Intelligens Rendszerek I. Tudásbázis létrehozása, tudásábrázolás

Átírás

1 Intelligens Rendszerek I. Tudásbázis létrehozása, tudásábrázolás 2007/2008. tanév, I. félév Dr. Kovács Szilveszter Miskolci Egyetem Informatikai Intézet 106. sz. szoba Tel: (46) / mellék Helyettesítő előadó: Johanyák Zsolt Csaba

2 Ágens Szűkebb értelmezés: Az ágens olyan rendszer, amely környezetbe ágyazott, reaktív: érzékel és reagál, racionális: helyesen cselekszik. Lehet autonóm: saját tapasztalatai alapján, emberi beavatkozás nélkül működik. Lehet reflexszerű, cél, vagy hasznosságvezérelt. Dr. Kovács Szilveszter M.I. 7. / 2.

3 Tudásbázisú ágens Ismeri környezetét Kikövetkezteti cselekvéseit Képes új feladatok elfogadására Autonóm alkalmazkodik a környezetváltozásokhoz Ismeri cselekvései eredményeit Dr. Kovács Szilveszter M.I. 7. / 3.

4 A tudás mint központi fogalom Egy szakterület ismereteinek halmaza Christopher F Chabris: tudás = az elvégezni kívánt feladat végrehajtásában hasznosnak bizonyuló bármely ismeret Az emberi intelligenciával összemérhető képességű gépi intelligenciának rendelkeznie kell az ember általános tudásával. Az ilyen tudással, ismerethalmazzal bíró mesterséges rendszer intelligenciája ezen ismerethalmaz szervezésétől függ. Dr. Kovács Szilveszter M.I. 7. / 4.

5 Tudás Felszíni tudás rutin jellegű ismeretek, tapasztalatok heurisztikák Lényegi tudás elméletek alapelvek Dr. Kovács Szilveszter M.I. 7. / 5.

6 A tudás mint központi fogalom A tudás szervezésének, reprezentálásának lényege: azok a formai (szintaktikai) és tartalomra vonatkozó (szemantikai) szabályok, melyeket az adott tudásábrázolási forma rögzít. Szintaktika = formai szabályok, a formalizáláshoz alkalmazható elemek, szimbólumok készlete, a formailag helyes összetett egységek szerkezete. Szemantika= a tartalomra vonatkozik, megadja a formai elemek, egységek kezelésének tudnivalóit, az alkalmazásukra vonatkozó szabályokat. Az ágens ezekben a szintaktikailag helyes mondatokban hisz Ezek a szabályok a természetes formában rendelkezésre álló tudáselemek gépi ábrázolásához is fontosak. Dr. Kovács Szilveszter M.I. 7. / 6.

7 A tudásábrázolás szükségessége A valós világ objektumairól, azok viszonyáról, kapcsolataikról rendelkezésre álló ismeret ritkán adódik a számítógép által kezelhető formában. Ahhoz, hogy a számítógép az ismereteket tárolni, kezelni tudja, azok kódolására van szükség. A kódolás módja nagyban kihat a gép általi feldolgozás gyorsaságára, hatékonyságára, a tárolt tudáson alkalmazható gépi műveletekre, mint pl. keresések, illesztések, összehasonlítások, láncolások, kapcsolatok kialakítása, stb. A megfelelő ismeretstruktúrát alkalmazó tudásábrázolás az MI kulcskérdése. Oka: korlátos gépidő és tárkapacitás. Dr. Kovács Szilveszter M.I. 7. / 7.

8 A tudásábrázolás szükségessége Súlypontáthelyeződés: Statikus ismeretek gyűjtése önszervező ismeretábrázoló modellek Tanulóképesség fontossága Előtérbe kerül a szimbolikus jelleg A fogalom jelentése: mindaz, ami hozzá asszociálódott Asszociáció létrejöttének feltétele: térbeli, időbeli közelség. Dr. Kovács Szilveszter M.I. 7. / 8.

9 A tudásábrázolás elvárt jellemzői Patrick Winston szerint 1. A fontos dolgokat világosan adja meg. 2. Fedje fel a természetes korlátokat, megkönnyítve a számítások néhány fajtáját. 3. Legyen teljes. 4. Legyen tömör. 5. Legyen átlátható számunkra. 6. Legyen alkalmas gyors feldolgozásra. 7. Rejtse el a részleteket, de tegye elérhetővé azokat szükség esetén. 8. Létezzen rá számítógépi eljárás. A jó tudásábrázolás az MI feladatok megoldásánál fél siker. Dr. Kovács Szilveszter M.I. 7. / 9.

10 Tudástípusok Deklaratív Strukturált Procedurális Dr. Kovács Szilveszter M.I. 7. / 10.

11 Deklaratív tudás Csak ismeretek, összefüggések és alkalmazási utasítások nélkül Leírása: logikai kifejezések fogalmak objektumok Technikák: formális logika O-T-É hármas autó A: napos az idő B: nyár van C: meleg van A Λ B C: A és B implikálja C-t szín sárga objektum tulajdonság érték Dr. Kovács Szilveszter M.I. 7. / 11.

12 Strukturált tudás Fogalmak, objektumok közötti kapcsolatok Leírás: grafikusan szabálycsoportok Technikák: szemantikus háló keret (frame) forgatókönyv, táblázat szabálycsoport Dr. Kovács Szilveszter M.I. 7. / 12.

13 Szemantikus háló Dr. Kovács Szilveszter M.I. 7. / 13.

14 Keret grafikusan Dr. Kovács Szilveszter M.I. 7. / 14.

15 Procedurális tudás Megadja, hogyan kell a problémát megoldani Leírása: szabályok eljárások függvények célok Technikák: szabály eljárás, függvény agenda stratégia Dr. Kovács Szilveszter M.I. 7. / 15.

16 Tudásábrázolási módszerek Szimbolikus logika (ítéletkalkulus, elsőrendű logika) (kijelentés kalkulus, predikátum kalkulus) Szabályalapú rendszerek Szemantikus hálók Keretek, script-ek Neurális hálózatok Modellalapú Hibrid Deklaratív Strukturált Procedurális Dr. Kovács Szilveszter M.I. 7. / 16.

17 Ismeretgyűjtés Tudás átalakítás rendszerezés formalizálás gépi ábrázolás Tudásbázisba szervezés A tudásbázis létrehozása és karbantartása Nincs tökéletes elméletileg megalapozott megoldás A tárgyterület változásait figyelembevevő, folyamatos tudásbázis aktualizálást igényel Operacionalizálás Humanizálás Dr. Kovács Szilveszter M.I. 7. / 17.

18 A tudásfeldolgozási folyamat vízesésmodellje Dr. Kovács Szilveszter M.I. 7. / 18.

19 A tudásszerzés és feldolgozás Tárgyterületi ismeretek forrásainak feltárása, elemzése, rendszerezése, finomítása. Összegyűjtött ismeretanyag formalizálása számítógéppel feldolgozható formára alakítása Dr. Kovács Szilveszter M.I. 7. / 19.

20 Elemzés Tudás egységek felismerése és megjelölése a protokollok vizsgálata alapján A felismert egységek elemzése révén: kialakítható egy szótár, amely objektumokat, fogalmakat, szabályokat és ezek jellemzőit tartalmazza relációk állapíthatók meg fogalmak, objektumok között struktúrába rendezhetők a felismert egységek Az elemzés révén kialakul egy absztrakt modell (ontológia), amely a különböző tudásegységek összefüggéseit ábrázolja Dr. Kovács Szilveszter M.I. 7. / 20.

21 Számítógéppel feldolgozható formára alakítás Az interpretáció absztrakt modelljét át kell írni egy alkalmazható tudásábrázolási formába, vagy modellezni kell a problémát, és a modell alapján kell tudásábrázolási formát választani Dr. Kovács Szilveszter M.I. 7. / 21.

22 A tudásalapú rendszerek fejlesztésének szereplői Tárgyterületi szakértő: akinek a tudását szeretnénk megszerezni Tudásmérnök: aki jól ismeri a tudásszerzés módszereit Rendszerszervező: főleg integrált alkalmazások esetén Tudásbázis-adminisztrátor: komolyabb tudásalapú projektek esetén Dr. Kovács Szilveszter M.I. 7. / 22.

23 Tudásfeldolgozás A tudásfeldolgozás az a folyamat, amelyben a szintetizált tudást a számítógépbe juttatjuk abból a célból, hogy a problémákat a tudásbázison végzett elektronikus szimbolikus manipulációval és következtetéssel megoldjuk. Egyben az a tudomány, mely a szakértőrendszerek készítésével foglalkozik. A tudásfeldolgozással (Knowledge Engineering) a tudásmérnök (Knowledge Engineer) foglalkozik. A gazdaságos és hatékony ismeretalapú rendszer létrehozásának kulcskérdése a megfelelő tudásfeldolgozás. A tudásalapú rendszerek fejlesztésének egyik első teendője a tudásgyűjtés (Knowledge Acquisition). Egyben ez a tudásmérnök munkájának egyik legfelelősségteljesebb része is. Dr. Kovács Szilveszter M.I. 7. / 23.

24 Tudásgyűjtés, tudáskinyerés Tudásgyűjtés, tudáskinyerés az a folyamat, amelynek feladata beazonosítani, kinyerni, dokumentálni és elemezni a szakterület szakértőjének információfeldolgozó tevékenységét abból a célból, hogy meghatározásra kerüljön egy szakértőrendszer tudásbázisa és következtető automatája. A tudáskinyerésnégyfőszakasza: 1. Az előzetes tudás és problématartomány feltárása 2. Az információforrások beazonosítása 3. A részletes tudás kinyerése a forrásokból 4. A kinyert tudás elemzése, kódolása és dokumentálása. Dr. Kovács Szilveszter M.I. 7. / 24.

25 Előzetes tudásfeltárás Célja: a rendszer által kezelendő problémák tartományának, a problématartomány jellemzőinek, a tématerület tudásmennyiségének behatárolása, a felhasználók elvárásainak megismerése, néhány tipikus következtetési fordulat megismerése, a szakértők szakterülettel kapcsolatos elképzeléseinek megismerése, fő szabályok és koncepciók definiálása. Eszközei: előzetes archívum-kutatások, konzultációk szakértőkkel. Dr. Kovács Szilveszter M.I. 7. / 25.

26 Előzetes tudásfeltárás A háttér felkutatása A tudáskinyerésnek előfeltétele Célja: A szakterület háttértudásának szókincsének szokásos elveinek megismerése. Források: szaklapok, könyvek, kezelési leírások, egyéb dokumentumok, konzultációk szakértőkkel, felhasználókkal. Dr. Kovács Szilveszter M.I. 7. / 26.

27 Előzetes tudásfeltárás A problématartomány behatárolása Az alkalmazási tartomány felosztása alterületekre: Oszd meg és uralkodj! Egy alterület a problémák, adatbázisok, szakértelem független rendszere Minden alterületre meghatározandó a problémák elsődleges típusa, az alkalmazás jellegzetességei, stb. Prototípus-tartomány választása Célja: bizalomszerzés és tapasztalatszerzés Oka: a szakértőrendszerek kifejlesztése bonyolult és időigényes. Előnyös: olyan alterület kiválasztása, amely viszonylag független, a felhasználó számára hasznos. Dr. Kovács Szilveszter M.I. 7. / 27.

28 Előzetes tudásfeltárás A dokumentálás szükségessége: A Tudás Kézikönyv A kezdeti feltáró munka végén a tudásmérnöknek egy dokumentummal kell rendelkeznie, egy kézikönyv formájában, melynek a következőket kell tartalmaznia: Az általános problémaleírást Kik a felhasználók és milyen elvárásokkal Alproblémákra és résztartományokra való lebontást a későbbi tudáskinyeréshez Egy részletesebb leírást a résztartományokról, melyet fel lehet használni a prototípusfejlesztésben A referencia dokumentumok nyilvántartását A szakterület terminológiájának, elveinek, szakkifejezéseinek listáját A prototípus kifejlesztésében közreműködő szakértők nevét Néhány ésszerű teljesítménymutatót a rendszer számára A tipikus következtetési módszer leírását. Dr. Kovács Szilveszter M.I. 7. / 28.

29 Információforrások A szakterület szakértőjének kiválasztása A szakértő az, aki speciális szakértelmet birtokol, hordoz magában, vagy mutat, illetve olyan tudást, melyet gyakorlással, vagy tapasztalással szerzett. A tartomány szakértőjének hitelessége A szakértőnek hitelesnek kell lennie a felhasználók előtt, a projekt team előtt, a szakértők közössége előtt, a szervezet vezetése előtt. A szakértő motiválása A sikeres tudáskinyerés záloga: az eddigi a tudás hatalom elvesztése... Helyi és kozmopolita szakértők eltérő motiválást igényelnek. Dr. Kovács Szilveszter M.I. 7. / 29.

30 A tudáskinyerés A tudáskinyerés tárgya A tudáskinyerés tárgyát előzetes tudásra és részletes tudásra bontjuk. Az előzetes tudás kinyerése Az előzetes tudáskinyerés tárgya a bevezető interjúk és konzultációk alatt a következő: Az alap-, gyakran primitívnek nevezett terminusok és elvek beazonosítása A rendszer tipikus inputjainak és outputjainak behatárolása A tipikus megoldások, vagy megoldási osztályok behatárolása A rendszer kezdeti implementációjához problémakezelő stratégiák találása. Dr. Kovács Szilveszter M.I. 7. / 30.

31 A tudáskinyerés A részletes tudás kinyerése A részletes tudás kinyerésének tárgya a terület szakértőjétől a privát tudásának megszerzése, mely tudás több éves tanulást és tapasztalatot tükrözhet. A részletes tudás kinyerése magába foglalja: A változatos adatok és szabályok közötti viszonyok beazonosítását A szabályok hierarchiájának beazonosítását Az adatok relatív értékének és fontosságának megítélését Az adatok bizonyosságának és relatív valószínűségének megítélését A szakértő közelítései alapjának meghatározását A feladatok prioritásának és sorrendjének megítélését A szabályok és a következmények közötti konfliktusok megoldásának meghatározását Dr. Kovács Szilveszter M.I. 7. / 31.

32 A tudáskinyerés A részletes tudás kinyerése magába foglalja továbbá: A problémamegoldás alternatív lehetőségeinek felismerését A következtetésekben elvégezhető ésszerűsítések meghatározását Részletes válaszokat a várt és a váratlan szituációkra A különféle szabályokban, eredményekben és adatokban való hit fokának megadását A különféle célok és részcélok követelményeinek megértését Megfelelő teljesítménymércék meghatározását. Dr. Kovács Szilveszter M.I. 7. / 32.

33 Tudáskinyerési módszerek Szakértő bevonásával Ismeretgyűjtés Szakértő nélkül Többdimenziós értékadás (MDS) Közvetett Közvetlen Automatikusan megfigyelésből Rendezett fák (OTR) Szakirodalomból adatbányászat Johnson féle hierarchikus csoportosítás Súlyozott hálók (RGA) Kérdőívek kitöltése Protokoll elemzés Fókuszálás Megfigyelés valós környezetben Megszakítások utáni elemzés Interjú Dr. Kovács Szilveszter M.I. 7. / 33.

34 A tudáskinyerés közvetlen módszerei Interjú, Protokoll elemzés, Megszakítások utáni elemzés, Végigvezetés, Kérdőív kitöltése, Szakértői beszámoló, Megfigyelés valós környezetben Fókuszálás Fogalmak hierarchikus elrendezése Dr. Kovács Szilveszter M.I. 7. / 34.

35 Tudáskinyerési technikák - Interjú Interjú Különösen az előzetes információ kinyerésére előnyös. Két típusa: strukturálatlan és nyitott-végű. A strukturálatlan interjúnál a tudásmérnök engedi a szakértőnek, hogy elveket, terminológiát mutasson be és meghatározza az interjú menetét. A tudásmérnök csak rögzít. A nyitott-végű interjú feltételezi, hogy a tudásmérnök rendelkezik előzetes háttér-információkkal. A tudásmérnök irányítja az interjú menetét kérdésekkel, de a szakértő szabadon válaszolhat, vagy kitérhet a válaszadás elől. Egyéb: csoportos interjú. Dr. Kovács Szilveszter M.I. 7. / 35.

36 Tudáskinyerési technikák - Interjú Lehetséges témák: Tárgyköri fogalmak és összefüggéseik - rutin esetek, érdekes/speciális esetek, problématípus és jellemző megoldási módszerek, bizonytalanság forrásai és jellege stb. Interjú-szabályok: Tervkészítés és megvitatás: optimális időtartam ülésre/résztémára fokozatos közelítés és türelem megértett ismeretek különösen fontosak a kulcsfogalmaknál rögzítés és empátia Dr. Kovács Szilveszter M.I. 7. / 36.

37 Tudáskinyerési technikák - Interjú Kiértékelési módszerek: résztémák végén fiktív szerepcsere prototípus készítése/használata, eddig készített dokumentáció felülbírálata végfelhasználók ill. szakértők bevonása Hibaforrások: a szakértő éppen a lényeget nem mondja el, mást mond el, és másként dolgozik Reprezentációs gát : igyekszik a géphez alkalmazkodni Dr. Kovács Szilveszter M.I. 7. / 37.

38 Tudáskinyerési technikák - Protokoll elemzés Protokoll elemzés Ez a leggyakrabban alkalmazott tudáskinyerési módszer a részletes tudás kinyerésére. A szakértő a problémahelyzetben hangosan gondolkodik, amit a tudásmérnök lejegyez vagy magnóra rögzít - ez a protokoll A protokoll a szakértő információ-feldolgozó tevékenységének és döntéshozó viselkedésének lépésről lépésre történő rögzítése. Számtalan speciális formája létezik. Dr. Kovács Szilveszter M.I. 7. / 38.

39 Tudáskinyerési technikák - Protokoll elemzés Lehetséges témák: az elemzés dimenziójának meghatározása fogalmak/részfogalmak és kapcsolataik meghatározása ha akkor kapcsolatok tisztázása a feladat modelljének elkészítése Dr. Kovács Szilveszter M.I. 7. / 39.

40 Tudáskinyerési technikák Megszakítások utáni elemzés Protokoll elemzés, de a tudásmérnök csak az általa nem értett helyzetekre készít protokollt Dr. Kovács Szilveszter M.I. 7. / 40.

41 Tudáskinyerési technikák Végigvezetés A végigvezetés is a tudáskinyerés általánosan alkalmazott formája. A tudásmérnök megkéri a szakértőt, hogy vezesse őt végig a feladat megoldásában és felügyelje. Kérdőívek szabad-végű, rövid válaszos erőltetett válaszos. Dr. Kovács Szilveszter M.I. 7. / 41.

42 Tudáskinyerési technikák Szakértői beszámoló A szakértő saját írásos összegzése a problémamegoldó viselkedéséről. Kétféle forma: A szakértő megadja: feladat megközelítési módszerét, stratégiáját, a szabályokat, melyeket használ, a szükséges adatokat, az eredményt. A tudásmérnök: feldolgozza a beszámolót, kinyeri az ismereteket. A szakértő formálisan, például folyamatábra alakjában adja meg az általa követett döntéshozás lépéseit, mentesítve ezen feladat alól a tudásmérnököt. A szakértői beszámolók alkalmazása korlátozott. Dr. Kovács Szilveszter M.I. 7. / 42.

43 Tudáskinyerési technikák Megfigyelés valós környezetben A tudásmérnök megfigyeli a szakértő által alkalmazott probléma megoldási módszertant Megfigyeléseiről folyamatosan jegyzeteket készít A jegyzeteket a szakértő utólag átnézi, és magyarázatot fűz hozzájuk Dr. Kovács Szilveszter M.I. 7. / 43.

44 Tudáskinyerési technikák Fókuszálás A tudásmérnök és a szakértő a megfigyelési teret leszűkítik sikert ígérő területekre Az ott nyert tapasztalatokat általánosítják és formalizálják Dr. Kovács Szilveszter M.I. 7. / 44.

45 Tudáskinyerési módszerek Szakértő bevonásával Ismeretgyűjtés Szakértő nélkül Többdimenziós értékadás (MDS) Közvetett Közvetlen Automatikusan megfigyelésből Rendezett fák (OTR) Szakirodalomból adatbányászat Johnson féle hierar - chikus csoportosítás Súlyozott hálók (RGA) Kérdőívek kitöltése Protokoll elemzés Fókuszálás Megfigyelés valós környezetben Megszakítások utáni elemzés Interjú Dr. Kovács Szilveszter M.I. 7. / 45.

46 A tudáskinyerés közvetett módszerei Többdimenziós értékadás (MDS) Johnson-féle hierarchikus csoportosítás Visszaidézésből származó rendezett fák módszere (OTR) Súlyozott hálók - RGA (Repertory Grid Analysis) Dr. Kovács Szilveszter M.I. 7. / 46.

47 A tudáskinyerés közvetett módszerei - Többdimenziós értékadás Multi Dimensional Scaling Cél: az összetartozó fogalmak mögött rejlő, ismeretlen adatstruktúrát meghatározása Lépések a szakértő megadja a tárgyterület fogalmait páronként megadja a fogalmak egymáshoz viszonyított távolságát valamilyen előre meghatározott metrikát alkalmazva pl. a [0,1] intervallumba leképezve a távolságokat a távolságok szimmetrikusak, tehát n*n-es mátrix helyett egy háromszögmátrixban tárolhatók Dr. Kovács Szilveszter M.I. 7. / 47.

48 A tudáskinyerés közvetett módszerei - Többdimenziós értékadás A fogalmak két vagy többdimenziós térben történő ábrázolása Ha a szakértő által adott távolságértékek ellentmondásosak, korrekciók végrehajtása az eredeti távolságokon Az így nyert távolságok a szakértő által el nem mondott, rejtett összefüggéseket is felszínre hozhatnak Dr. Kovács Szilveszter M.I. 7. / 48.

49 Forrás: Wikipedia Dr. Kovács Szilveszter M.I. 7. / 49.

50 Forrás: Dr. Kovács Szilveszter M.I. 7. / 50.

51 A tudáskinyerés közvetett módszerei - Johnson-féle hierarchikus csoportosítás Kiinduló adatok: a tárgyterületi objektumok hasonlósági értékeit tároló háromszög-mátrix Lépések: A fogalmak rendezett osztályokba sorolása, fastruktúrájú gráfokkal ábrázolva azokat Az egymáshoz legközelebb eső objektumok összevonása egy osztályba, a mátrixot ennek megfelelően redukálva, majd ismét összevonás végrehajtása Az eljárás ismétlése addig, míg a mátrix egyetlen elemű nem lesz Dr. Kovács Szilveszter M.I. 7. / 51.

52 A tudáskinyerés közvetett módszerei - Visszaidézésből származó rendezett fák módszere Cél: a szakértő hierarchikusan ábrázolható ismereteinek felszínre hozása A szakértő emlékezetből felsorolja a tárgyterület objektumait, majd új és új induló objektumokat választva újra felsorolja azokat. Az összetartozó objektumok egymás mellett vagy egy csoportban kerülnek felsorolásra Mintázatok ismerhetők fel Az objektumok hierarchikus fa-struktúrába rendezhetők Dr. Kovács Szilveszter M.I. 7. / 52.

53 A tudáskinyerés közvetett módszerei - RGA (Repertory Grid Analysis) Cél: A tárgyterület objektumainak, azok attribútumainak feltárása, a rejtett struktúrák és kapcsolatok felszínre hozása. Alapelv: G.A. Kelly pszichológiai elméletére épül Kelly szerint az emberi gondolkodás kulcsfogalma a personal construct (PC), egy olyan szemléleti alapeszköz, amely valamilyen ellentétpárt jelöl Ezen alapeszközök segítségével értelmezi az ember a világot, írja le a tevékenységeket az RGA módszer elemei: PC (Personal Construct) RG (Repertory Grid) RGA elemző módszer Dr. Kovács Szilveszter M.I. 7. / 53.

54 A tudáskinyerés közvetett módszerei PC (Personal Construct) G.A. Kelly Szemléleti alapeszköz a valóság megértésére. Jellemzője a fogalmi prioritások (pl. okos/buta), melyek segítenek az embernek tájékozódni a világban a PC-k valamilyen rendszerré alakulnak agyunkban, amelyek részleteit tapasztalataink alapján folyamatosan megerősítjük vagy átalakítjuk Dr. Kovács Szilveszter M.I. 7. / 54.

55 A tudáskinyerés közvetett módszerei RG (Repertory Grid) Egy mátrix (rács) minden sora egy PC jellemzőpárhoz van rendelve (pl. hatékony/nem hatékony) Minden oszlopa a vizsgált fogalomtér egy objektumához van rendelve A mátrix egy rácspontjában szerepel, hogy az adott objektum a PC jellemzőpárja által képviselt szélsőértékek között hol helyezkedik el pl. egy 1 és 5 közötti értékkel lehet kifejezve Dr. Kovács Szilveszter M.I. 7. / 55.

56 A tudáskinyerés közvetett módszerei RGA (Repertory Grid Analysis) Lépések: Az objektumok kezdeti felsorolása (az indulásnál elegendő 6-10 objektum) PC-k felsorolása, olyan jellemzőpárok szükségesek, amelyek megkülönböztetik az egyes objektumokat, objektum csoportokat Minden objektumhoz egy pont rendelése a PC-k által kifeszített n dimenziós térben Csoportképzés és elemzések a távolságértékek alapján [fuzzy szabályok felírása] [több szakértő megközelítésének összehasonlítása] Dr. Kovács Szilveszter M.I. 7. / 56.

57 A tudáskinyerés közvetett módszerei RGA (Repertory Grid Analysis): Példa A táblázat egy intézmény alkalmazottainak minősítése során készült, egy RG mátrixot mutat be: A mátrix paraméterei: objektum (alkalmazott): PC (attribútum): minősítés (értéktartomány):[1,2,3,4,5] Dr. Kovács Szilveszter M.I. 7. / 57.

58 PC PC 1 okos buta 2 készséges vonakodó 3 új fiú típus öreg róka típus 4 irányítást nem igénylő irányítást igényel 5 motivált nem eléggé motivált 6 megbízható kevéssé megbízható 7 könnyen kezelhető nehezen kezelhető 8 ötletember megfontolt, nyugodt 9 öntevékeny noszogatásra váró 10 kreatív nem kreatív 11 segítőkész nem segítőkész 12 hozzáértő kevésbé hozzáértő 13 jó áttekintő képességű gyenge áttekintő kép. 14 rendszerető rendetlen Dr. Kovács Szilveszter M.I. 7. / 58.

59 RGA (Repertory Grid Analysis): Példa Comfortable Practical Complicated Picturesque Large Heavy Extravagant Light Colours Merry Natural Materials Formal Modern Warm Friendly Easy to Handle Expensive Dr. Kovács Szilveszter M.I. 7. / 59.

60 RGA (Repertory Grid Analysis): Példa Comfortable Practical Complicated Picturesque Large Heavy Extravagant Light Colours Merry Natural Materials Formal Modern Warm Friendly Easy to Handle Expensive Dr. Kovács Szilveszter M.I. 7. / 60.

61 RGA (Repertory Grid Analysis): Példa Comfortable Practical Complicated Picturesque Large Heavy Extravagant Light Colours Merry Natural Materials Formal Modern Warm Friendly Easy to Handle Expensive Dr. Kovács Szilveszter M.I. 7. / 61.

62 RGA (Repertory Grid Analysis): Példa Very Not Comfortable Not A little bit Not Comfortable Comfortable? A little bit Comfortable Comfortable Very Comfortable Dr. Kovács Szilveszter M.I. 7. / 62.

63 A tudáskinyerés közvetett módszerei az RGA módszer előnyei és hátrányai Szubjektív az objektumok és PC-k megválasztásában, értékelésében (ez előny is és hátrány is) Erős oldala a fogalmak előhívása és a fogalomstruktúra megállapítása A PC-ket egyformán kezeli - súlyozásuk olykor szükségessé válhat Jól alkalmazható: elemző jellegű feladatoknál Nem alkalmazható jól: többrétegű kapcsolatoknál Dr. Kovács Szilveszter M.I. 7. / 63.

64 A tudáskinyerés közvetett módszerei Az RGA alkalmazási területei Pszichiátria, menedzsment Boeing repülőgép-gyárban 300-nál több alkalmazás Tudásalapú eszközök tudásszerzést támogató komponensét RGA funkciókkal is gyakran ellátják (pl. Nexpert Object) Dr. Kovács Szilveszter M.I. 7. / 64.

65 Tudáskinyerési módszerek Szakértő bevonásával Ismeretgyűjtés Szakértő nélkül Többdimenziós értékadás (MDS) Közvetett Közvetlen Automatikusan megfigyelésből Rendezett fák (OTR) Szakirodalomból adatbányászat Johnson féle hierarchikus csoportosítás Súlyozott hálók (RGA) Kérdőívek kitöltése Protokoll elemzés Fókuszálás Megfigyelés valós környezetben Megszakítások utáni elemzés Interjú Dr. Kovács Szilveszter M.I. 7. / 65.

66 Tudáskinyerés automatikus módszerei A tudáskinyerés szűk keresztmetszete : Kimarad a tudásmérnök. Példák alapján való következtetés Eszköze egy tanulóprogram elven működő szoftver, amely a szabályokat a szakértő által megoldott példafeladatokból nyeri. Ismeretmegszerző eszközök Ezek következtetés alkalmazása nélkül, a szakértővel közvetlenül, interaktív módon együttműködve szerzik meg és strukturálják a tudást. Dr. Kovács Szilveszter M.I. 7. / 66.

67 Tudáskinyerés automatikus módszerei Egy tudáskinyerési rendszerrel kapcsolatos elvárások Richard Hill szerint a következők: Közvetlen interaktív együttműködés a szakértővel tudásmérnök segítsége nélkül a teljes fejlesztési folyamat alatt Korlátlan, vagy legalább a problémák egy tág köréhez való alkalmazhatóság Betanító képesség, mely kiváltja a szakértő előzetes kiképzését, tájékoztatását Elemzőképesség, mellyel a rendszer bővülése közben feltárhatók az inkonzisztenciák, ellentmondások, tudáshiányok Sok tudásforrás egyesítésének képessége Emberközeli interfész, pl. természetes nyelv használata, mely révén a rendszer használata élvezetessé válik Képesség másféle, a szakterülethez megfelelő szakértőrendszer eszközökkel való kapcsolódásra. Dr. Kovács Szilveszter M.I. 7. / 67.

68 Gépi tanulás - adatbányászat Feleslegessé válik a szakértő is. Adatbázisokból való automatikus tudásszerzés A szakértőrendszerek on-line adatbázisokat fognak letapogatni, könyveket, folyóiratokat és magazinokat fognak digitalizálni. Más számítógépes rendszereken tárolt adatokat elektronikus vonalon lehívnak, hogy származtassák, vagy aktualizálják az ismeretbázist, mindezt emberi közreműködés nélkül. (korszerű keresőszerverek, pl. Google - adatbányászat) Az automatikus tudáskinyerés potenciális előnyei a következők: Jobb eredményeket érhetnek, mint az emberek, különösen amiatt, hogy az információkeletkezés egyre nagyobb méretű és az információ egyre komplexebb, és ily módon nagyobb szakértőrendszereket hozhatnak létre. Csökkentik a magas költségű emberi munkaerő iránti igényt és a tudásbázisok kifejlesztéséhez szükséges időt. Dr. Kovács Szilveszter M.I. 7. / 68.

69 A kinyert tudás elemzése, kódolása és dokumentálása Ebben a fázisban a következőket kell elvégezni: formális módszerekkel elemezni kell a kinyert tudást, dokumentálni kell a problématerületet érintő szabályokat, hálózatokat, viszonylatokat, jellemzőket. A dokumentálás helye a Tudás Kézikönyv. Dr. Kovács Szilveszter M.I. 7. / 69.

70 A kinyert tudás elemzése, kódolása és dokumentálása Az elemzés négy tipikus lépése a következő Átírás A szóbeli információk első írásos alakjának letisztázása, minden egyéb járulékos információt, például a technikai segédszemélyzet által rögzített vizuális anyagokat is beleértve. Szövegrész-indexelés Lényege az átirat tagolása rövid szövegrészekre, melyeket indexekkel látnak el. Egy ilyen egység célszerűen megfelel egy tudáselemnek, azaz egy elemi feladatnak, állításnak, vagy adategyüttesnek. Tudáskódolás Dokumentálás Dr. Kovács Szilveszter M.I. 7. / 70.

71 A kinyert tudás elemzése, kódolása és dokumentálása Az elemzés további lépései: Tudáskódolás Ebben a fázisban a tudást aszerint elemzik, hogy mivel foglalkozik, milyen típusú operátorokat, kiértékelési kritériumot és a választásokat és döntéseket megalapozó következtetéseket tartalmaz. Két fő kategória: a deszkriptív (leíró) és a procedurális (a problémamegoldásban alkalmazott eljárásokra, tevékenységekre vonatkozó) tudás. Dokumentálás Helye: a Tudás Kézikönyv. Részei: átfogó tartománylista, deszkriptív (leíró) tudás, procedurális (eljárásokra vonatkozó) tudás, szójegyzék. Dr. Kovács Szilveszter M.I. 7. / 71.

72 Ajánlott irodalom Jelen előadás fóliái részben az alábbi források alapján készültek: Stuart J. Russel Peter Norvig: Mesterséges Intelligencia modern megközelítésben, Panem-Prentice-Hall, Budapest, 2000, ISBN Dr. Dudás László: Mesterséges Intelligencia Módszerek, Miskolci Egyetem, Alkalmazott Informatikai Tanszék, Johanyák Zs. Cs.: Tudásgyűjtési módszerek és tapasztalatok egy szakértői rendszer fejlesztése során, FMTÜ '98 Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, március 20-21, ISBN , old. Dr. Kovács Szilveszter M.I. 7. / 72.