1
Bab 3Bab 3
Perwakilan pengetahuan
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
2
Perwakilan Pengetahuan
Apabila diperolehi, pengetahuan mesti diurus untuk
diguna
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
3
Pengetahuan Satu pengetahuan yang baik
selalunya mewakili domain masalah.
Satu perwakilan pengetahuan yang susah difahami adalah salah
Selalunya Sistem Kecerdasan Buatan mengandungi:– Pangkalan pengetahuan Meknisme
Penaabiran (Enjin)
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
4
Pangkalan Pengetahuan – Bentukkan sumber sistem
kecerdasan– Meknisme Penaabiran digunakan
untuk menaakul dan menyatakan kesimpulannya.
Meknisme Penaadbiran: Menguji pangkalan pengetahuan untuk menjawab soalan, menyelesaikan masalah atau memutuskan keputusan antara domain.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
5
Kebanyakan skim perwakilan pengetahuan : – Boleh diprogram dan disimpan dalam
cakera ingatan – Direkabentuk untuk menaakul
Contoh skema Perwakilan Pengetahuan utama :– Petua pengeluaran (Production rules)– Kerangka (Frames)
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
6
Perwakilan dalam lojik dan skema lain
Sebarang bentuk proses lojikal Input (Premis) Premis digunakan oleh proses
lojikal untuk mencipta output, mengandungi kesimpulan (penaabiran).
Fakta dikatakan benar boleh menerbitkan fakta baru yang benar.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
7
Lojik simbolik: Sistem petua dan aturcara yang membenarkan gambaran penaabiran dari premis yang berbeza.
Bentuk asas pengkomputeran logik – Logik usulan (Propositional logic / propositional calculus)
– Logik predikat (or predicate calculus)
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
8
Logik usulan Satu usulan adalah satu pernyataan
samada benar atau salah. Setelah diketahui, ia menjadi satu
premis yang boleh digunakan untuk menerbitkan usulan atau penaabiran baru.
Petua digunakan untuk mengetahui kebenaran Benar (B) atau Salah/Falasi (S) sesuatu usulan.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
9
Simbol mewakilkan usulan, premis dan kesimpulan
Penyataan: A = Pembawa surat datang dari hari Isnin
sehingga Jumaat. Pernyataan : B = Hari ini hari Ahad.Kesimpulan: C = Pembawa surat tidak
akan datang hari ini. Usulan lojik: terhad kepada mewakilkan
pengetahuan bumi nyata/sebenar.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
10
Predikat kalkulus Predikat logik satu pernyataan dipecahkan
kepada beberapa komponen, satu objek, ciri-ciri kemasukan objek atau ‘some object assertion’
Predikat kalkulus menggunakan pembolehubah dan fungsi pembolehubah dalam penyataan logik simbolik .
Predikat kalkulus adalah asas Prolog (PROgramming in LOGic)
Contoh pernyataan Prolog – datang_pada(pembawa_surat, isnin).– suka(saya, coklat).
(Nota - tanda “.” adalah sebahagian dari pernyataan )
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
11
Skrips
Skema Perwakilan PengetahuanMenerangkan satu susunan
kejadian.
Elemen-elemen termasuk – Syarat kemasukan– Props atau properti– Roles atau peranan– Tracks atau jalan– Scenes atau kejadian/peristiwa
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
12
Senarai atau Lists
Menulis siri-siri item yang berkaitan
Selalunya digunakan untuk mewakil pengetahuan hiraki di mana objek dikumpulkan, dikelaskan atau dikategorikan kepada– Tahap (Rank) or – Perhubungan (Relationship)
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
13
Jadual Keputusan (Jadual Induksi)
Pengetahuan diurus dalam bentuk hamparan (Spreadsheet Format)
Senarai atribut
Senarai rumusan atau kesimpulan
Konfigurasi atribut yang berbeza akan dipadankan dengan rumusan
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
14
Pepokok keputusan Berkaitan dengan jadual
Sama dengan teori keputusan Boleh meringkaskan proses
perolehan pengetahuan
Gambaran pengetahuan – agak semulajadi
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
15
O-A-V Triplet Objects, Attributes and Values
O-A-V Triplet
Objek boleh jadi fizikal atau konseptual
Attribut adalah ciri-ciri objek. Values /nilai adalah ukuran spesifik
atribut.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
16
Representative O-A-V Items
Object Attributes Values
House Bedrooms 2, 3, 4, etc.
House Color Green, white, brown,etc.
Admission to auniversity
Grade-point average 3.0, 3.5, 3.7, etc.
Inventory control Level of inventory 14, 20, 30, etc.
Bedroom Size 9 X 10, 10 X 12, etc.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
17
Lojik Lalai (Default Logic)
Mengendalikan ketidakpastian Maklumat tidak lengkap
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
18
Peta Pengetahuan
Perwakilan visual Peta kognitif
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
19
Rangkaian semantik
Pengetahuan dalam gambaran grafik
Nod dan hubungan menunjukkan perhubungan hiraki antara objek
Nod: Objek
Lengkok: Hubungan– adalah or is-a– mengandungi or has-a
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
20
Rangkaian semantik boleh menunjukkan perwarisan
Semantic Nets – perhubungan perwakilan visualisasi
Boleh digabungkan dengan metod perwakilan lain.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
21
Contoh rangkaian semantik
Joe
Boy
Kay
Woman
Food
HumanBeing
School
Hasa child
NeedsGoes to
Is a
Is a
Is a
Is a
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
22
Petua pengeluaran Pasangan rumusan– tindakan Sekiranya peraturan ini (syarat
atau antecedent) berlaku,– THEN suatu tindakan (atau
keputusan, atau rumusan, atau turutan) akan (atau patut) berlaku
– IF lampu berhenti adalah merah AND awak kena berhenti , THEN belok kanan adalah OK
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
23
Setiap petua pengeluaran dalam pangkalan pengetahuan mewakili berbagai bentuk kepakaran tersendiri
Apabila digabungkan dan disuap ke dalam enjin penaabiran, setiap set peraturan berkelakuan ‘synergistically’.
Petua boleh digambarkan sebagai simulasi kelakuan kognitif pakar manusia .
Petua mewakili satu model kelakuan manusia yang sebenar.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
24
Format petua
IF syarat, THEN rumusan– IF gaji anda tinggi , THEN kiraan
cukai akan jadi tinggi
Rumusan , IF syarat– Kiraan cukai akan menjadi
tinggi , IF gaji anda tinggi.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
25
Inclusion of ELSE– IF gaji anda tinggi , OR pengurangan gaji pelik,
THEN peluang anda untuk diaudit oleh pihak cukai tinggi OR ELSE peluang anda diaudit kurang
Petua yang lebih kompleks– IF pinjaman anda tinggi AND gaji adalah lebih dari
$30,000, OR aset lebih dari $75,000, AND sejarah pembayaran adalah tidak “teruk” ,THEN sahkan pinjaman sehingga $10,000, and kategorikan senarai "B.”
– Bahagian tindakan/aksi boleh mempunyai lebih maklumat: THEN “sahkan pinjaman" AND “rujuk
kepada agen "
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
26
Petua Pengetahuan dan penaabiran
Jenis Petua Biasa Petua pengetahuan atau petua pengisytiharan,
nyatakan semua fakta dan hubungan mengenai masalah tersebut.
Petua penaabiran atau petua prosedur(procedural rules), menasihat bagaimana menyelesaikan masalah, dengan diberi fakta tertentu
Petua penaabiran mempunyai petua mengenai petua (metarules)
Petua pengetahuan disimpan dalam pangkalan pengetahuan.
Petua penaabiran menjadi sebahagian dari enjin pentaabiran.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
27
Kelebihan petua
Mudah difahami ( bentuk asal pengetahuan)
Mudah menerbit penaabiran dan penjelasan
Mudah diubah dan selenggara Mudah digabungkan dengan
ketidakpastian Petua selalunya independen.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
28
Pengetahuan kompleks memerlukan banyak petua
Builders adalah seperti petua (hammer syndrome)
Gelintar kurang berkesan dalam sistem dengan banyak petua.
Kekurangan petua
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
29
Characteristics of Rule Representation
First Part Second Part
Names Premise Antecedent Situation IF
ConclusionConsequenceActionTHEN
Nature Conditions, similar to declarativeknowledge
Resolutions, similarto proceduralknowledge
Size Can have many IFs Usually oneconclusion
Statements
AND statements All conditions mustbe true for aconclusion to be true
OR statements If any of the ORstatement is true, theconclusion is true
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
30
Kerangka(Frames)Definisi dan senario
Kerangka: Struktur data yang mengandungi semua pengetahuan mengenai sesuatu objek
Pengetahuan disusun dalam bentuk hiraki untuk mendiagnosis independen pengetahuan.
Berbentuk object-oriented programming atau pengaturacaraan berasaskan objek untuk AI dan ES.
Setiap kerangka menceritakan objek Terminologi khas
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
31
Frame Terminology
Default Instantiation
Demon Master frame
Facet Object
Hierarchy offrames
Range
If added Slot
If needed Value (entry)
Instance of
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
32
Perwakilan pengetahuan yang padat, semulajadi dan berstruktur.
Merangkumi objek kompleks, keseluruhan situasi atau masalah pengurusan sebagai satu entiti tunggal .
Pengetahuan Kerangka dibahagikan kepada slot. Slot boleh menerangkan pengetahuan
pengisytiharan atau pengetahuan prosedural(berstruktur)
Kebolehan-2 penting kerangka Menerangkan satu kerangka automobil klasik Hiraki kerangka : perwarisan
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
33
Frame Capabilities(Kebolehan Kerangka)
Ability to clearly document information about a domain model; for example, a plant's machines and their associated attributes Related ability to constrain the allowable values that an attribute can take on Modularity of information, permitting ease of system expansion and maintenance More readable and consistent syntax for referencing domain objects in the rules Platform for building a graphic interface with object graphics Mechanism that will allow us to restrict the scope of facts considered during forward or backward chaining Access to a mechanism that supports the inheritance of information down a class hierarchy
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
34
Perwakilan pengetahuan berlapis
petua + kerangka Lain-lain
Perwakilan Pengetahuan mesti menyokong
Perolehan pengetahuan Dapat-kembali pengetahuan Penaakulan
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
35
Pertimbangan dalam menilai Perwakilan
Pengetahuan Semulajadi, keseragaman dan
kefahaman. Darjah pengetahuan yang eksplisit
(isytihar) atau terkandung dalam kod prosedural.
Modulariti dan fleksibel sesuatu pangkalan pengetahuan.
Kecekapan dapat-kembali pengetahuan dan kuasa heuristik prosedur penaadbiran.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
36
Tiada metod perwakilan Pengetahuan yang sesuai untuk semua kerja
Perwakilan Pengetahuan Berlapis: masing-masing menuju ke sub-kerja yang berbeza.
Petua pengeluaran dan kerangka- dapat berjalan lancar dalam praktis.
Perwakilan Pengetahuan Berasaskan objek– Hypermedia
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
37
Perwakilan PengetahuanEksperimental
Cyc
NKRL
Spec-Charts Language
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
38
The Cyc System Attempt to represent a substantial amount
of common sense knowledge Bold assumptions: intelligence needs a
large amount of knowledge Need a large knowledge base Cyc over time is developing as a repository
of a consensus reality - the background knowledge possessed by a typical U.S. resident
There are some commercial applications based on portions of Cyc
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
39
NKRL
Narrative Perwakilan Pengetahuanal Language (NKRL)
Standard, language-independent description of the content of narrative textual documents
Can translate natural language expressions directly into a meaningful set of templates that represent the knowledge
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
40
Knowledge Interchange Format
(KIF)To Share Knowledge and
Interact
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
41
The Spec-Charts Language
Based on Conceptual Graphs: to Define Objects and Relationships
Restricted Form of Semantic Networks
Evolved into the Commercial Product - STATEMATE
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
42
Perwakilan Pengetahuan dan
Internet Hypermedia documents to encode knowledge directly
Hyperlinks Represent Relationships MIKE (Model-based and Incremental Knowledge
Engineering Formal model of expertise: KARL Specification
Language Semantic networks: Ideally suited for
hypermedia representation Web-based Distributed Expert System (Ex-W-
Pert System) for sharing knowledge-based systems and groupware development
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
43
Mewakilkan ketidakpastian :satu pandangan
Mengendalikan darjah kebenaran /kepalsuan dalam sistem pakar
Ketidakpastian
– Apabila satu pengguna tidak boleh membenar jawapan yang spesifik
– Pengetahuan yang kurang jelas
– Maklumat yang tidak lengkap
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
44
Beberapa cara dalam teori matematik dan statistik
Statistik Bayesian Dempster and Shafer's Belief
Functions
Set kabur
Ketidakpastian
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
45
Ketidakpastian dalam AI
Penaakulan yang hampir tepat , Penaakulan yang kurang
tepat.
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ
46
Maklumat releven adalah kekurangan dalam satu
atau lebih Maklumat adalah separa Maklumat tidak semua mudah dapat Perwakilan pengetahuan adalah kurang jelas Sumber maklumat datang dari sumber
berbeza dan sentiasa konflik. Maklumat adalah hampir tepat Tidak wujud hubungan sebab-kesan Boleh gabung petua keabarangkalian IF the interest rate is increasing, THEN the
price of stocks will decline (80% probability)
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ