kvar ili zamijene komponente pumpe


provjera ubrizgača goriva

ubrizgač se demontira, rastavi, očisti i testira a po potrebi se ugradi novi


smanjena dobava goriva u cilindar

poveća se dobava goriva u cilindar


zakašnjelo ubrizgavanje goriva u cilindar

ubrizgavanje goriva u cilindar počne prije

…

30418 temperatura ispušnog plina se povisuje

povećaba dobava goriva u cilindar

smanji se dobava goriva u cilindar

…

Tablica 2

Koristeći se računalom on–line povezuju se sve radnje u vezi s održavanjem broda

(preventivno održavanje, održavanje nakon kvara, rezervni dijelovi...) pa se time postiže bolja

organiziranost, što je preduvjet za sigurniju plovidbu. Satelitskom vezom brodar u svakom trenutku

(u području pokrivenosti telekomunikacijskom vezom) može dobiti podatke o stanju porivnog motora.

Tako se omogućuje ekspertu na kopnu uvid u kvar, ako kvar zahtijeva njegovu intervenciju.

Primjenom elektroničkog uređaja koji preuzima funkciju bregaste osovine motora, otvaraju

se nove mogućnosti za daljnji razvoj i ispitivanje brodskoga porivnog sustava. Centralizacijom

informacija pojedinih sustava i podsustava može se ostvariti i veza onih elemenata koji nisu prije bile

vezane sustavom automatizacije (npr. veza sustava rashladne morske vode s visokotemperaturnim i

niskotemperaturnim sustavom slatke vode, pa zatim tih sustava sa sustavima uputnog zraka, ulja za

podmazivanje,…). Ovim bi se omogućilo točnije zaključivanje ekspertnog računalnog sustava o kakvu

se kvaru radi, te eventualna redukcija alarma

Ekspertni sustavi

18

Zaključak

Pojam umjetne inteligencije koji smo do prije par desetljeća mogli susretati samo u

znanstveno fantastičkim filmovima sada je postao dio svakodnevnice i posve normalna pojava. Od

svojih početaka na slabašnim računalima pred kraj dvadesetog stoljeća, ekspertni sustavi su razvojem

informatičke industrije dobili znatan porast mogućnosti i sve veći broj primjena u rješavanju

problema u mnogim svakodnevnim situacijama. U nekim područjima ta primjena je ostvarena na

veoma visokoj razini, olakšavajući rad ljudima, omogućavajući pohranu znanja tvrtki, prijenos toga

znanja na nove zaposlenike te veliku pomoć kroz savjete i predviđanja o datim problemima, no zato u

nekim drugim područjima su se pokazali neuspješnim i nisu ispunili očekivanja koja su na njih

postavljena. Ali razvoj ide dalje, uz kombinaciju ekspertnih sustava i ostalih oblika umjetne

inteligencije u obliku hibridnih sustava povećavaju se i njihove mogućnosti a ekspertni sustavi sve

više postaju korisni alati koji u svojim konkretnim područjima primjene na jedan ili drugi način

izvršavaju svoju primarnu ulogu – pomaganje ljudima.

Ekspertni sustavi

19

Literatura

Alempije Veljović : Menadžment informacioni sistemi (Kompjuter biblioteka, Beograd)

Milenko Obad: CAD/CAM tehnologije (http://www2.fsr.ba/nastava/icad/ICAD‐CBR.pdf)

Zoran Popović : Primena VI – Ekspertni sustavi (http://users.hemo.net/shoom/es.pdf)

Giarratano – Riley: Expert systems principles and programming (Brooks/Cole Publishing

Co., Pacific Grove, CA, USA)

http://en.wikipedia.org/wiki/Expert_system

http://ai‐depot.com/Tutorial/RuleBased‐Methods.html

http://hrcak.srce.hr/file/12790

Documents

Ekspertni Sustavi, AI Seminar