Professional Documents
Culture Documents
Ekspertni Sistemi
Ekspertni Sistemi
EKSPERTNI
SISTEMI
B A NJ A L U K A
EKSPERTNI SISTEMI
Recenzenti:
Prof. dr Zoran . Avramovi
Prof.dr Duan Starevi
Izdava:
Panevropski univerzitet "APEIRON"
Banja Luka
1. izdanje, godina 2006.
Odgovorno lice izdavaa,
DARKO Uremovi
Urednik:
JOVO Vojnovi, prof.
tampa:
"ART-PRINT", Banja Luka,
p.o., grafika - dizajn - marketing
Banja Luka
Odgovorno lice tamparije:
VLADIMIRA Stijak- Ilisi
Tira 500 primjeraka
ISBN 99938-29-24-2
SADRAJ
SADRAJ
PREDGOVOR
1.
1.1.
1.2.
2.
2.1.
2.2.
2.3.
2.4.
2.5.
3.
3.1.
3.2.
3.3.
3.4.
3.4.1.
3.4.2.
3.5.
4.
4.1.
4.2.
4.3.
4.4.
4.5.
4.5.1.
4.5.2.
5.
5.1.
5.2.
5.2.1.
5.2.2.
5.2.3.
5.2.4.
5.3.
5.3.1.
5.3.2.
6.
VJETAKA INTELIGENCIJA
POJAM VJETAKE INTELIGENCIJE
RAZVOJ VJETAKE INTELIGENCIJE
FUZZY SISTEMI
5
11
17
KVANTIFIKACIJA NEODREENOSTI
17
FUZZY SKUPOVI
18
OPERACIJE SA FUZZY SKUPOVIMA
21
OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVE
PRIMJENA FUZZY TEORIJE
24
NEURONSKE MREE
POJAM NEURONSKIH MREA
BIOLOKE NEURONSKE MREE
VJETAKE NEURONSKE MREE
OBUAVANJE NEURONSKIH MREA
25
25
30
32
36
38
42
45
47
62
64
MEHANIZAM ZAKLJUIVANJA
PROSTOR STANJA
AND OR GRAFOVI
67
72
74
78
80
82
84
86
89
90
59
22
6.1.
6.2.
6.2.1.
6.2.2.
90
94
7.
8.
9.
9.1.
9.2.
9.2.1.
9.2.2.
9.2.3.
9.2.4.
9.2.5.
110
121
LITERATURA
125
126
127
129
143
PREDGOVOR
U skoro svim aspektima ljudskih aktivnosti, ovjek se, kroz istoriju, trudio da sebi olaka bavljenje njima. Sa ciljem da
zadovolji tu svoju tenju, izumio je orua, alate, maine i na kraju ili novom poetku, izumio je kompjuter. Zato novi
poetak, pa pronalazak kompjutera omoguava da ovjek dio svojih znanja i "inteligencije" prenese na mainu, ime se ova
kvalifikuje da u potpunosti zamijeni ovjeka, u odreenim aktivnostima, to otvara itavu "novu knjigu" koja se tek pie.
Prisustvujemo, a da toga moda nismo ni svjesni, prevratu koji je u toku: ukidanju granica izmeu stvarnog i
naunofantastinog. Pomou mehanikih, elektronskih i energetskih produetaka i pomagala, opredmeena fikcija, u vidu
robota automata, tehnikih aparatura i inteligentnih maina, tijesno okruuje, vezuje i ve kontrolie stvarnost u svim
podrujima zivota. Pri tome, ono to uznemirava nije to to svijet u potpunosti postaje tehniki automatizovan, ve to da
ovjeanstvo uglavnom nije pripremljeno za ovu promjenu.
Teletehnologija, vjetaka inteligencija, neuronske mree, virtuelna realnost, digitalna televizija postaju stvarnost. ini se
da je ve sada, na pomolu 3001: konana odiseja futurologa Artura Klarka, ako i nije, da li je uspeh Dip Blua protiv
Kasparova u ahovskom meu vijeka, poruka da su na pomolu kompjuteri koji misle?
U poetku su se raunari koristili uglavnom za izvravanje raunskih operacija ali vrlo brzo je uoeno da oni mogu mnogo
vie, pa ak i da preuzmu vrenje odreenih intelektualnih operacija. Povoljni rezultati istraivanja naveli su neke od
naunika da daju preuranjene izjave kako se ubrzo moe konstruisati "mislea maina" ili "elektronski mozak".
Na dostignutom stepenu razvoja ljudsko drutvo je otvorilo brojna pitanja i probleme koji zbog svoje prirode trae zamjenu
ovjeka u procesu rada, brojni su procesi koji nose opasnost po ljudsko zdravlje za one koji ih izvravaju ili je obim i
sloenost problematike iznad mogunosti i znanja postojeih izvrilaca za ije rjeavanje je potrebno znanje eksperta ili je
u pitanju raspoloivost ljudskih eksperata. To je taka u kojoj se jasno artikulie potreba za kreiranjem ekspertnih
raunarskih sistema.
Autor
1. VJETAKA INTELIGENCIJA
1.1. POJAM VJETAKE INTELIGENCIJE
Vijekovima filozofe zaokuplja pitanje: moe li maina da misli? Smatra se da je Sokrat, oko 450. godine p.n.e. prvi
predskazao vjetaku inteligenciju, obraajui se svome atinskom drugu Eutifronu: "elim da znam ta je odlika
pobonosti koja svako djelovanje ini pobonim... u koju mogu da se pouzdam i da je koristim kao mjerilo kojim
prosuujem svoje djelovanje i djelovanje drugih ljudi". Najuporniji zastupnik vjetake inteligencije Marvin Minski, iz
Masausetskog instituta za tehnologiju (MIT), Sokratovo miljenje prilagoava savremenom poimanju, naglaavajui da
atinski mudrac trai "niz pravila koja nam govore iz asa u as kako da se ponaamo".
Sam termin vjetaka inteligencija (VI) ili artificijelna inteligencija (AI) potie od Dona Mekartija i smatra se da je prvi
put upotrebljen u ljeto 1956. godine na sastanku tadanjih vodeih naunika iz oblasti raunarskih nauka. Sasatanak je
odran na Dartmaut Koledu, u Hanoveru, Novi Hemir. Sam izraz je uveden da bi se to vie naglasile i to lake
objasnile, mogunosti buduih raunara i raunarskih programa. U oblasti koja se naziva vjetaka inteligencija koriste se
mnoga znanja nastala razvojem raznih drugih mnogo starijih disciplina. Tako, napori da se razumije priroda inteligencije
seu daleko u prolost. Filozofi stare Grke, a prema onome to se zna, posebno Aristotel, bavili su se pitanjima vezanim za
sutinu ljudskog uma, znanja i ispravnog zakljuivanja.
Vjetaku inteligenciju moemo definisati kao naunu disciplinu pomou koje se elektronski raunari programiraju za
sloene zadatke sline zadacima koji se postavljaju pred ovjeka, ali ne i na nain kako bi ih rjeavao ovjek. Meutim tu
su jo neke od moguih definicija vjetake inteligencije.
Vjetaka inteligencija je nauna oblast u kojoj se izuavaju izraunavanja da bi se izraunavanjem omoguila percepcija,
rezonovanje i injenje.
Vjetaka inteligencija je nauna oblast u kojoj se istrauje kako da se naprave raunari koji bi uspjeno radili stvari koje u
ovom momentu rade bolje ljudi.
Vjetaka inteligencija je nauna grana koja se bavi metodama, tehnikama, alatima i arhitekturama za rjeavanje logiki
komplikovanih problema, koje bi bilo tee ili ak nemogue rijeiti klasinim metodama. Ona ima dva glavna cilja: prvi je
postii inteligentnije ponaanje raunara i uiniti ih time jo upotrebljivijim; sa druge strane ona eli razumjeti principe koji
omoguavaju inteligenciju i time pridonijeti razumijevanju ovjekovog inteligentnog ponaanja.
Vjetaka inteligencija predstavlja mjeavinu konvencionalne nauke, fiziologije i psihologije, sve u cilju da se napravi
maina koja bi se, po ljudskim mjerilima, mogla smatrati "inteligentnom". Mogunost stvaranja inteligentnih maina
zaokuplja ljudsku matu jo od drevnih vremena, ali tek sada, sa brzim tempom razvoja raunara i ve pedesetogodinjim
iskustvom na polju istraivanja tehnika VI programiranja, san o pametnim mainama poeo je da postaje stvarnost.
Mnogi istraivai danas su zaokupljeni podrujem istraivanja koje ujedinjuje psihologiju i kompjuterske nauke radi
razvoja vjetakih sistema koji bi ostvarili neke osobine ljudskog miljenja.
Gledajui jednostavno, vjetaka inteligencija je studija o pravljenju maina koje ispoljavaju ljudske kvalitete ukljuujui i
sposobnost rezonovanja.
Razliita stanovita oko definisanja vjetake inteligencije proizilaze iz postojanja vie vrsta ove inteligencije. Vjetaka
inteligencija nije samo jedna disciplina ve se sastoji iz vie disciplina.
Dva glavna pravca razvoja vjetake inteligencije su:
Prouavanje prirodne inteligencije (spoznavanje funkcija mozga, modeliranje rada mozga, simuliranje ovjekovog
ponaanja, reagovanja i rezonovanja).
Postizanje inteligentnog ponaanja primjenom drugaijih pristupa, kakvi se ne mogu sresti u prirodnim sistemima.
Slika 1
Vjetaku inteligenciju prema pristupu rjeavanja problema moemo klasifikovati na tri glavna pristupa:
neuronske mree,
modeliranje evolucije i
heuristiko programiranje.
Klasifikacija vjetake inteligencije prema vrsti rjeavanja problema:
Sistemi za rjeavanje ovjekovih uobiajenih zadataka:
o prepoznavanje slika i govora,
o razumjevanje, generisanje i prevoenje prirodnih
jezika,
o snalaenje u svakodnevnim situacijama i
o primjena u robotici.
o
o
o
logike igre,
matematika logika, geometrija, integralni raun i
osobine programa.
Tehnike koje pripadaju vjetakoj inteligenciji morale bi da koriste znanja koja su organizovana tako da omoguavaju:
generalizaciju,
predstavljanje i preslikavanje u formi razumljivoj ljudima,
lako modifikovanje,
da se koriste informacije koje nisu kompletne i
da pomau u smanjenju broja mogunosti koje bi inae morale biti razmatrane (heuristike).
Prepoznavanje oblika je kljuno za snalaenje u svakodnevnim situacijama, kako za ive tako i vjetake sisteme. Pri
rjeavanju problema vezanih za prepoznavanje oblika nastaju velike tekoe jer analogne signale koje primaju senzori /
receptori sadre veliki broj informacija, od kojih dobar dio sadri um, pa ti signali esto nisu dovoljno jasni. Ovo oteava
primjenu raunara za snalaenje u svakodnevnim situacijama, pa nije ni udo to su i ivotinje, za koje se smatra da su
manje inteligentne od ljudi, sposobne za daleko kvalitetniju vizuelnu i zvunu percepciju i obradu takvih signala nego
dananji raunari.
Inteligentno ponaanje maine moe se zasnivati na nekim njenim odreenim prednostima u odnosu na ovjekov um, ali i
na njenim odreenim nedostacima. Prednosti kompjutera su u njegovim mogunostima da obavi veliki broj jednostavnih
aritmetikih i logikih operacija u vremenu koje je za ljudske pojmove nezamislivo kratko. Elektronski raunar takoe
moe potpuno precizno memorisati ogroman broj podataka uz relativno brzu mogunost njihovog pronalaenja u svojoj
memoriji. Za razliku od njega ovjek naprotiv takve zadatke obavlja vrlo sporo i neefikasno uz stalno prisutno zamaranje.
Meutim, ljudski mozak pred raunarom ini se ipak ima nedostine prednosti. One se ogledaju u sposobnosti obavljanja
vrlo kreativnih i selektivnih pretraivanja podataka, uz korienje sloenih i ne potpuno determinisanih kriterijuma.
Karakteristika ljudskog rasuivanja je kreativnost, sposobnost asocijacije, uoptavanje i mogunost prevladavanja
informacione podloge odluivanja putem originalnosti i novih ideja.
Karakteristika ovjeka je posjedovanje male i kratkotrajne memorije, na primjer u pamenju nekog telefonskog broja tako
dugo dok ne dobije vezu ili obavi razgovor. Kasnije ga brzo zaboravi osim ako ga esto ne koristi. S druge strane ljudski
mozak ima ima veliku dugotrajnu memoriju koja je organizovana ne na principu adresa (kao kod raunara) nego na osnovu
asocijacija. To praktino znai da se svaka memorisana injenica ili dogaaj moe povezati sa svakom drugom takvom
injenicom ili dogaajem memorisanim u prolosti. Kod kompjutera sposobnost asocijacije je ograniena i zasniva se na
krutim pravilima koja se prevode u egzaktne algoritme.
U filozofskom smislu osnovne primjedbe na mogunosti vjetake inteligencije odnose se na jednu paradigmu, a to je
pokuaj da se miljenje moe mehanizovati. Tako npr. oksfordski filozof Lukas iznosi optu primjedbu u vezi sa stanjem
vjetakog odnosno mehanikog uma, a to je da mi pokuavamo da proizvedemo model uma koji je mehaniki, koji je u
sutini mrtav, dok um budui da je iv, uvijek moe da ode dalje od bilo kog formalnog, okotalog, mrtvog sistema. U
analizi i dokazivanju ove teze on se oslanja na tzv. Gedelovu teoremu nekompletnosti, koja tvrdi da je mehanizam laan
odnosno da se um ne moe objasniti kao maina.
Hubert Drajfus u svojoj kritici vjetake inteligencije odbija mogunost da se nauno objasni inteligentno ponaanje. To
znai da se ljudski kontekst uopte ne moe formalizovati, bar ne na sadanjem nivou kompjuterske tehnologije. On ovu
svoju tvrdnju detaljno obrazlae i platonske pretpostavke pobija na biolokom, psiholokom, epistemolokom i ontolokom
planu. Podloga su mu izmeu ostalih i razmiljanja Hajdegera. Definitivno, za njega dananji stepen razvoja raunarskih
maina je limitiran u mogucnostima sfere vjetake inteligencije. Drugim rijecima, svaki pokuaj da se njihovim
programiranjem ostvari inteligentno ponaanje jednak je utopiji alhemiara da od olova napravi zlato.
Jedinu alternativu Drajfus vidi u totalnoj reviziji tradicionalnih pretpostavki i u prihvatanju fenomenolokog opisivanja
strukture ljudskog ponaanja. U analizi ovog problema navodi neka svojstva ovjekovog iskustva, koja su nemogua za
reprodukciju i imitaciju od strane raunara. Osnovno je fenomen tzv. "marginalne svijesti" (tj. onog ovjekovog stanja kad
je maglovito svjestan relevantnosti neke nedovoljno definisane injenice) i tzv. "tolerancije dvosmislenosti" kada je npr.
ovjek u stanju da u odreenom kontekstu ignorie znaenje neke rijei, a koja u nekom drugom kontekstu ima svoje pravo
znaenje.
Drajfus u principu smatra da je ansa u konstruisanju vjetakog organizma, ako bi se upotrebile komponente dovoljno
sline onima od kojih je sainjen ljudski organizam. U takvom robotu, sa umom i tijelom, odnosno u nedigitalnom
automatu sposobnom da obrauje neformalne informacije, Drajfus vidi perspektivu inteligentnih maina i simulacije
ljudskog uma. Ali ostvarenje te ideje po njemu zahtijeva kopernikanski obrt odnosno revoluciju o nauci o razumu, suprotnu
onoj koja je u 17. vijeku izmjenila itavu nauku prelaskom sa kvalitativne logike osobina na kvantitativnu matematiku
mjerljivih veliina.
Uopte, pitanja koja je pokrenuo Drajfus su vrlo ozbiljna, suvie nauna da bi se prepustila filozofima, a suvie filozofska
da bi se prepustila naunicima. Ona predstavljaju presjek nauke i filozofije i problema ovjeanstva.
Slika 2
Tjuringov test
Treba rei i da su u mnogim sluajevima ogranienih verzija testa koje se odnose na specifine oblasti znanja, raunari
pobjeivali svoje ljudske protivnike. Tako su raunari koji su izvravali programe kao to je ekspertni system za medicinu
MYCIN, pokazali bolje rezultate od prosjenih ljekara. Raunar nazvan Dip Blu, razvijen u IBM-u specijalno za igranje
aha, pobijeio je Garija Kasparova, jednog od najboljih ahista svih vremena.
U skladu sa njenom definicijom, glavni cilj vjetake inteligencije je razviti raunare koji su korisniji od danas postojeih.
Ako se prihvati optimistiki, ili bar kognitivistiki stav prvom cilju se moe dodati i drugi: objasniti principe na kojima se
inteligencija zasniva. Dakle, strunjaci za raunarske nauke bi na osnovu rezultata na planu vjetake inteligencije trebali
da pronau nain kako da uine raunare korisnijim, dok bi psiholozima, lingvistima, filozofima i drugima trebalo da
olakati razumjevanje principa na kojima se inteligencija zasniva.
Prvi meu ciljevima vjetake inteligencije proizilazi iz stava da bi raunari koji posjeduju inteligenciju bili najkorisniji
raunari i objanjava zato se vjetakoj inteligenciji pridaje veliki znaaj. Raunari vie ne obavljaju samo obina
raunanja, ve izvode i postupke koji posjeduju elemente inteligencije. U simbiozi sa raunarima, maine postaju sposobne
da rade samostalno, upravljaju sobom i proizvode druge maine, ostavljajui ovjeku da upravlja sloenim sistemima uz
mala izlaganja fizikim naprezanjima.
Drugi od navdenih ciljeva u vjetakoj inteligenciji se zasniva na vjerovanju da je stvaranje inteligentnih raunara
povezano sa razumjevanjem ljudske inteligencije. Rad sa raunarima prua nova sredstva opisivanja i korienje koncepta
po analogiji omoguava mono miljenje o miljenju. Raunarski modeli forsiraju preciznost. Programi su pogodni za
ispitivanja, jer ne zahtjevaju hranjenje i ne stvaraju obmanu (misle kognitivisti), a jednostavnim liavanjem dijela znanja
(dijela koda) olakava se testiranje znaaja koji taj dio ima u cijelini.
Jedna od posljedica rezultata na polju vjetake inteligencije mogu biti nove ideje o tome kako pomoi ljudima da postanu
inteligentniji.
U poetku sedamdesetih godina utvreno je da se svi ti ambiciozni ciljevi i nisu ba ostvarili, pa su se zato istraivanja
nastavila u realnijim ciljevima radei na novim metodama i boljim alatima. Meu rezultatima tog preporoda treba
spomenuti sljedee sisteme:
DENDRAL ekspertni sistem za utvrivanje hemijskih strukturnih formula na osnovu spektralnih osobina hemijskih
jedinjenja,
PLANNER znaajan korak ka razvoju visokonivoovskih jezika vjetake inteligencije; jezik u vie pogleda slian
Prologu,
SHRDLU sistem za razumijevanje prirodnog jezika,
MYCIN ekspertni sistem za pomo ljekarima kod dijagnosticiranja infektivnih oboljenja i kod izbora terapije i
ARCHES program za automatsko uenje.
Napomenimo da je mainska oprema u to vrijeme jo uvijek bila nedovoljna, aplikacija vjetake inteligencije je bilo malo,
te su u razvoj tih programa uloeni veliki napori. Do znaajnog i brzog preokreta dolo je u godinama 1980-1982. Sa
razvojem mikroraunara i novih alata, kojima je omoguena brza izrada novih programa, dolo je do velikog zamaha
programa vjetake inteligencije. Istovremeno promijenio se i odnos razvijenih industrijskih i poslovnih sredina prema
vjetakoj inteligenciji. Naime, vjetaka inteligencija je dola u centar panje zbog dva razloga: prvi je projekat nove
generacije raunara kojom je Japan elio dostii primat na svjetskom tritu raunara i koji je zasnovan na svestranoj
upotrebi tehnika vjetake inteligencije; drugi razlog lei u uspjehu njenih aplikacija, u prvom redu ekspertnih sistema.
Pregled znaajnih dogaaja u istoriji vjetake inteligencije sistematizovano je dat u sljedeoj tabeli:
Period
Znaajni dogaaji
1930-1940
Korijeni
1945-1954
1955-1960
Poeci istraivanja u VI
A.
Godine razvoja i preusmjeravanja
19611970
Traganje za rjeavaocima optih problema
Godine primjene
1981-1992 Dalja istraivanja
PROSPECTOR (SRI)
Japanski projekt Pete generacije
E. Feigenbaum i P. MCCorduck,
Peta generacija
INTELLECT (A.I.C.)
esta generacija
Osnovni dio programske opreme raunarskog sistema nove generacije sastoji se od sistema za rjeavanje problema i
zakljuivanje (problem-solving and inference system), sistema za upravljanje bazom znanja (knowledge base management
system) i inteligentnog interfejsa (intelligent interface system). Funkcije tih sistema se veoma razlikuju od klasinih, koje se
baziraju na aritmetikim operacijama, funkciji memorije i klasinim ulazno-izlaznim jedinicama. Za njihovu realizaciju je
dakle potreban novi instrumentarijum, a to su upravo tehnike, metode i arhitekture, koje je razvila vjetaka inteligencija:
algoritmi za pretraivanje grafova,
formalizmi za predstavljanje znanja,
mehanizmi zakljuivanja,
tehnike objanjavanja i
arhitektura sistema voenih uzorcima.
U osnovna podruja primjene vjetake inteligencije prema CR klasifikacijskom sistemu spadaju:
heuristiko rjeavanje problema,
predstavljanje znanja i mehanizmi zakljuivanja,
ekspertni sistemi,
procesiranje prirodnog jezika,
automatsko uenje i sinteza znanja,
inteligentni roboti,
raunarski vid,
programski jezici za vjetaku inteligenciju,
automatsko programiranje i
automatsko dokazivanje teorema.
Zbog specifinosti programiranja sistema vjetake inteligencije kao to su rad sa nenumerikim podacima i sa bogato
strukturiranim objektima, esto vraanje kod pretraivanja grafova, poseban odnos izmeu podataka i programa, potrebni
su joj i tome prilagoeni alati kao to su: jezici za vjetaku inteligenciju (npr. Lisp, POP2, Prolog, ...), specijalni raunari
(npr. Lisp Machine) i programska okruenja za vjetaku inteligenciju. Postoje tri aspekta kreiranja vjetake inteligencije:
stvaranje vjetakih neuralnih mrea,
modeliranje evolucije i
heuristiko programiranje.
Stvaranje vjetakih neuralnih mrea inspirisano je hipotezom da prirodna inteligencija nastaje na bazi prirodnih
neuronskih mrea. Prirodna neuronska mrea ima oko 10 10 nervnih elija (neurona) i neurofiziolozi jo do kraja ne
razumiju njeno funkcionisanje. Vjetaka neuralna mrea sadri veliki broj meusobno povezanih neurona i kreira se na
raunaru.
Evolucioni aspekt pretpostavlja da je prirodna inteligencija evoluirala u procesu koji ukljuuje prirodnu selekciju i
mutacije. Ovdje se na raunaru kreira sistem koji na vjetaki nain evoluira u smislu selekcije i mutacije. Osnovni cilj je
da vjetaka inteligencija bude bra od prirodne inteligencije.
Heuristiko programiranje podrazumijeva izradu kompjuterskih programa koji se inteligentno ponaaju. To znai sintezu
tri elementa: teorije, implementacije programa i eksperimenta sa gotovim programom. Heuristika je vjetina i nauka o
metodama u pronalaenju novih, naroito naunih injenica i saznanja.
Vjetaka inteligencija je dakle dola do faze, kada su tehnike i alati koje je razvila, postali opte upotrebljivi u
raznovrsnim raunarskim aplikacijama, meu kojima su najpoznatiji, zasada najuspjeniji i zbog toga komercijalno
najzanimljiviji ekspertni sistemi. Generalno, vjetaka inteligencija je stvarnost, tehnike i alati razvijeni u tom smislu dobili
su iru upotrebu u razliitim softverskim aplikacijama. Ubjedljivo najvaniji su ekspertni sistemi, koji ve imaju solidnu
afirmaciju na tritu.
OVJEK
uzrast
1
2
zadatak
VjETAKA INTELIGENCIJA
godina
program
opaanje okoline
1968.
1968.
1969.
projekat "oko-ruka"
jezik i govor
1966.
1968. 1968.
15
geometrija u ravni
1959.
15
algebarski zadaci
1964.
16
1963.
Program "Analogija"
17
programiranje raunara
1963.
18
matematika analiza
1961.
18
iskazni raun
1959.
20
1959.
21
aksiomatska logika
1956.
2. FUZZY SISTEMI
Slika 3
Fuzzy podskup A
Pravougaoni ram predstavlja skup X, dok su granice neodreenosti fuzzy podskupa A oznaene isprekidanom linijom.
Teorija fuzzy skupova definie stepen do kojeg je element x skupa X ukljuen u neki podskup. Funkcija koja pokazuje
stpen do kojeg je x ukljuen naziva se funkcija pripadnosti. Stepen ukljuenosti nekad se zove i stepen pripadnosti, obim ili
stepen.
Kako je fuzzy skup uvijek definisan kao podskup opteg skupa X, prefiks pod se izostavlja i koristi se samo termin fuzzy
skup.
Ako se istovremeno razmatraju funkcije pripadnosti fuzzy skupova , dobiva se ovakav grafik:
skoro prosjean
visok
Funkcija
pripadnosti
nizak
Visina (cm)
Slika 4
Na horizontalnoj osi je predstavljen cijeli skup X koji se zove i skup koji podrava fuzzy skup, ili jednostavno podrka. Na
vertikalnoj osi je predstavljena vrijednost funkcije pripadnosti. Na primjer, za oekivati je da bi mnogi predstavili funkciju
pripadnosti skupa skoro prosjean kao to je na krivoj u sredini, s tim da bi stepen od 150 cm do 170 cm subjektivno
varirao, to zavisi od osobe koja daje procjenu. Na ovaj nain fuzzy skupovi mogu biti vieni kao subjektivni.
skala
mali
srednji
veliki
Slika 5
Predstavljeni su fuzzy skupovi mali brojevi, srednji brojevi, i veliki brojevi. Drugi oblici, na primjer Gausova funkcija,
takoe se mogu koristiti, ali treba voditi rauna da ne doe do znaajnog poveanja sloenosti izraunavanja. Takve
funkcije se tipino javljaju u sistemima koji se koriste za teorijske analize, gdje su potrebna odreena analitika svojstva.
3. NEURONSKE MREE
3.1. POJAM NEURONSKIH MREA
Kada god se govori o informacionim sistemima, bilo da je to MIS (Management Information Systems), DSS (Decison
Support System) ili neka druga vrsta informacionog sistema, neizostavno se spominju raunarske mree, kao osnovna
infrastruktura svakog informacionog sistema. Tako govorimo o LAN, MAN, WAN mreama prema njihovoj geografskoj
rasprostranjenosti , ili pak o server-klijent mreama ili peer to peer konfiguracijama, kada govorimo o nainu
komunikacije unutar mree. Kod ekspertnih sistema, koji predstavljaju vrh hijerarhijske piramide informacionih sistema,
kao osnovna infratruktura se spomninju vjetake neuronske mree.
Poetak neuro-raunarstva obino se vezuje za 1943. godinu i lanak Warrena McCullocha i Waltera Pittsa "Logiki raun
ideja svojstvenih nervnoj aktivnosti". Ovaj lanak je esto citiran. Kibernetiar Norbert Winer i matematiar John von
Neumann su smatrali da bi istraivanja na polju raunarstva, inspirisana radom ljudskog mozga, mogla biti izuzetno
zanimljiva.
Knjiga Donalda Hebb-a iz 1949. godine "The Organization of behavior" (Organizacija ponaanja) iskazuje ideju da je
klasino psiholoko uslovljeno ponaanje prisutno kod svih ivotinja, jer je ono svojstvo neurona. Ova ideja nije bila nova,
ali ju je Hebb vie razradio od prethodnika, predlaui odreeni zakon uenja za sinapse, a pomou njega je izveo
kvalitativno objanjenje nekih eksperimentalnih rezultata iz psihologije.
Poetkom pedesetih godina prologa vijeka, najvie uticaja na dalji razvoj neuronskih mrea je imao rad Marvin Minsky-a
koji je u tom periodu konstruisao neuroraunar pod imenom Snark (1951). Frank Rosenblatt je zasluan za otkrie
jednoslojne neuronske mree, zvane perceptron. Ovaj raunar je mogao uspjeno da podeava teinske koeficijente,
meutim ovaj raunar nije postigao znaajnije praktine rezultate. Tek krajem pedesetih godina (1957-1958), Frank
Rosenblatt i Charles Wightman sa svojim saradnicima su uspeli da razviju raunar pod nazivom Mark I koji predstavlja
prvi neuroraunar.
Neto iza Rosenblatta, Bernard Widrow je sa svojim studentima (najpoznatiji je Ted Hoff, kasnije tvorac mikroprocesora)
razradio novi tip neurona - ADALINE (ADAptivini LINearni Element, prenosna funkcija f(x)=x) i odgovarajui zakon
uenja.
U periodu od 1950-tih do ranih 1960-tih godina prologa vijeka napisano je nekoliko knjiga i osnovano nekoliko
kompanija koje se bave neuroraunarima. Meutim, sredinom 1960-tih godina dolo je do zastoja zbog dva oigledna
problema. Prvo, veina istraivaa je prila problemu sa kvalitativne i eksperimentalne strane, zanemarujui analitiki
pristup. Drugo, poetni entuzijazam je bio toliko jak da su uveliko publikovana predvianja da nas od vjetakog mozga
dijeli samo nekoliko godina istraivanja. Ovakav zanos je dalje diskreditovao ovu oblast i odbio veliki broj istraivaa.
Mnogi od ovih ljudi su napustili neuroraunarstvo i preli u srodna polja.
Sredinom 1960-ih godina je pristup rijeavanja problema neuronskih mrea okarakterisan kao pogrean, nakon to Marvin
Minsky i Seyour Papert u knjizi "Perceptrons" objavljuju matematiki dokaz da jednoslojna neuronska mrea "Perceptron"
ne moe da naui funkciju XOR, uz pretpostavku da dodavanjem vie slojeva neurona taj problem nee biti prevazien.
Tano je da neuron nije u stanju da izvede pomenutu funkciju, ali za iole sloeniju mreu od nekoliko neurona to
predstavlja veoma jednostavan zadatak. Njihov dokaz je diskreditovao istraivanja neuronskih mrea, a finansiranja su
preusmjerena na druge oblasti vjetake inteligencije.
U periodu izmeu 1967. do 1982. godine pojavljuju se istraivai koji daju znaajan doprinos razvoju ove oblasti kao to
su Teuvo Kohonen, Kunihiko Fukushima i Stephnen Grossberg. Naroito se istakao Teuvo Kohonen, koji je otkrio nekoliko
tipova neuronskih mrea koje su po njemu dobile naziv. U ovom periodu se pojavio i backpropagation algoritam. U radu na
ovom algoritmu su se posebno istakli sljedei naunici: Amari (1967.) dodaje unutranje slojeve perceptronskoj mrei,
Bryson i Ho (1969.) razvijaju algoritam slian backpropagation algoritmu, Werbos (1974) nezavisno od prethodnika razvija
backpropagation algoritam, a Parker (1982) unapreuje backpropagation algoritam. Poetkom 80-ih, amerika vojna
agencija DARPA (Agencija za odbrambene istraivake projekte) postala je zainteresovana za neuronske mree i
finansiranja su ponovo zapoela. Sredinom 1980-tih, poznati fiziar John Hopfield dao je veliki doprinos popularizaciji
neuronskih mrea, objavljujui rad u kome je napravio paralelu izmeu neuronskih mrea i odreenih fizikih sistema.
Poetkom devedesetih, Bart Kosko u knjizi "Neural Networks and Fuzzy Systems" dokazuje da neuronske mree i fuzzy
logika opisuju isti skup problema i samim tim otvara novu oblast koja se naziva soft computing.
Rumenel, Hinton i Williams (1986) dokazuju veliku promjenljivost i potencijal backpropagation algoritma. Krajem 80-tih i
poetkom 90-tih, neuronske mree i neuro raunarstvo se uvodi kao predmet na nekoliko elitnih univerziteta u SAD, dok se
danas neuronske mree gotovo mogu sresti na svim univerzitetima.
Iako su neuronske mree imale neobinu istoriju, one su jo uvijek u ranoj fazi razvoja. Moda se sad moe rei da smo na
kraju poetka. Danas neuronske mree nalaze veoma irok spektar primjena u razliitim praktinim oblastima.
Interes za neuronske mree, ali i uopte za ekspertne sisteme, doivljava nevjerovatnu ekspanziju u posljednjih nekoliko
godina. Njihova primjena doivljava pravi bum i gotovo da nema oblasti ljudskog djelovanja gdje se ne primijenjuju
ekspertni sistemi zasnovani na neuronskim mreama. Tako ove sisteme sve vie susreemo na polju finansija, medicine,
inenjeringa, geologije, hemije i drugih oblasti ljudskog interesa. Dakle, gdje god se javlja problem predvianja,
klasifikacije ili kontrole, neuronske mree se nameu kao najefikasnije rjeenje. Njihova kompleksnost i sofisticiranost,
dakako, doprinosi relativno sporom uvoenju u iru primjenu, pogotovo ako ih uporedimo sa klasinim raunarskim
mreama, ali se fokus svjetske IT pameti definitivno okree ovom modelu umreavanja raunarskih resursa. Svijet biznisa
sve vie trai naina da, sve jau procesorsku snagu dananjih raunarskh sistema, upotrebi na takav nain da mo i ulogu
odluivanja premjesti sa ljudi eksperata, na inteligentne maine, ime bi se rijeili mnogi problemi, od finansijskih,
sociolokih, kulturolokih, pa sve do organizacionih. Dosadanji uobiajeni nain rjeavanja ovakvih i slinih problema,
rjeavao se upotrebom numerikog modeliranja. Meutim, numeriki modeli su primijenljivi na dobro strukturirane
probleme, dok kod nestrukturiranih ili slabo strukturiranih problema ovakvi modeli i sistemi ne daju zadovoljavajue
rezultate.
Vjetaka inteligencija, kao davnanji san naunika, poiva na razvoju neuronskih mrea, koje nastoje imitirati nain rada
ovjeijeg mozga, kao ipak, najsavrenijeg procesora tj. mree procesora (neurona).
Asocijativno miljenje i prepoznavanje kod ovjeka se zasniva na poreenju ranije doivljenih i upamenih situacija sa
onim situacijama koje su trenutno aktuelne sa ciljem da se novoj, na osnovu slinosti pridrui (asocira) neka od ranije
poznatih situacija i da se time donese zakljuak koji je ranije u takvoj situaciji uspjeno provjeren.
Vjetake neuronske mree su u stanju da na odreen nain funkcioniu prema navedenim principima asocijativnog
razmiljanja i prepoznavanja. Prije nego to se zapone sa prvom analizom neuronskih mrea, treba objasniti neke
kategorije koje e se vie puta ponavljati.
Oblik (uzorak, eng. Pattern) je kao kategorija od osnovnog znaaja u izuavanju asocijativnog razmiljanja. On predstavlja
skup podataka koji opisuju neku situaciju, dogaaj ili pojavu. Pri tome podaci koji ine oblik mogu biti binarni ili n-arni.
Metode prepoznavanja oblika su se razvile kao pokuaj da se matematiki formuliu i raunski realizuju principi
asocijativnog zakljuivanja koji su svojstveni ovjekovom miljenju.
Mrea (eng. Network) kao kategorija u tehnikim razmatranjima predstavlja jedan skup entiteta, koji meusobno
komuniciraju. Ukoliko dva entiteta mogu da komuniciraju meusobno, onda se kae da postoji veza izmeu njih. Priroda te
veze je irelevantna u okviru ovih razmatranja. Ovi entiteti mogu da budu potpuno povezani to znai da je svaki entitet
povezan sa svakim. Mrea sa atributom neuronska ili sa atributima vjetaka neuronska predstavlja mreu iji su entiteti
procesorske jedinice i iji, kako fiziki izgled tako i funkcionalni procesi koji se odigravaju u mri, podsjeaju na nervni
sistem kod ovjeka.
Postoje dvije kategorije neuronskih mrea: vjetake i bioloke neuronske mree. Predstavnik biolokih neuronskih mrea
je nervni sistem ivih bia. Vjetake neuronske mree su po strukturi, funkciji i obradi informacija sline biolokim
neuronskim mreama, ali se radi o vjetakim tvorevinama. Neuronska mrea u raunarskim naukama predstavlja veoma
povezanu mreu elemenata koji obrauju podatke. One su sposobne da izau na kraj sa problemima koji se tradicionalnim
pristupom teko rjeavaju, kao to su govor i prepoznavanje oblika. Jedna od vanijih osobina neuronskih mrea je njihova
sposobnost da ue na ogranienom skupu primjera.
Neke vjetake neuronske mree zaista predstavljaju modele biolokih, neke ne, ali istorijski, inspiracija za oblast
neuronskog raunanja dola je od elje za stvaranjem vjetakog sistema, sposobnog za obavljanje sofisticiranih,
"inteligentnih" raunanja, slinih onima koje rutinski obavlja ljudski mozak.
Od mnogih smatrane za najvei tehnoloki napredak u protekloj deceniji, neuronske mree pokazale su se nezamjenljivim
u situacijama gdje je mogunost identifikacije skrivenih veza i obrazaca kljuna za uspena predvidanja.
Slika 6
signala koji je primljen od prethodnog neurona pree odreenu granicu (fire treshold). Jaina signala koju neuron
prima u mnogome zavisi od djelotvornosti sinapsi. Svaka sinapsa ima kanal koji je ispunjen kemikalijom koja
prenosi signal du kanala. Naunici smatraju da je proces uenja u stvari povezan sa sposobnou mijenjanja i
auriranja ovih sinaptikih veza. Tako ovjeiji mozak, procesirajui veliki broj jednostavnih impulsa, rjeava
ekstremno kompleksne zadatke.
Mora se napomenuti da do sada niko, nikada nije uspio simulirati ni priblino kompleksan sistem kao to je to
ovjeiji mozak. Dok se stvarni ovjeiji mozak sastoji od stotina milijardi neurona, vjetake neuronske mree
su uspjele dostii tek brojku od par hiljada vjetakih vorova - neurona.
Slika 8
Vjetaki neuron
Neuron prima ulaze koji mogu biti sirovi podaci ili podatak iz susjednog neurona, koje procesira i proizvodi jedan izlaz.
Sam izgled kao i princip obrade podataka jedne elementarne procesorske jedinice u vjetakoj neuronskoj mrei podsjea
na princip prosljeivanja impulsa neurona u biolokom nervnom sistemu. Isto tako procesorska jedinica je analogna jednoj
eliji biolokog nervnog sistema, ulazne veze odgovaraju dendritima a izlazne aksomima.
Neuronska mrea je sistem sastavljen od vie jednostavnih procesora (jedinica, neurona), svaki od njih ima lokalnu
memoriju u kojoj pamti podatke koje obrauje. Te jedinice su povezane komunikacionim kanalima (vezama). Podaci koji
se ovim kanalima razmjenjuju su obino numeriki. Jedinice obrauju samo svoje lokalne podatke i ulaze koje primaju
preko konekcije. Ogranienja lokalnih operatora se mogu otkloniti tokom treninga.
U neuronskim mreama, gdje su procesorske jedinice povezane odreenom topologijom, postoji struktura paralelnog
distriburanog procesiranja (PDP). Istovremeno rade vie procesorskih jedinica da bi rezultati njihove obrade PDP
strukturom preli na druge jedinice, itd. Procesorske jedinice u jednoj neuronskoj mrei su jednostavne i mogu obavljati
samo jednu ili eventualno nekoliko raunarskih operacija i meusobno su povezane tako da u jednoj neuronskoj mrei
postoji mnogo vie veza nego procesorskih jedinica.
Slika 8
Na slici iznad je shematski prikazana jedna tipina topologija mree sa tri sloja procesorskih jedinica (jedan ulazni, drugi
srednji ili skriveni i trei izlazni). Svaka procesorska jedinica je povezana sa vie susjednih jedinica, broj ovih veza izmeu
zapravo predstavlja snagu neuronske mree. Rad neuronske mree sa vie veza je kompleksniji ali takva mrea moe da
obavlja kompleksnije zadatke.
Arhitekturu vjetake neuronske mree predstavlja specifino ureenje i povezivanje neurona u obliku mree. Po
arhitekturi, neuronske mree se razlikuju prema broju neuronskih slojeva. Obino svaki sloj prima ulaze iz prethodnog
sloja, a svoje izlaze alje narednom sloju. Prvi sloj se naziva ulazni, posljednji je izlazni, ostali slojevi se obino nazivaju
skrivenim slojevima. Jedna od najeih arhitektura neuronskih mrea je mrea sa tri sloja. Prvi sloj (ulazni) je jedini sloj
koji prima signale iz okruenja. Prvi sloj prenosi signale sljedeem sloju (skriveni sloj) koji obrauje ove podatke i izdvaja
osobine i eme iz primljenih signala. Podaci koji se smatraju vanim se upuuju izlaznom sloju, posljednjem sloju mree.
Na izlazima neurona treeg sloja se dobijaju konani rezultati obrade. Sloenije neuronske mree mogu imati vie
skrivenih slojeva, povratne petlje i elemente za odlaganje vremena, koji su dizajnirani da omogue to efikasnije odvajanje
vanih osobina ili ema sa ulaznog nivoa.
Vjetaka neuronska mrea je paradigma obrade informacija inspirisna procesiranjem kakvo vri bioloki mozak. Pri tom
vjetaka neuronska mrea koristi odreen broj koncepata iz biolokih neuronskih sistema. Kljuni elemenat je
neuobiajena struktura procesa obrade informacija, sastavljena od velikog broja meusobno povezanih elemenata
procesiranja koji zajedno rade na rjeavanju problema. Ove mree kao i ljudi ue na osnovu primjera, tj. na osnovu
iskustva, one nisu programirane eksplicitnim instrukcijama, ve ue da izvre zadatak iz primjera iz stvarnog ivota,
obuavaju se. Dakle, razlika izmeu ovih mrea i klasinih raunara je i u tome to se one ne programiraju, dok kod
klasinih raunara programer unosi program kojim se tano odreuje rad raunara u svakom trenutku.
Postoji bitna razlika u odnosu na klasine raunare: neuronske mree se ne programiraju. Dok kod klasinog raunara
programer unosi u raunar program kojim se tano odreuje rad raunara u svakom trenutku, neuronske mree se ne
programiraju ve se obuavaju. Prije nego to ponu da se primjenjuju, ulae se dosta vremena na njihovo obuavanje,
uenje ili treniranje. Proces obuavanja se zasniva na auriranju najee teinskih koficijenata veza, a ponekad samo
vrijednosti ulaznih procesorskih jedinica. Teinski koeficijent veza ili teine veza su koeficijenti koji su dodijeljeni u
svakom trenutku vezama neuronske mree. Za vrijeme obuavanja ovi se koeficijenti auriraju. Brzina njihovog auriranja
moe takoe biti mjerilo moi procesiranja neuronske mree.
Neuronske mree obezbjeuju efikasan pristup irokom spektru primjena. Njihova uspjena primjena u prepoznavanju,
preslikavanju i klasifikaciji oblika omoguila je dalji razvoj neuronskih mrea. Takoe, ove mree se mogu primjenjivati u
transformisanju slike u neki drugi oblik podataka, ili preslikavanju vizuelne slike u komande robota. Kao to je ve
napomenuto, rad sa nepotpunim podacima, omoguava da upravo mrea upotpunjuje takve podatke, poto je prethodno za
to obuavana. Neuronske mree se mogu primjeniti u razliitim oblastima. Na primjer, u medicini: kod analize krvnih
elija, u akustici: kao klasifikator zvunih slika ili kod prepoznavanja govora, gdje je neophodna identifikacija i
klasifikacija rijei ili sekvenci rijei, itd.
= Vrijednost
greke
Sj = Teinska
suma
F(Sj) = Izlaz
Na slici je postavljena jedna osnovna procesorska jedinica u mrei sa propagacijom unazad. Ona je okarakterisana
teinskom sumom ulaza Si, izlaznom vrijednou ai i vrijednou greke i koja se koristi pri auriranju teinskih
koeficijenata veza.
Aktivacioni nivo (eng. Activation level) koji je dodijeljen svakoj od jedinica procesiranja u mrei sa propagacijom unazad
predstavlja vrijednost izlaza iz odgovarajue jedinice. Kada se grafiki prikazuje mrea, aktivacioni nivoi se mogu
predstaviti pomou razliitih brojeva, boja ili nijansi sivog. Na sljedeoj slici je prikazano grafiko predstavljanje
aktivacionih nivoa i nivoa teinskih koeficijenata u jednoj mrei sa propagacijom unazad. Kvadrati sa razliitim nijansama
sivog predstavljaju procesorske jedinice sa razliitim aktivacionim nivoima. Dvije reetke predstavljaju dva sloja teina,
gdje je nijansa sivog u svakom kvadratu odreena vrijednou teinskih koeficijenata odgovarajue veze. Brojna skala za
odreivanje nijanse sivog je razliita za aktivacione nivoe i za teinske koeficijente zato to tipovi parametara imaju
razliite obime.
Aktivacioni nivoi
Sloj 1
Sloj 2
Sloj 3
Teinski koeficijenti
Sloj 1-2
Od BIAS
jedinice
Sloj 2-3
Od BIAS
jedinice
Teine
Aktivacioni
nivoi
Mrea
Neuronske mree sa propagacijom unazad se obuavaju sa nadgledanjem. Mrei se predstavlja jedan par obuavajueg
skupa (ulazni oblik uparen sa zadatim izlazom). Poslje svakog predstavljanja, teine se auriraju tako da se smanjuje
razlika izmeu izlaza mree i zadatog (ciljanog) izlaza. Obuavajui skup, se predstavlja, sve dok se mrea ne obui, ili
prekine proces obuavanja. Nakon to se obuavanje zavri, vri se testiranje performanse mree.
Algoritmi za obuavanje mree sa propagacijom greke unazad sadre korak propagacije unaprijed, za kojim slijedi korak
propagacije unazad. Oba koraka se primjenjuju za svako predstavljanje para obuavajueg skupa. Korak propagacije
unaprijed poinje sa prikazom ulaznog oblika na ulaznom nivou mree i nastavlja tako to aktivacioni nivoi vre
propagaciju unaprijed izraunavanja kroz skrivene nivoe. U svakom sukcesivnom nivou svaka procsorska jedinica sumira
svoje ulaze i primjenjuje prag funkciju u izraunavanju izlaza. Jedinice izlaznog nivoa daju izlaz mree.
Korak propagacije unazad poinje poreenjem izlaznog oblika mree sa ciljnim vektorom. Tako se izraunava razlika ili
greka. Korak propagacije unazad tada izraunava vrijednost greke za skrivene jedinice i mijenja njihove ulazne teine,
polaze i od izlaznog nivoa kroz sve sukcesivne skrivene nivoe. U ovom koraku propagacije unazad mrea ispravlja svoje
teine tako da smanjuje uoenu greku.
Vrijednost greke pridruena svakoj procesorskoj jedinici se koristi za vrijeme izvrenja procedure korekcije teina tokom
uenja. Velika vrijednost oznaava da treba sprovesti veu korekciju nad ulaznim teinama, a njen znak odraava pravac u
kom treba mijenjati teine.
Obrazac za izraunavanje greke je jednostavan za jedinice iz izlaznog sloja, a neto sloeniji za jedinice iz ostalih
(skrivenih) slojeva. Ako je jedinica i izlazna, tada je vrijednost njene greke:
Sigmoid funkcija
Step funkcija
Sigmoid funkcija
pomjerena -C
ulijevo
Neke mree sa propagacijom unazad koriste bias (eng. Rije bias se moe prevesti kao uticaj) jedinicu u svakom izuzev
izlaznog sloja. Ova jedinica ima konstantnu aktivacionu vrijednost. Svaka bias jedinica je povezana sa svim jedinicama u
sljedeem viem sloju, a teine tih veza se auriraju tokom propagacije unazad. Bias jedinice obezbjeuju konstantan lan
u teinskim sumama jedinica narednog sloja. Kao rezultat toga dobijaju se poboljane konvergentne karakteristike mree.
Konstantan lan u sumi Sk omoguava translaciju sigmoidne funkcije u lijevo ili u desno, kao to se vidi na slici. Na
primjer, neka je izlazna vrijednost bias jedinice a 0 = 1.0 a teinski koeficijenat
C = tk0
Ako se za z obiljei teinska suma svih ulaza izuzev bias ulaza, dobija se:
z = ni=1 aitji
Razvojem kompjuterske tehnologije i njenih mogunosti dovode do oblasti u kojoj se na raunaru pokuavaju modelirati
procesi ljudskog miljenja. Razvoj ove naune discipline, koja se bavi metodama, tehnikama, alatima i arhitekturama za
rjeavanje logiki komplikovanih problema odvija se u dva pravca. Prvi podrazumijeva postizanje inteligentnijeg ponaanja
raunara koji e biti to upotrebljiviji, a drugi modeliranje na raunaru procesa ljudskog miljenja i time doprinoenje
razumijevanju ovjekovog inteligentnog ponaanja.
Kao posljedica tog nastojanja dolo je do pojave ekspertnih sistema. To su raunarski programi iji algoritmi realizovani
razliitim metodama vjestake inteligencije rjeavaju probleme na osnovu znanja iz nekog uskog podruja. Znanje koje
takav sistem posjeduje formira se uz pomo eksperta na bazi pravila zakljuivanja i podataka neophodnih za rjeavanje tih
problema. Kasnije ekspert koristi taj raunarski program da bi rijeio neki jos sloeniji problem iz te oblasti. Rjeavanje
takvog problema takoe se memorie u bazu znanja, ime ekspertni sistem dinamiki poveava svoje znanje i mogunosti.
Ekspertni sistemi su znai programi koji, pri rjeavanju problema razliitog domena, izvode postupke koji su sliniji
ljudskom rezonovanju od numerikih tehnika raunanja. Ovi postupci zasnovani na eksperimentalnom ljudskom znanju,
kodirani su u vidu programa koji se nazivaju mehanizmi zakljuivanja i intenzivno koriste podatke organizovane u
formama koje se nazivaju baze znanja.
Osnovna pretpostavka na kojoj se zasniva oblast ekspertnih sistema kae da je znanje mogue predstaviti simbolikim
izrazima i to preko simbolikih opisa, kojima se odlikuju definicioni i empirijski odnosi u posmatranom podruju i
postupaka za manipulaciju tim odnosima.
Terminoloki gledano paralelno sa terminom ekspertni sistemi za isti pojam koriste se i sljedei termini: sistem zasnovan
na znanju, inteligentni informacioni sistem, inteligentni sistem zasnovan na znanju, te baza znanja.
Drugim rjeima ekspertnost se moe definisati kao znanje, razumijevanje i vjetina rjeavanja problema u odreenoj
oblasti. Jednu od prvih definicija ekspertnih sistema dao je Fingenbaum i ona glasi: "Ekspertni sistem je inteligentni
raunarski program koji koristi znanje i mehanizme zakljuivanja u rjeavanju problema takve sloenosti da je za njihovo
rjeavanje potreban ovjek ekspert".
Znanja u ekspertnim sistemima ine injenice i heuristika (iskustvo i osjeaj). injenice su glavni dio informacija iroko
distribuiranih, javno raspoloivih i usaglaenih na nivou eksperata (strunjaka) u oblasti. Heuristika su lina, malo
distribuirana pravila prihvatljivog rasuivanja, koje karakterie odluivanje na nivou eksperta u oblasti. Performanse
ekspertnih sistema su funkcija veliine i kvaliteta baze znanja, a ne odreenog formalizma i mehanizma zakljuivanja.
Buhman je definisao ekspertne sisteme preko sljedeih osobina:
ekspertiza cilj je da sistem dostigne visok stepen performansi koje postie ovjek-ekspert u nekom zadatku;
rezonovanje manipulacijom simbola;
opta sposobnost rjeavanja problema u datom domenu;
sloenost i teina, jer problemi u datom domenu moraju da budu dovoljno sloeni i teki da bi se zahtijevalo rjeenje
eksperata;
reformulacija preobraavanje prvobitne forme u kojoj je problem bio postavljen u formu podesnu za obradu prema
ekspertskim pravilima;
rezonovanje o sebi skup zahtjevanih sposobnosti u sistemu koji omoguavaju da sistem rezonuje o sopstvenim
procesima i
vrsta zadatka za ije se obavljanje izgrauje.
Na slian nain Hajes-Rot daje sljedee karakteristike:
slinost koja je obezbijeena pravilima visokog nivoa, gdje se izbjegava slijepo pretraivanje, to rezultuje visokim
performansama i robusnou,
rasuivanje koje je dato simbolikim predstavljanjem znanja i manipulisanjem simbolima,
"pamet" kao osnovni principi "slabi" (nealgoritamski) metodi rasuivanja,
mogunost reformulacije simbolikog znanja, konverzije iz opisa u oblik pogodan za primjenu ekspertnih pravila,
rasuivanje "o sebi", tj. ispitivanje sopstvenog rasuivanja i objanjenje svog rada,
tip zadatka.
Najpotpuniju definiciju ekspertnih sistema dalo je Britansko drutvo za raunare koja glasi: "Pod ekspertnim sistemima
podrazumijeva se realizacija raunarski bazirane vjetine nekog eksperta ija je osnova u znanju i u takvom obliku da
sistem moe da ponudi inteligentan savjet ili da preuzme inteligentnu odluku o funkciji koja je u postupku. Ekspertni
sistem posjeduje i karakteristiku da na zahtjev verifikuje svoju liniju rezonovanja, tako da direktno obavjetava korisnika
koji postavlja pitanje".
Sistemski posmatrano pod ekspertnim sistemom podrazumijeva se podsistem podruja vjetake inteligencije. U ostale
podsisteme spadaju jo robotika, obrada prirodnim jezikom, igre i raunarska grafika. Podruje izgradnje ekspertnih
sistema poznato je kao nauni inenjering (Knowledge Engineering).
Ekspertni sistemi su dakle, skup kompjuterskih programa koji postiu visoki stepen rjeavanja problema, a zahtjevaju
dugogodinje struno obrazovanje pojedinaca. Paralelno sa razvojem tehnologije ova definicija ekspertnih sistema zahtjeva
ne samo strunu izgraenost, nego i dodatne strune kvalitete pojedinca.
Iako imaju isti cilj ekspertni sistemi potpuno razliito funkcioniu od sistema za podrku odluivanja. Takoe moemo rei
da ove dvije vrste sistema nisu konkurentne jedna drugoj ve upravo suprotno. Njihova integracija daje najbolje rezultate
pa
raste
vanost
i
ekspertnih
sistema
i
sistema
za
podrku
odluivanja.
Naime, dok se ekspertni sistemi fokusiraju na efikasnu manipulaciju velikih baza znanja svojstvenu ljudskim ekspertima,
sistemi za podrku odluivanja sadre injenine podatke koji se dre u velikim datotekama ili bazama podataka. Svojstvo
zakljuivanja koja je kljuna osobina ekspertnog sistema ne postoji kod sistema za podrku odluivanja, koji su zasnovani
na upotrebi proceduralnih algoritama ili generalizovanim pretragama koje su u relaciji sa bazama podataka koje je unio
korisnik.
S druge strane ekspertni sistemi su fokusirani na usko problemsko podruje, dok se sistemi za podrku odluivanja mogu
prilagoavati novim problemima. Jo, ekspertni sistemi korisniku ne ostavljaju fleksibilnost u nainu analize problema dok
sistemi za podrku odluivanja doputaju mogunost manipulacije podacima i modelima prilikom donoenja odluke. Iz
ovoga moemo konstatovati, dok korisnik sistema za podrku odluivanju upravlja i kontrolie komponentama sistema,
dotle je korisnik ekspertnog sistema upravljan od strane sistema. To ilustruje i sljedea tabela.
Atributi
SPO
ES
Ko postavlja pitanja?
ovjek na raunaru
Raunar ovjek
Metoda manipulacije
podataka
Brojana
Simbolina
Osobna problemskog
podruja
Kompleksno, iroko
Uzak domen
Vrsta tretiranih
problema
Ad hoc, jedinstveni
Ponavljajui
Mogunost rezonovanja
Ne
Da, ogranieno
Mogunost
objanjavanja
Ogranieno
Da
Iako ekspertni sistem moda nije "inteligentan", njegove velike mogunosti se odnose na saoptavanje znanja, ouvanje
rijetkih ili skupih vjetina, davanje smjernica, pomaganje pri donoenju odluka i prilikom uspostavljanja kompleksnih
sistema. Zbog toga ovu novu tehnologiju moemo koristiti na mnogo naina s ciljem da ublaimo postojeu neefikasnost u
poslovanju, slabu efikasnost i kontrolu kvaliteta, te smanjimo vrijeme kolovanja poetnika.
to se tie postojee primjene ekspertnih sistema, oni na sebe ne preuzimaju donoenje odluka na nivou preduzea. Ovi
sistemi postaju sve popularniji jer su formalni procesi odluivanja, koje su prije vodili rukovodioci, zamijenjeni softverom
predprogramirane logike u kojoj su kriterijumi za odluke unaprijed utvreni. Pretpostavka je da se odluke ovih sistema
prihvataju i provode u organizaciji. U viim krugovima rukovodstva, meutim, zadatke idejne prirode i one koji trae
neformalne reakcije, moda nikada nee preuzeti na sebe ekspertni sistemi. Odluke koje se ponavljaju najbolji su kandidati
za ekspertne sisteme jer su znanje, ocjene i iskustvo, koji se koriste prilikom donoenja ovih odluka, ve sakupljeni i lako
se mogu specificirati. Mnoge funkcije rukovodilaca na niem i srednjem nivou sastoje se od specijalizovanih aktivnosti,
koje su ve spremne za provoenje u ekspertni sistem.
Dananji ekspertni sistemi imaju relativno prilagoenu primjenu ekspertize pa zato rukovodiocima pruaju savjetodavnu
pomo. Radi lakeg korienja, postojei ekspertni sistemi su dizajnirani sa osnovnim mogunostima za komunikaciju na
donekle prirodan nain, odnosno u skladu sa strunim podrujima. Osim toga, vana osobina postojeih sistema je
mogunost da se unazad prati logika i odgovori sistema kako bi se vidjelo zato je neki odgovor takav.
Ekspertni sistemi postavljaju niz pitanja i primjenjuju praktina pravila da analiziraju odgovore i proizvedu preporuke, te
takoe objanjavaju logiku kojom su doli do zadnjeg reda. Za razliku od konvencionalnih kompjuterskih programa
ekspertni sistemi koriste kvalitativne kao i kvantitativne podatke. Takoe, mogu izvoditi zakljuke i iz nepotpunih i
neodreenih podataka.
Razliku u odnosu na konvencionalne aplikacije isto tako predstavlja korisnika povezanost s prirodnim dijalogom.
Dananji kompjuterski sistemi dolaze do zakljuaka sistematskim prolazom po detaljnoj listi koraka koji su napisani u
programu. To je bitna razlika u odnosu na ljude, koji do zakljuaka obino dolaze sekvencijalnim postupkom to praktino
znai ne pomou skupa arbitrarnih pravila i logike, ranijeg iskustva, induktivnog zakljuivanja i intuicije.
Ova metoda donoenja odluka obino se naziva heuristikom. Ako je zadatak strukturiran, nije matematiki, a izvrava se
heuristikom, ekspertni sistem bi trebao biti idealna pomo pri odluivanju. Ako je zadatak izrazito strukturiran
matematiki, efikasniji je proceduralni program.
Simboliko rezonovanje
o Simbolika prezentacija znanja;
o Reformulacija simbolikog znanja.
Dubina
o Obrada sloenih problema datog domena;
o Upotreba/korienje kompleksnih pravila.
Sopstveno znanje
o Ispitivanje sopstvenog rezonovanja;
o Objanjavanj njegovog funkcionisanja.
Zadaci ekspertnih sistema se od drugih zadataka u oblasti vjetake inteligencije razlikuju po tome to ekspertni sistemi:
Rjeavaju teke zadatke na nivou eksperata;
Naglaavaju strategije rjeavanja problema specifine za datu oblast, za razliku od ostalih zadataka vjetake
inteligencije koji zahtjevaju veu optost naina rjeavanja problema;
Koriste se "samosaznanjem" da bi rezonovali o procesu svog zakljuivanja i obezbjedili obrazloenja, opravdanja i
objanjenja za zakljuke koje su izveli;
Rjeavaju probleme koji spadaju u ove kategorije: interpretacija, dijagnoza, predvianje, oblikovanje, planiranje,
kontrolisanje, i druge.
Ovim kratkim pregledom uoavaju se jo neke vane osobine ekspertnih sistema, koje odvajaju od drugih karakteristinih
informatikih tehnologija, kao to su elektronska obrada podataka, upravljaki informacioni sistemi, sistemi podrke
odluivanja i slino. Prikazivanje znaajnih odlika ekspertnog sistema se, bar donekle, moe upotpuniti ukazivanjem na
njihove slabosti meu koje spadaju:
To to ne mogu da prepoznaju, niti da rjeavaju probleme za koje je njihovo znanje neprimjenljivo ili nedovoljno;
to nemaju nezavisna sredstva za provjeravanje razlonosti svojih zakljuaka;
to nemaju dovoljno znanja o svojim mogunostima i ogranienjima (ime se inae odlikuje ovjek-ekspert);
to su obrazloenja koja o svom zakljuivanju i zakljucima daju, esto suvie uproena;
to je jezik za izraavanje injenica i odnosa kojim se koriste vrlo ogranien i dr.
Oigledno je da su navedene odlike ekspertnog sistema poeljne osobine koje postojei ekspertni sistemi ne posjeduju u
eljenoj mjeri i da e njihov predstojei razvoj i usavravanje znaiti pomake du nekih od navedenih dimenzija.
Osnovne odlike ekspertnih sistema su:
sadre kodirano znanje eksperta iz nekog domena,
mogu se izvravati tamo gdje su potrebni,
modularnost i laka izmjena ugraenog znanja,
mogunost objanjavanja rezonovanja,
heuristiko, a ne iscrpno rezonovanje i
objedinjuju teoriju i praksu vjetake inteligencije.
Ekspertni sistemi rjeavaju probleme koji spadaju u ove kategorije:
Interpretacija;
Dijagnoza;
Predvianje;
Oblikovanje;
Planiranje;
Monitoring;
Ispravljanje;
Kontrolisanje i dr.
Prema navedenim vrstama aktivnosti ekspertnih sistema izgraena je i jedna njihova klasifikacija:
Vrste aktivnosti
ES
Naznaka problema
Oblast
primjene
Naziv tipinog
ES
Interpretacija
Sistemi koji tumae opaene podatke pripisujui im simbolina znaenja kojima se opisuje situacija ili stanje sistema
Hemija
Geologija
Medicina
Armija
DENDRAL
ELAS
LIFHO
PUFF
VM
Dijagnostika
Raunari
Elektronika
Geologija
Medicina
BDS
DART
ACE
HYDRO
MYCIN
PUFF
Predvianje
Sistemi za predvianje zakljuuju vjerovatne posljedice (u vidu prognoze) iz odgovarajueg modela i vrijednosti parametara za datu
situaciju
Raunari
Armija
PTRANS
I&M
Oblikovanje
Sistemi za oblikovanje ili dizajn razvijaju konfiguracije objekata koje zadovoljavaju zadata ogranienja u problemu oblikovanja
Raunari
Hemija
Elektronika
Armija
XCON
MOLGEN
PALLADIO
ACEL
Planiranje
Sistemi za planiranje oblikuju akcije i usredsreeni su na objekte koji obavljaju neke funkcije, pri emu se koriste modelima njihovog
ponaanja da bi zakljuili efekte planiranih akcija
Hemija
Raunari
Elektronika
SPEX
MOLGEN
PTRANS
TALIB
KNOBS
TATR
Kontrolisanje
Sistemi za kontrolisanje adaptivno upravljaju sveukupnim ponaanjem sistema na osnovu interpretacije aktuelne situacije, na osnovu
predvianja budunosti dijagnostifikovanja uzroka anticipiranih problema, formulisanja korektivnih planova i nadziranja njihovog
sprovoenja da bi se obezbijedio uspjeh
PTRANS
YES/MIN
VM
Poto je u ekspertnim sistemima izvreno izdvajanje i razdvajanje deklarativnog i proceduralnog znanja u baze znanja,
odnosno u kontrolni i mehanizam zakljuivanja. Ovaj postupak omoguava njihov nezavisan broj, kombinovanje na razne
naine i izbor najpogodnijeg rjeenja. Na taj nain dobivaju se osnovni tipovi ekspertnih sistema:
Induktivni sistemi;
Sistemi bazirani na pravilima;
Hibrini sistemi.
Induktivni sistemi koriste primjere i induktivni mehanizam zakljuivanja. Od rezultata dobivenih na osnovu iskustva, ili
eksperimenta, moe se napraviti tabela vrijednosti atributa objekata. Ova tabela se transformie u stablo za odluivanje. U
radu sa sistemom korisnik odgovara na pitanja na osnovu ega se sistem kree kroz stablo i dolazi do odgovora.
Sistemi zasnovani na pravilima koriste strategije voene podacima, ili ciljem. Znanje im je predstavljeno faktima i
pravilima. Jedan ovakav sistem je i MYCIN.
U hibridnim sistemima se kombinuju pozitivna iskustva steena u radu sa sistemima zasnovanim na pravilima i sistemima
za semantiko predstavljanje znanja. Na primjer, pogodno je okvirima opisati deklarativno, a pravilima proceduralno
znanje. Pri tome se koriste sva sredstva koje obe metode pruaju:
Nasljeivanje;
Demoni;
Poruke;
Meta-pravila itd.
OVJEK EKSPERT
moe otii
teko prenosi svoje znanje
teko dokumentuje znanje
nepredvidiv
skup
EKSPERTNI SISTEM
permanentno znanje
znanje se lako prenosi
znanje se lako dokumentuje
konzistentan
podnoljiva cijena
Tabela 5 Prednosti ekspertnh sistema
OVJEK EKSPERT
kreativan
prilagodljiv
ulni senzori
irina sagledavanja
zdrav razum
EKSPERTNI SISTEM
nema kreativnost
nije prilagodljiv
simboli kao ulaz
usko sagledavanje
tehniko znanje
Tabela 6 Nedostaci ekspertnih sistema
Od prvih poetaka civilizacije, ovjek je prikupljao i kroz svakodnevnu djelatnost spontano prenosio iskustva
unutar ivotne sredine. Znatno kasnije skupljena znanja je poeo zapisivati i organizovano prenositi na
potomstvo. U novije doba, intenzivira se praksa stvaranja, potvrivanja i prenosa znanja u poslovanju, to jest
organizuju se sistemi primjene znanja.
Razvoj tih sistema proao je kroz tri faze: poevi primjenom na alate, procese i proizvode, preko primjene na radnu
snagu, i na kraju primjena znanja na samo znanje.
Vie momenata uzrokuje formiranju neadekvatnih pristupa problemima aktuelnog trenutka, neki od njih su: Nekritina
konzistentnost uvjerenja zatvoren sistem znanja, Casirrere je taj fenomen nazvao mitskim mentalnim modelom. Na tragu
razmiljanja P. Franka, civilizacijske promjene trae od osoba (ako ele pratiti tekuu stvarnost) permanentno usvajanje
novih kodova i paradigmi. Realnost je da pod pritiskom ubrzavanja poslovanja, strunjaci adoptiraju gotova poslovna
rjeenja bez adaptacije. Iz istog razloga, strunjacima nije ostavljen vremenski prostor za praenje poslovanju prateih
teoretskih znanja.
Jedan od deklarisanih zadataka upravljanja znanjem je podsticanje promjene naina miljenja ("Paradigme shift").
Izvanredna postignua ljudi - eksperata su presudno odreena njihovim znanjima, pa se opravdano usvaja uvjerenje da
upravo znanje ekspertnog sistema predstavlja njegovo postignue, dok sheme zakljuivanja i formalizmi predstavljanja
znanja samo obezbjeuju mehanizme za upotrebu znanja. Prihvatajui to uvjerenje, neki autori zakljuuju da je znanje i
nuan i dovoljan uslov za razvijanje ekspertnog sistema. Poto se znaenju izraza znanje u literaturi o ekspertnim
sistemima, nimalo ili vrlo malo govori, narednih nekoliko redova posveeno je znaenju tog izraza.
U prolom vijeku je do ezdesetih godina vladalo shvatanje da je znanje opravdano istinito vjerovanje; Osoba A zna b, ako
i samo ako:
A vjeruje u b,
p je istinito i
A ima adekvatno svjedoanstvo za b.
Zatim su uslijedili pokuaji da se pokae da prva taka nije nuan uslov znanja i da druga i trea taka nisu dovoljan uslov
znanja. Od tada rasprave traju.
Savremene teorije znanja Polok je nedavno razvrstao u dvije klase:
Doksatike teorije i
Nedoksatike teorije.
Doksatike teorije su zasnovane na pretpostavci da u odreivanje epistemiolokog opravdanja ne ulazi nita osim naih
vjerovanja, naeg doksatikog stanja. Klasu doksatikih teorija iscrpljuju meusobno iskljuujue potklase teorija
zasnovanosti i teorija koherencije.
Klasi nedoksatikih teorija pripadaju teorije: realizma, relajabilizma, probabilizma i dr.
Jasno je da odgovor na pitanje ta je znanje ne moe da bude odluan. Zbog znaaja za osnovni predmet razmatranja u
ovom radu, navodi se i shvatanje J. Pigeta o znanju. Prema njegovom uvjerenju, ljudsko znanje je aktivno, a znati znai
konstruisati sistem transformacija koje su u manjoj ili veoj mjeri adekvatno korespodentne stvarnosti.
Postoji nekoliko kriterijuma za razvrstavanje znanja pa tako i vie vrsta znanja: zdravorazumsko i nauno; teorijsko i
empirijsko; individualno i socijalno; eksplicitno i implicitno; subjektivno i objektivno; prethodno i novo; deklarativno i
proceduralno i dr.
Intenzivna upotreba znanja je ono to sutinski izdvaja vjetaku inteligenciju od konvencionalnog raunarskog pristupa.
Programi koji rade sa znanjem treba da omogue:
Generalizaciju;
Predstavljanje;
Prikazivanje.
Bez obzira na izabranu metodu predstavljanja znanja potrebno je precizirati ta su osnovni entiteti znanja, koji su njihovi
bitni atributi i kakvi odnosi vae izmeu njih, zatim kako predstaviti skupove objekata i kako u velikoj koliini znanja
pristupiti relativnom dijelu. Semantike metode su veoma pogodne za predstavljanje vanih atributa i odnosa, kao i za
pristupanje dijelu znanja koje je u nekom kontekstu znaajno, dok su logike formule pogodne za opise skupova objekata
pomou kvantifikatora oblika: svaki, neki, beskonano mnogo, konano mnogo, itd.
Osnovna ideja semantikih metoda predstavljanja znanja je da znaenje nekog entiteta znanja u vezama koje ima i sa
drugim entitetima. Zato ove metode nastoje da to vjernije predstave odnose izmeu entiteta. Tehnike koje se pri tome
koriste u znaajnoj mjeri lie na metodologiju objektno orijentisanih programskih jezika. To se prije svega odnosi na
nasljeivanje, hijerarhijsko ureenje znanja, komunikaciju putem poruka, itd.
Granica izmeu osnovnih semantikih metoda, semantikih mjera i okvira, nije sasvim jasna, ali se metoda koja koristi vei
nivo strukturiranosti znanja po pravilu podvodi pod okvire.
Zanje o objektima, njihovim atributima i odgovarajuim vrijednostima ne mora biti jednostavno kao u relacionim tabelama,
gdje svaki red predstavlja jedan entitet znanja. esto su entiteti znanja strukturisani, izmeu njih postoje veze, pa je
pogodno obezbjediti mehanizam izvonja koji operie nad tako predstavljenim objektima. Posebno je interesantno
izvoenje koje dozvoljava nasljeivanje osobina pri emu objekti neke klase nasljeuju osobinet klase, odnosno optije
klase prenose osobine na specifinije klase objekata.
Semantika mrea predstavlja podatke koristei skupove vorova (objekata koji mogu biti akcije, predmeti, materijali, ...) i
oznaenih lukova kojiih spajaju (relacija izmeu objekata). Semantike mree koriste relacije kao je, potklasa, na,
materijal itd. Da bi se pokazala veza izmeu objekata. Objekat na koga je usmjeren luk iz nekog drugog objekta oznaen sa
je predstavlja klasu objekta. Polazni objekat je tada instanca te klase. Objekti povezani lukom potklasa predstavljaju klase
objekata, s tim da je objekat ka kom je luk usmjeren natklasa, a objekat iz kog luk polazi potklasa.
Baza znanja sadri znanje o specifinom problemskom podruju: pravila koja opisuju relacije i dogaaje, a ponekad i
metode, heuristike i ideje za rjeavanje problema na konkretnom podruju. Baza znanja treba da sadri sva potrebna znanja
iz posmatranog domena u svakom trenutku. Da bi uveanje i izmjene kojem znanje podlijee mogli pratiti i pohranjivati u
bazu znanja, potrebno je omoguiti bilo manuelno, bilo automatsko auriranje baze znanja. Ovu aktivnost izvrava
podsistem za uzimanje i auriranje znanja. Pod manuelnim auriranjem emo podrazumjevati da ovu aktivnost vri inenjer
znanja ili domen ekspert, dok pod automatskim auriranjem podrazumjevamo mainsko uenje, onosno generalizaciju
iskustva u formi novog znanja. Jedan idealan eksperni sistem, zbog osobine samoauriranja putem mainskog uenja,
nikada ne bi trebalo modifikovati.
Mehanizam zakljuivanja omoguuje aktivnu upotrebu znanja o podruju za izvoenje zakljuaka. Softverski sistem koji
pronalazi znanje i izvodi novo iz postojeeg znanja. Ovaj element odreuje stepen fleksibilnosti ekspertnog sistema,
odnosno mogunost da se izvede novo znanje iz postojeeg. Na primjer, iz dvije elementarne injenice "Ptice lete" i
"Orlovi su ptice" proizilazi zakljuak "Orlovi lete". Znanje koje je potrebno za donoenje odluke moe biti postojee ili
izvedeno. Idealan ekspertni sistem (njegov mehanizam zakljuivanja) je onaj koji nikada nee biti potrebno modifikovati.
Sama eksploatacija ekspertnog sistema ne dovodi do promjene mehanizma zakljuivanja, ve samo do njegovog
korienja.
Interfejs obezbjeuje komunikaciju izmeu ovjeka sa sistemom i treba da omogui relativno komfornu interakciju to
ukljuuje i mogunost objanjenja kako je sistem doao do odreenog zakljuka. Uloga korisnikog interfejsa je u
prihvatanju informacija koje zadaje korisnik i njihovom prevoenju u oblik razumljiv za sistem, kao i u transformaciji
podataka koje prua sistem u oblik razumljiv za korisnika. Ova komunikacija korisnika sa raunarom treba da se odvija na
jeziku to slinijem prirodnom, pogotovo stoga to raunar zamjenjuje ovjeka eksperta, tako da se esto ugrauju
sistemi za obradu prirodnog jezika u okviru interfejsa.
Ekspertni sistemi uglavnom su realizovani kao sistemi voeni uzorcima (pattern directed systems). Ovdje se radi o
arhitekturi programskih sistema, koja se bitno razlikuje od konvencionalne strukture programskih sistema. U
konvencionalnoj arhitekturi moduli su organizovani hijerarhijski, a tok izvoenja je u znatnoj mjeri determinisan, odnosno
unaprijed poznat. Svaki tekui modul odreuje koji modul e se izvesti kao sljedei.
Kod sistema voenih uzorcima hijerarhija meu modulima ne postoji. Moduli se aktiviraju uzorcima iz "okruenja
sistema", to ovdje predstavlja bazu podataka. Evidentno je da takva organizacija dozvoljava i istovremeno izvoenje vie
modula te na taj nain slui kao model paralelnih, distribuiranih procesa. Meutim, za implementaciju na sekvencijalnom
raunaru potreban je kontrolni modul, koji u sluaju kad uzorak izabere vie modula, odredi za izvoenje samo jednog
izmeu njih. Kod tih sistema dakle imamo cikluse koji sadre:
Pretraivanje baze podataka, da se nau uzorci koji predstavljaju uslov za aktiviranje nekog modula; time se dobija
konfliktan skup potencijalno aktivnih modula;
Razrjeavanje konflikta, predstavlja odreivanje jednog od modula iz konfliktnog skupa;
Izvoenje izabranog modula.
Prednosti takve arhitekture sistema su u visokom stepenu modularnosti, to se veoma povoljno odraava kod
komplikovanih baza znanja gdje je teko unaprijed pretpostaviti sve interakcije meu pojedinim elementima. Zatim, oni
omoguavaju da je algoritamski dio sistema (mehanizam zakljuivanja) odvojen od baze znanja, ime je mogua upotreba
istog mehanizma zakljuivanja za razliite baze znanja. Osim toga ima problema za ije rjeavanje je takva organizacija
sasvim prirodna, kao na primjer u sluaju kompleksnih procesnih sistema, gdje mjerene vrijednosti pojedinih parametara u
nekim sluajevima treba da aktiviraju odreenu akciju.
Zbog komparacije uzoraka (prva taka u gore navedenom ciklusu) sistemi voeni uzorcima mogu biti veoma spori. Da bi
se prevaziao taj problem, esto uvodimo tzv. "meta-pravila" koja govore o tome kako upotrebljavati ostala pravila. Druga
tehnika za poboljanje efikasnosti je hijerarhijsko grupisanje kako pravila tako i baza podataka. U nekim oblastima, u
prvom redu u onima gdje postoje dobra algoritamska rjeenja, arhitektura sistema voenog uzorcima ponekad nije
najprikladnija.
Postoji vie tipova sistema voenih uzorcima. U prvom redu razlikujemo sisteme koji se baziraju na pravilima (rule-based
systems) i mrene sisteme (network-based systems). Kod prvih moduli se sastoje iz pravila u obliku "antecedenskonsekvens" odnosno "lijeva strana - desna strana pravila". Obino lijeva strana odreuje uzorke - uslove, da se pravilo
aktivira, a desna strana odreuje operacije koje se trebaju izvesti. Kod mrenih sistema moduli su predstavljeni kao vorovi
u mrei. vorovi specificiraju akcije, a aktiviraju se pod uslovom da doe "poruka" (signal) preko jedne ili vie ulaznih
veza. Sistemi bazirani na pravilima dijele se na:
produkcione sisteme (production systems) i
transformacione sisteme (transformation systems).
Znanje u jednima i drugima predstavljeno je sa pravilima i podacima. Produkcioni sistemi imaju fiksnu kontrolnu strukturu
za odreivanje izbora sljedeeg pravila za aktiviranje, a kod transformacionih sistema toga nema. Produkcioni sistemi se
dijele na:
lijevo voene i
desno voene sisteme.
Kod prvih antecedens pravilo vodi traenju pravila koje treba da se izvede sljedee, a kod drugih tu ulogu ima konsekvens
pravilo.
OKVIRI
Okviri su bazirani na ideji da se objekti, dogaaji i specifine situacije ili radnje mogu predstaviti jedinstvenom formom.
Predstavljaju specifian primjer mrea. Oni slue kao baza za razumijevanje vizuelne percepcije, dijaloga u prirodnom
jeziku itd. Predloio ih je Minski kao metodu za organizovanje obimnog znanja potrebnog za rjeavanje ovih zadataka.
Ekspertni sistemi u okvirima skupljaju ove informacije u prepoznatljiv entitet. Kao kod mrea, meusobne veze izmeu tih
entiteta mogu se izraziti veoma jednostavno, zahvaljujui nasljeivanju atributa. Ovaj oblik strukture omoguuje traenje
elemenata koji se odnose na dati kontekst. Okvir je opis objekta i u njemu se nalazi otvor (slot) za svaku relevantnu
informaciju tog objekta. Otvori memoriu vrijednosti tj. uvaju znanje dostupno sistemu, uvaju identitet entiteta i
odgovarajue akcije koje mogu biti preduzete. Sadre default vrijednosti, pokazivae na druge okvire, kao i pravila
odnosno procedure po kojima se dobijaju odreene vrijednosti za objekat. Dakle, svaki objekat je skup otvora. Kao kod
mrea, okviri su u prednosti nad produkcionim pravilima, jer omoguuju implementaciju analize problema na dubljem
nivou, npr. putem apstrakcije i analogije.
Okviri predstavljaju bazu za jednu od najpopularnijih metoda predstavljanja znanja: objektno orijentisani okviri. U stari
oni se pribliavaju objektno orijentisanim okruenjima. U standardnim implementacijama ekspertnih sistema, objektno
orijentisani okviri se redovno kombinuju sa produkcionim pravilima, i tako nastaje jedan od najmonijih formalizama za
predstavljanje znanja.
PREDIKATSKI RAUN
Predikatski raun je najmoniji nain predstavljanja znanja. Logika ili predikatski raun prvog reda kao podsistem
formalne logike moe u velikom broju sluajeva da predstavi znanje napisano na prirodnom jeziku. injenice i pravila se
zapiu u skladu sa sintaktikim pravilima toga podsistema. Poznate injenice i pravila tretiraju se kao aksiomi, a oekivani
odgovor kao teorem koji vai u sistemu tih aksioma.
U ovom formalizmu veoma je jednostavno definisati relacije i strukturirati podatke. Predikatski raun je performantan zato
to za dokazivanje teorema u okviru tog formalizma postoje poznati i relativno brzi algoritmi koji se baziraju na principu
rezolucije.
Formule predikatskog rauna se izgrauju upotrebom sljedeih simbola:
1. a, b, c, d (individualne konstante, imena individual iz nekog domena),
2. x, y, z (individualne promjenjiljve),
3. A, B, C, D (predikatske konstante imena relacija definisanih na datom domenu),
4. X, Y, Z (predikatske konstante),
5. Univerzalni kvantifikatori koji govore o svim individuama domena i Egzistencijalni kvantifikatori koji govore o
najmanje jednoj individui domena),
6. p, q, r, s (iskazne promjenjljive),
7. , , (logike konstante),
8. ( ) (zagrade).
Programski jezik PROLOG predstavlja formalizam ovoga tipa. Nastao je kao realizacija ideje, da je mogue matematiku
logiku upotrijebiti kao programski jezik. Ima sintaksu formula predikatskog rauna prvoga reda, zapisanih u klauzalnom
obliku (kvantifikatori se ne navode eksplicitno), a ogranien je na Hornove klauzule. Hornove klauzule izraavaju uslovne
tvrdnje tipa:
Ako P1 i P2 i ... i Pn, onda P.
Prolog je deklarativni odnosno neproceduralni jezik. Umjesto algoritama za rjeavanje problema u njemu se zapisuju
relacije meu podacima i rezultatima. Prologov interpreter onda sam nalazi redoslijed operacija, koje prevode podatke u
rezultate koji odgovaraju zahtjevanim relacijama. Dakle, u izvjesnom smislu podaci su istovremeno i program za rad sa
njima. Prolog je dostigao veliku popularnost u Evropi i Japanu, gdje je proglaen za zvanini jezik 5. generacije raunara.
Meutim, kako je u optem sluaju ogranieniji od produkcionih pravila, nema toliku popularnost u ekspertnim sistemima.
TEHNOLOG
ZNANJA
EKSPERT
KORISNIK
modul za
zahvatanje
znanja
modul za
objanjavanje
INTERFEJ
S
Mehanizam
zakljuivanj
a
Baza
znanja
EKSPERTNI
SISTEM
U sluaju veoma obimnih baza znanja posebno je pogodna upotreba kvalitativnog modela. Model sadri uzrono znanje o
podruju, koje moe biti predstavljjeno u relativno kompaktnom obliku. Osim toga lake je provjeriti njegovu kompletnost
i konzistentnost nego u sluaju kada je znanje u obliku velikog broja primjera. U mnogim domenima (npr. fiziologiji)
priroda problema je kvalitativna, te zahtjeva takav jezik eksperta. Meutim konstrukcija kvalitativnog modela uglavnom je
teak zadatak, pa se zato vre istraivanja iz automatske izgradnje takvih modela.
Rezultati utvruju primjenljivost automatskog uenja i kvalitativnog modeliranja za automatsko generisanje ekspertnog
znanja. Sintetizovano znanje je po sutini i tanosti zanimljivo za strunjaka ili praktika sa problemskog podruja, a
rezultati ekspertnih sistema koji se slue tim znanjem su u okviru tanosti koju postiu eksperti tanosti.
Pretraivanje po dubini predstavlja strategiju koja jednostavno eliminie neke nedostatke prethodno navedene strategije.
Potrebno je manje memorije poto se u obzir uzimaju samo neki segmenti prostora stanja. Ako su u pitanju "dua"
("dublja") rjeenja - sa veim brojem vorova, takav put e se nai mnogo bre nego upotrebom pretrage po irini. ak i
kada se rjeenje pronae, ne mora biti najbolje mogue (najkrae). Da bi se izbjeglo ulaenje u "beskonaan" put, pretraga
se prekida nakon odreenog broja nivoa, pa postoji mogunost da rjeenje nee biti pronaeno iako se nalazi u datom
segmentu prostora stanja.
Osnovna upotreba heuristikog znanja je da povea efikasnost procesa zakljuivanja putem nalaenja smjera
(usmjeravanja) procesa pretrage. Takav smjer nam smanjuje prostor koji se mora pretraiti prije nego to se doe do
rjeenja, a to poveava mogunosti rjeavanja sloenijih problema.
Za pretraivanje prostora karakteristian je problem kompleksnosti. Za netrivijalna podruja broj alternativa moe biti tako
veliki da slijepo pretraivanje postaje apsurdno. Broj kandidata se poveava eksponencijalno i dolazi se do tzv.
kombinatorike eksplozije. Problem se prevazilazi heuristikim pretraivanjem (heuristic search, best-first search), to
znai da se algoritam pretraivanja koristi specifinim znanjem o problemu koje eliminie bezperspektivne alternative.
Obino su to numerike procjene, koje ocjenjuju perspektivnost svakog vora u grafu.
MACGER
(1973)
Definisanje sistema
Projektovanje
DEJVIS
(1974)
Definisanje:
ocjenjivanje
izvodljivosti,
informaciona analiza
Fiziko
BOEM
(1976)
Zahtjevi sistema
Zahtjevi softvera
Programiranje
projektovanje:
projektovanje
sistema, razvoj
programa, razvoj
procedura
Implementacija:
konverzija,
funkcionisanje i
odravanje,
postrevizija
Testiranje sistema
Preliminarno
projektovanje
Detaljno
projektovanje
Kodiranje, traenje i
mjenjanje
programskih greaka
Testiranje i
predfunkcionisanje
Prihvatanje
Instalacija i
funkcionisanje
FRIMEN I
VASERMEN
(1977)
Analiza potreba
KVEJD I
BOUER
(1978)
Problem
Specifikacija sistema
Formiranje
Detaljno
projektovanje
Implementacija
Odravanje
Evaluacija
Interpretacija
Verifikacija
Sugestije akcija
MANDEL
(1979)
Projektovanje
situacije:
prepoznavanje
problema,
definisanje ciljeva,
studija postojeeg
sistema,
projektovanje
novog sistema,
predlaganje rjeenja
Implementacija:
detaljno
projektovanje
sistema,
projektovanje
datoteka, razvoj
programa, razvoj
dokumentacije,
razvojtest podataka,
testiranje sistema,
konverzija
LAJBOVIC
(1984)
Problematino stanje
poslova
Korisnik:
Hijerarhijska
vrijednost, pogled na
svijet
Identifikacija
problema
Motivacija:
postojee
metodologije
Analogno
rezonovanje
Izbor metodologije
SILVERMAN
(1985)
Identifikacija
zahtjeva
Projektovanje,
Razvoj, Testiranje i
Integracija:
slini programi
Funkcionisanje i
Odravanje
Kolektiranje
HARMON I SOJER
(1989)
Preliminarna analiza
Raspolaganje
Testiranje i
implementacija
Odravanje
Analiza i dizajn
Razvoj prototipa
Razvoj sistema
Vie manje, bie preuzeta metodologija Harmona i Sojera, jer ba ona u znaajnoj mjeri prihvata i obuhvata integralni
prilaz analize, projektovanja i razoja informacionih i ekspertnih sistma. Osim toga, ova metodologija ima i osobinu jasnog
i preciznog naznaavanja i objanjavanja svakog metodolokog koraka u skladu sa zahtjevima procesa upravljanja
projektima.
Generika metodoloka procedura za razvoj i upravljanje razvojem ekspertnih sistema ima est faza:
Preliminarna analiza;
Analiza i dizajn;
Razvoj prototipa;
Razvoj sistema;
Testiranje i implementacija;
Odravanje.
Svaka od ovih faza se istovremeno razmatra sa dva aspekta. Prvi je ko i sa kakvom ulogom uestvuje u razvoju ekspertnog
sistema, a drugi je koji se sve razni poslovi i zadaci trebaju izvriti u nekom projektu. Tako se ovom metodologijom mogu
organizovati i sistematizovati razliite ideje i ona moe posluiti kao osnova za planiranje i upravljanje sistemskim
projektom.
Sutina faze preliminarne analize je formulacija potencijalnih projekata, obezbjeivanje saglasnosti rukovodstva preduzea
za potencijalne projekte i formiranje tima za razvoj projekta ekspertnog sistema.
U fazi analize i dizajna osnovni zadaci su ovi:
Izrada detaljnog plana analize;
Definisanje domena i njegova dublja analiza;
Razvoj detaljnog plana projektovanja;
Organizovanje projektantskog tima;
Organizacija vie sukcesivnih sastanaka sa ekspertima i korisnicima sa posebnim naglaskom na interakciji
ekspert/korisnik.
SISTEMA
Programski jezici su ili proceduralno ili simboliko orijentisani. Proceduralno orijentisani programski jezici su
konvencionalni jezici kao to su npr. FORTRAN ili PASCAL i namijenjeni su algoritamskom rjeavanju odreenog tipa
problema. Tako je FORTRAN naroito pogodan za matematike probleme, COBOL za poslovnu obradu, itd. S druge
strane, programski jezici za simboliku obradu su kreirani za primjenu u aplikacijama vjetake inteligencije. Osnovni
elementi koji se ovakvim programskim jezicima obrauju nisu podaci, ve objekti iz domena posmatranja, koje nazivamo
simbolima. Programski jezici za razvoj ekspertnih sistema pruaju najveu slobodu pri izgradnji ekspertnih sistema, ali s
druge strane ne pomau pri izboru naina predstavljanja znanja ili pristupa bazi znanja.
Zbog svojih osobina pogodnih za izgradnju ekspertnih sistema, najee su primjenjivani programski jezici LISP i Prolog.
C jezik se takoe sree kao programski jezik u kome je razvijan veliki broj ekspertnih sistema. To je prvenstveno zbog toga
to je vei broj programera familijaran sa C-om nego sa programskim jezicima koji se obino koriste u vjetakoj
inteligenciji. Osim toga, C jezik ne ograniava kreativnost programera, a C kompajleri stvaraju izuzetno brze i efikasne
izvrne programe.
Razlika programskog jezika LISP i komercijalnih programskih jezika kao to su PASCAL, FORTRAN, je u mogunosti da
se pomou LISP-a vri simbolika obrada. Osnovni elementi koji se obrauju se nazivaju simbolima. LISP potie od
engleske rijei LIST Processing, oznaava obradu listi i upuuje na prvobitnu namjenu ovog jezika. Liste se u LISP-u
predstavljaju na dva naina: prvi nain se odnosi na vidljivi zapis liste koji se sastoji iz niza lanova liste, odvojenih
praznim mjestom unutar otvorene i zatvorene male zgrade. Drugi nain predstavljanja listi se odnosi na internu
prezentaciju u obliku lanca elija. Svaka elija je jedan element liste i sastoji se iz gornje polovine koja se naziva CAR i
donje polovine koja se zove CDR.
Program napisan u Lisp-u se izvrava:
Izraunavanjem vrijednosti funkcije;
Obradom listi;
Predikatima ili funkcijama testiranja;
Dodjeljivanjem vrijednosti promjenljivima;
Predstavljanjem IF-THEN pravila;
Definisanjem novih funkcija.
PROLOG je deklarativan programski jezik, u kojem je zadatak programera da specificira ta treba da dobije za rezultat, a
ne kako do tog rezultata doi.
Prolog (PROgramming in LOGic) je programski jezik kreiran sa posebnom namjenom da se uz njegovu pomo dobivaju
odgovori na upite u bazu znanja, sastavljenu od injenica i pravila. U Prolog je ugraena rutina olanavanja unazad i tzv.
traganje unazad, tako da se izmeu pravila pisanih u Prolog-u i pravila pohranjenih u bazu znanja uspostavlja obostrano
jednoznana korespondencija.
Prolog i njegova sintaksa zadovoljavaju sljedee osobine:
Cjelokupno pravilo napisano u Prolog-u se naziva klauzula. Postoje dva tipa klauzula: klauzula pravilo i klauzula
injenica.
*Primjer klauzule-pravila:
Temperatura(da):write('POVIENA'),POVIENA=da.
*Primjer klauzule-injenice:
vrnjaci(X,Y):roen(X,G),roen(Y,G)
roen(igor,1985)
roen(ema,1980)
roen(darko,1985)
Dio pravila koji se nalaze sa lijeve strane znaka se naziva ''glava'' klauzule i ekvivalentan je THEN dijelu pravila u
bazi znanja ekspertnog sistema.
Desno od znaka se nalazi ''tijelo'' klauzule i odgovara IF dijelu produkcionih pravila kojima se znanje predstavlja u
bazi. Tijelo je sainjeno iz vie dijelova, svaki dio se naziva ciljem.
Rije ispred zagrade je predikat i pie se malim poetnim slovom. Termin predikat se esto koristi u smislu
procedura. Procedura je dio programa koji definie predikat odreenog imena.
Rijei u zagradama su argumenti predikata ispred zagrade. Argumenti mogu biti promjenljive ili vrijednosti.
Pitanja o injenicama pohranjenim u bazi su najjednostavnija a sintaksa im je sljedea:
?-klauzula
Suoen sa zadatkom da odgovori na pitanje, raunar daje rjeenje sa yes ili no.Za podatke iz predhodnog primjera
?-vrnjaci(igor,ema)
raunar e odgovoriti sa no, dok e na pitanje:
?vrnjaci(igor,darko)
odgovor biti yes.
Npr: ?roen(x,1985)
Raunar daje dva odgovora,na osnovu baze i to
:
X=igor
X=darko
Svaka PPIES je mono orue u rukama iskusnog inenjera znanja, koji uz to mora dobro da poznaje jezik u kojem su
pojedini od ovih alata napisani.
OLAKICE IZGRADNJE EKSPERTNIH SISTEMA
U olakice izgradnje ekspertnih sistema (OIES) spadaju svi ostali alati koj inenjeri koriste kada kreiraju ekspertni sistem:
Alati za otkrivanje greaka (tzv. dibageri);
Editori baze znanja;
Ugraeni ulazni/izlazni mehanizmi;
Mehanizmi za davanje objanjenja.
Ove olakice mogu da budu dio jezika inenjeringa znanja, a mogu imati formu dodatnog softverskog paketa koji se kupuje
uz ljusku ekspertnog sistema, da bi ga uinio pristupanijim, jednostavnijim i efikasnijim. Alati koji olakavaju
programiranje su:
Alati za otkrivanje greaka su korisni u pronalaenju i ispravljanju greaka u ekspertnom sistemu. To se moe postii na
razliite naine. Programi za biljeenje "puta" polaska kroz aktivirana pravila pomau otkrivanju greke analizom toka
izvravanja programa. Kod drugih dibagera se pronalaze greke analizirajui vrijednosti u bazi znanja nakon zaustavljanja
programa na oznaenim, kritinim, tzv. "prekidnim" takama. Jo jedan nain otkrivanja greeka je putem programa za
automatsko testiranje. Ovakvim testiranjem se otkrivaju slabosti sistema i greke u radu, naroito na nestandardnim,
"marginalnim" problemima.
Alati za olakano sticanje znanja omoguavaju inenjeru znanja da crpljenje znanja od eksperta izvodi u toku rada
ekspertnog sistema. Na taj nain se rjeavanje problema u realnom okruenju zamjenjuje izvravanjem ekspertnog sistema i
umjesto da ekspert rjeava stvarni problem on rjeava problem zadat ekspertnim sistemom i direktno ugrauje svoju
ekspertizu u bazu znanja.
Ugraeni mehanizmi razonovanja objanjavaju odgovore ili preporuke ekspertnog sistema ukoliko ovi nisu dovoljno jasni,
a omoguavaju i obrazlaganje postupka dolaska do rjeenja. Razliiti sistemi i alati na razliite naine pruaju objanjenja.
U osnovi postoje tri takva naina kojima se ugraeni mehanizmi rezonovanja koriste u objanjavanju ponaanja sistema i
zakljuka:
Retrospektivni;
Hipotetini;
Antiinjenini.
Retrospektivni alati e tragati unazad kroz pravila i lance zakljuivanja da bi dali odgovor na pitanje kako se dolo do
odreenog zakljuka.
Hipotetian nain davanja objanjenja nastoji dati odgovor na pitanje kakve bi razlike u posljedicama nastale zbog
izmjenjenih poetnih uslova drugaijeg pravila ili injenice.
Antiinjenino rezonovanje e pokazati zbog ega nije dolo do oekivanog rezultata, ve do drugaije preporuke ili
rjeenja problema.
Editori baze znanja automatski pohranjuju sve uinjene izmjene u sistem, provjeravaju sintaksu i osiguravaju pisanje
pravila u ispravnom formatu, provjeravaju konzistentnost kako bi utvrdili da li novo pravilo ili injenica dovodi do
konfliktnih ili kontradiktornih situacija u bazi znanja.
za PC i kompatabilne raunare
Naziv: Arity/Expert Development Package
Proizvoa: Arity Co., Concord, Massachusetts
Hardver: IBM PC, XT, AT, Personal System/2 i kompatabilni
Predstavljanje znanja: produkciona pravila I frejmovi
Mehanizam zakljuivanja: ulanavanje unazad
Faktori izvjesnosti: FIF, uslovna vjerovatnoa i produeni faktori izvjesnosti
Naziv: 1st-Class
Proizvoa: Texas Instruments, Inc., Wazland, Massachusetts
Hardver: IBM PC, XT, AT, Personal System/2, i kompatabilni
Mehanizam zakljuivanja: Traenje po stablu odluivanja
Faktori izvjesnosti: 0-100
Softverski alati Auto Intelligence, kojeg proizvodi i distribuie softverska kua Intelligence Ware Inc., Los Angeles,
California, namijenjen je samostalnom radu eksperata koji prenosi znanje u sistem putem repertoarskih reetki i
induktivnog algoritma.
Insight 2+
Insight 2+ pripada klasi manjih alata za razvoj ekspertnih sistema koji su zasnovani na pravilima.
Smatra se "manjim alatom" poto se znanje uva u jednoj bazi znanja, a obuka je u tom sluaju
laka zbog boljeg pregleda mogunosti. Za funkcionisanje ovog alata je potrebno relativno malo
radne memorije, a cijeli sistem moe da podri najvie 500 pravila.
Pravila se unose pomou PRL-a (Production Rule Language) koji podrava strukturu IF THEN-ELSE
uz primjenu standardnih logikih i aritmetikih operacija. Ovako izraen ekspertni sistem mogue
je povezati sa programima pisanim u Pascal-u i dBase datotekama.
Nain rada:
1. U integrisanom tekst editoru se unosi PRL program (izvorna datoteka) koji sadri
definisane ciljeve i pravila;
2. Izvorna datoteka se kompajlira sve dok se ne eliminiu postojee greke;
3. Kompajlirani program se izvrava - provjera rada ekspertnog sistema;
Moe se primjetiti da je veina ekspertnih sistema napisana za specijalizovane ekspertne nivoe, s obzirom da su takva
podruja uobiajeno dobro prouena i veoma jasno definiu strategije rjeavanja problema. Problemi koji zavise od malo
slobodnijeg shvatanja zdravog razuma je mnogo tee rijeiti ovim putem.
Meutim, identifikovanje korisnosti primjene vjetake inteligencije u oblasti energetike i ivotne sredine je podstaklo
naunike iz ovih oblasti da identifikuju razliite ekspertne sisteme za rjeavanje mnogih problema sa kojima se susreu u
svakodnevnom radu.
Najpoznatiji komercijalni ekspertni sistemi su:
DENDRAL (utvruje hemijske strukturne formule na osnovu spektralnih osobina hemijskih jedinjenja),
SHRDLU (sistem za razumijevanje prirodnog jezika),
MYCIN (sistem za pomo ljekarima kod dijagnosticiranja infektivnih oboljenja kod izbora terapije),
ARCHES (program za automatsko uenje),
AL/X (sistem za otkrivanje kvarova u kompleksnim proizvodnim procesima),
PROSPECTOR (sistem za pomo kod geolokih istraivanja).
Noviji ekspertni sistemi su se pokazali izuzetno korisnima u poslovnoj sredini. U praksi su najdostupniji sljedei proizvodi:
AUDITOR Softverski paket ekspertnog sistema, koji je razvijen s ciljem da pomogne u analizi doputenih spornih
potraivanja, dugovanja i unutranjih kontrola u preduzeu. "Auditor" je danas jedan od najvie korienih ekspertnih
sistema. Ovaj program bira kontrolne postupke na osnovu ulaza iz preduzea. Razvijen je na Univerzitetu Ilinois.
TAX ADVISOR Ekspertni sistem koji prua poreske savjete za planiranje nasljedstva. Razvijen je kao dio doktorskog rada
na Univerzitetu Ilinois. Svrha mu je da svojim poreskim savjetom pomogne klijentu u finansijskim poslovima tako da
porez na prihod i porez na nasljee budu minimalni, a da pri tom ne budu pogoene odluke o zdravom ulaganju i
odgovarajuem pokriu osiguranja.
TICOM U razvojnim fazama na Univerzitetu Minesota, ovo je metoda za modeliranje i ocjenjivanje sistema unutranje
kontrole. "Ticom" moe poboljati tanost i pouzdanost finansijskih podataka u preduzeu.
EDP AUDITOR Jo jedan kontrolni sistem, "Edp Auditor" je dizajniran s ciljem da pomogne kontrolorima ili kontroli
modernog EOP-a, te da pomogne u izvoenju modernog verifikacionog postupka.
TAXMAN Oporezivanje je podruje za koje su od poetka zainteresovani ekspertni sistemi. "Taxman" procjenjuje poreske
posljedice predloenih reorganizacija u preduzeu.
CORP-TAX Jo jedan poreski sistem, "Corp-Tax" je napravljen s ciljem da pomogne raunovoi u vezi s amortizacijom.
FINANCIAL ADVISOR Razvijen na MIT Univerzitetu ovaj sistem moe pruati savjete o projektu, proizvodima,
udruivanjima, kupovini kada se razgovara sa visokim finansijskim savjetnikom.
PLAN POWER Novi ekspertni sistem za finansijsko planiranje, koji je razvijen kao rezultat sve vee sloenosti zadataka
za finansijskog planera zbog mnoenja investicionih sredstava. Razvio ga je Applied Expert Systems za korienje na
Xerox 1186 radnoj stanici. Program uzima u obzir finansijsku situaciju, zatim usklauje potrebe s najpovoljnijim
finansijskim proizvodima i uslugama. Uz to sistem e proizvoditi tabelarne izvjetaje za scenarije koji pokazuju stanje
poreza na prihod, tokove novca, neto vrijednost i druge kritine faktore temeljene na alternativnim odlukama.
CASH VALUE Dizajniran u "Plan Power-u", ovo je komercijalno pristupaan ekspertni sistem, koji pomae u planiranju
kapitalnih projekata. Pravila odluivanja daju savjete o neto polaznoj vrijednosti, toku novca, isplativosti i analizi rizika.
AION DEVELOPMENT SYSTEM /MVS/PC Ljuska ekspertnog sistema namijenjena za velike IBM sisteme ili PC
kompatibilne sisteme. Razvijen u AION Corp. ovaj program je namijenjen komercijalnim EOP sredinama. Sistem ima
razvojne funkcije koje su potrebne za stvaranje, testiranje i izvoenje aplikacija baza znanja. Takoe ukljuuje editor,
pomo, skicu i povezne funkcije.
GURU Spoj mogunosti ekspertnog sistema i tradicionalnog komercijalnog raunovodstva, ovaj program razvijen u Micro
Data Base Systems, Inc., radi kao softver za tabelarne izvjetaje (spreadsheet) i kao ljuska za ekspertni sistem. Uz ovakve
jedinstvene mogunosti, korisnik moe u njega ugraditi, znanje na mikrokompjuteru, pa tako korisnik koji radi na
tabelarnom izvjetaju moe "konsultovati" ekspertni sistem i bre donositi rutinske odluke. Pored standardnih funkcija
generatora izvjetaja, obrade teksta, statistike analize i upravljanja podacima, GURU ekspertne aplikacije mogu obuhvatiti
administrativne savjete, finansijske analize i rutinsko odluivanje.
PLATINUM LABEL Opti raunovodstveni softver s korisnikim interfejsom u obliku prirodnog jezika, iji je cilj brzo
akceptiranje od strane korisnika. Platforma za izvoenje mu je obian personalni raunar. Sadri sedam ekspertnih paketa:
potraivanja, dugovanja, glavnu knjigu, prodajne narudbe, zalihe, analizu prodaje i osnovni pribor za voenje. Razvijen je
u Intelli Source Inc., sadri zatitu u vidu lozinke, sredstva za periodine i godinje obraune, te prenos bilansa s nekoliko
prozora na ekranu.
EURISKO Futuristiki ekspertni sistem koji je nastao i jo se razvija na Univerzitetu Stanford, a osnovna mu je ideja da
kompjuter razvija svoje vlastite teorije i ideje na osnovu zadatih principa struke.
EXPERT-EASE Ovaj sistem predstavlja jedan od najee korienih optenamjenskih ekspertnih sistema. Razvijen je na
Human Edge Software, Inc. Najprikladnije primjene za sisteme kao to je "Expert-Ease" su dobro definisane odluke od
dvije do etiri opcije, a istovremeno se vodi rauna o tri do est relevantnih faktora. Sadri samo okvir bez vlastitog
domena znanja, dok domen treba dati korisnik/strunjak.
EIAxpert je dizajniran za uveane procjene, sa vie informacija koje postaju dostupne u toku razliitih faza pripreme
projekata, te time bolje obraena analiza postaje mogua. Razliiti korisnici mogu doprinijeti procjeni projekta, i nekoliko
verzija projekta i projektnih alternativa se mogu istovremeno odravati.
EIAxpert koristi hibridni GIS koji moe kombinovati vektorske i skenirane podatke (ukljuujui satelitske ilustracije i
fotografije iz vazduha, kao i digitalne evaluacione modele ua rijeke. GIS takoe obezbjeuje pristup prostorno
orijentisanoj bazi podataka za projekte i pojedinane karakteristike koje su od znaaja za, na primjer brane i rezervoare,
naselja, podruja navodnjavanja, itd.
Pravci razvoja
Primjena novih tehnologija.
Ekspertni sistemi namjenjeni za konsultaciju korisnika u najrazlicitijim oblastima primjene.
Sistemi isporuke znanja (knowledge delivery systems) - nisu bazirani na lancu zakljuivanja sa velikim brojem
pravila. Zakljuivanje je u jednom koraku jer se za svaku premisu vezuje odgovarajui zakljuak, te se brzim
pretraivanjem i uporeivanjem zadate premise sa postojecim u bazi znanja dolazi do odgovarajueg zakljuka.
U zavisnosti od vrijednosti koeficijenata likvidnost dobiva ukupnu ocjenu odlina, dobra ili loa likvidnost.
Operativna efikasnost preduzea se procjenjuje na bazi prosjenog obrta sredstava debitora, uz pretpostavku da debitor sa
veim prosjenim koeficijentom obrta sredstava formira vei obim otplatnog potencijala i ima manju potrebu za dodatnim
finansijskim resursima. To onda znai da banka u eventualnom kreditnom odnosu sa takvim debitorom ima manji kreditni
rizik. Indikatori operativne efikasnosti izraavaju se sljedeim odnosima:
prosjean obrt zaliha = godinja realizacija / (koeficijent obrta zaliha) prosjean obim zaliha
operativna efikasnost potraivanja = godinja realizacija / (konverzija potraivanja u gotovinu) prosjena poslovna potraivanja
U zavisnosti od vrijednosti koeficijenata dobija se ukupna ocjena odlina, dobra ili loa operativna efikasnost preduzea.
Rentabilnost preduzea je posebno znaajan indikator za dugorono kreditiranje, ali ima svoju ulogu i kod kratkoronog
kreditiranja. Ovim indikatorom se mjeri rentabilnost debitora da bi se kreditni resursi usmjerili najperformansnijim
preduzeima. Rentabilnost se izraava stopom neto dobiti. Neto dobit se dobije kada se ukupan prihod umanji za trokove i
poreze.
stopa neto dobiti = neto dobit / realizacija
U zavisnosti od vrijednosti stope neto dobiti dolazi se do ocjene rentabilnosti: odlina, dobra ili loa.
Zaduenost debitora kvantitativni indikator kreditnog rizika banke. Izraava se stopom zaduenosti:
stopa zaduenosti = dugovi / aktiva
U zavisnosti od vrijednosti stope zaduenosti, ekspertni sistem zaduenost debitora tretira kao dobru ili lou.
Kapital debitora definie se kao trajno uloeno sredstvo osnivaa i akcionara. To je u stvari finansijska vrijednost
komitenta, odnosno, njegove firme i mjeri se kao neto vrijednost imovine vlsnika, Dobiva se tako to se od ukupnih
sredstava (aktive) oduzmu ukupne obaveze (pasiva). Ovdje treba voditi rauna da knjigovodstvena vrijednost ne reflektuje
trinu vrijednost. Imovina debitora je gornja granica visine kredita i sigurnost za vraanje kredita. U naem primjeru
finalno moe imati dvije vrijednosti da ili ne.
Kolateral debitora predstavlja obezbjeenje kredita i pokriva slabe take kreditne sposobnosti preduzea debitora.
Kolateral se odnosi na bilo koje sredstvo (u aktivi), kojima debitor raspolae kao specifinom zalogom za obezbjeenje
vraanja kredita. U naem primjeru ekspertni sistem kolateral kao ulazni element analize uzima sa da ili ne.
Kondicije ili ekonomski uslovi poslovanja odnose se, prije svega, na konjukturu trita na kojem debitor posluje. U naem
primjeru bitne su ekonomske projekcije u periodu vraanja kredita. Te projekcije daju ekspertnom sistemu vrijednost
povoljne ili nepovoljne konjukture.
Z-Score analiza je specifan metod mjerenja finasijskih tekoa debitora a time i rizika banke. Sutina ove analize je u
predvianju realnosti finasijske pozicije debitora na osnovu korienja preciznih indikatora, pri emu ovi indikatori ne
zamjenjuju ve dopunjuju prethodno izloene indikatore.
Z-Score analiza je zasnovana na primjeru amerikih preduzea srednje veliine i premoava jaz izmeu koeficijenata
konvencionalne kreditne analize i egzaktnih parametara dobijenih na bazi statistikih multivarijacionih metoda analize
boniteta debitora. Z indikator kvaliteta kredita dobiva se sljedeom jednainom:
Z=1,2x1+1,4x2+3,3x3+0,6x4+1,0x5, gdje su:
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
! ! Testing B12
! ! ! KAR_INT
! ! ! ! (= Dobra CNF 100 )
! ! Testing B13
! ! Testing B14
! ! Testing B15
! ! ! KAR_TAC
! ! ! ! (= Dobra CNF 100 )
! ! Testing B16
! ! (= Dobar CNF 100 )
Testing A1
Testing A2
Testing A3
Testing A4
Testing A5
Testing A6
Testing A7
Testing A8
Testing A9
Testing A10
! KAPACITET
! ! Testing C0
! ! ! KPC_LIK
! ! ! ! Testing D1
! ! ! ! (= Odlicna CNF 100 )
! ! ! KPC_OEP
! ! ! ! Testing E1
! ! ! ! (= Odlicna CNF 100 )
! ! ! KPC_REN
! ! ! ! Testing F1
! ! ! ! (= Odlicna CNF 100 )
! ! (= DA CNF 100 )
! KAPITAL
! ! Testing I1
! ! (= Dovoljan CNF 100 )
(= je CNF 100 )
Z=(1.2*(TAKT/UAKT)+1.4*(NETO/UAKT)+3.3*(BRUTO/UAKT)
! Blok pravila
! A pravila - Finalni dio odlucivanja obuhvata 5 osnovnih kriterijuma
RULE A0
IF
KARAKTER=Odlican AND
KAPACITET=DA AND
KAPITAL=Dovoljan
THEN ODGOVOR=je;
RULE A1
IF
KARAKTER=Odlican AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A2
IF
KARAKTER=Odlican AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
THEN
KONJUKTURA=Povoljna
ODGOVOR=je;
RULE A3
IF
KARAKTER=Odlican AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A4
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A5
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A6
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A7
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A8
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A9
IF
KARAKTER=Odlican AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE
THEN ODGOVOR=nije;
RULE A10
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Dovoljan
THEN ODGOVOR=je;
RULE A11
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A12
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A13
IF
KARAKTER=Dobar AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A14
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A15
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A16
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A17
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A18
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=DA AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A19
IF
KARAKTER=Dobar AND
KAPACITET=NE AND
KAPITAL=Ne_dovoljan AND
KOLATERAL=NE
THEN ODGOVOR=nije;
RULE A20
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Dovoljan AND
KOLATERAL=DA
THEN ODGOVOR=je;
RULE A21
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Povoljna
THEN ODGOVOR=je;
RULE A22
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Dovoljan AND
KOLATERAL=NE AND
KONJUKTURA=Losa
THEN ODGOVOR=nije;
RULE A23
IF
KARAKTER=Los AND
KAPACITET=DA AND
KAPITAL=Ne_dovoljan
THEN ODGOVOR=nije;
RULE A24
IF
KARAKTER=Los AND
KAPACITET=NE
THEN ODGOVOR=nije;
! B pravila - Ispitivanje karaktera debitora
RULE B0
IF
ODG_INT=yes AND
KAR_TAC=Odlicna AND
KAR_DOS<>Lose
THEN KARAKTER=Odlican;
RULE B1
IF
ODG_INT=yes AND
KAR_TAC=Odlicna AND
KAR_DOS=Lose
THEN KARAKTER=Dobar;
RULE B2
IF
ODG_INT=yes AND
KAR_TAC=Dobra AND
KAR_DOS<>Lose
THEN KARAKTER=Odlican;
RULE B3
IF
ODG_INT=yes AND
KAR_TAC=Dobra AND
KAR_DOS=Lose
THEN KARAKTER=Dobar;
RULE B4
IF
ODG_INT=yes AND
KAR_TAC=Losa
THEN KARAKTER=Dobar;
RULE B5
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Odlicna AND
KAR_DOS<>Lose
THEN KARAKTER=Odlican;
RULE B6
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Odlicna AND
KAR_DOS=Lose
THEN KARAKTER=Dobar;
RULE B7
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Dobra AND
KAR_DOS=Odlicno
THEN KARAKTER=Odlican;
RULE B8
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Dobra AND
KAR_DOS<>Odlicno
THEN KARAKTER=Dobar;
RULE B9
IF
KAR_ODG=Odlican AND
KAR_INT=Dobra AND
KAR_TAC=Losa
THEN KARAKTER=Dobar;
RULE B10
IF
KAR_ODG=Odlican AND
KAR_INT=Losa AND
KAR_TAC<>Losa
THEN KARAKTER=Dobar;
RULE B11
IF
KAR_ODG=Odlican AND
KAR_INT=Losa AND
KAR_TAC=Losa
THEN KARAKTER=Los;
RULE B12
IF
KAR_ODG=Dobar AND
KAR_INT=Odlicna AND
KAR_TAC=Odlicna
THEN KARAKTER=Odlican;
RULE B13
IF
KAR_ODG=Dobar AND
KAR_INT=Odlicna AND
KAR_TAC=Dobra
THEN KARAKTER=Dobar;
RULE B14
IF
KAR_ODG=Dobar AND
KAR_INT=Odlicna AND
KAR_TAC=Losa
THEN KARAKTER=Dobar;
RULE B15
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Odlicna
THEN KARAKTER=Dobar;
RULE B16
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Dobra
THEN KARAKTER=Dobar;
RULE B17
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Losa AND
KAR_DOS<>Lose
THEN KARAKTER=Dobar;
RULE B18
IF
KAR_ODG=Dobar AND
KAR_INT=Dobra AND
KAR_TAC=Losa AND
KAR_DOS=Lose
THEN KARAKTER=Los;
RULE B19
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Odlicna
THEN KARAKTER=Dobar;
RULE B20
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Dobra AND
KAR_DOS<>Lose
THEN KARAKTER=Dobar;
RULE B21
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Dobra AND
KAR_DOS=Lose
THEN KARAKTER=Los;
RULE B22
IF
KAR_ODG=Dobar AND
KAR_INT=Losa AND
KAR_TAC=Losa
THEN KARAKTER=Los;
RULE B23
IF
KAR_ODG=Los AND
KAR_INT=Odlicna AND
KAR_TAC<>Losa
THEN KARAKTER=Dobar;
RULE B24
IF
KAR_ODG=Los AND
KAR_INT=Odlicna AND
KAR_TAC=Losa AND
KAR_DOS<>Lose
THEN KARAKTER=Dobar;
RULE B25
IF
KAR_ODG=Los AND
KAR_INT=Odlicna AND
KAR_TAC=Losa AND
KAR_DOS=Lose
THEN KARAKTER=Los;
RULE B26
IF
KAR_ODG=Los AND
KAR_INT=Dobra AND
KAR_TAC<>Losa
THEN KARAKTER=Dobar;
RULE B27
IF
KAR_ODG=Los AND
KAR_INT=Dobra AND
KAR_TAC=Losa
THEN KARAKTER=Los;
RULE B28
IF
KAR_ODG=Los AND
KAR_INT=Losa
THEN KARAKTER=Los;
RULE B29
IF
KAR_ODG=Odlican AND
KAR_INT=Odlicna
THEN ODG_INT=yes;
! C pravila - Ispitivanje kapaciteta debitora
RULE C0
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN <> Losa
THEN KAPACITET=DA;
RULE C1
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
ZAD_ZSC=yes
THEN KAPACITET=DA;
RULE C2
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Dobra AND
KPC_ZSC=Dobar
THEN
KAPACITET=DA;
RULE C3
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C4
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C5
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Losa AND
KPC_ZSC=Dobar
THEN KAPACITET=NE;
RULE C6
IF
KPC_LIK=Odlicna AND
KPC_OEP=Odlicna AND
KPC_REN=Losa AND
KPC_ZAD=Losa AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C7
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna
THEN KAPACITET=DA;
RULE C8
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
ZAD_ZSC=yes
THEN KAPACITET=DA;
RULE C9
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Dobar
THEN KAPACITET=DA;
RULE C10
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C11
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C12
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Dobar
THEN KAPACITET=NE;
RULE C13
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C14
IF
KPC_LIK=Odlicna AND
KPC_OEP=Dobra AND
KPC_REN=Losa
THEN KAPACITET=NE;
RULE C15
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
ZAD_ZSC=yes
THEN KAPACITET=DA;
RULE C16
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
KPC_ZSC=Dobar
THEN KAPACITET=DA;
RULE C17
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C18
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C19
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Dobar
THEN KAPACITET=NE;
RULE C20
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C21
IF
KPC_LIK=Odlicna AND
KPC_OEP=Losa AND
KPC_REN<>Odlicna
THEN KAPACITET=NE;
RULE C22
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Odlicna
THEN KAPACITET=DA;
RULE C23
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
ZAD_ZSC=yes
THEN KAPACITET=DA;
RULE C24
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Dobar
THEN KAPACITET=DA;
RULE C25
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C26
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C27
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Dobra AND
KPC_ZAD=Losa AND
KPC_ZSC<>Odlican
THEN KAPACITET=NE;
RULE C29
IF
KPC_LIK=Dobra AND
KPC_OEP=Odlicna AND
KPC_REN=Losa
THEN KAPACITET=DA;
RULE C30
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
KPC_ZSC<>Los
THEN KAPACITET=DA;
RULE C32
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C33
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC=Odlican
THEN KAPACITET=DA;
RULE C34
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Odlicna AND
KPC_ZAD=Losa AND
KPC_ZSC<>Odlican
THEN KAPACITET=NE;
RULE C36
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC<>Los
THEN KAPACITET=DA;
RULE C38
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Dobra AND
KPC_ZSC=Los
THEN KAPACITET=NE;
RULE C39
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Dobra AND
KPC_ZAD=Losa
THEN KAPACITET=NE;
RULE C40
IF
KPC_LIK=Dobra AND
KPC_OEP=Dobra AND
KPC_REN=Losa
THEN KAPACITET=NE;
RULE C41
IF
KPC_LIK=Dobra AND
KPC_OEP=Losa
THEN KAPACITET=NE;
RULE C42
IF
KPC_LIK=Losa
THEN KAPACITET=NE;
RULE C43
IF
KPC_ZAD=Dobra AND
KPC_ZSC=Odlican
THEN ZAD_ZSC=yes;
! D pravila - ispitivanje likvidnosti debitora u okviru ispitivanja kapaciteta
RULE D1
IF
SFA >= (1.0)
THEN KPC_LIK=Odlicna;
RULE D2
IF
SFA < (1.0) AND
STA > (1.0)
THEN KPC_LIK=Dobra;
RULE D3
IF
STA <= (1.0)
THEN KPC_LIK=Losa;
! E pravila - ispitivanje efikasnosti debitora u okviru ispitivanja kapaciteta
RULE E1
IF
KOZ >= (0.75) AND
KPG >= (1.0)
THEN KPC_OEP=Odlicna;
RULE E2
IF
KOZ >= (0.75) AND
KPG < (1.0)
THEN KPC_OEP=Dobra;
RULE E3
IF
KOZ < (0.75) AND
KOZ > (0.5) AND
KPG > (1.0)
THEN KPC_OEP=Dobra;
RULE E4
IF
KOZ < (0.75) AND
KPG < (1.0)
THEN KPC_OEP=Losa;
RULE E5
IF
KOZ <= (0.5)
THEN KPC_OEP=Losa;
9.
2.5.
1
Finding ODG_INT
Testing B29
RULE B29 IF
KAR_ODG = Odlican AND
KAR_INT = Odlicna
THEN
ODG_INT = yes CNF 100
Finding KAR_ODG
2
STA = (TAKT/TOBA) CNF 100
KOZ = (GR/POZ) CNF 100
KPG = (GR/PPP) CNF 100
REN = ((GPRI-GTRO-GPOR)/GR CNF
100
ZAD = (TDUG/TAKT) CNF 100
NETO = (GPRI-GTRO-GPOR) CNF 100
BRUTO = (GPRI+GTRP+GPOR) CNF
100
Z = (1.2*(TAKT/UAKT)+1.4 CNF 100
3
Kolika je trzisna vrijednost kapitala ?
113064000
Kolika je knjigovodstvena vrijednost ukupnih obaveza ?
3734000
Ocjena top menadzera - vlasnika preduzeca ?
Odlican
Dobar
Los
4
Enter to select END to complete
5
Odlican
Dobar
Los
Losa
6
THEN
KPC_REN = Odlicna CNF
100
Finding KAPITAL
Testing I1
RULE I1 IF
IMOVINA >= KREDIT
THEN
KAPITAL = Dovoljan CNF
100
7
KAR_TAC = Dobra CNF 100
KARAKTER = Dobar CNF 100
KPC_LIK = Odlicna CNF 100
KPC_OEP = Odlicna CNF 100
KPC_REN = Odlicna CNF 100
KAPACITET = DA CNF 100
KAPITAL = Dovoljan CNF 100
ODGOVOR = je CNF 100
8
1Help 2Go
3WhatIf 4Variable 5Rule
1Help 2How? 3Why? 4Slow 5Fast 6Quit
9
Odlicno
Dobro
Da li postoji kolateral ?
DA
NE
Kakva je konjuktura ?
Povoljna
Losa
Debitor je kreditno sposoban!
10
KAR_TAC = Losa CNF 100
KAR_DOS = Lose CNF 100
KARAKTER = Los CNF 100
KPC_LIK = Dobra CNF 100
KPC_OEP = Odlicna CNF 100
KPC_REN = Losa CNF 100
KAPACITET = DA CNF 100
KAPITAL = Dovoljan CNF 100
Lose
6Set
7Edit
8Quit
11
KAPACITET = NE AND
KAPITAL = Ne_dovoljan
AND
KOLATERAL = DA AND
KONJUKTURA = Povoljna
THEN
ODGOVOR = je CNF 100
Finding KOLATERAL
Finding KONJUKTURA
12
Enter to select END to complete
13
Odlicna
Dobra
Losa
Lose
Da li postoji kolateral ?
DA
NE
14
KAPACITET = DA CNF
100
Finding KAPITAL
Testing I1
RULE I1 IF
IMOVINA >= KREDIT
THEN
KAPITAL = Dovoljan CNF
100
Finding KOLATERAL
15
STA = (TAKT/TOBA) CNF 100
KOZ = (GR/POZ) CNF 100
KPG = (GR/PPP) CNF 100
REN = ((GPRI-GTRO-GPOR)/GR CNF
100
ZAD = (TDUG/TAKT) CNF 100
NETO = (GPRI-GTRO-GPOR) CNF 100
BRUTO = (GPRI+GTRP+GPOR) CNF
100
Z = (1.2*(TAKT/UAKT)+1.4 CNF 100
16
Enter to select END to complete
LITERATURA
1. Adegoke A., Okunowo O.: Artificial Intelligence-Expert Systems for Environmental and Energy Applications,
Environmental Informatics Archives, Volume 2, 2004.
2. Bonjak K., Latinovi B.: Informatika, Narodna i univerzitetska biblioteka RS, Banjaluka, 2004.
3. Buchman. J. r.: What are expert system, in building expert systems, Addison Wesley, 1983.
4. Date C.J.: An Introduction to Database Systems, 7th Edition. Addison-Wesley, Reading MA, 1999.
5. ERwin, Methods Guide, 1995.
6. Fedra K., Winkelbauer L., Pantulu V.R.:
Expert Systems for Environmental Screening: An Application in the Lower Mekong Basin, International Institute
for Applied Systems Analysis, Laxenburg, Austria, 1991
7. Fowler M.: UML, Mikro knjiga, Beograd, 2004.
8. Geeorge J. Klir., Fuzzy sets and fuzzy logic, Prentice Hall P T R , Neew Jersey, USA, 1997.
9. Grant T.J.: Lessons for OI from AI, A. Sheduling Case Study, Journal of the Operation Research Society, No.1,
1986, str.41-57.
10. Jackson P.: Introduction to Expert Systems, 3rd Edition, Addison-Wesley, Wokingham, 1999.
11. Jockovi M., Ognjanovi Z., Stankovski S.: Vetaka inteligencija, inteligentne maine i sistemi, Beograd, 1997.
12. Korth H.F., Silberschatz A.: Database System Concepts, 4th Edition. McGraw-Hill, New York, 2001.
13. Lindsay R. K.: Applications of Artificial Intelligence: As birds are to airplanes, so my brains be to beer cans,
McGraw Hill, New York, 1988.
14. Luger G., Stubblefield W.: Artificial intelligence - structures and strategies for complex problem solving, AddisonWesley, 1998.
15. Negnevitsky M.: Artificial Intelligence: A Guide to Intelligent Systems , Addison Wesley, 2002.
16. Risti ., Bonjak Z., Balaban, N.: Ekspertni sistemi, Savremena , Beograd, 1993.
17. Turban E.: Decision support and expert systems: management support systems, Englewood Cliffs, N.J., Prentice
Hall, 1995
18. Turban E., McLean E., Wetherbe J.; Informaciona tehnologija za menadment, Zavod za udbenike i nastavna
sredstva, Beograd, 2003.
19. Varga M.: Baze podataka - konceptualno, logiko i fiziko modeliranje podataka. DRIP, Zagreb, 1994.
20. www.alfanum.co.yu
21. www.cet.co.yu
22. www.elitesecurity.org
23. www.fon.bg.ac.yu
24. www.mathos.hr
25. www.microsoft.com
26. www.mrcmekong.org
27. www.odlucivanje.fon
28. www.oracle.com
29. www.raf.edu.yu
30. www. solair.eunet.yu/~ilicv/neuro.html
31. www.tsrb.hr
32. www.wikipedia.com
33. www.willamette.edu
34. www.nm.zesoi.fer.hr
35. www.znanje.org