Τεχνητή Νοημοσύνη Ενότητα 9: Έμπειρα Συστήματα Κατερίνα Γεωργούλη ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ TEI ΑΘΗΝΑΣ.

Παρουσίαση με θέμα: "Τεχνητή Νοημοσύνη Ενότητα 9: Έμπειρα Συστήματα Κατερίνα Γεωργούλη ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ TEI ΑΘΗΝΑΣ."— Μεταγράφημα παρουσίασης:

1 Τεχνητή Νοημοσύνη Ενότητα 9: Έμπειρα Συστήματα Κατερίνα Γεωργούλη ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ TEI ΑΘΗΝΑΣ

2 Βασικά Θέματα Σχεδιασμού Σ.Κ.  Ταίριασμα προϋποθέσεων-ισχυρισμών ενεργού μνήμης (pattern matching),  Επιλογή κανόνα για πυροδότηση,  Χρονοδρομολόγηση κανόνων,  Εκτέλεση ενεργειών,  Τήρηση ιστορικού,  Εξασφάλιση μη ύπαρξης αμοιβαία αποκλειστικών ισχυρισμών,  Επιλογή δομής ελέγχου (forward vs backward chaining). 1

3 Επισκόπηση  Εισαγωγή,  Επίλυση προβλημάτων,  Αλγόριθμοι Αναζήτησης,  Αναπαράσταση Γνώσης,  Συστήματα βασισμένα στη γνώση, – Έμπειρα Συστήματα  Μηχανική Μάθηση,  Νοήμονες πράκτορες. 2

4 Συστήματα ΤΝ 3 ΣΥΣΤΗΜΑΤΑ ΤΝ Συστήματα βασισμένα στη Γνώση Έμπειρα Συστήματα Νευρωνικά Δίκτυα Γενετικοί Αλγόριθμοι

5 Έμπειρα Συστήματα (EΣ) (expert systems) – ένα Έμπειρο Σύστημα (EΣ) δεν επιδιώκει γενικούς στόχους αλλά χρησιμοποιείται στη λύση προβλημάτων σε συγκεκριμένους και περιορισμένους αλλά περίπλοκους χώρους των οποίων τα δεδομένα και οι πληροφορίες είναι αβέβαια και μη πλήρη – το ΕΣ λειτουργεί ως ενδιάμεσο ανάμεσα στον εμπειρογνώμονα ενός πεδίου γνώσεων και σε ένα δυνητικό χρήστη του εν λόγω γνωστικού πεδίου

6 Οργάνωση Έμπειρου Συστήματος – Απόκτηση της γνώσης : ποια εξειδικευμένη γνώση πρέπει να προσκτηθεί. Δύο τύποι γνώσης τα γεγονότα οι "εμπειρικές γνώσεις" του ειδικού που συσσωρεύονται από χρόνια – Α ναπαράσταση της γνώσης : με μορφές αναπαράστασης δηλωτικής γνώσης για τα γεγονότα και διαδικαστικής για την εμπειρική γνώση (συνηθέστερος τρόπος είναι οι κανόνες παραγωγής)

7 n Βασίζεται στο μοντέλο συστήματος παραγωγής (production system model) που πρότειναν οι Newell και Simon από το Carnegie-Mellon University στις απαρχές του ’70. n Το μοντέλο παραγωγής βασίζεται στην ιδέα ότι οι άνθρωποι λύνουν προβλήματα εφαρμόζοντας τη γνώση τους (εκφρασμένη ως κανόνες παραγωγής ) σε ένα δεδομένο πρόβλημα που παρουσιάζεται μέσω πληροφοριών που αφορούν στα δεδομένα του (γεγονότα). n Οι κανόνες παραγωγής αποθηκεύονται στη μνήμη μακράς διάρκειας (long-term memory) και οι πληροφορίες ή γεγονότα στη μνήμη μικρής διάρκειας (short-term memory). Δομή ενός ΕΣ βασισμένο σε κανόνες (Rule-based ES)

8 Μοντέλο Συστήματος Παραγωγής

9 Διεπαφή Μοντέλο τυπικού ΕΣ 8 Τμήμα Επεξηγήσεων Συμπερασματική Μηχανή Βάση Δεδομένων (γεγονότα) Βάση Κανόνων (κανόνες) Μνήμη Μικρής Διάρκειας Μνήμη Μακράς Διάρκειας Συλλογιστική Συμπέρασμα

10 Βάση Γνώσης ΕΣ 1/2  Στη Βάση Κανόνων (Rule Base), το πεδίο γνώσης που είναι χρήσιμο για την επίλυση του προβλήματος παρουσιάζεται ως ένα σύνολο κανόνων. Κάθε κανόνας ορίζει μια σχέση, σύσταση ή οδηγία. Όταν πληρούνται οι προϋποθέσεις του IF μέρους ενός κανόνα, ο κανόνας αυτός τοποθετείται από τη δομή ελέγχου στο σύνολο σύγκρουσης και αν κατά την επίλυση συγκρούσεων επιλεγεί τότε πυροδοτείται και οι ενέργειες του THEN μέρους εκτελούνται.  Η Βάση Δεδομένων (Data Base) περιλαμβάνει ένα σύνολο πραγματικών γεγονότων (γεγονότα που είναι αληθή) που χρησιμοποιούνται για να ταιριάξουν με τις προϋποθέσεις του IF μέρους των κανόνων που αποθηκεύονται στη Βάση Κανόνων κατά τη σύγκριση προτύπων που πραγματοποιεί η δομή ελέγχου της συμπερασματικής μηχανής του ΕΣ.

11 Βάση Γνώσης ΕΣ 2/2  Η Συμπερασματική Μηχανή (Inference Engine) πραγματοποιεί τη συλλογιστική σύμφωνα με την οποία το ΕΣ φθάνει σε μια λύση. Η δομή ελέγχου της συνδέει τους κανόνες που δίνονται στη βάση κανόνων με τα στοιχεία που παρέχονται στη βάση δεδομένων.  Το Τμήμα Επεξηγήσεων (Explanation Facilities) επιτρέπει στο χρήστη να ζητήσει από το ΕΣ να του παρουσιάσει πώς έφτασε σε ένα συγκεκριμένο συμπέρασμα και γιατί χρειάζεται ένα συγκεκριμένο γεγονός. Ένα ΕΣ πρέπει να είναι σε θέση να εξηγήσει το σκεπτικό του και να δικαιολογήσει τις συμβουλές, την ανάλυση ή το συμπέρασμά του με τη βοήθεια του ιστορικού που διατηρεί για την πυροδότηση των κανόνων.  Το διάμεσο (user interface) είναι το μέσο επικοινωνίας μεταξύ των χρηστών που αναζητούν μια λύση στο πρόβλημα και ένα ΕΣ.

12 Ολοκληρωμένη Δομή ενός ΕΣ

13 Χαρακτηριστικά ΕΣ 1/2  Ένα ΕΣ είναι φτιαγμένο για να λειτουργεί σε ένα στενό, εξειδικευμένο τομέα. Έτσι, το πιο σημαντικό χαρακτηριστικό του είναι η υψηλής ποιότητας απόδοση του. Από την άλλη πλευρά, η ταχύτητα της επίτευξης μιας λύσης είναι πολύ σημαντική. Ακόμη και η πιο ακριβής απόφαση ή διάγνωση δεν μπορεί να είναι χρήσιμη αν όταν βρεθεί είναι πολύ αργά για να εφαρμόσει.  Τα ΕΣ εφαρμόζουν ευρετικούς μηχανισμούς για να καθοδηγήσουν τη συλλογιστική που ακολουθούν και να μειώσουν έτσι την περιοχή αναζήτησης μιας λύσης.  Ένα μοναδικό χαρακτηριστικό του ΕΣ είναι η ικανότητά του να εξηγήσει τις αποφάσεις του.  Τα ΕΣ χρησιμοποιούν συμβολική λογική κατά την επίλυση ενός προβλήματος. Τα σύμβολα χρησιμοποιούνται για να αντιπροσωπεύουν διαφορετικούς τύπους γνώσης, όπως γεγονότα, έννοιες και κανόνες. 12

14 Χαρακτηριστικά ΕΣ 2/2  Ακόμη και ο ποιο ευφυής ειδικός τομέα είναι μόνο ένας άνθρωπος και ως εκ τούτου μπορεί να κάνει λάθη. Αυτό σημαίνει ότι τα ΕΣ που χτίζονται από τη γνώση των εμπειρογνωμόνων θα πρέπει επίσης να έχουν τη δυνατότητα να κάνουν λάθη.  Στα ΕΣ, η γνώση χωρίζεται από την επεξεργασία της (η επεξεργασία της βάσης γνώσης και της συμπερασματικής μηχανής είναι κατακερματισμένη). Όταν χρησιμοποιείται ένα κέλυφος έμπειρου συστήματος (expert system shell), ένας μηχανικός γνώσης ή ένας εμπειρογνώμονας βάζει απλά τους κανόνες στη βάση γνώσης. Αντίθετα, ένα συμβατικό πρόγραμμα είναι ένα μείγμα της γνώσης και της δομής ελέγχου για την επεξεργασία αυτής της γνώσης. Αυτή η ανάμειξη οδηγεί σε δυσκολίες στην κατανόηση και την αναθεώρηση του κώδικα του προγράμματος, καθώς οποιαδήποτε αλλαγή στον κώδικα επηρεάζει τόσο τη γνώση και την επεξεργασία της. 13

15 Έμπειρα Συστήματα / Συμβατικά Προγράμματα Η διαφορές ενός ΕΣ από ένα συμβατικό πρόγραμμα μπορεί να συνοψιστούν στο ότι ένα ΕΣ αποτελείται από το τμήμα τεχνολόγησης της γνώσης και τη συμπερασματική μηχανή, ενώ ένα συμβατικό πρόγραμμα αποτελείται από την κωδικοποίηση των δεδομένων του και τον αλγόριθμό του: Πρόγραμμα = Δεδομένα + Αλγόριθμος Έμπειρο Σύστημα = Γνώση + Συμπερασματική Μηχανή 14

16 Έμπειρα συστήματα vs Συμβατικά Προγρ/τα  Προσομοίωση τρόπου επίλυσης προβλήματος,  Γνώση σε επίπεδο συμβόλων,  Χρήση ευριστικών μεθόδων,  Χειρισμός αβέβαιης και ασαφούς γνώσης,  Δυνατότητα μη μονοτονικής συλλογιστικής,  Επεξήγηση δρόμου συλλογισμού.  Ευκολία στη κατανόηση και αναθεώρηση της αποτυπωμένης γνώσης 15  Προσομοίωση του ίδιου του προβλήματος,  Δεδομένα σε επίπεδο υπολογισμών,  Χρήση αλγορίθμων,  Δυσχέρεια στη χρήση μη- πλήρους γνώσης,  Μη δυνατότητα χρήσης μη μονοτονικής συλλογιστικής,  Ανυπαρξία επεξήγησης.

17 Έμπειρα συστήματα vs Συμβατικά Προγρ/τα 16 Έμπειρα ΣυστήματαΣυμβατικά Προγράμματα Προσομοίωση τρόπου επίλυσης προβλήματος Προσομοίωση του ίδιου του προβλήματος Γνώση σε επίπεδο συμβόλωνΔεδομένα σε επίπεδο υπολογισμών Χρήση ευρετκών μεθόδωνΧρήση αλγορίθμων Χειρισμός αβέβαιης και ασαφούς γνώσης Δυσχέρεια στη χρήση μη- πλήρους γνώσης Δυνατότητα μη μονοτονικής συλλογιστικής Μη δυνατότητα χρήσης μη μονοτονικής συλλογιστικής Επεξήγηση δρόμου συλλογισμούΑνυπαρξία επεξήγησης Ευκολία στη κατανόηση και αναθεώρηση της αποτυπωμένης γνώσης Δυσκολίες στην κατανόηση και την αναθεώρηση του κώδικα του προγράμματος

18 Βασικοί Συμμετέχοντες στην ομάδα ανάπτυξης ενός ΕΣ n Υπάρχουν πέντε κατηγορίες μελών που πρέπει να συμμετέχουν σε μια ομάδα ανάπτυξης ενός ΕΣ: n Ο ειδικός του τομέα ενδιαφέροντος (domain expert), n Ο μηχανικός γνώσης (knowledge engineer), n Ο προγραμματιστής (programmer) n Ο διαχειριστής του έργου (project manager) και n Ο τελικός χρήστης (end-user). n Η επιτυχία του ΕΣ που θα δημιουργήσουν εξαρτάται ολοκληρωτικά από το πόσο καλά συνεργάζονται μεταξύ τους.

19 Ομάδα ανάπτυξης ενός ΕΣ

20 Ομάδα ανάπτυξης / Ειδικός Τομέα Ο ειδικός τομέα (domain expert) είναι ένα πρόσωπο: με γνώσεις και δεξιότητες ικανό να λύνει προβλήματα σε μια συγκεκριμένη περιοχή ή τομέα. Διαθέτει τη μεγαλύτερη εμπειρία στο δεδομένο τομέα Αυτή η εμπειρία πρέπει να αποτυπωθεί στο ΕΣ. Ως εκ τούτου ο ειδικός πρέπει να είναι ικανός να επικοινωνεί τη γνώση του/της, να είναι πρόθυμος/η να συμμετέχει στην ομάδα ανάπτυξης και να διαθέτει τον απαιτούμενο χρόνο για το σκοπό αυτό. Ο ειδικός τομέα είναι το πιο σημαντικό πρόσωπο της ομάδας ανάπτυξης.

21 Ομάδα ανάπτυξης / Μηχανικός Γνώσης Ο μηχανικός γνώσης (knowledge engineer ) είναι αυτός που θα σχεδιάσει, θα κατασκευάσει και θα ελέγξει το ΕΣ. 1.Συνεργάζεται με τον ειδικό τομέα για να μάθει πώς λύνεται το συγκεκριμένο πρόβλημα 2.Καθορίζει ποια συλλογιστική χρησιμοποιεί ο ειδικός για να χειριστεί τα γεγονότα και τους κανόνες και αποφασίζει πώς να τους αναπαραστήσει στο ΕΣ. 3.Επιλέγει αν θα προχωρήσει σε ανάπτυξη λογισμικού ή θα χρησιμοποιήσει ένα κέλυφος ΕΣ, ή αναζητά κατάλληλες γλώσσες προγραμματισμού για την κωδικοποίηση της γνώσης. 4.Είναι υπεύθυνος/η για τον έλεγχο, την αναθεώρηση και την ενσωμάτωση του ΕΣ συστήματος στο χώρο εργασίας.

22 Ομάδα ανάπτυξης / Προγραμματιστής Ο προγραμματιστής (programmer) είναι το πρόσωπο που είναι υπεύθυνο για τον προγραμματισμό του ΕΣ, περιγράφοντας τις γνώσεις του τομέα με τρόπο που ένας υπολογιστής να μπορεί να καταλάβει. Ο προγραμματιστής εκτός της γνώσης συμβατικών γλωσσών προγραμματισμού πρέπει να έχει και κάποιες δεξιότητες σε συμβολικό προγραμματισμό σε γλώσσες ΤΝ όπως LISP και Prolog εμπειρία από τη χρήση διαφορετικών τύπων κελυφών ανάπτυξης ΕΣ.

23 Ομάδα ανάπτυξης / Μηχανικός Γνώσης Ο διαχειριστής του έργου (project manager) είναι ο ηγέτης της ομάδας ανάπτυξης του ΕΣ, υπεύθυνος για τη διατήρηση του έργου σε καλό δρόμο. Αυτός ή αυτή εξασφαλίζει ότι όλα τα παραδοτέα και τα ορόσημα πληρούνται, αλληλεπιδρά με τον ειδικό τομέα, το μηχανικό γνώσης, τον προγραμματιστής και τον τελικό χρήστη. Ο τελικός χρήστης (end user), ή απλά χρήστης, είναι ένα άτομο που χρησιμοποιεί το ΕΣ όταν αναπτύσσεται. Ο χρήστης πρέπει να είναι όχι μόνο σίγουρος για την απόδοση του συστήματος, αλλά και να αισθάνεται άνετα με τη χρήση αυτή. Ως εκ τούτου, ο σχεδιασμός της διεπαφής χρήστη του ΕΣ είναι επίσης ζωτικής σημασίας για την επιτυχία του έργου. Η συνεισφορά του τελικού χρήστη εδώ μπορεί να είναι καθοριστική.

24 Απόκτηση Γνώσης (Knowledge acquisition) Συγκέντρωση γνώσης (knowledge elicitation) Η γνώση Συγκεντρώνεται στη Βάση Γνώσης (Knowledge Base), από εμπειρογνώμονες που μπορεί να είναι: o ειδήμονα πρόσωπα, o ειδικευμένα έντυπα, o εξειδικευμένα εργαλεία o το ίδιο το σύστημα με παραγωγή νέας γνώσης. Αναπαράσταση γνώσης (knowledge representation) Κωδικοποίηση γνώσης (knowledge coding) 23

25 Γεγονός (DEFINE-INSTANCE INST1 (:IS CONTEXT) (PROBLEMS 0) (SOLVED ) (HELP_REQUESTS 0) (REQUESTS_SATISFIED 0) (CODE 2) ) Κανόνας (DEFINE-RULE RULE1 (:PRIORITY 30) (INSTANCE INST1 IS CONTEXT WITH CODE 2 WITH SOLVED YES) THEN (INSTANCE INST1 IS CONTEXT WITH SOLVED NO) ) Γνώση = Γεγονότα + Κανόνες 24

26 Συμπερασματική Μηχανή (Ιnference Engine) Εξαγωγή έγκυρων συλλογισμών (deductions): 25 Προτασιακοί:(modus ponens) ΕΑΝ Α αληθές ΤΟΤΕ Β αληθές Το Α είναι αληθές ΕΠΟΜΕΝΩΣ το Β είναι αληθές Ποσοτικοί : Όλα τα Α είναι Β Μερικά Α είναι Γ ΕΠΟΜΕΝΩΣ μερικά Β είναι Γ Σχεσιακοί: Ο Α είναι μεγαλύτερος του Β Ο Β είναι μεγαλύτερος του Γ ΕΠΟΜΕΝΩΣ ο Α είναι μεγαλύτερος του Γ

27 Συμπερασματική Μηχανή Εξαγωγή μη έγκυρων συλλογισμών (inductions -abductions) Επαγωγές (Inductions): συμπεράσματα από μη βέβαιες γνώσεις : Παρατήρηση: οι περισσότεροι ασθενείς που πάσχουν από κίρρωση του ύπατος έχουν ιστορικό αλκοολισμού Κανόνας: ΕΆΝ ο ασθενής πάσχει από κίρρωση του ήπατος ΤΟΤΕ ο ασθενής έχει ιστορικό αλκοολισμού (με τι βεβαιότητα;) Αβεβαιότητα στα δεδομένα & στα συμπεράσματα 26

28 Αβεβαιότητα στα δεδομένα (Uncertainty) Έλλειψη επαρκούς πληροφόρησης για τη λήψη μιας απόφασης Αβεβαιότητα που προκύπτει όταν κάποιος δεν είναι απόλυτα βέβαιος για κάποια πληροφορία: Ίσως ο αλκοολισμός είναι η αιτία της κίρρωσης του ύπατος Μάλλον ο Γιάννης είναι άρρωστος Ασάφεια που προκύπτει όταν κάποια πληροφορία δεν είναι σαφώς εκφρασμένη: Ο Γιάννης είναι ψηλός (τι σημαίνει ψηλός;) Συνδυασμός των παραπάνω τύπων: Ο Γιάννης είναι μάλλον ψηλός 27

29 Πηγές Αβεβαιότητας Ανακριβή δεδομένα (μέτρηση με μη ακριβές όργανο) Ελλιπή δεδομένα (βλάβη σε πηγή μέτρησης) Υποκειμενικότητα (υιοθέτηση ευριστικών μηχανισμών) Άλλοι περιορισμοί (οικονομικοί, κοινωνικοί) Αβέβαια συμπεράσματα (μη βεβαιότητα για το συμπέρασμα που εξάγεται – επαγωγή, απαγωγή) 28

30 Αβεβαιότητα (Uncertainty) Μοντέλα για τη διαχείριση της αβέβαιης πληροφόρησης: Bayesian προσέγγιση (νόμοι πιθανοτήτων), Συντελεστές βεβαιότητας, ΕΑΝ γεγονός1 (CF1) και γεγονός2 (CF2) ΤΟΤΕ συμπέρασμα (CF3) Δίκτυα πιθανοτήτων, Προσέγγιση Dempster-Shafer, Ασαφής λογική. ΕΑΝ λίγη ζέστη και πολύ υγρασία (ασαφή σύνολα) ΤΟΤΕ μέτριος κλιματισμός (ασαφή σύνολα) 29

31 Συντελεστές Βεβαιότητας (Certainty Factors -CFs-) IF A THEN B Κανόνας με βεβαιότητα 1.0 30 Conclusion B CF= 1.0 Premises (facts) A CF= 1.0 RULE CF=1.0 Υπολογισμός Αβεβαιότητας όπου ΜΒ = το μέτρο εμπιστοσύνης (measure of believe) και ΜD = το μέτρο της μη-εμπιστοσύνης (measure of disbelieve) MYCIN

32 Συντελεστής Βεβαιότητας Σύνθετης Υπόθεσης Σύζευξη: CF(if-part)=min (CF(premise1) AND CF(premise2) AND …) ΕΑΝ τα φρένα είναι σπασμένα (CF=0.4) KAI το τιμόνι δε λειτουργεί (CF=0.2) Υπολογισμός CF if-part= min (0.4, 0.2) = 0.2 Διάζευξη: CF(if-part)=max (CF(premise1) OR CF(premise2) OR …) ΕΑΝ τα φρένα είναι σπασμένα (CF=0.4) Ή το τιμόνι δε λειτουργεί (CF=0.2) Υπολογισμός CF if-part= max (0.4, 0.2) = 0.4 31

33 Συντελεστές Βεβαιότητας Κανόνα CF(rule)=CF(if-part)*CF(then-part) 32 ΕΑΝ τα φρένα είναι σπασμένα (CF=0.4) KAI το τιμόνι δε λειτουργεί (CF=0.2) ΤΟΤΕ θα γίνει δυστύχημα (CF=0.9) CF(rule) = CF(if-part)*CF(then-part) = min (CF if_part) * ( CF then_part) = 0.2*0.9=0.18

34 Συντελεστής βεβαιότητας ενός σύνθετα παραγόμενου συμπεράσματος (1 από 3) Παράδειγμα εύρεσης συντελεστή αβεβαιότητας (CF): Γεγονότα η ταχύτητα είναι ασταθής (0.8) ο ήχος είναι διαταραγμένος (0.6) υπάρχουν παράσιτα (0.9) υπάρχει φωτεινό σήμα (1.0) 33 CF(fact)= min(CF(rule1),...,CF(ruleN))

35 Συντελεστής βεβαιότητας ενός σύνθετα παραγόμενου συμπεράσματος (2 από 3) 34 Κανόνας 1: Εάν η κασέτα δεν κινείται και η συσκευή δεν ηχογραφεί και δεν υπάρχει φωτεινό σήμα Τότε δεν έχει ενεργοποιηθεί η συσκευή (βεβαιότητα 0.85) Κανόνας 2: Εάν η ταχύτητα είναι ασταθής και ο ήχος είναι διαταραγμένος και υπάρχουν παράσιτα Τότε η κεφαλή είναι βρώμικη (0.8) (0.6) (0.9) (βεβαιότητα 0.75) Κανόνας 3: Εάν υπάρχει φωτεινό σήμα και η κασέτα δεν κινείται και η συσκευή δεν ηχογραφεί Τότε η συσκευή είναι στην παύση(βεβαιότητα 0.75) Κανόνας 4: Εάν η κεφαλή είναι βρώμικη Τότε καθάρισε την κεφαλή και θα αντιμετωπιστεί το πρόβλημα(βεβαιότητα 0.80)

36 Σειρά εκτέλεσης κανόνων: Κανόνας 2: Κεφαλή βρώμικη με CF= (min (0.8, 0.6, 0.9, 1.0))*0.75=0.6*0.75=0.45 Κανόνας 4: καθάρισε την κεφαλή και θα αντιμετωπιστεί το πρόβλημα με βεβαιότητα: 0.45*0.8=0.36 Τελική Βεβαιότητα Συμπεράσματος min (0.45, 0.36)=0.36 35 Κανόνας2: Εάν η ταχύτητα είναι ασταθής και ο ήχος είναι διαταραγμένος και υπάρχουν παράσιτα Τότε η κεφαλή είναι βρώμικη (βεβαιότητα 0.75) Κανόνας4: Εάν η κεφαλή είναι βρώμικη Τότε καθάρισε την κεφαλή και θα αντιμετωπιστεί το πρόβλημα (βεβαιότητα0.8) η ταχύτητα είναι ασταθής (0.8) ο ήχος είναι διαταραγμένος (0.6) υπάρχουν παράσιτα (0.9) υπάρχει φωτεινό σήμα (1.0) Συντελεστής βεβαιότητας ενός σύνθετα παραγόμενου συμπεράσματος (3 από 3)

37 Υπολογισμός Βεβαιότητας Συστήματος Οι CFs των συνδυασμών των κανόνων μπορεί να δίνονται και ως εξής: 36 CF rule A & B = CFA + CFB εάν CFA or CFB < 0 1-min[CFA,CFB] CFΑ + CFΒ(1+CFΑ) εάν CFΑ&CFΒ <0 CFA + CFB(1-CFA) εάν CFA& CFB >0

38 Ασαφής Λογική (Fuzzy logic) Αρχή της ασάφειας: τα πάντα είναι ζήτημα βαθμού συμμετοχής Τα ασαφή σύνολα είναι μια κλάση αντικειμένων με όχι σαφή όρια: Οι Έλληνες είναι κοντοί 37

39 Ασαφής Συλλογιστική (Fuzzy Logic) (1 από 2) Εξαγωγή συμπερασμάτων με χρήση ασαφών κανόνων.  Τέσσερα στάδια: – Υπολογισμός του βαθμού συμμετοχής (σχέση συνεπαγωγής) στο ασαφές σύνολο, για κάθε εμπλεκόμενου ασαφούς δεδομένου. – Παραγωγή επιμέρους αποτελεσμάτων κανόνων μέσω κάποιας συλλογιστικής διαδικασίας. – Συνάθροιση των επιμέρους αποτελεσμάτων. – Αποσαφήνιση αποτελεσμάτων. 38

40 Ασαφής Συλλογιστική (Fuzzy Logic) (2 από 2) 39 Ασαφής Λεκτική Περιγραφή Προβλήματος Ασαφείς Κανόνες Ασαφείς τιμές Υπολογισμός Σχέσεων Συνεπαγωγής Υπολογισμός Συναρτήσεων Συμμετοχής GMP η GMT Συνάθροιση Αποτελεσμάτων Αποσαφήνιση Αποτελεσμάτων

41 Ασαφείς Κανόνες (Fuzzy rules) Ένας ασαφής κανόνας συσχετίζει ασαφείς έννοιες σε μια μορφή υποθετικών προτάσεων: ΕAΝ η κίνηση είναι πυκνή ΤΟΤΕ διατήρησε το πράσινο φως περισσότερο χρόνο ΕΑΝ κάνει κρύο ΤΟΤΕ φόρεσε βαριά ρούχα Η αναλυτική περιγραφή ενός ασαφούς κανόνα if-then είναι μία ασαφής σχέση R(x,y) που ονομάζεται σχέση συνεπαγωγής (implication relation) 40

42 Σχέσεις συνεπαγωγής 41 F(x) 1.0 0.8 0.2 8 10 22 40 θερμοκρασία κρύο ζέστη καύσωνας Η σχέση συνεπαγωγής F(x) είναι μια συνάρτηση από ένα χώρο στο διάστημα [0, 1].

43 Συνάρτηση Συμμετοχής (membership function) (1 από 2)  Δεδομένων δυο συνόλων A και Β, η συνάρτηση Συμμετοχής μιας τομής συνόλων είναι: F A and B (x) = min (F A (x),F B (x)) F ζέστη και κρύο (10) = min (F ζέστη (10),F κρύο (10)) = min (0.2, 0.8)= 0.2  Συνάρτηση συμμετοχής μιας ένωσης συνόλων είναι: F A or B (x) = max (F A (x),F B (x)) F ζέστη ή καύσωνας (22) = max (F ζέστη (22),F καύσωνας (22)) = max(1.0, 0.0) = 1.00 42

44 Συνάρτηση Συμμετοχής (membership function) (2 από 2) Ως συνάρτηση συνεπαγωγής μπορεί επίσης να χρησιμοποιηθεί μια sigmoid ή triangular ή trapezoid συνάρτηση Για τον προσδιορισμό της τιμής της αλήθειας (truth value) που αφορά όλους τους κανόνες που πυροδοτούνται σε ένα σύστημα μπορούμε να χρησιμοποιήσουμε την max-min μέθοδο όπου η τελική τιμή αλήθειας, δίνεται από τη συνάρτηση συνεπαγωγής:  = max [(min (F 11, F 12 ), min (F 21, F 22 ), …] Εκτός της max-min συνάρτησης συνεπαγωγής υπάρχουν και άλλες περισσότερο πολύπλοκες όπως η moments approach. 43

45 Παράδειγμα εφαρμογής Ασαφούς λογικής: (1 από 2) Με τη μέθοδο max-min (διαγραμματική επίλυση): Κανόνας1: Εάν η θερμοκρασία είναι κρύα και η πίεση είναι αδύνατη Τότε η κίνηση της βαλβίδας είναι θετικά υψηλή (PL) Κανόνας2: Εάν η θερμοκρασία είναι δροσερή και η πίεση είναι χαμηλή Τότε η κίνηση της βαλβίδας είναι θετικά μέτρια (PM) Κανόνας3: Εάν η θερμοκρασία είναι δροσερή και η πίεση είναι ΟΚ Τότε η κίνηση της βαλβίδας είναι μηδενική (ZR) Κανόνας4: Εάν η θερμοκρασία είναι κρύα και η πίεση είναι δυνατή Τότε η κίνηση της βαλβίδας είναι αρνητικά μέτρια (NΜ) 44

46 Σχέσεις συνεπαγωγής θερμοκρασίας 45 100 220 330 κρύο δροσερό χλιαρό ζεστό καυτό 1 0.48 0 θερμοκρασία ο C

47 Σχέσεις συνεπαγωγής πίεσης 46 100 800 2300 αδύνατη χαμηλή ΟΚ δυνατή υψηλή 1 0.57 0.25 0 Πίεση, Pa

48 Σχέσεις συνεπαγωγής για κίνηση βαλβίδας 47 -600 0 +600 ΝL ΝΜ ΝS ZR PS PM PL 1 0.4 8 0 Κίνηση βαλβίδας

49 Εφαρμογή απλής συνάρτησης συμμετοχής Δεδομένα: Θερμοκρασία: 150ο C Πίεση: 800 Pa Βάσει των δεδομένων οι κανόνες που πυροδοτούνται είναι ο 2 και ο 3. Κανόνας 2: min (F2Α(θερμοκρασία),F2Β(πίεση)) = min(0.48, 0.57)= 0.48 Κανόνας 3: min (F3Α(θερμοκρασία),F3Β(πίεση)) = min(0.48, 0.25)= 0.25 Επομένως: ℛ = min(0.48, 0.25)= 0.25 48 Κανόνας 2: Εάν η θερμοκρασία είναι δροσερή και η πίεση είναι χαμηλή Τότε η κίνηση της βαλβίδας είναι θετικά μέτρια (PM) Κανόνας 3: Εάν η θερμοκρασία είναι δροσερή και η πίεση είναι ΟΚ Τότε η κίνηση της βαλβίδας είναι μηδενική (ZR)

50 Τέλος Ενότητας