Branko Latinovi

EKSPERTNI
SISTEMI

BANJA LUKA, 2006.

PANEVROPSKI UNIVERZITET APEIRON
-ZAJEDNIKE OSNOVE-

B A NJ A L U K A

Prof.dr Branko Latinovi

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

PROPAGACIJA GREKE UNAZAD

PROPAGACIJA GREKE UNAPRIJED

38
42

PRIMJENA NEURONSKIH MREA

45

POJAM EKSPERTNIH SISTEMA

47

DEFINICIJA EKSPERTNIH SISTEMA

47
ISTORIJA EKSPERTNIH SISTEMA
51
OSNOVNE ODLIKE EKSPERTNIH SISTEMA 55
PREDNOSTI I NEDOSTACI EKSPERTNIH SISTEMA
INENJERING ZNANJA
62
POJAM ZNANJA
METODE ZA PREDSTAVLJANJE ZNANJA

62
64

ARHITEKTURA EKSPERTNIH SISTEMA 67

KOMPONENTE EKSPERTNIH SISTEMA
BAZA ZNANJA
FORMALIZMI ZA PREDSTAVLJANJE ZNANJA
ZAHVATANJE ZNANJA
KVALITATIVNO MODELIRANJE
AUTOMATSKO UENJE

MEHANIZAM ZAKLJUIVANJA
PROSTOR STANJA
AND OR GRAFOVI

RAZVOJ EKSPERTNIH SISTEMA

67
72
74
78
80
82

84
86
89

90

59

22

6.1.
6.2.
6.2.1.
6.2.2.

PROJEKTOVANJE EKSPERTNIH SISTEMA

IZGRADNJA EKSPERTNIH SISTEMA

90
94

SREDSTVA ZA IZGRADNJU EKSPERTNIH SISTEMA 95

SOFTVER ZA IZRADU EKSPERTNIH SISTEMA
103

7.

PRIMJENA EKSPERTNIH SISTEMA

8.

PERSPEKTIVA EKSPERTNIH SISTEMA 119

9.

PROTOTIP EKSPERTNOG SISTEMA ZA ANALIZU KREDITNOG RIZIKA

9.1.
9.2.
9.2.1.
9.2.2.
9.2.3.
9.2.4.
9.2.5.

110
121

KONCEPT ANALIZE KREDITNOG RIZIKA 121

REALIZACIJA PROTOTIPA EKSPERTNOG SISTEMA ANALIZE KREDITNOG RIZIKA 125
SKELETON VPEXPERT
STABLO ODLUIVANJA U GRAFIKOM OBLIKU
STABLO ODLUIVANJA U TEKSTUALNOM OBLIKU
IZVORNI TEKST PROTOTIPA ES
IZGLED EKRANA ZA UNOS VARIJABLI

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

Discipline korijeni VI i glavne aplikacije

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.

Sistemi za reavanje formalnih zadataka:

o
o
o

logike igre,
matematika logika, geometrija, integralni raun i
osobine programa.

Sistemi za rjeavanje ekspertnih zadataka:

o konstruisanje, nalaenje greaka,
o planiranje proizvodnje,
o naune analize i dijagnostika (biologija, medicina, hemija, pravo),
o finansijska analiza i
o programi za razvoj ovakvih sistema.

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.

1.2. RAZVOJ VJETAKE INTELIGENCIJE

U trinaestom vijeku je Ramon Lul (1235-1316) opisao sistem Ars Magna kojim je pokuao da pomou mehanikog
kombinovanja, simbolike notacije i kombinatornih dijagrama ostvari "inteligentan" sistem.
Tokom sedamnaestog vijeka, G. V. Lajbnic (1646-1716) i Blez Paskal (1623-1662) pokuavali su da konstruiu mehaniku
raunsku mainu za sabiranje. Cifarska raunska maina koju je konstruisao arls Bebid, bila je u stanju da po odreenom
algoritmu izvrava operacije sa dekadnim brojevima. Sredinom devetnaestog vijeka Dord Bul razrauje algebru logike u
kojoj se algebarska simbolika koristi za operisanje pojmovima pri logikom izvoenju. Englez Alan Tjuring i Amerikanac
Post, 1936-te godine, nezavisno jedan od drugoga objavljuju radove iz oblasti matematike logike i iznose mogunosti
konstruisanja univerzalnog transformatora informacija. Meutim, tek pojavom prvog raunara "Electronic Numerical
Integrator And Computer" (ENIAC) koga su 1945-te godine izmislili Mauli i J. Presper Ekert, moe se govoriti o
inteligentnim mainama. U poetku su raunari bili prvenstveno namjenjeni za izvravanje raunskih operacija ali vrlo brzo
je uoeno da oni imaju daleko vee sposobnosti. Ve prvi rezultati u primjeni raunara upuivali su na mogunost raunara
da preuzme vrenje odreenih intelektualnih sposobnosti. Povoljni rezultati istraivanja naveli su neke od naunika da daju
preuranjene izjave da se ubrzo moe konstruisati "mislea maina" ili "elektronski mozak".
Zbog ovih preuranjenih izjava su se vodile brojne debate. Krajem 50-tih, sve do sredine 60-tih godina prologa vijeka,
problematika vjetake inteligencije bila je dosta rasplinuta izmeu fantastike, mate, potencijalnih mogunosti i praktinih
ostvarenja. Zanemarivanje razlike izmeu potencijalne ostvarljivosti i obima praktinih problema, koji se nalaze na putu do
ostvarivanja ideje, je jedan od estih uzroka nerazumjevanja mogunosti vjetake inteligencije. Ostvarivanjem praktinih
rezultata koji su nali primjenu u privredi, vjetaka inteligencija postaje interesantna za veliki broj naunika razliitih
oblasti. Danas postoje realizovani sistemi koji su u stanju da autonomno obavljaju kompleksne probleme, kakve su jedino
ljudi bili u stanju da obavljaju. Nije rijedak sluaj da takvi sistemi obavljaju te zadatke i daleko uspjenije od ljudi. U sprezi
sa raunarima, maine postaju sposobne da rade samostalno, da upravljaju same sobom i da proizvode druge maine,
oslobaajui oveka fizikog i monotonog rada, preputajui mu rad na sloenijim i kreativnijim poslovima.
U dvadesetom vijeku jedan od prvih radova vezanih za mainsku (vjetaku) inteligenciju, prije svega u odnosu na
dananje digitalne raunare, je rad Alana Tjuringa "Raunarske maine i inteligencija". Tjuringov test za "mjerenje
inteligencije" maina predstavlja jedini do sada priznati standard u ovom domenu.
Alan Turing je razmatrao pitanje "Mogu li maine da misle?" i izrazio ubjeenje da je ono previe nejasno. Kao zamjenu
predloio je test koji bi, ako ga neki raunar savlada, sluio kao potvrda mainske inteligencije. U originalnoj verziji
Tjuringov test, poznat i pod nazivom imitaciona igra, ukljuuje ispitivaa koji je ljudsko bie, kao i dva ispitanika, od kojih
je jedan ena, a drugi raunar. Ispitiva se nalazi u odvojenoj sobi i sa ispitanicima komunicira posredno, preko terminala.
Zadatak ispitivaa je da utvrdi ko je od ispitanika raunar, a ko ena. Raunar nastoji da ga sa svojim odgovorima zavara,
dok ena nastoji da ispitivau pomogne. Recimo, raunar bi na zahtjev da sabere dva broja mogao saekati odreeno
vrijeme, pa zatim odgovoriti pogreno pokuavajui tako da prevari ispitivaa.
Tjuringova namjera je bila da prui nauan, objektivan i ponovljiv test. On nije tvrdio je da je pobjeda u testu neophodna
da bi raunar bio inteligentan, ve se zadrao na dovoljnosti uslova, odnosno da je pobjeda u testu potvrda inteligentnosti
raunara, iako e moda postojati inteligentan raunar koji bi izgubio igru propisanu testom.
Svake godine organizuje se takmienje pod nazivom Lebnerova nagrada. Rije je o velikoj nagradi za prvi sistem koji bude
rjeio Tjuringov problem. Ako se istraivanja nastave u sadanjem pravcu, proi e jo mnogo vremena prije nego to se
pojavi prvi laureat. Tekoa je u tome to tema razgovora nije unaprijed odreena. Moe se razgovarati o bilo emu.
ovjek ne mora mnogo da zna o ovim temama, ali e se razgovor ubrzo voditi u oblasti koju oba sagovornika poznaju.
Sadanji sistemi vjetake inteligencije ogranieni su na uske oblasti. Tjuring je predvidio da e maine imati 30% ansi da
prou test u trajanju od 5 minuta. Predvidio je sve argumente u sljedeih 50 godina.
Mogua pitanja na testu su:
- Are you a computer ?
- What is 2276448*7896 ?
- Describe your parents ?

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

Formalna logika (Frege, Whitedhead, Russel, Tarsky) Kognitivna psihologija

Ideja kompjutacije (Church,Turing)

1945-1954

Razvijeni raunari (H. Simon)

Administrativno ponaanje
Kibernetika i samoorganizujui sistem (N. Wiener, McCulloch)
A.M. Turing, Raunarska mainerija i inteligencija

1955-1960
Poeci istraivanja u VI

Narastajua raspoloivost raunara

Jezik obrade informacija I (IPL-I)
Qetni seminar o VI u Darmouthu 1956.
Rjeavalac optih problema (GPS)
Psihologija obrade informacija

A.
Godine razvoja i preusmjeravanja
19611970
Traganje za rjeavaocima optih problema

Nenjel i H. Simon, Rjeavanje ljudskih

problema
LISP (J. McCarty)
Heuristici
ELIZA (J. Weizenbaum)
Robotika
ahovski programi
DENDRAL (Stanford University)

Godine specijalizacije i uspjeha 1971-1980

Razvoj sistema zasnovanih na znanju

MYCIN (Stanford University)

HEARSSAY II (Carnegie-Mellon)
Inenjerstvo znanja
EMYCIN (Stanford University)
PROLOG (A. Colmerauer)

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

Tabela 1 Pregled znaajnih dogaaja u istoriji vjetake inteligencije

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.

prvi program vizuelnog opaanja

motorne i mani pulativne sposobnosti

1968.
1969.

projekat "oko-ruka"

jezik i govor

1966.

analizator govora do 200 rijei

sintetizator govora program za uenje govora

1968. 1968.

poetak usvajanja kolskog programa

15

geometrija u ravni

1959.

program za dokazivanje teorema

15

algebarski zadaci

1964.

program za rjeavanje algebarskih zadataka

16

geometrijski zadaci u prostoru

1963.

Program "Analogija"

17

programiranje raunara

1963.

programi zasnovani na koritenju heuristike

18

matematika analiza

1961.

program za heuristiku integraciju

18

iskazni raun

1959.

"Opti rjeava zadatka" (GPS)

20

igra dama na 100 polja

1959.

program za igranje dama

21

aksiomatska logika

1956.

program vri dedukciju u formalnom sistemu

Tabela 2 Uporedni razvoj prirodne i VI

2. FUZZY SISTEMI

2.1. KVANTIFIKACIJA NEODREENOSTI

Fuzzy teorija je specifino projektovana za predstavljanje ljudskog znanja i zakljuivanja na takav nain da se moe
jednostavno predstaviti na raunaru. Ona omoguava uvoenje matematikog formalizma za opisivanje nejasnosti,
neodreenosti ili dvosmislenosti rijei ili fraza, koji se javljaju u prirodnom jeziku. Ustanovljena je 1965. godine od strane
profesora Zadeha, uvoenjem fuzzy skupova.
Skoro svi prirodni jezici sadre neodreenosti i veeznanost. Pridjevi, posebno, nisu uvijek jasni i jednoznani;
viesmisleni su u irini svog znaenja. Na primjer, kada se kae visoka osoba ne moe se jasno odrediti ko je visok ili ko
nije visok. Neodreenost izraza stara osoba dolazi do pridjeva star. Rijei su obino kvalitativne, ali one kao visok i star su
dovedene u vezu sa visinom ili godinama. Ako se ostave po strani apstraktni pridjevi kao to su: dvosmislen, neodeen
nesiguran, pridjevi koji se odnose na koliinu su esti. U inenjerstvu, posebno, pridjevi koji opisuju stanja i uslove
razliitih stvari su skoro uvijek povezani sa koliinom.

2.2. FUZZY SKUPOVI

U okviru fuzzy teorije skupova radi se sa kvantifikacijom znaenja u okviru teorije skupova. To je pokuaj da se izrazi
poput visok ili star predstave preko koncepta skupova. U osnovi, pojam skupova nije neophodan za kvantifikaciju
neodreenosti, ali je mogue poveati opseg korisnosti radei u okvirima teorije skupova, prije svega zato to je teorija
skupova osnova koja se koristi u mnogim oblastima savremene matematike.
Da bi se naglasila razlika izmeu skupova koji se standardno koriste u matematici i fuzzy skupova, za skupove prve vrste
se upotrebljava termin obini skupovi (ili samo skupovi). U engleskoj literaturi se obini skupovi nazivaju crisp sets (rije
crisp ukazuje na jasno odreene granice oblasti koje predstavljaju skupove). Da bi se fuzzy skupovi jasno razlikovali od
obinih skupova, koristie se sljedei nain oznaavanja: slovo koje oznaava fuzzy skup e biti podvueno.
Grafiki prikaz fuzzy podskupa A skupa X dat je na sljedeoj slici.

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

Skale za nizak, skoro prosjean i visok

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

Tipian primjer za funkciju pripadnosti je linearna trapezoidna funkcija:

mali

srednji

veliki

Slika 5

Grafik trapezoidnih funkcija

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.

2.3. OPERACIJE SA FUZZY SKUPOVIMA

Za bolje razumjevanje operacija sa fuzzy skupovima u nastavku e biti prvo opisane operacije sa obinim skupovima i
njima odgovarajue operacije sa fuzzy skupovima, a zatim e biti prikazane i operacije uvedene specijalno za rad sa fuzzy
skupovima.
Postoje tri osnovne funkcije sa skupovima: unija, presjek i komplement. Na primjer, unija skupova E i F je izraena kao:
E U F = {x:x E ili x F}
Budui da su fuzzy skupovi definisani funkcijama pripadnosti, unija fuzzy skupova ne moe biti ovako definisana, jer se
moraju koristiti funkcije pripadnosti.
UNIJA
Unija fuzzy skupova A i B, u oznaci A U B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A U B (x) = A (x) v B (x)
PRESJEK
Presjek fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = A (x) B (x)
KOMPLEMENT
Komplement fuzzy skupova A, u oznaci A, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A (x) = 1 A (x)
Ove definicije operacija su uoptenja definicija operacija za obine skupove.

2.4. OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVE

Poto vie nema potrebe za naglaavnjem razlika u odnosu na obine skupove, fuzzy skupovi e biti prosto oznaeni se A,
B, itd..., odnosno bez podvlaenja. Od mnogobrojnih operacija sa fuzzy skupovima ovde e biti govora samo o nekima:
algebarskom zbiru i proizvodu,
graninom zbiru i razlici i
direktnom proizvodu.
ALGEBARSKI ZBIR
Algebarski zbir fuzzy skupova Ai B, u oznaci A + B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A + B (x) = A (x) + B (x) - A (x) . B (x)
ALGEBARSKI PROIZVOD
Algebarski proizvod fuzzy skupova A i B, u oznaci A . B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A . B (x) = A (x) . B (x)
GRANINI ZBIR
Granini zbir fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = ( A (x) + B (x)) 1
GRANINA RAZLIKA
Granina razlika fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = ( A (x) - B (x)) v 0
DIREKTAN PROIZVOD FUZZY SKUPOVA
Neka su A i B, dva fuzzy skupa. Direktan proizvod skupova A i B, u oznaci A x B je fuzzy podskup skupa X x Y (pri emu
je A podskup skupa X, a B podskup skupa Y) definisan sledeom funkcijom pripadnosti:
A x B (x) = A (x) B (x)

2.5. PRIMJENA FUZZY TEORIJE

Uspjena primjena fuzzy teorije moe se uoiti na irokom polju aplikacija, poevi od proizvoda iroke potronje pa do
automatskih sistema upravljanja. Neke od primjena fuzzy teorije (u zagradi su navedeni proizvoai) su:
iroka potronja:
o Kamere i kamkoderi (Cannon, Minolta, Ricoh, Sanyo),
o Maine zapranje ( AEG, Sharp, Goldstar),
o Rashladni ureaji (Whirpool),
o Usisivai (Phillips, Siemmens).
Automatizovani sistemi:
o Lokomotive i upravljanje transmisijom (GM Saturn, Honda, Mazda),
o Upravljanje motora (Nissan),
o Fuzzy kontroleri (Klockner Moeller).
Upravljanje industrijskim procesima:
o Cementara, postrojenje za preradu smea ( K.L. Smith, Danska),
o Destilacija, preiavanje i drugi hemijski procesi.
Pomo u odluivanju:
o Medicinska dijagnostika,
o Ekspertni sistemi,
o Osiguravajui sistemi,
o Donoenje odluka u upravljanju poduzeem,
o Vrednovanje kvaliteta,
o Baze podataka.
Uprkos injenici da se uee fuzzy teorije u ovim aplikacijama nije uvijek isto, moe se rei da ima slinu, centralnu ulogu
u odgovarajuim upravljakim sistemima. U nevedenim primjerima, fuzzy teorija premoava prazninu izmeu
simbolikog procesiranja i numerikog izraunavanja. U narednom periodu treba oekivati jo znaajnije uee fuzzy
teorije u upravljakim strategijama, prije svega za donoenje strategijskih i kontrolnih (nadzornih) odluka.

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.

3.2. BIOLOKE NEURONSKE MREE

ovjeiji mozak je sastavljen od ogromnog broja elija neurona. Njihov broj u prosjenom ovjeijem mozgu
iznosi oko 100.000.000.000, a svaki ovaj neuron povezan je sa drugim neuronima preko nekoliko hiljada veza
kojima proslijeuju impulse jedni drugima. Tako je svaki neuron sastavljen od ulaznih veza (aksoni), same elije
(neuron), izlaznih veza (dendroni), dok se spoj dendrona jednog neurona sa aksonima drugog neurona naziva
sinapsa.

Slika 6

Veza izmeu dva neurona

Akson jedne elije povezan je sa dendronom druge elije.

Funkcionalni meumembranski kontakt aksona jednog neurona i
dendrona drugog neurona nazivamo sinapsa. Kada je neuron
aktiviran on alje elektrohemijski signal preko aksona prema
drugom neuronu. Signal moe biti promijenjen od strane sinapse
koja je u mogunosti da povea ili smanji snagu veze i time
izazove aktivaciju druge elije ili njenu ukoenost. Akson se
moe zamisliti kao tanka cjevica koje jedan kraj povezan na
tijelo neurona, a drugi se dijeli na niz grana. Krajevi ovih grana
zavravaju malim zadebljanjima koja najee dodiruju dendrite,
a rjee tijelo drugog neurona. Neuron prima impulse od ostalih
neurona kroz dendrite, a signale koje proizvodi tijelo predaje
preko aksona.
Sinapsa je elementarna struktura i funkcionalna jedinica izmeu
dva neurona, odnosno sinapsa je mali razmak izmeu zavretka
aksona prethodnog neurona i dendrita ili tijela sljedeeg neurona.

Dakle, vjetaka neuronska mrea je pokuaj simuliranja

rada, odnosno procesiranja informacija, ovjeijeg mozga.
Slika 7 Struktura neurona
Svaki neuron ima sposobnost proslijeivanja elektrohemijskih signala. Kada se neuron pobudi, on ispaljuje elektrohemijski signal preko mree aksona. Signal prelazi
preko sinapsa do drugih neurona, koji mogu naizmjenino da se aktiviraju. Neuron se aktivira samo ako nivo

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.

3.3. VJETAKE NEURONSKE MREE

Vjetake neuronske mree su inspirisane biolokim mreama. One pozajmljuju ideje iz naina na koji funkcionie ljudski
mozak. Dananja neuronska obrada na raunaru koristi vrlo ogranien skup koncepata od biolokih neuronskih sistema.
Cilj je da se simuliraju masovni paralelni procesi koji ukljuuju obradu meusobno povezanih elemenata u arhitekturi
mree. Vjetaki neuron prima ulazne podatke slino kao to bioloki neuroni primaju elektohemijske impulse od drugih
neurona. Izlazni podaci vjetakog neurona odgovaraju signalima koje alju bioloki neuroni.
Vjetaka neuronska mrea je sastavljena od procesorskih jedinica iji kako funkcionalni izgled tako i procesi koji se u njoj
odigravaju podsjeaju na nervni sistem kod ovjeka. To je ustvari vrsta raunara koji se potpuno razlikuju od klasinih
raunara sa Fon Nojmanovom arhitekturom. Kod klasinih raunara jedan procesor obavlja sekvencijalno instrukcije date
programom. Pri tome procesor moe da obavlja stotinu i vie osnovnih komandi kao to su sabiranje, oduzimanje,
mnoenje, punjenje, pomjeranje i dr.

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

Vjetaka neuronska mrea

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.

3.4. OBUAVANJE NEURONSKIH MREA

Obuavanje neuronskih mrea se svodi na uenje iz primjera kojih bi trebalo da bude to vie da bi mrea mogla da se
ponaa preciznije u kasnijoj eksploataciji. Podaci iz trening skupa se periodino proputaju kroz neuronske mree.
Dobivene vrijednosti na izlazu mree se uporeuju sa oekivanim. Ukoliko postoji razlika izmeu dobivenih i oekivanih
podataka, prave se modifikacije na vezama izmeu neurona u cilju smanjivanja razlike trenutnog i eljenog izlaza. Ulaznoizlazni skup se ponovo predstavlja mrei zbog daljih podeavanja teina, poto u prvih nekoliko koraka mrea obino daje
pogrean rezultat. Proces uenja dovodi do korigovanja sinaptikih teina. Poslije podeavanja teina puta za sve ulazno
izlazne sheme u trening skupu, mrea naui da reaguje na eljeni nain.
Neuronska mrea je obuena ako moe tano da rjeava zadatke za koje je obuavana. Neuronska mrea je sposobna da
izdvoji vane osobine i sheme u klasi trening primjera. Nakon obuavanja sa odreenom vjerovatnoom, neuronska mrea
moe da generalizuje nove ulazne podatke za koje nije obuavana. Na primjer, generalizaciju moemo vidjeti na primjeru
mree obuavane da prepoznaje serije slika: ako na ulaz takve mree dovedemo slike za koje mrea nije obuavana, ona do
izvjesne mjere moe uspjeno da klasifikuje takve slike. Kada uzorci koji se predstavljaju mrei ne dovode vie do
promjene ovih koeficijenata, smatra se da je mrea obuena.
Proces obuavanja neuronskih mrea zapoinje zadavanjem sluajnih vrijednosti teinskih koeficijenata veza i dovoenjem
oblika na ulazni sloj. Zatim se mrea aktivira i uporeuju se izlazni i zadati (zahtjevani, onaj koji treba da se dobije) izlazni
oblik. Obuavanje se vri tako da se auriraju teinski koeficijenti sa ciljem da se u sljedeoj iteraciji dobiva izlaz koji je
blii zadatoj vrijednosti. U trenutku kada se postigne zadovoljavajui rezultat sa jednim ulaznim oblikom, na ulaz se
dovodi drugi, itd. Kad se zavri sa ovim oblicima iz obuavajueg skupa, na ulaz mree se dovodi ponovo prvi ulazni
oblik. Ova se procedura nastavlja sve dok se ne doe do zadovoljavajuih rezultata za sve oblike iz obuavajueg skupa.
Jednom kada je obuavanje mree zavreno, teinski koeficijenti veza egzistiraju nepromjenjeni. Tek sada, poslije
obuavanja, mrea se moe primjeniti za predvieni zadatak.
Mada je u najvie sluajeva mrea sa adaptivnim teinskim koeficijentima veza, postoje mree ije su teine fiksne i za
vrijeme obuavanja. Tada se mjenjaju samo aktivacioni nivoi pojednih neurona. Opisani proces se naziva obuavanje sa
nadgledanjem (eng. Supervised). Dobiveni izlaz se uporeuje sa zadatim i onda se na osnovu dobivene razlike obavlja
auriranje pojedinih teinskih koeficijenata. Nasuprot takvom nainu obuavanja postoji i obuavanje bez nadgledanja
(eng. Unsupervised). Izlazna vrijednost se ne uporeuje sa zadatom vrijednou. Ovom metodom mrea klasifikuje ulazne
oblike u vie grupa. Broj jedinica u izlaznom sloju odgovara broju razliitih grupa to znai da u jednom datom trenutku
postoji samo jedan aktivan izlaz.

3.4.1. PROPAGACIJA GREKE UNAZAD

Propagacija greke unazad (eng. Back propagation) je od svih paradigmi neuronskih mrea najvie koriena, i
primjenjuje se uspjeno u raznim oblastima, kao to su: prepoznavanje oblika (vojna istraivanja, medicinska dijagnostika)
prepoznavanje i sinteza govora, upravljanje robotima i vozilima. Primjenjuje se i u prepoznavanju slovnih znakova,
klasifikaciji slika, kodiranju signala, obradi znanja i drugim razliitim problemima analize oblika. Propagacija unazad
uspjeno rjeava probleme preslikavanja oblika: za dati ulazni oblik mrea proizvodi asocirani izlazni oblik.
Propagacija greke unazad se bazira na relativno jednostavnom principu: kada mrea da pogrean rezultat, teinski
koeficijenti se ispravljaju tako da greka bude manja, a kao rezultat toga, sljedei odgovori mree su blie tanim.
U principu, propagacija unazad koristi tri ili vie slojeva procesorskih jedinica. Mrea sa propagacijom unazad mora da ima
najmanje dva sloja. Ukoliko ima vie slojeva, pored ulaznog i izlaznog, ostali su skriveni. Najee se koristi mrea sa
potpuno povezanim slojevima, to znai da je svaki sloj povezan sa prethodnim i sljedeim.

= Vrijednost
greke

Sj = Teinska
suma
F(Sj) = Izlaz

Slika 10 Procesorska jedinica mree sa propagacijom unazad

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

Slika 11 Grafiko predstavljanje aktivacionih nivoa i teinskih koeficijenata sa propagacijom unazad

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:

i = (zi ai) fi (Si)

gdje su: zi zadata vrijednost izlaza za jedinicu i, a i vrijednost izraza jedinice i, fi (Si) prvi izvod funkcije f i Si teinska suma
ulaza u jedinicu i.
Razlika odreuje iznos greke a prvenstveno njen znak. Prvi izvod funkcije f, f i (Si), mijenja korekciju greke; ukoliko
funkcija f (uzimajui u obzir da je f sigmoidna funkcija) bre raste, onda treba izvriti veu korekciju i obrnuto.
Ako je procesorska jedinica i skrivena, greka se izraunava pomou obrasca.
i = mk=1 ktki fi (Si)
gdje je m broj procesorskih jedinica koje prihvataju izlaze jedinice i. Prvi izvod funkcije f i u ovom sluaju odreuje
veliinu korekcije greke.
Koristei greku i auriraju se teinski koeficijenti veza. Obrazac za auriranje teinskih koeficijenata veze koja spaja
jedinice k i i, pri emu je jedinica k ispred jedinice i, je dat sa:
(tik) = iak
gdje su konstanta (brzina) obuavanja, i greka jedinice i i ak aktivacioni nivo jedinice k.
Konstanta (brzina) obuavanja se bira najee u obimu 0.25 i 0.75. Ona odreuje brzinu obuavanja mree, ako je vea,
obuavanje je bre i obrnuto. Meutim, prevelike vrijednosti ovoga koeficijenta djeluju destabilizujue na mreu i mogu da
uzrokuju neobuavanje mree. S druge strane, ako je isuvie mala, obuavanje je sporo.

3.4.2. PROPAGACIJA GREKE UNAPRIJED

Korak propagacije unaprijed se inicijalizuje kada se oblik predstavlja mrei. Svaka ulazna jedinica odgovara jednom
elementu vektora ulaznog oblika, i svaka jedinica dobiva vrijednost toga elementa. Poto su aktivacioni nivoi prvog sloja
procesorskih jedinica postavljeni, ostali slojevi nastavljaju korak propagacije unaprijed i na taj nain odreuju aktivacione
nivoe drugih slojeva.
Prvi korak propagacije unaprijed je izraunavanje teinske sume. Jedinica j izraunava teinsku sumu svojih ulaza:
Sj = ni=1 aitji
Gdje su: ai aktivacioni nivo jedinice i, tji teinski koeficijent veze koja spaja jedinice i i j.
Jedinica i pripada jednom sloju ispred sloja jedinice j. Poto se izraunava suma nalazi se funkcionalno preslikavanje sume
f(Sj). Funkcija f je sigmoidna funkcija.
F(x) = 1 / 1+ e-x
Funkcija koja predstavlja meku varijantu step funkcije, koristei ovu prethodnu unkciju, dobija se:
F(Sj) = 1 / 1+e-Sj = 1 / 1+e-aitji
Vrijednost izraunata pomou ove funkcije postaje aktivacioni nivo jedinice j i prosljeuje se na sve njene izlaze.
Ulazni sloj jedinica predstavlja specijalan sluaj. Ove jedinice ne sabiraju nikakve vrijednosti ve jednostavno prosljeuju
ka sledeem nivou one vrijednosti koje primaju od vektora ulaznog oblika.

Sigmoid funkcija

Step funkcija

Sigmoid funkcija
pomjerena -C
ulijevo

Slika 12 Prag funkcije

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

3.5. PRIMJENA NEURONSKIH MREA

Neuronske mree nalaze sve vei broj primjena. Na primjer, upotrebljavaju se u obradi signala, analizi podataka, raznim
kontrolama, kompresiji slike, konverziji jezika, postavljanju dijagnoza, prepoznavanju govora, psihijatrijskim procjenama,
analizi elektrinih kola, kompresiji zvuka, predvianju kretanja na tritu, izboru osumnjienih u kriminolokim
istraivanjima, analizi medicinskih testova, spektralnoj analizi itd.
Zbog svega navedenog, mnogi istraivai nazivaju neuronske mree posljednjom i najsofisticiranijom ljudskom
tehnologijom. Neuronske mree imaju iroku primjenu u proizvodnji od planiranja proizvodnje, ispitivanja materijala,
izboru materijala, kao i u samom procesu rada.
U poetku su neuronske mree koristili naunici raunarskih i kognitivnih nauka koji su pokuavali da modeliraju ulni
sistem ivih organizama. Danas neuronske mree predstavljaju veoma atraktivnu oblast istraivanja i postoje brojne oblasti
u kojima se koriste. Primenjuju se za:
prepoznavanje oblika,
prepoznavanje rukopisa,
prepoznavanje govora,
finansijske i ekonomske modele,
predvianje kretanja cijena na tritu,
upravljanje sistemima,
upravljanje proizvodnim procesima,
analizu elektrinih kola,
psihijatrijske procjene,
kompresovanje podataka,
naftna istraivanja,
kriminoloka istraivanja,
analizu medicinskih testova,
ispitivanje EEG i EKG signala,
pronalaenje optimalnog rjeenja,
upravljanje robotima,
analiziranje podataka pri pirolizi i spektroskopiji,
bioraunarske sisteme,
vremensku prognozu i
druge oblasti.
Primjenu neuronskih mrea je mogue realizovati na tri karakteristine oblasti:
procesiranje senzorskih informacija,
analiza podataka i
kontrola upravljanja.

4. POJAM EKSPERTNIH SISTEMA

4.1. DEFINICIJA EKSPERTNIH SISTEMA

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

Tabela 3 Razlike sistema za podrku odluivanja i ekspertnih sistema

4.2. ISTORIJA EKSPERTNIH SISTEMA

U preko etrdeset godina istraivanja, vjetaka inteligencija pomogla je raunarima da imitiraju razne ovjekove
aktivnosti, ali je tek minimalno napredovala u smjeru oponaanja pravog ovjekovog razmiljanja. Otkako postoji,
istraivanje vjetake inteligencije bilo je periodiko tj. ulazilo i izlazilo iz mode. U toku 1972. godine u SAD-u je
vjetaka inteligencija bila tako sistematski suzbijana da je finansiranje iste gotovo prestalo. Velika Britanija jo uvijek
osjea posljedice odluke u svojoj trci da se modernizuje robotikom tj. dijelom vjetake inteligencije.
Sredinom sedamdesetih godina istraivai su suzili svoje radove i poveali praktina istraivanja vjetake inteligencije.
Umjesto da stvore univerzalnog ljudskog klona, energiju su usmjerili prema odreenim zadacima. Stoga je panja bila
premjetena na kontekstno zavisno komuniciranje. Rezultat toga bio je razvoj nekoliko interaktivnih dijalokih jezika.
U SAD su se pojavile dvije vrste razvijenih prirodnih jezika. Jedni su se zasnivali na "skriptovanom dijalogu", dok su drugi
bili dizajnirani za pretraivanje informacija. Odnedavno sve vei broj eksperimenata i radnih sistema koji koriste ekspertne
sisteme rezultat je razvoja kompjuterskih programskih jezika za specifinu namjenu kao sto su LISP i PROLOG. Osim
toga, upravo su radovi prvih specijalista za vjetaku inteligenciju dali osnovu koja je bila potrebna za savladavanje sve
veih zahtjeva za korisnika usmjerenim sistemima.
LISP i PROLOG su nazivi dva jezika koji se uopte povezuju s ekspertnim sistemima. Ovi jezici su bili korieni prilikom
stvaranja raznovrsnog softvera ekspertnih sistema. Za razliku od ve konvencionalnih BASIC-a i FORTRAN-a, koji su
dizajnirani prvenstveno za obraivanje brojeva, LISP je dizajniran za obradu simbola, specijalno engleskih rijei i fraza.
Takoe LISP posjeduje mehanizme za povezivanje simbola u pojmove u obliku pravila "ako-onda" ("IF-THEN"). Razlika
u LISP programskom softveru je u tome to tradicionalni kompjuterski softver dizajniran za obradu podataka i prorauna
(tj. tabelarne izvjetaje) predstavlja neto sasvim drugo u odnosu na nove softverske alate ekspertnih sistema, koji obrauju
deduktivnu logiku u obliku pravila i relacija izmeu znanja.
Ekspertni sistemi su svoju evoluciju poeli na podruju medicinske dijagnostike, a aplikacije se nisu proirile na druge
discipline. Jedan od prvih sistema bio je MYCIN. Razvili su ga istraivai na amerikom univerzitetu Stanford kao pomo
ljekarima u dijagnosticiranju bakterijskih infekcija. Pored ovog podruja primjene, ekspertni sistemi su svoju ulogu nali u
zamjeni ovjekovog partnera u igri (ah, tenis itd.), zatim u domenu zamjene tehniara, gdje na osnovu dijaloga sa
korisnikom i upamenog znanja dijagnosticira greku. Ovakav ekspertni sistem razvio je IBM. Naime, sistemu se
prezentiraju indikacije kvara, a sistem na osnovu njih generie preporuke za popravak.
Sljedee vano podruje primjene ekspertnih sistema je u vojsci, odnosno u planiranju i donoenju odluka. Takoe oni u
saradnji sa modernom raunarskom tehnologijom uspjeno rjeavaju logistike probleme i predstavljaju veliku podrku u
stratekom i taktikom planiranju.
Ne treba zanemariti ni pomo ekspertnih sistema u lociranju leita rude, te voenju sloenih proizvodnih pogona.
U novije vrijeme oni predstavljaju vie od 50% aktivnosti komercijalne vjetake inteligencije i imaju trend porasta. to se
tie podruja primjene ekspertnih sistema u preduzeu, konkretno na polju upravljanja i raunovodstva, postoji nekoliko
vanih momenata, koji opravdavaju usvajanje ove nove tehnologije.
Najvanije je da tehnologija kompenzuje ljudski rad uz odgovarajui stepen trokova i dobiti. Takoe, tehnologija
prepoznaje potencijalna podruja problema te poveava vjerovatnou donoenja ispravnih odluka, odnosno poveava
efikasnost preduzea. Uopte, sistemi koji racionaliu broj raspoloivih opcija u odluivanju, unapreuju kvalitet preko
uniformnosti, te olakavaju ocjenu kontrole kvaliteta. Isto tako, programi koji smanjuju vrijeme potrebno za donoenje
odluke, ako je vrijeme ogranieno, predstavljaju znaajnu korist.
Gledajui primjer moderne prakse raunovodstva i njegovu relativnu sloenost, koja vodi do koncentracije strunosti u
specijalizovanim podrujima. Kada se takva znanja sublimiraju u ekspertni sistem tada su dostupna svakom u preduzeu.
Ekspertni sistemi su najee potrebni onda kada strunjak u preduzeu nije dovoljno efikasan na podrujima koja troe
velike koliine vremena usljed rutinskog i ponavljanog odluivanja.

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.

4.3. OSNOVNE ODLIKE EKSPERTNIH SISTEMA

Jedna od nesumnjivo najznaajnijih osobina ekspertnog sistema jeste znanje ekspertnog sistema o sopstvenim operacijama
i strukturi. Za sada se to poeljno svojstvo ispoljava preteno u mogunosti obrazlaganja, racionalizovanja, opravdavanja i
objanjavanja svojih zakljuaka i preporuka, ali ima dobrih nagovjetaja koji upuuju na oekivanje da e u budunosti
obezbjeivati osnovu za razna korijenita preinaavanja svojih mogunosti na osnovu "uenja iz iskustva". Racionalizacija o
kojoj je ovdje rije podrazumijeva da se rakonstruiu putevi zakljuivanja kojima je sistem doao do zakljuka. Objanjenje
kako je zakljuak izveden podrazumijeva sposobnost sistema da povee lanac zakljuivanja sa fundamentalnim principima
i znanjima o oblasti ekspertize.
U ekspertnom sistemu lino znanje strunjaka ukljuujui injenino, ocjenjivako i proceduralno znanje razvijeno je u
"bazu znanja" odreenog podruja u kojem se ovjek smatra ekspertom i zbog toga je sistem baziran na znanju. Nauna
osnova moe sadravati struno znanje s podruja organizacije, procesnog planiranja, dizajniranja sredstava itd. Nauna
osnova se uopte odvaja od kontrolnog mehanizma rjeavanja problema koji predstavljaju mehanizam zakljuivanja.
Odvajanje logike i kontrole omoguava upotrebu mehanizma zakljuivanja za vei broj naunih osnova konstruisanih za
razliita podruja primjene. Na primjer, isti opti mehanizam zakljuivanja upotrijebljen je za rjeavanje problema
dijagnostike krvnih infektivnih bolesti kao i strukturirana analiza mehanikih komponenata u kombinaciji sa
odgovarajuom naunom osnovom za oba podruja koja se meusobno potpuno razlikuju.
Postojei jednostavni softver bavi se kvantitativnim pitanjima te rukovodiocima predstavlja alat za baratanje podacima.
Ekspertni sistem za razliku od konvencionalnih tehnika, predstavlja informacioni sistem koji koristi bazu znanja te slui
kao konsultant rukovodiocu. Ekspertni sistemi predstavljaju pokuaj da se u kompjuterske programe ugrade procesi
razmiljanja i odluivanja koji se odvijaju kod ljudi eksperata, to znai da e se dobiti kompjuterski savjetnici.
Ukazivanje na neka bitna svojstva ekspertnih sistema e biti potkrepljeno navoenjem razlika u zadacima ekspertnih
sistema i drugim zadacima u podruju vjetake inteligencije.
Ukazivanje na neke druge bitne osobine ekspertnih sistema e biti konkretizovano i navoenjem znaajnih razlika izmeu
ekspertnih sistema i konvencionalnih programa. Najbitnija je razlika da ekspertni sistemi manipuliu sa znanjem, a
konvencionalni programi sa podacima. Meutim te razlike se najjasnije vide iz sljedeih injenica:
Obrada podataka:
Prezentovanje i koritenje podataka,
Algoritmi,
Ponavljanje procesa,
Efektivno manipulisanje sa velikim bazama podataka.
Inenjering znanja:
Prezentovanje i korienje znanja,
Heuristika,
Mehanizam zakljuivanja,
Efektivno manipulisanje sa velikim bazama znanja.
Ekspertni sistemi imaju i ove znaajne osobine:
Ekspertiza
o Performanse eksperata;
o Visok nivo sposobnosti;
o Adekvatnu vrstinu.

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

Sistemi za dijagnostikovanje na osnovu podataka o opservacijama zakljuuju malfunkcije sistema

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

Tabela 4 Klasifikacija ekspertnih sistema

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.

4.4. PREDNOSTI I NEDOSTACI EKSPERTNIH SISTEMA

Evidentan skok ulaganja u istraivanje ekspertnih sistema u novije vrijeme, prisustvo proizvoda na tritu i pruena
mogunost primjene u organizacijama navodi na konstataciju konkretne koristi od strane ekspertnih sistema.
Prije svega ekspertni sistemi osiguravaju univerzalnu i stalnu raspoloivost. Drugim rijeima, ekspert je uvijek na
raspolaganju. Prisutna je nepristrasnost, jer jednom organizovan ekspertni sistem je praktino dosljedan. Ekspertni sistem
ima savrenu memoriju i uzima sve relevantne faktore u obzir. Kvalitetno vrijeme strunjaka je osloboeno rutinskih
poslova, jer ekspertni sistem obavlja postavljene zadatke i time dobiva ekonomsko opravdanje.
Ekspertni sistemi mogu biti i u edukativnoj poziciji, jer strunost sintetiu u jasno definisana pravila. Ekspertni sistem
sadri injenice koje strunjak uzima u obzir i praktina pravila koja strunjak primjenjuje prilikom rjeavanja problema.
Simulacijom situacija iz realnog vota, neiskusan radnik se moe poduiti tome koje su informacije bitne i koji je misaoni
mehanizam upotrijebljen.
U daljem kontekstu pozitivnih osobina, odnosno koristi od ekspertnih sistema, izdvaja se zajedniko korienje znanja.
Znanje vrhunskih strunjaka u preduzeu moe postati pristupano mnogim radnicima. Na ovaj nain se poveavaju
strune ocjene. Ekspertni sistemi e biti na raspolaganju za iznoenje sekundarnih miljenja na podruju, kao i za izradu
"ta ako" analiza u kojima se trae rezultati u zavisnosti od razliitih promjena. Sljedea korist u primjeni ekspertnih
sistema je krae vrijeme odluivanja. Naime, rutinske odluke, koje odnose dosta vremena, lagano donose ekspertni sistemi.
Ljudi strunjaci e zato imati vie vremena na raspolaganju za kreativniji rad.
Ekspertni sistemi su najefikasniji u kombinovanim problemima, gdje direktne metode nabrajanja vode do sve veeg broja
mogunosti, pa je potrebna intuicija, logika i razum za pronalaenje najbolje mogue odluke. Ekspertni sistemi su isto tako
korisni kod problema u kojima se odluke zasnivaju na analizi i interpretaciji ogromne koliine nekvantitativnih podataka.
Nabrajanje koristi ekspertnih sistema zavriemo sa ouvanjem i prenosom strunosti na poetnike i nasljednike u
preduzeu.
Osnovni nedostaci i odbrambeni stavovi, vezani za sadanje stanje tehnologije ekspertnih sistema, zasnivaju se na
dehumanistikim konotacijama koje prate ove programe vjetake inteligencije. Ovo se ogleda u potiskivanju, odnosno
ograniavanju uea rukovodnih kadrova u procesima u organizaciji. Bez obzira koliko bili pristalice ekspertnih sistema,
ne moemo negirati znaaj intuicije i neformalizma u rjeavanju problema i inovacijama.
Ekspertni sistemi imaju ogranienja u nekoliko podruja problema. Prvo, za donoenje odluka u jednoj dinaminoj sredini
sa mnotvom nestrukturiranih problema nije dovoljno samo iskustvo, dakle empirijski pristup. Shodno tome mehanizam
zakljuivanja e vjerovatno biti nedovoljan. Ekspertni sistem je ogranien na vrlo usko podruje (domen), jer je izgradnja i
odravanje velike baze znanja teka. Sistem ne daje kvalitetan odgovor ako problem nije u potpunosti ogranien na
specifino podruje. Tada se javlja problem sa odlukama vezanim za iroko interdisciplinarno znanje.
Prilikom prikupljanja i organizovanja baze znanja, odreene vrste znanja se ne mogu lako prevesti u pravilo ako-onda.
Takoe, postoji tekoa oko specifikacije heuristikog znanja rukovodioca, koje je vano za pravilno odluivanje.
Korisniki interfejs sa sistemom treba biti ostvaren preko "prirodnog" dijaloga. Meutim, dijalog nije realno prirodni jezik.
Korisnici moraju opisivati probleme u definisanom formalnom jeziku ije rijei i njihova kombinacija imaju veoma
specifino znaenje.
Ogranieni broj strunjaka za ekspertne sisteme i inenjera za baze znanja, predstavljaju konstantnu opasnost da poslovne
aplikacije mogu lako pasti na posljednje mjesto u razvoju ustupajui mjesto drugim dobro finansiranim podrujima.
Takoe, vrijeme odziva komercijalno dostupnih ekspertnih sistema relativno je sporo na veini personalnih raunara. Ali to
je vjerovatno prolazni problem s obzirom na dinamiku razvoja mikrokompjuterske tehnologije. Za kraj nabrajanja
nedostataka ekspertnih sistema naveemo da je indikativno relativno veliko ulaganje u instalacije i odravanje ekspertnih
sistema kao i mogunost da konkurencija kroz razvoj ili kupovinu slinog sistema moe ugroziti odreene poslovne
pozicije.
Tabelarni prikaz najbolje ilustruje pozitivnu i negativnu stranu ekspertnih sistema.

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

4.5. INENJERING ZNANJA

4.5.1. POJAM ZNANJA
Churchman istie: "Znanje je kapacitet djelovanja". Nietzsche navodi: "Znanje je bazirano u ljudskoj potrebi da kategorie
i interpretira svijet oko sebe s namjerom da smanji neizvjesnost ivota". Maslow kategorie izvjesnost ivota kao drugu
primarnu ljudsku potrebu, odmah iza osnovnih biolokih potreba. Zahtjevi sredine prema svojim lanovima za rjeavanjem
vlastitih kljunih potreba predstavljaju neposredne podsticaje stvaranja znanja. Posredni podsticaji stvaranja znanja
provode se kroz inicijative upravljanja znanjem.

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.

4.5.2. METODE ZA PREDSTAVLJANJE ZNANJA

Metode za predstavljanje znanja bi trebalo da omogue predstavljanje svih vrsta znanja iz oblasti na koju se odnose,
prirodno i efikasno zakljuivanje i pogodne naine za prikupljanje novog znanja i promjene u ve postojeem znanju. Niti
jedna od metoda koje se u vjetakoj inteligenciji koriste ne ispunjava sve navedene zahtjeve u svim situacijama, tako da
izbor zavisi od konkretnog problema na koji se znanje odnosi.
Znanje moe biti:
Deklarativno znanje,
Proceduralno znanje.
Prvi tip znanja se odnosi na opis problema, definisanje prostora pretraivanja i kriterijuma utvrivanja rjeenja problema.
Drugi tip je vie konvencionalan i odnosi se na znanje koje je zapisivanjem naredbi nekog programskog jezika eksplicitno
ugraeno u programe. Meutim, dva tipa predstavljanja znanja se esto prepliu. Deklarativno znanje predstavljeno
pravilima je sasvim blisko proceduralnom znanju. Meta znanje (znanje o znanju) koje se koristi za usmjeravanje
pretraivanja je takoe na granici izmeu proceduralnog i deklarativnog predstavljanja znanja. Ipak, u vjetakoj
inteligenciji je od prevashodnog znaaja predstavljanje deklarativnog znanja. Poseban nain predstavljanja znanja, koji se
ne uklapa u ovu podjelu, jesu neuronske mree.
Metode predstavljanja deklarativnog znanja dijele se na:
Sintaksne metode i
Semantike metode.
U sintaksno orijentisanim metodama se ne razmatra znaenje znanja sa kojim se radi. Ti sistemi imaju uniformna pravila
koja prihvataju sve vrste podataka. U semantikim sistemima razni dijelovi reprezentacije imaju posebno znaenje i svoja
pravila za zakljuivanje. Kod sintaksnih metoda je ideja o efikasnom zakljuivanju zasnovanom na malom broju dobro
prouenih jednostavnih pravila, a kod semantikih na specifinim pravilima za rad sa odreenom vrstom znanja. Sintaksne
metode su zato optije, dok su semantike specijalizovanije. Konano, postoje i metode u kojima se kombinuju oba
pristupa. Sve metode nalaze primjene zavisno od problema koji se rjeava. Sistemi za predstavljanje znanja ne sadre samo
na odreeni nain reprezentovano znanje, ve obezbjeuju i osnovne procedure za rad s njim. Pod sintaksnim metodama
predstavljanja znanja se prije svega podrazumjevaju:
Predstavljanje znanja pomou relacionih tabela;
Predstavljanje znanja pomou logikih formula;
Predstavljanje znanja pomou pravila (eng. Rules).
Semantike metode strukturno obuhvataju:
Semantike mree i
Okvire (eng. Frames).
U relacionim tabelama entiteti se opisuju pomou vrijednosti skupa atributa. Svaki entitet predstavljan je jednim redom
tabele, a atributi su polja tog reda. Relacione tabele su najjednostavniji nain za predstavljanje deklarativnog znanja. Podaci
koji se nalaze u njima su jasni, ali i pasivni, to znai da se kao argumenti prosljeuju procedurama za rad sa bazama
podataka, a da sami ne dejstvuju na druge podatke. Relacione tabele ne obezbjeuju mehanizam za predstavljanje netanih
ili nesigurnih znanja. Relacione tabele se koriste za predstavljanje znanja u sistemima baza podataka koje imaju ugraene
odgovarajue postupke za rad sa njima. Baze podataka mogu se koristiti kao nain za organizovanje znanja koje predstavlja
ulaz u programe zasnovane na tehnikama vjetake inteligencije. Znanje koje je predstavljeno pravilima odreuje akcije
koje nastaju pod izvjesnim skupom uslova. U nekim aspektima pravila su slina uslovnim (if-then-else) naredbama
konvencionalnih programskih jezika.
Sintaksnim metodama je zajednika negativna karakteristika da nemaju mogunost, ili bar nemaju jednostavna sredstva za
strukturisanje znanja koje predstavljaju. Semantike metode, sa druge strane upravo u tom pogledu imaju prednosti. Njima
se mogu opisati odnosi izmeu entiteta, i posebni postupci zakljuivanja u sluaju da se izmeu entiteta javlja neka
specijalna vrsta veza. Recimo, jednostavno se moe govoriti kako konkretni entiteti imaju osobine optih entiteta. Na
primjer, konkretna zlatna ogrlica je skupa, jer je uopte zlatni nakit skup.

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.

5. ARHITEKTURA EKSPERTNIH SISTEMA

5.1. KOMPONENTE EKSPERTNIH SISTEMA
Svaki ekspertni sistem posjeduju odreene karakteristike ispecifinosti koje kod drugih ekspertnih sistema neemo nai.
Ipak, svi ekspertni sistemi u sutini imaju istu konstrukciju, konfiguraciju i organizaciju.
Znanje je kljuni inilac u odluivanju, odnosno upravljanju i uopte rjeavanju problema. Izvanredna postignua eksperata
presudno su odreena njihovim zanimanjima. Znanju, naroito naunom, su svojstvene mnoge vrijednosti, pa je lako
shvatljiva tenja da se od ljudi eksperata iscrpi znanje i uloi u softver raunara, poto bi tako postalo dostupno velikom
broju moguih korisnika, bilo na raspolaganju u proizvoljno odabrano vrijeme, lako bi i bez velikih izdataka moglo da bude
reprodukovano, a donekle bi proces usavravanja i razvijanja znanja mogao da bude ubrzan, jer bi lino, privatno zanje bilo
potpunije izloeno javnom ocjenjivanju i kritici.
Opravdano je ubjeenje mnogih naunika da ekspertni sistemi crpe svoju mo ne iz shema zakljuivanja, niti iz
formalizama koje upotrebljavaju, nego iz samog znanja koje posjeduju. Nivo dostignua ekspertnih sistema odreen je
prevashodno kvalitetom i veliinom baze znanja. Znanje ekspertnih sistma se sastoji od injenica i heuristika, pri mu su
injenice shvaene kao skup informacija koje su rasprostranjene u naunoj javnosti i o kojima su eksperti saglasni, dok su
heuristici shvaeni kao preteno lina pravila rasuivanja i nagaanja, svojstvena odluivanju nekog eksperta u datoj
oblasti. Neki autori smatraju da problemi predstavljanja znanja nisu mali ni beznaajni, ali da je znanje vrlo irok i sloen
predmet prouavanja, pa su pokuaji da se neki problemi znanja rijee preuranjeni i da se, osim toga, nekoliko raspoloivih
pristupa predstavljanja znanja pokazalo dovoljnim za ekspertne sisteme.
Budui da ekspertni sistemi u svom radu nastoje oponaati ovjeka eksperta, koji osim to rjeava sloene probleme,
moe i obrazloiti svoje odluke, jedna od komponenti ukljuenih u ekspertne sisteme je i podsistem za obrazlaganje
zakljuaka i ponaanja. Obrazlaganje zakljuaka i ponaanja se sastoji od identifikovanja koraka u procesu rezonovanja i
provjere njihove ispravnosti. Obrazlaganje zakljuka i ponaanja spada u domen razumijevanja prirodnog jezika, budui da
sistem formulie objanjenja na nain razumljiv korisniku, u skladu sa nivoom ekspertize korisnika. U konkretnom
ekspertnom sistemu, ova komponenta je svedena na izlistavanje pravila aktiviranih u procesu izvravanja programa i
provjere njihove ispravnosti.
Ekspertni sistemi kao metodi vjetake inteligencije i u funkciji kloniranja eksperta u usko specijalizovanom podruju
moraju u principu posjedovati sljedee komponente odnosno module:
bazu znanja,
mehanizam zakljuivanja i
interfejs prema korisniku.
Grafika interpretacija strukture ekspertnih sistema izgledala bi ovako:

Slika 13 Komponente ekspertnog sistema

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.

5.2. BAZA ZNANJA

Znanje je kljuni inilac u odluivanju, odnosno u upravljanju i rjeavanju problema. Kako ekspertni sistemi crpe svoju
mo iz znanja koje posjeduju tako nivo njihovih dostignua odreen je prvenstveno kvalitetom i veliinom baze znanja.
Ekspertni sistemi su sofisticirani raunarski programi koji primjenjuju ljudsko znanje u specifinim oblastima ekspertize da
bi se rijeili teki problemi. Ekspertni sistemi imaju za cilj da obezbijede odgovor na pitanja - probleme koji zahtijevaju
rezonovanje, prepoznavanje i poreenje formi, akviziciju novih koncepata, rasuivanje. Najkrae, oni daju odgovor na
pitanja koja zahtijevaju inteligenciju.
Baza znanja, mehanizam zakljuivanja i interfejs predstavljaju tri kljuna dijela ekspertnog sistema. Baza znanja je zavisna
od problemskog domena, dok su mehanizam zakljuivanja i interfejs esto nezavisni. Mehanizam zakljuivanja i interfejs,
dva nezavisna modula, zajedno se zovu ljuska ekspertnog sistema.
Od kvaliteta baze znanja zavisi kako e funkcionisati sistem, a sama baza znanja sastoji se od ekspertnih pravila koja
odraavaju znanje strunjaka. U bazu znanja je akumulirano sve do tada poznato znanje o odreenom sistemu. Baza znanja
je unikatna za svaki ekspertni sistem, odnosno jedna baza znanja vai za samo jedan ekspertni sistem.
Kvalitet ekspertnog sistema uglavnom je funkcija obima i kvaliteta njegove baze znanja. Ovu konstataciju apostrofiraju
autori Harmon i King. Baza znanja sadri znanje o specificnom problemskom podruju: pravila koja opisuju relacije i
dogaaje, a ponekad metode, heuristike i ideje za rjeavanje problema na konkretnom podruju. U bazi znai nalazimo dva
tipa znanja:
injenice koje su javno dostupne i u struci opteprihvaene i
heuristike, to su ekspertna pravila zakljuivanja i odluivanja, koja karakteriu stepen ekspertnosti.
Ovdje je karakteristino pitanje, kako predstaviti bazu znanja u raunaru. Postoje brojni formalizmi za predstavljanje
znanja i u principu bi se mogao upotrijebiti svaki konzistentan formalizam, u kojem je mogue izraziti znanje o
problemskom domenu. Ipak se kod ekspertnih sistema odluujemo za one, koji daju podrku modularnosti,
inkrementalnosti i lakoj promjenljivosti baze znanja. Za tzv. "meka" podruja, gdje zakonitosti vae samo do nekog stepena
i ne apsolutno, formalizam treba da modeluje i tu vjerovatnu prirodu znanja.
Da bi se baza znanja formirala potrebno je ekstrahovati ekspertno znanje i predstaviti ga u odreenom formalizmu, to
predstavlja veoma vano pitanje. Formalizmi slue za prenos znanja u bazu, kao i za korienje znanja pomou raunara.
Baza treba da bude u takvom formalizmu da ini "ljusku" razumljivom.
Evidentno je da se eksperti za rjeavanje problema u velikoj mjeri slue svojim iskustvenim relativno skromnim znanjem.
Takvo znanje je veoma operativno i moe biti dovoljno za rjeavanje problema u veini primjera. Tek kada doe do novog,
teeg problema ili kada rjeenje treba obrazloiti, ekspert upotrijebi svoje kvalitetnije znanje, to je razumijevanje strukture i
dubljih principa problemskog domena.
Hronoloki gledano, baze znanja u "prvoj generaciji" ekspertnih sistema uglavnom se sastoje od ekspertnih pravila, koja
odraavaju skromno znanje i veoma su efikasna. Do eventualnih problema moe doi, kada su te baze glomazne, pa je osim
problema sa prostorom i provjera njihove kozistentnosti i kompletnosti veoma teka. Zatim, ima primjera kada je potrebno
to je mogue potpunije i temeljitije obrazloenje, npr. u sistemima za edukaciju ili kod sistema za dijagnostiku, gdje tek
tako dobivenim povjerenjem od strane korisnika sistem moe efikasno da obavi svoju funkciju. Kod sistema sa skromnom
bazom znanja to nije uvijek mogue, mada oni mogu veoma dobro rjeavati probleme.
Zbog ovoga poelo se raditi na "drugoj generaciji" ekspertnih sistema, koji uvoenjem dubokog znanja rjeavaju neke od
tih problema. Takav razvoj doveo je do toga, da su postala veoma vana pitanja kako u raunaru predstaviti tzv. duboko
znanje i kako ga uiniti operativnim. Istraivanja na podruju kvalitativnog modeliranja i automatskog uenja su u
funkciji rjeavanja tih pitanja.

5.2.1. FORMALIZMI ZA PREDSTAVLJANJE ZNANJA

Formalizam za predstavljanje znanja omoguuje zapis znanja o problemskom domenu to akceptira injenice o
karakteristikama objekata, relacijama meu njima, optim pravilima domena i metodama rjeavanja problema na tom
podruju. Formalizam je svrsishodan u primjeni kod ekspertnih sistema, kada omoguuje efikasno rjeavanje problema i
kada je istovremeno u tom smislu transparentan, da omogui jednostavnu verifikaciju, modifikaciju i dopunu baze znanja.
Pristup problematici formalizma za predstavljanje znanja jo je veoma pragmatian, jer je teite na performansama
programa, a ne na teorijskim pitanjima, kao to su opisivanje pojedinog formalizma, ekvivalentnost, konverzija meu njima
itd. Najpoznatije sheme za predstavljanje znanja su:
produkciona pravila,
mree,
okviri i
predikatski raun.
PRODUKCIONA PRAVILA
Produkciona pravila su najpopularniji metod za predstavljanje znanja. U konceptu problema logine relacije esto
opisujemo pravilima "Ako vai U onda Z" to znai u interpretaciji "Ako vai uslov U onda se moe zakljuiti Z" ili "Ako
situacija U onda akcija Z". Znanje se u formalizmu produkcionih pravila (ako-onda) izraava na prirodan nain. Pozitivne
osobine produkcionih pravila su:
svako pravilo predstavlja mali, relativno nezavisan dio znanja;
dodavanje novih pravila moe biti relativno nezavisno od ostalih pravila, to se odnosi i na modifikaciju postojeih
pravila;
ova pravila pomau transparentnost sistema tako to mogu odgovoriti na pitanja tipa "kako" (Kako si doao do tog
zakljuka?) i "zato" (Zato ti je potrebna ova informacija?).
Pravilo tipa "Ako vai uslov A onda se moe zakljuiti Z" predstavlja tzv. kategorino znanje, jer definie logiku relaciju
koja je istina. Predstavljanje znanja na mekim domenima preko ovih pravila gotovo je nemogue. Tu relacije vae sa
odreenim faktorom vjerovatnoe (npr. "Ako vai uslov U onda se moe zakljuiti Z sa faktorom vjerovatnoe P" ). Ovo
nije matematika vjerovatnoa, ve subjektivna ekspertova procjena za vjerovatnou (obino broj nekog intervala, ne mora
0-1). Zbog njegovog karaktera, zakljuivanje na bazi vjerovatnoe (probabilistic reasoning, plausible reasoning) treba
uzimati veoma paljivo.
MREE
Mree kao formalizmi za predstavljanje znanja, sadre vorove, koji oznaavaju objekte (fizike objekte, situacije,
skupove, relacije) i veze (binarne relacije izmeu objekata).
Iako se mree razlikuju po izraavanju i tipovima procedura za manipulaciju, traenje meusobno povezanih elemenata
znanja zasniva se na strukturi, koja kodira to znanje. Oznake elemenata mree iz datog vora omoguuju pozicioniranje na
odgovarjue vorove tako to slijedimo odgovarajue veze.
Mree su adekvatne za predstavljanje hijerarhijskih struktura, koje zajedno sa tehnikom nasljeivanja osobina olakavaju
opisivanje znanja. Tako npr. ako P predstavlja karakteristine osobine skupa S, onda P vai i za svaki podskup skupa S i za
svaki elemenat skupa S odnosno odnosno njegov podskup. To praktino znai da karakteristike opisane na viem nivou
vrijede za sve nie nivoe (ako treba nalazimo ih pomou mree).
Koriste se za prirodno opisivanje jednostavnih relacija, a ne za kompleksne formule i veze. To se prije svega odnosi na
sisteme za rad sa prirodnim jezikom (semantike mree) i za zakljuivanje iz domena teorije skupova. Ponekad se i
produkcioni sistemi predstavljaju u obliku mree. Tada mrea modelira veze izmeu produkcionih pravila, a veze su
relacije izmeu njih, obino sa faktorom vjerovatnoe. Ovu strukturu imaju npr. ekspertni sistemi Mycin i Prospector.

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.

5.2.2. ZAHVATANJE ZNANJA

Da bi se izgradila baza znanja treba prvo ekstrahovati ekspertno znanje, onda ga predstaviti u formalizmu, koji omoguava
da se to znanje koristi pomou raunara. Proces zahvatanja znanja i njegove preformulacije u izabrani formalizam za
predstavljanje znanja inenjering znanja (knowledge engineering).
Karakteristika veine do sada izgraenih ekspertnih sistema je u korienju baze znanja koja je dobivena "runo" tj.
pomou strune literature i konsultovanja strunjaka. Problem je to je to dugotrajan i skup proces, jer zahtjeva dosta dug
angaman kako samog tehnologa znanja, tako i strunjaka za konkretno problemsko podruje. Razlog je u poznatom
dejstvu ovjekovog "know-how", do koga je ekspert doao dugim iskustvom i koga je teko formulisati u "say-how" toliko
sistematino i detaljno koliko je to potrebno za raunarsku aplikaciju, pa je zato dolo do razvoja alternativnih metoda za
zahvatanje znanja, koje omoguavaju automatsku sintezu znanja, a imaju osnovu prije svega u metodama automatskog
uenja i kvalitativnog modeliranja.
Kada se od eksperta trai da prezentuje svoje znanje, on e to najlake uiniti pomou izabranih primjera. On je sposoban
mnogo bre pretvoriti "know-how" u "show-how". Na ovaj nain se eventualno prevazilazi tzv. Fajgenbaumovo usko grlo.
Potrebno je iz skupa primjera induktivnim zakljuivanjem izvesti pravila i tako iz njih rekonstruisati ekspertov "knowhow", to se moe postii metodama automatskog uenja. Struktura ekspertnih sistema, proirena modulom za zahvatanje
znanja prikazana je na Slici 14.

TEHNOLOG
ZNANJA
EKSPERT

KORISNIK

modul za
zahvatanje
znanja

modul za
objanjavanje
INTERFEJ
S
Mehanizam
zakljuivanj
a

Baza
znanja
EKSPERTNI
SISTEM

Slika 14 Proirena struktura ekspertnih sistema

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.

5.2.3. KVALITATIVNO MODELIRANJE

Kvalitativni modeli opisuju sistem na jednostavan simboliki nain, koji je blizak ljudskom nainu miljenja. Apstrahuju se
egzaktne numerike vrijednosti, jer sve parametarske vrijednosti sistema se integriu u jedan simboliki opis tj. kvalitativnu
vrijednost. Za razliku od klasinih modela gdje su promjenljive veliine vezane jednainama, kod ovih modela
promjenljive su vezane relacijama koje mogu imati oblik jednaina, nejednaina ili logikih izjava. Dakle, ovdje se umjesto
rjeavanja sistema jednaina, promjenljivim dodjeljuju vrijednosti relevantne za relacije u modelu.
Kvalitativni modeli su bazirani na skupu relacija meu elementima sistema. Sistem se moe opisati i sa apstraktnim
pojmovima. S obzirom na to razlikuju se:
komponentno orijentisan pristup gdje se ponaanje sistema izvodi iz ponaanja njegovih komponenti i
procesno orijentisan pristup koji opisuje procese kao izvor svih promjena u sistemu.
Oba pristupa su realizovana tako da opisuju fizikalne pojave ograniavajuim (ne)jednainama. Simulacija se vri kao
irenje ogranienja (constraint propagation) po sistemu, a izvodi je zato kreiran jezik CONLAN. Formulacija pravila u
KARDIU je drugaija. Umjesto ograniavajuih jednaina ovdje postoje formule predikatskog rauna prvog reda tj.
logike izjave. Simulaciju izvrava interpreter pravila napisan u PROLOGU.
Prednosti kvalitativnog modeliranja u odnosu na klasino modeliranje mogu se sintetizovati u sljedeem:
Kvalitativni opisi su veoma pristupani u odnosu na rjeavanje klasinih modela koji su kompleksni.
Kvalitativni model je blii ovjekovom nainu miljenja.
Kvalitativni model je primjenljiv i u sluaju kada nisu poznate tane vrijednosti parametara, dok to ne vai za
klasine modele.
Kvalitativna simulacija jednostavno generie objanjenje i tako postie transparentnost sistema.
Ako su relacije u modelu kauzalnog karaktera (povezuju uzroke sa posljedicama), onda lanac zakljuaka predstavlja
kvalitativnu simulaciju modela. Sam model predstavlja duboko znanje jer odraava strukturu i i dublje principe
problemskog domena. Ovakva duboka baza znanja je pozitivna, jer poboljava semantiku i sposobnost objanjavanja
ekspertnog sistema. Meutim, negativna strana se ogleda npr. u dijagnostici i kontroli, kada treba zakljuivati po lancu u
smjeru nazad (od posledica ka uzrocima). Rjeenje problema je u procesu kvalitativne simulacije kada se automatski mogu
dobiti plitka pravila koja direktno povezuju poetne uzroke sa konanim posljedicama, za sve mogue primjere. Ovakva
baza je veoma operativna, ali i veoma obimna. U tom smislu komprimuje se metodama automatskog uenja.

5.2.4. AUTOMATSKO UENJE

Svako inteligentno ponaanje povezano je sa sposobnou uenja, pa je i ideja automatskog uenja odavno prisutna. Prva
istraivanja bila su na podruju prepoznavanja uzoraka (pattern recognition) i grupisanja uzoraka (clustering). Nastao je niz
tzv. statistikih metoda, koje su davale relativno dobre rezultate, ali su ipak ti rezultati bili dosta nejasni, jer su bazirani na
nainu koji je drugaiji od ovjekovog naina miljenja. Tako je nastala nova grana automatskog uenja tzv. strukturno
automatsko uenje. Ono predstavlja automatski proces dobivanja znanja na osnovu informacija dobivenih od uitelja, od
nekog spoljnjeg procesa ili samostalnim posmatranjem odnosno eksperimentisanjem. Rezultat tog uenja je formula,
teorija, pravilo ili opis koncepta u kvalitativnom formalizmu koji je blizak ovjeku. Tako korisnik moe da uoi relacije,
zakonitosti i logiku zakljuivanja, po kojoj sistem na osnovu pravila dolazi do odreenih zakljuaka.
Naini uenja se klasifikuju prema vie kriterijuma. Naveemo podjelu prema kriterijumu stepena uea induktivnog
zakljuivanja kod uenika tokom procesa uenja:
Direktno ili rutinsko uenje (rote learning). Ovdje zakljuivanje nije potrebno i u ovu grupu spadaju direktno
programiranje i uvanje podataka.
Uenje na osnovu kazanog (learning by being told). Kod ovog uenja uitelj posreduje znanje (daje pravila i
injenice), koje se pomou predznanja i induktivnog zakljuivanja organizuje u takav oblik, da ga je mogue koristiti
bez eksplicitnih algoritama.
Uenje na bazi objanjenja (explanation-based learning) zasniva se na jednom primjeru rjeenja problema, koje se
pomou znanja o problemskom podruju objanjava, opravdava i uoptava, te tako rjeava itavu klasu problema.
Uenje po analogiji (learning by analogy) bazira se na ideji da se postojee znanje transformie u takav oblik, koji je
mogue upotrebiti za novi, slian problem.
Uenje na osnovu primjera (learning from examples). Ovo uenje je uenje na pozitivnim ili negativnim primjerima,
gdje se na osnovu tih primjera induktivnim zakljuivanjem dobivaju pravila odnosno opis koncepta koji treba da je
kompletan (ukljuuje sve pozitivne primjere) i konzistentan (iskljuuje sve negativne primjere).
Uenje samostalnim otkrivanjem (learning from observation and discovery) predstavlja najtei oblik uenja.
Postavljanje i testiranje hipoteza kao i kreiranje novih teorija potpuno je samostalno bez uitelja.
Dosadanja praksa je pokazala da je najefikasniji oblik automatskog uenja uenje na osnovu primjera. Ovo uenje
znaajno prevazilazi problem Feigenbaum-ovog uskog grla, jer se eksperimentima lake daju primjeri (esto su ve
arhivirani) nego pravila po kojima se rjeavaju problemi. Automatsko uenje na osnovu primjera sadri nekoliko poznatih
optih metoda kao to su:
Metoda prostora verzija (version space) predstavlja koncept traenja u prostoru moguih opisa u datom opisnom
jeziku. Postojee znanje koncepta odreuje podskup opisa iz prostora svih moguih opisa. Taj podskup se zove
prostor verzija i dopunom znanja se smanjuje. Ova metoda je primjenjena u sistemu kojim se ue pravila za
simboliko integrisanje (LEX) i u pravilima za generisanje molekularnih struktura (META-DENDRAL).
Metoda gradnje stabla odluivanja je veoma jednostavna i efikasna metoda. Implementirana je od strane Quinlana u
sistemu ID3. Sutina je da se na osnovu postojeih primjera izgradi klasifikacijsko pravilo u formi stabla odluivanja
koje se moe upotrebiti za klasifikaciju novih objekata. Postoje mnogi sistemi zasnovani na ovoj metodi kao npr.
ASISTENT 86.
Metoda za konceptualno grupisanje uzoraka razvijena je kao alternativa klasinim metodama za grupisanje uzoraka.
Uspjeno je implementirana u sistemu CLUSTER. Radi relativno sporije nego standardne metode, ali ima prednost u
logikim opisima grupa koje generie.

5.3. MEHANIZAM ZAKLJUIVANJA

Mehanizam zakljuivanja je najvaniji dio ekspertnih sistema i on u principu kroz svoj interpreter sadri elemente misaone
aktivnosti ovjeka. On je u stvari modul ekspertnih sistema koji implementira algoritme za rjeavanje problema. Od njega
se trai da omogui odgovore na korisnikova pitanja i da se pri tom slui procesom zakljuivanja, koji je mogue korisniku
objasniti. Pored primarnog zadatka, pronalaenja pojedinih zakljuaka on treba da realizuje i kontrolnu strategiju, po kojoj
se odreuje redoslijed koraka relevantnih za rjeavanje problema.
Na primjer moe se desiti, da odgovor na korisnikovo pitanje dobijemo samo na osnovu upotrebe jedne od "elementarnih"
injenica, registrovanih u bazi znanja. Recimo koristei injenice iz baze znanja "Galebovi su ptice" i "Sve ptice imaju
krila" veoma se lako odgovara na pitanje da li su galebovi ptice. Naprotiv za odgovor na pitanje da li galebovi imaju krila,
ve je potrebno zakljuivanje. U logici je ovo karakteristian odnos premisa i konkluzije. Sistem treba da je sposoban
dedukovati i verifikovati injenice, koje mu nisu eksplicitno zadate. Tada koristi poznate principe zakljuivanja (kao npr.
modus ponens ili princip rezolucije), a mogue i zakonitosti, koje se isto tako nalaze u bazi znanja i slue kao pravila za
dobivanje novih tj. izvedenih injenica.
itav proces rjeavanja problema esto se tretira kao dokazivanje teorema na osnovu aksioma. Rjeenju problema odgovara
dokaz teorema, a problem odgovara teoremu, koga nazivamo i ciljna hipoteza ili cilj. U tom sluaju mogua su dva naina
zakljuivanja: zakljuivanje unaprijed (forward reasoning) i zakljuivanje unazad (backward reasoning). Zakljuivanje
unaprijed potie u pravcu od datih elementarnih injenica prema hipotezi. Iz poznatih injenica generiemo nove, dok ne
doemo do injenice koja se poklapa sa ciljnom hipotezom. Zakljuivanje unazad vri se u obrnutom smjeru, od ciljne
hipoteze prema elementarnim injenicama.
Iz ciljne hipoteze generiemo nove hipoteze, dok ne doemo do hipoteza koje su jednake elementarnim injenicama.
Ukratko emo opisati osnovne principe zakljuivanja: modus ponens, modus tollens i princip rezolucije. Modus ponens je
logino pravilo po kojem na osnovu injenice "A je istinito" i pravila "ako vai A onda vai B" zakljuimo istinitost za B.
Taj princip veoma je jednostavan pa je zato i proces zakljuivanja koji se bazira na njemu relativno lako razumljiv. Slaba
strana mu je to to ne nalazi sve mogue zakljuke. Na primjer iz "B nije istinito" i "ako vai A onda vai B" ne moe se
zakljuiti "A nije istinito" na osnovu modes ponensa, ve se radi o drugom pravilu zakljuivanja poznatim kao modus
tollens. Princip rezolucije je poznat metod za automatsko dokazivanje teorema u formalizmu predikatnog rauna prvog
reda. Posebna vrsta ovog principa realizovana je u Prologu. Osnovna ideja je u tome da se skupu vaeih aksioma doda
negacija teorema kojeg elimo dokazati.
Ako se sada otkrije kontradikcija, time je dokazano, da je originalni teorem istinit. Vie o rezoluciji kao metodi za
automatsko dokazivanje teorema pie autor Nilson.
Osnova za rjeavanje problema je njegovo adekvatno predstavljanje. U tom smislu razvijene su odreene sheme kao to su:
prostor stanja i
AND/OR grafovi.

5.3.1. PROSTOR STANJA

Prostor stanja (state space) predstavlja graf gdje su vorovi ekvivalentni problemskim situacijama. Veze izmeu vorova su
legalne akcije koje transformiu jednu problemsku situaciju u drugu. Rjeenje problema se postie korienjem dvije
osnovne strategije pretraivanja grafova:
pretraivanje u dubinu (depth-first search) i
pretraivanje u irinu (breadth-first search).
Za razliku od algoritma pretraivanja u irinu koji nalazi najbre odnosno najkrae rjeenje, pretraivanje u dubinu nosi
odreeni rizik tj. opasnost da algoritam doe u bezizlaznu petlju. Pretraivanje u dubinu posjeduje dijalog sa korisnikom
koji je mnogo prirodniji i veoma detaljno obrauje teme (jednu po jednu). Nasuprot njemu, algoritam pretraivanja u irinu
preskae sa teme na temu (random pretraivanje) i na taj nain negativno utie na koncentraciju korisnika.
Osnovni princip pretraivanja po irini je generisanje svih moguih stanja po nivoima stabla koja
se zatim pretrauju. Ovom metodom se uvijek nalazi najkrai put do ciljnog (ciljnih) stanja, ali
broj stanja koja se generiu i pretrauju raste eksponencijalno za svaki sljedei nivo. Potrebno
vrijeme za nalaenje rjeenja takoe raste eksponencijalno, pa zbog toga moemo rei da ova
strategija garantuje najbolje rjeenje ako nam vrijeme i memorija nisu ogranieni.

Slika 15 Pretraivanje po irini

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.

Slika 16 Pretraivanje po dubini

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.

5.3.2. AND OR GRAFOVI

Problem se moe predstaviti i sa AND/OR grafom. Ovaj graf je karakteristian za probleme koji se mogu dekomponovati
na podprobleme. Ovdje su vorovi ekvivalentni problemima. Poetni vor je originalni problem, dok su ciljni vorovi
relativno jednostavni podproblemi. Veze meu vorovima predstavljaju relacije meu problemima. vor moe biti AND
tipa (za rjeenje potrebno je rijeiti sve njegove nasljednike) i OR tipa (za rjeenje je dovoljno rijeiti jednog od
nasljednika). Rjeenje problema nije put ve podgraf u originalnom AND/OR grafu. Za pretraivanje AND/OR grafova u
Prologu moe se iskoristiti sam interpreter za Prolog, ije je proceduralno znaenje upravo pretraivanje takvih grafova.
Naroito vana osobina mehanizma zakljuivanja je da li on omoguava monotono ili nemonotono zakljuivanje. U prvom
sluaju sve to je bilo prepoznato kao istinito ostaje istinito tokom itave konsultacije. Koliina informacija u tom sluaju
moe samo monotono da se poveava. Nemonotono zakljuivanje dozvoljava da se znanje tokom konsultacije mijenja. Na
osnovu nove informacije neki ranije izvedeni zakljuci mogu se eliminisati. Opti uzorak kod tih sistema je tzv. "default"
zakljuivanje tipa "ako vai A i ako nije evidentno da ne vai B, onda vai B".
Ostaje jo veoma vano pitanje kako se vri zakljuivanje kada imamo nepotpune ili nepouzdane informacije i kada moda
i sama pravila vae samo sa nekim odreenim faktorom povjerenja. Spomenuli smo ve da su na tzv. mekim podrujima,
koja su glavna podruja primjene ekspertnih sistema, takve situacije veoma este. Zato ekspertni sistemi uglavnom
omoguavaju zakljuivanje na osnovu vjerovatnoe za razliku od kategorikog zakljuivanja gdje su stvari jednostavno
istinite ili ne. Opte prihvaene teorije zakljuivanja na osnovu vjerovatnoe jo nema, mada su istraivanja na ovom
podruju veoma intenzivna. U literaturi se uglavnom navodi kako je to pitanje rijeeno kod pojedinih poznatih sistema
(Prospector, Mycin ...).

6. RAZVOJ EKSPERTNIH SISTEMA

6.1. PROJEKTOVANJE EKSPERTNIH SISTEMA
Analiza, projektovanje i razvoj informacionog sistema organizacije, kao podrka sistema upravljanja, moe polaziti od
prihvatanja razliitih metodolokih prilaza i koristi razliite metode, tehnike i sredstva analize i projektovanja.
Pod informacionim sistemom organizacije se ovdje podrazumijeva kooperativni i inteligentni informacioni sistem kao
sinteza upravljakih informacionih sistema, sistema za podrku odluivanja, ekspertnih sistema, inteligentnih baza
podataka, hypermedia, tehnologije za automatsko memorisanje i pretraivanje dokumenata, elektronske razmjene podataka,
i slino. Iako postoje metodoloke razlike i specifinosti u pojedinim fazama analize, projektovanja i razvoja
informacionih sistema, danas se vie manje u literaturi koriste isti ili veoma podudarni metodoloki prilazi. Veina njih se
moe razvrstati u sljedee klase:
Tradicionalni prilaz ivotnom ciklusu sistema;
Strukturni prilaz ivotnom ciklusu sistema;
Projektovanje i razvoj prototipa (prototyping);
Integracija strukturnog prilaza ivotnom ciklusu i prototajpingu;
Prilaz brzog razvoja sistema zasnovan na osobinama i mogunostima jezika etvrte generacije (4GL);
Inteligentan prilaz sinteza paradigmi metoda i tehnika strukturne metodologije iotnog ciklusa, prototajpinga i
4GL.
Nekoliko sistemskih prilaza razvoju informacionih sistema, a prema tome i donekle ekspertnih sistema je razvijeno i
korieno u posljednjih petnaestak godina. Uglavnom se sve ove metodologije razvoja ekspertnih sistema baziraju na
mogunostima, osobinama i okviru opteg integralnog prilaza razvoju informacionog sistema. Ove metodologije su u
osnovnim crtama prikazane u tabelama 7, 8 i 9, a razvijene su i primjenjivane u sljedeem razvojnom ciklusu:
Macger (1973);
Dejvis (1974);
Boem (1976);
Frimen i Vasermen (1977);
Kvejd i Bouer (1978);
Lajbovic (1984);
Silverman (1985);
Harmon i Sojer (1989).

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

Tabela 7 1. tip metodologije razvoja informacionih sistema

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

Tabela 8 2. tip metodologije razvoja informacionih sistema

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

Tabela 9 3. tip metodologije razvoja informacionih 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.

Razvoj prototipa podrazumijeva izvravanje tri kljune aktivnosti:

Ocjena, na bazi izvjetaja o analizi i dizajnu, da li ekspertni sistem moe biti izgraen;
Pristup izgradnji prototipa sistema;
Razvoj malog inicijalnog i finalnog prototipa.
Razvoj sistema je faza prirodnog nastavka i proirenja prototipa. Znanje uzeto za prototip je samo uzorak znanja. Sada se
uzima, formalizuje, kodira i umee u bazu znanja sve preostalo znanje koje se moe obezbjediti od eksperta. Osnovni
zadatak je, dakle, ove faze proirivanje prototipa u konaan sistem. Finalni ekspertni sistem bie implementiran, izravae
u organizaciji neke korisne zadatke, initi to na efikasan nain u odreenom softverskom i hardverskom okruenju i po
mogunosti integrisan u informacioni sistem organizacije.
Testiranje i implementacija obuhvataju ove procese:
Uvoenje ekspertnog sistema u radno okruenje korisnika;
Testiranje sistema;
Modifikacija sistema.
Posljednja faza projektovanja i razvoja ekspertnog sistema je njegovo odravanje. Sistem djeluje svakodnevno i njega je
neophodno odravati. Odravanje ekspertnog sistema podrazumijeva obezbjeivanje takvog funkcionisanja i takvih
uinaka sistema kakvi su bili namjeravani i predvieni pri konceptiranju sistema. Odravanje sistema znai i njegovo
auriranje i unapreenje.

6.2. IZGRADNJA EKSPERTNIH SISTEMA

U sluaju ekspertnih sistema znanje je odvojeno od algoritama koji ga koriste. Baza znanja je zavisna od problemskog
domena dok su mehanizam zakljuivanja i interfejs esto nezavisni. Ta dva nezavisna modula se zajedno nazivaju ljuska
ekspertnog sistema. U principu imajui jednom ljusku, samim dodavanjem nove baze dobivamo novi ekspertni sistem.
Naravno, baza treba da bude u takvom formalizmu, da je ljuska "razumije". Empirijski gledano, to ne ide uvijek sasvim
jednostavno i u pojedinim primjerima treba i ljusku promijeniti u nekim detaljima. Ipak, glavni principi ostaju isti, pa je i u
tom primjeru izrada ekspertnog sistema veoma ubrzana. Ljuske dakle spadaju u dobrodole alate za izradu ekspertnih
sistema, koji su na tritu sve evidentniji.
Meutim, broj ekspertnih sistema u svakodnevnoj upotrebi ne napreduje u skladu sa oekivanjima. Razlog je u tekoama,
koje su sastavni dio procesa izgradnje pojedinih baza znanja kao najsloenije faze izgradnje ekspertnih sistema. Taj
fenomen tj. usko grlo u literaturi je poznato pod imenom "Feigenbaum bottleneck" i posljednjih godina predstavlja povod
za brojna istraivanja na podruju automatske sinteze znanja. U posljednje vrijeme dolazi do razvoja metoda i alata koji
omoguavaju automatsko zahvatanje znanja, pa se moe oekivati u skorom vremenu pozitivno rjeenje ovoga problema.
Osnovna pitanja kod izgradnje ekspertnog sistema ve u fazi izrade ljuske su sljedea:
Rijeiti u kojem formalizmu e biti predstavljeno znanje, da bi bilo pogodno za rjeavanje problema. Takoe,
paralelno s tim ono mora biti razumljivo korisniku i jednostavno za verifikaciju, modifikaciju i dopunu.
Treba izabrati mehanizam zakljuivanja, koji bi bio adekvatan za rjeavanje problema tj. on treba da odgovara
izabranom formalizmu za predstavljanje znanja. Zatim, on treba da prikladno obradi nepouzdane i nepotpune
informacije i da omogui potrebno objanjenje.
Ukratko za kvalitetan razvoj ljuske treba:
izabrati formalizam u kojem e biti predstavljeno znanje (obino pravila oblika "ako - onda"),
razviti formalizam za predstavljanje znanja adekvatan mehanizamu zakljuivanja,
razviti interfejs pomou kojeg e sistem objanjavati svoje odluke i davati odgovor na pitanja tipa "Kako si doao do
tog rjeenja? " i "Zato eli ovu informaciju?" i
razviti metod za rad sa nepouzdanim i nepotpunim informacijama.

Slika 17 Proces izgradnje ekspertnog sistema

6.2.1. SREDSTVA ZA IZGRADNJU EKSPERTNIH SISTEMA

U prvim danima raunarske tehnologije kada su raunari, bili osnovna komponenta okruenja, osnovni preduslov za
uspjean razvoj aplikacije je bio da programer poznaje jedino orue koje mu je stajalo na raspolaganju programski jezik u
kome e programi biti napisani. ak i kasnije, kada je sistem analiza izdvojena kao posebna funkcija (esto od presudne
vanosti za uspjenu aplikaciju), ogranienje razvojnih alata na jedan jedini programski jezik je i dalje bilo prisutno. Izbor
programskog jezika je zavisio od izbora i tradicije softverske razvojne kue. Danas, u uslovima sveopteg napretka
tehnologije je razvojno okruenje ekspertnih sistema toliko bogato alatima, da je problem njihove selekcije izdvojen kao
poseban zadatak inenjera znanja ili projektanta baze znanja.
Izvrena je i klasifikacija ovih alata kao i opis naina na koje oni olakavaju izgradnju ekspertnih sistema.
Pod pojmom ekspertnih sistema se podrazumjevaju svi programi koji ukljuuju ekspertizu, simboliko rasuivanje,
odreenu dubinu problema i znanje o sebi (ispitivanje sopstvenog rezonovanja i objanjavanje postupaka). Razumljivo je
da je izgradnja ovakvog programa mnogo sloenija od pisanja aplikativnih programa u nekom od programskih jezika. Ona
zahtjeva ne samo predstavljanje znanja u bazi znanja ekspertnog sistema, ve i ekspertizu koja e te informacije uiniti
dostupnima korisniku sistema putem razliitih tehnika rjeavanja problema mehanizma zakljuivanja. Zbog toga je
zadatak izgradnje ekspertnih sistema mnogo lake uspjeno izvriti ukoliko posjedujemo inteligentne alate i pomona
sredstva koji ovaj mukotrpan posao olakavaju ili skrauju njegovo vremensko trajanje.
Postoji itav spektar proizvoda koji se ubrajaju u alate za izgradnju ekspertnih sistema. Najire posmatrano, sva sredstva
koja su u funkciji ekspertnog sistema se mogu podijeliti u sljedee kategorije:
programske jezike za razvoj ekspertnih sistema,
jezike inenjeringa znanja,
programsku podrku izgradnji sistema i
olakice izgradnje ekspertnih sistema.
PROGRAMSKI JEZICI ZA RAZVOJ EKSPERTNIH

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)

Znak : se ita kao IF(ako).

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.

Na kraju cijele klauzule je obavezna taka.

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

JEZICI INENJERINGA ZNANJA

Za razliku od programskih jezika opte namjene, programski jezici na najviem nivou, iskljuivo namijenjeni konstruisanju
ekspertnih sistema, zajedniki nazvani jezicima za inenjering znanja, pruaju olakice pri radu, ali su sa aspekta
predstavljanja znanja i manipulisanja znanjem manje fleksibilni. Jezici inenjeringa znanja (JIZ) su inteligentan alat za
razvoj ekspertnih sistema. Sastoje se od jezika za izgradnju ekspertnih sistema kojem je pridodato iroko razvojno
okruenje. Postoje dvije vrste jezika inenjeringa znanja, jezici ogoljenog tipa i JIZ opte namjene.
Jezici ogoljenog tipa su redukovani ekspertni sistemi koji imaju sopstvene mehanizme zakljuivanja, ali su lieni baze
znanja. Dakle, ukoliko je u JIZ potrebno ukljuiti samo znanje specifino za odabrani domen (domensko ekspertsko
znanje) da bi on prerastao u ekspertni sistem, rije je o JIZ ogoljenog tipa. Takvi jezici se nazivaju i ljuskama ekspertnih
sistema. Tako npr. od ekspertnog sistema PROSPECTOR, izuzimanjem svog geolokog znanja koje je u njega ukljueno da
bi on mogao da funkcionie, dobijen je jezik inenjeringa znanja ogoljenog tipa, KAS. Ljuska ekspertnih sistema KAS je
namijenjena izgradnji ekspertnih sistema koji rijeavaju probleme klasifikacije i dijagnostike.
Na isti nain je nastala i jedna druga ljuska, EMYCIN (Empty MYCIN = Prazan MYCIN), oduzimanjem znanja iz oblasti
medicine, potrebnog za dijagnosticiranje bakterijskih infekcija, iz ekspertnog sistema MYCIN. Ljuske ekspertnih sistema
olakavaju izgradnju ekspertnih sistema time to daju gotovu strukturu "skelet" sistema i mehanizam zakljuivanja koji je
direktno primjenjljiv na odreeni tip problema. Nedostatak JIZ ogoljenog tipa je pomanjkanje optosti i fleksibilnosti u
rukovanju problemima koji ne spadaju u unaprijed odreenu klasu, za koju su ljuske namijenjene.
Dobre rezultate u razvoju ekspertnih sistema bez obzira na podruje (domen) i tip problema koji se rjeava, daju JIZ opte
namjene. Njihova upotreba je sloenija, ali je bolja kontrola pristupa znanju i tehnika pretraivanja baze znanja nego kod
JIZ ogoljenog tipa.
PROGRAMSKA PODRKA IZGRADNJI SISTEMA
Programsku podrku izgradnji ekspertnih sistema (PPIES) ini skup softverskih proizvoda koji ili pomau pri sticanju i
predstavljanju znanja domenskog eksperta ili pomau u postupku dizajna samog ekspertnog sistema. U poreenju sa
alatima iz drugih kategorija, relativno je malo softverskih proizvoda koji se ubrajaju u ovu klasu razvijeno. Jedan od njih je
TEIRESIAS, programska podrka izgradnji ekspertnih sistema koja podrava transfer domenskog ekspertskog znanja u
bazu znanja ekspertnog sistema na taj nain to koristi iskaze veoma sline engleskom jeziku. TEIRESIAS radi na principu
interakcije raunara i korisnika. Korisnik je u mogunosti da iskae nova pravila pomou redukovanog skupa engleskih
rijei. Sistem analizira korisnikove iskaze i daje prijedloge u zavisnosti od potpunosti i konzistentnosti pravila i pomae pri
otkrivanju greaka. Ispravne iskaze sistem sam ugrauje u bazu znanja ekspertnog sistema. PPIES koja pomae pri dizajnu
i izgradnji ekspertnih sistema, nudi inenjeru znanja odreeni skup komponenti koje ovaj koristi kao blokove za gradnju,
spaja ih po potrebi u dijelove ekspertnog sistema. Svaka komponenta je skup funkcija nekog programskog jezika i
podrava ulanavanje unaprijed, unazad ili arhitekturu table.
Jedan od ovakvih alata je AGE, ije komponente su napisane u INTERLISP jeziku. AGE je korien kao razvojni alat
tokom izgradnje ekspertnog sistema HANIBAL, namijenjenog interpretaciji radio komunikacionih poruka neprijateljskih
vojnih snaga, u cilju procjene stanja na ratitu.

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;

Alati za olakano sticanje znanja i pisanje U/I rutina;
Ugraeni mehanizmi rezonovanja;
Editori baze znanja.

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.

6.2.2. SOFTVER ZA IZRADU EKSPERTNIH SISTEMA

U osnovi se razlikuju tri kategorije alata za izgradnju ekspertnih sistema:
Alati koji se koriste na personalnim kompjuterima, i koji slue za izradu ekspertnih sistema do 400 pravila.
Specijalizovani alati za izradu kompleksnih ekspertnih sistema, koji su ogranieni na rjeavanje problema
specijalizovanog tipa i koji sadre vie hiljada pravila. Ovi alati zahtijevaju vee kompjutere kao npr. Lisp Machine.
Alati za izradu kompleksnih ekspertnih sistema, koji rjeavaju probleme razliitih tipova i koji sadre vie hiljada
pravila. Takoe, zahtijevaju vee kompjutere kao npr. Lisp Machine.
Najpoznatiji komercijalni alati za izradu ekspertnih sistema su:
ART Automated Reasoning Tool - skup alata za izradu ekspertnih sistema koji ukljuuje jezik za opisivanje
injenica i relacija tzv. knowledge language, kojeg prevodi u Lisp, zatim mehanizam zakljuivanja i specijalan alat
za otkrivanje greaka.
ES/P ADVISOR Ljuska za razvoj jednostavnih ekspertnih sistema za podruja gdje postoji tekstualan opis kao npr.
uputstva i postupci.
EXPERT-EASE Optenamjenski sistem za izgradnju stabla odluivanja.
EXPERT Alat za izradu konsultacijskih sistema za podruja medicinske dijagnostike, analiza traenja nalazita nafte
itd.
INSIGHT Optenamjenska ljuska za izradu sistema do 400 pravila tipa ako-onda.
KEE Knowledge Engineering Environment - integrisani paket alata kojim se izgrauju kompleksne aplikacione
analize i planiranje, prvenstveno za domen genetskog inenjeringa.
OPS5 Sistem za produkciono programiranje, razvijen na Carnegie-Mellon University kao alat za istraivanje
ovjekovog pamenja i miljenja.
LOOPS Skup alata koji su ukljueni u Interlisp okruenje i koji ukljuuju proceduralno i objektno orijentisano
programiranje.
TIMM The Intelligent Machine Model - dopunjena verzija EXPERT-EASE, kojom se izgrauje vie meusobno
povezanih pravila.

KATALOGIZACIJA SOFTVERA ZA RAZVOJ EKSPERTNIH SISTEMA

Sljedee tabele pokazuju najee koriene alate za razvoj ekspertnih sistema, grupisane u kategorije.
Jezici za razvoj ekspertnih sistema
za velike (mainframe) raunare
Naziv
Distributer
Common LISP
IBM Co., Armonk, New York Intermetrics,
Inc., Cambridge, Massachusetts
Prolog
IBM Co., Armonk, New York Lattice C
Compiler SAS Institute, Inc., Cary, North
Carolina
za PC i kompatabilne raunare
Naziv
Distributer
Actor (objektno The Whitewater Group, Evanston, Illinois
orijentisan)
LISP
ExpertTelligence, Inc., Santa Barbara,
California Texas Instruments, Dallas,
Texas Integral Quality, Seattle,
Washington, itd.
OPS83
Production Systems Technologies, Inc.,
Pittsburgh Pennsylvanis
Prolog
Applied Logic Systems, Mountain View,
California Borland International, Inc.,
Scotts Valley, California, itd.
Smalltalk
AT Softmarts, Inc., Woodside, California
(objektno
orijentisan)

Jezici inenjeringa znanja

za velike (mainframe) raunare
Naziv: Application Development Systems
Proizoa: Aion, Inc., Palo Alto, California
Hardver: IBM velikiraunari ili IBM PC
Izvorni jezik: Pascal
Mehanizam zakljuivanja: ulanavanje unaprijed i unazad
Faktori izvjesnosti: od -1 do 1

Naziv: Application Exspert

Proizvoa: Cullinet Software, Inc., Westwood, Massachusetts
Izvorni jezik: Cobol
Mehanizam zakljuivanja: ulanavanje unaprijed i unazad
Faktori izvjesnosti: IF, FIF (Fuzzy logika)

Naziv: Expert System Environment

Proizvoa: IBM, Armonk, New York
Hardver: IBM veliki raunari
Izvorni jezik: Pascal
Mehanizam zakljuivanja: ulanavanje unaprijed i unazad
Faktori izvjesnosti: IF, FIF

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: Exsys Professional

Proizvoa: Exsys, Inc., Albuquerque, New Mexico
Hardver: DEC VAX, IBM PC, XT, AT, Personal System/2, kompatabilni raunari
Predstavljanje znanja: produkciona pravila i frejmovi
Mehanizam zakljuivanja: ulanavanje unaprijed i unazad
Faktori izvjesnosti: 0-1, 0-10. -100 do 100 i korisnike formule

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

Naziv: Personal Consultant Series

Proizvoa: Texas Instruments, Inc., Dallas, Texas
Hardver: IBM PC, XT, AT, Personal System/2, TI Explorer radne stanice, raunari iz TI Professional serije
Predstavljanje znanja: frejmovi, produkciona pravila
Mehanizam zakljuivanja: ulanavanje unazad
Fakori izvjesnosti: -100 do 100, FIF

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;

Meni Insight-a 2+:

1. Run a knowledge base
2. Edit a knowledge base
3. Compile a knowledge base
4. Run a DBPAS program
5. Edit a DBPAS program
6. Compile a DBPAS program
7. Edit a data base
Kompletna interakcija sa alatom se vri pomou funkcijskih tastera (slino kao u Norton
Commander-u). Pri pokretanju izraenog ekspertnog sistema nad bazom znanja na raspolaganju
su nam sljedee funkcije: PAGE, STRT, WHY, PRNT, MENU, HELP i EXIT.
Ekspertni sistem se upravlja na osnovu informacija koje dobiva od krajnjeg korisnika putem etiri
razliite vrste pitanja (upita):
1. Logiki - SIMPLEFACT
2. Znakovni - STRING
3. Numeriki - NUMERIC
4. Atributivni - jedna od ponuenih vrednosti
Po zavretku rada sa ekspertnim sistemom, Insight 2+ prikazuje spisak konanih zakljuaka sa
meuzakljucima. Ponovnim pokretanjem sesije se gube svi zakljuci i informacije iz prethodne
sesije.

Struktura baze znanja:

1. Naslov
2. Deklaracija podataka koji dijele povezane baze znanja
3. Deklaracija tipova podataka
4. Inicijalizacija parametara
5. Selektori kontrolnih naredbi
6. Deklaracija ciljeva
7. Definicija pravila
8. Prikaz tekstualnih informacija
9. Rezervisana rije END
Redoslijed produkcionih pravila u PRL bazi znanja nije bitan. Broj uslova unutar jednog pravila nije
ogranien.
Napomena
Pravila koja sadre ELSE slubenu rije UVIJEK SE OKIDAJU.
Sa Insightom 2+ se formiraju ekspertni sistemi koji koriste prikupljeno znanje o nekom problemu i
na osnovu toga donose odreene zakljuke. Samo donoenje zakljuaka se moe sprovoditi na
dva naina:
1.
Lanano zakljuivanje unaprijed (forward chaining) - slijede se zadovoljena pravila:
1.1. Okidaju se pravila iz kojih se direktno mogu izvesti novi zakljuci (novo znanje).
1.2. Pravila se evaluiraju onim redom kako su napisana, pa je u ovom sluaju koncept cilja
nevaan.
1.3. Ona pravila koja se trenutno ne mogu izvriti se ostavljaju "na stranu".
2.
Lanano zakljuivanje unazad (backward chaining) - sijede se (prema hipotezi) zadovoljeni
uslovi koji vode prema postavljenom cilju, tj.
2.1. Cilj: C (A1, ... An)
2.2. Atributi pojedinano postaju tekui ciljevi na osnovu kojih se rekurzivno pozivaju
definisana pravila.
Insight 2+ koristi i backward chaining i forward chaining mehanizam zakljuivanja.

7. PRIMJENA EKSPERTNIH SISTEMA

Osnovna podruja primjene ekspertnih sistema su ona za koja nisu u potpunosti poznati algoritmi rjeavanja, niti je znanje
dovoljno formalizovano. Takva podruja su zahvalna za eksperta da rjeava probleme na osnovu obimnog znanja sluei se
pri tom svojim iskustvom i donekle intuicijom.
Ekspertni sistemi su se u poetku primjenjivali na razliitim poljima. Prvi najjednostavniji ekspertni sistemi sluili su kao
supstitucija ljudskog partnera u igri kao to je npr. ah. Zatim, u sljedeoj grupi se nalaze ekspertni sistemi koji zamjenjuju
profesionalca npr. ljekara. Dalja primjena ogleda se u podrci vojnim sistemima u planiranju, donoenju odluka i
dijagnostici. Takoe, ekspertni sistemi imaju veoma vanu primjenu za projektovanje. Na primjer na bazi logikih
jednaina vri se konstrukcija LSI ipova.
Jedan od najranijih sistema za eksploataciju specifinog znanja iz odreene oblasti bio je DENDRAL, koji je razvijen na
Univerzitetu Stanford kasnih '60-ih godina 20. vijeka. DENDRAL je dizajniran za izvoenje zakljuaka o strukturi
organskih molekula iz njihovih hemijskih formula i spektografskih informacija o hemijskim vezama koje postoje u okviru
molekula. S obzirom da organski molekuli tee da budu veoma veliki, broj moguih struktura za ove molekule takoe
naginje velikom broju. DENDRAL upuuje na problem ovih veliki prostora pretrage primjenjivanjem heuristikog znanja
eksperta hemiara na strukturu problema.
Metode DENDRAL-a su se pokazale izvanredno efikasnim u rutinskom pronalaenju ispravne strukture od velikog broja,
pa ak i milionskih mogunosti nakon samo nekoliko pokuaja. Pristup se pokazao toliko uspjenim da su potomci ovog
sistema korieni u hemijskim i farmaceutskim laboratorijama irom svijeta.
Dok je DENDRAL bio jedan od prvih programa koji je efikasno upotrebio specifino znanje o odreenom podruju da bi
postigao ekspertni nivo u rjeavanju problema. MYCIN je uspostavio metodologiju savremenih ekspertnih sistema.
MYCIN koristi struno medicinsko znanje za dijagnosticiranje i propisivanje terapije za spinalni meningitis i bakterijske
infekcije krvi. Razvijen je na Stanfordu sredinom 1970-ih godina i predstavlja jedan od prvih programa koji upuuje na
probleme rasuivanja sa neodreenim ili nekompletnim informacijama.
MYCIN je obezbjedio jasna i logina objanjenja svog rasuivanja, koristio kontrolnu strukturu adekvatnu za specifinu
problemsku oblast, i identifikovao kriterijume za pouzdanu ocjenu njegove izvedbe. Mnoge tehnike razvoja ekspertnih
sistema koje se trenutno koriste su prvi put razvijene u okviru MYCIN projekta.
Ostali klasini ekspertni sistemi podrazumijevaju program PROSPECTOR za odreivanje mogue lokacije i tipa nalazita
rude baziran na geolokim informacijama o poloaju.
Zatim program INTERNIST za vrenje dijagnoze u oblasti interne medicine, Dipmeter Advisor za tumaenje rezultata sa
buotina nalazita nafte, XCON za vrenje konfiguracije VAX kompjutera.
Veliki broj mnogih drugih ekspertnih sistema trenutno rjeava probleme u razliitim oblastima kao to su:
medicina,
obrazovanje,
poslovanje,
energetika,
ivotna sredina,
geografija,
dizajn,
psihologija,
filozofija,
lingvistika,
razumijevanje prirodnih jezika,
razne igre,

automatsko rezonovanje i dokazivanje teorema,

planiranje i robotika, itd.

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.

PRIMJER PRIMJENE EKSPERTNOG SISTEMA EIAxpert U OBLASTI ZATITE IVOTNE SREDINE

EIAxpert predstavlja interaktivan, na pravilu zasnovan ekspertni sistem za procjenu ivotne sredine. Dizajniran je za nivo
snimanja procjene razvojnih projekata u ranoj fazi ciklusa projekta. Sistem moe funkcionisati sa minimumom podataka i
informacija o projektu, njegovim alternativama, i okolinskom okruenju oslanjanjem na opte znanje i pravila kao i na
regionalni geografski informacioni sistem (GIS) i set baza podataka.
EIAxpert je generiko i u potpunosti podacima - voeno sredstvo za procjenu koje se moe veoma lako konfigurisati za
veoma irok spektar primjena u razliitim oblastima i regionima. Sistem koristi specifinu listu provjere potencijalnih
problema koja je karakteristina za odreeni tip projekta. Ti potencijalni problemi se procjenjuju pravilima u dijalogu sa
korisnikom.
Ovaj ekspertni sistem obrauje pravila putem hibridnog simbolikog i numerikog predstavljanja objekata, po izboru i
geokarakteristinih objekata i ugraenog GIS-a, kao i pomou veza sa bazama podataka i simulacionih modela.
Sposobnost da obrauje i simbolike i numerike podatke putem potpune meusobne razmjene ga ini pogodnim za
analizu politike na visokom nivou.
U svojoj posljednjoj verziji koja je putena u rad sistem je u potpunosti ugraen u okviru WaterWare informacionog sistema
za upravljanje rijenim slivom, i implementiran kao na web-u zasnovan sistem klijent-server kojem se moe pristupati sa
bilo kojeg web pretraivaa u okviru lokalnih ili irih podruja mrea, Intraneta ili Interneta.
WaterWare predstavlja integrisan, na modelu zasnovan informacioni sistem kao i sistem za podrku odluivanja za
upravljanje vodnim resursima. WaterWare je implentiran na jednoj otvorenoj, te objektno orijentisanoj arhitekturi klijentserver, i podrava integraciju baza podataka, geografskog informacionog sistema (GIS), modela i analitikih alata u jedan
zajedniki okvir koji je veoma lak za korienje. To sve podrazumijeva multimedijalni korisniki interfejs sa pristupom
Internetu, hibridni GIS sa hijerarhijskim slojevima mapa, baze podataka o objektima, analize vremenskih serija, izvjetajne
funkcije, ugraen ekspertni sistem za zadatke procjene, klasifikacije i procjene uticaja, te hipermedijalni sistem za pomo i
objanjenja.
Izvorno je EIAxpert sistem bio dizajniran za Donji Sliv Rijeke Mekong (kojim upravlja Sekretarijat Komisije za sliv rijeke
Mekong - ije su lanice Kamboda, Laos, Tajland i Vijetnam) za svrhu procjene razvojnih projekata o vodnim resursima, i
on koristi liste provjere i pravila procjene koje su izvedene iz Smjernica Azijske Razvojne Banke za ivotnu sredinu.
Osnovni okvir EIAxpert sistema je, ve pomenuti informacioni sistem WaterWare.
Opti EIAxpert sistem podrazumijeva:
Bazu podataka i interaktivne editorske alate za razvojne projekte o vodnim resursima, koji dozvoljavaju odravanje
i uporeivanje viestrukih alternativa za svaki projekat;
Dvoslojni hijerarhijski geografski informacioni sistem (GIS) koji pokriva cijeli rjeni sliv kao i podruja koja su
neposredno ugroena pojedinanim projektima. GIS koristi i vektorske podatke i satelitske ilustracije;
Cijeli set baza podataka, kao na primjer meteoroloke, hidrografske, te baze podataka o kvaliteti voda, ali takoe i
ekoloke tehnologije kao to je recimo tretiranje otpadnih voda;
Baza znanja sa listama provjere, pravilima, detaljnim informacijama i smjernicama, te instrukcijama za analitiara;
Mehanizam zakljuivanja koji vodi analitiara kroz procjenu projekata u vidu veoma jednostavnog dijaloga;
Generator Sumarnog Izvjetaja koji sumira i ocjenjuje procjenu uticaja i obezbjeuje tampanu verziju izvjetaja.
Putem pravila ekspertnog sistema, eksterni modeli se mogu pozivati kao dio procedure zakljuivanja. Modeli se mogu
koristiti za izraunavanje uticaja smanjenja vodotoka, otputanja otpadnih voda, promjena u korienju zemljita, itd., ili za
ocjenu parametara projekta kao to su na primjer zahtjevi navodnjavanja ili promjene sadraja podzemnih voda.
Baza znanja: Ekspertni sistem koristi AKO .... ONDA (IF ... THEN) pravila za kvalitativnu procjenu potencijalnih
problema ivotne sredine. Baza znanja Mekong sistema sadri preko 1000 poloenih pravila. Osnova pravila je povezana
sa hipertekstualnim sistemom koji obezbjeuje objanjenja termina i koncepata, detaljne informacije, i instrukcije za
korisnike. Pretraiva baze znanja dozvoljava nadgledanje pojedinanih pravila te funkcija povratnih objanjenja ZATO
(WHY) moe pratiti simboliko rasuivanje sistema korak po korak.

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.

Slika 18 Poetni ekran EIAxpert-a

Meni sa ikonicama poetne strane EIAxpert-a omoguava pristup:

glavnom ekspertnom sistemu (alatima za procjenu) - na osnovu Smjernica za procjenu uticaja na ivotnu sredinu
koje je razvila Azijska Razvojna Banka, sistem koristi hijerarhijske liste provjere koje pokrivaju odabir podruja,
dizajn projekta, fazu izgradnje, projektno poslovanje, ekoloke olakice, i analizu isplativosti trokova;
objektno orijentisanoj projektnoj bazi podataka koja kompilira dostupne informacije o razvojnim projektima i
projektnim alternativama;
hijerarhijskom GIS-u, koji pohranjuje, prikazuje, i analizira geografske podatke za cijeli rjeni sliv, kao i za
pojedinana projektna podruja.

Slika 19 Pristup GIS-u

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.

8. PERSPEKTIVA EKSPERTNIH SISTEMA

Realno gledano, budunost ekspertnih sistema je veoma izvjesna. Sistemi koji podravaju upravljanje postajae sve vie
normalna praksa, pogotovo ako se uzme u obzir sve vea pristupanost i primjena sve monijih mikrokompjutera. Ve su
razvijeni silicijumski ipovi, koji omoguuju da mikrokompjuteri postanu sve vie slini u pogledu snage dosadanjim
"velikim" kompjuterima. Na taj nain rukovodilac, nezavisno od nivoa gdje se nalazi, moe konsultovati svoj kompjuter na
stolu za rjeavenje vrlo vanih poslovnih problema.
Mnoge upravljake funkcije e izvravati ekspertni sistemi. Pravi rukovodioci e se nauiti kako da sarauju sa vjetakim
rukovodiocem, te e vie vremena i energije posvetiti problemima koji se rjee javljaju i koji su specifiniji ili
neodreeniji.
Ekspertni sistemi e pojednostaviti proces pripreme spoljnih i unutranjih finansijskih izvjetaja. Finansijski ekspertni
sistemi e biti prilagoeni specifinim granama privrede tako da e finansijskim rukovodiocima pomoi u pripremi internih
i eksternih finansijskih izvjetaja.
Podruje knjigovodstva, koje je meu prvima iskoristilo aplikacije ekspertnih sistema, bie kontrola. Planiranje kontrole,
proces analize rizika, bie u velikoj mjeri potpomognuto vjetakom inteligencijom. Ekspertni sistem e poboljati
kolovanje kontrolora, jer e se u odnosu na njih testirati ocjene poetnika. Izbor i primjena kontrolnih procedura bie
pomognuti prilikom uzimanja uzoraka, provjere stvarnosti i potvrde podataka. Takoe e detalji, koji se odnose na
opteprihvaene standarde kontrole, biti dostupni za savjet u sloenim sluajevima izvjetaja.
Neki ekspertni sistemi e postati "kompjuterizovani predradnici" u industriji. To e biti sistemi za upravljanje zalihama koji
e moi kreirati i mijenjati proizvodne planove. Na taj nain u preduzeu e se smanjiti zalihe i poveati produktivnost. Za
rukovodioce i strunjake u prodaji ekspertni sistem e pruati pomo u analizi rizika kod potencijalnih kupaca.
Vrlo je znaajno prisustvo aplikacija u domenu posuivanja i ulaganja finansijskih sredstava preduzea. Postojae interne
veze izmeu ekspertnih sistema i postojee EOP-a. Ekspertni sistemi e redovno dopunjavati tradicionalne metode
kolovanja u obrazovnim programima. Pored toga, ovi sistemi e biti na raspolaganju za operativno planiranje i kontrolu
odnosno tamo gdje je analiza rizika dio odluivanja.
Ako pogledamo jo dalje u budunost, perspektiva ekspertnih sistema je meusobna povezanost analogna dananjoj ve
tradicionalnoj povezanosti personalnih kompjutera uz pomo lokalnih mrea. Povezanost nekoliko ekspertnih sistema u
jedan sistem, koji je relevantan za niz srodnih podruja odluivanja, eksponencijalno e poveati vrijednost ekspertnih
sistema. Ogromni pomaci oekuju se u razvoju hardvera i softvera za mnoga podruja strunosti.

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.

9. PROTOTIP EKSPERTNOG SISTEMA ZA ANALIZU KREDITNOG

RIZIKA
9.1. KONCEPT ANALIZE KREDITNOG RIZIKA
Opta sposobnost banke da podnese rizik poslovanja naziva se solventnost ili adekvatnost kapitala. U razvijenim
ekonomijama solventnost mjeri sposobnost banke da na dui rok osigura vraanje pozajmljenih sredstava, odnosno, da u
momentu likvidacije osigura isplatu svojih kreditora. Mjerenje solventnosti banke u stvari se svodi na kreditnu sposobnost
banke ili njenu prihvatljivost za deponente i kreditore i adekvatnost kapitala u odnosu na rizik gubitka.
Kako je osnovna funkcija banke odobravanje kredita, a kako svaki kredit u sebi sadri odreeni rizik, bitan dio kreditne
politike predstavlja procjena kreditne sposobnosti debitora, a time i stepena kreditnog rizika. U osnovi, prihvaeni stepen
rizika od strane banke je rezultanta njenih preferencija u odnosu na profitabilnost i likvidnost.
Da bi se dolo do validne ocjene kreditnog rizika i kreditne sposobnosti debitora pri kratkoronom kreditiranju privrede u
ovom originalnom primjeru jednog ekspertnog sistema, primjeniemo kombinaciju dvije poznate metode analize kreditnog
rizika i kreditne sposobnosti:
preliminarnu analizu kreditnog rizika tzv. metod "5C" i
Z - Score analizu.
Analiza kreditne sposobnosti debitora predstavlja osnovu na kojoj treba da se zasniva i izvede ocjena o njegovoj
kreditnoj sposobnosti. Obuhvata debitorove pojave vezane za prolost i sadanjost, kao i budue uslove poslovnog
ambijenta debitora srazmjerne duini eventualnog perioda kreditiranja. Ameriko poslovno bankarstvo ovom analizom
analizira pet faktora kreditne sposobnosti debitora i naziva ih "5 Cs of Credit" ili skraeno "5C", pri emu favorizuje prva
tri faktora u odnosu na ostala dva. Ti faktori su:
character - karakteristike debitora,
capacity - kapacitet debitora,
capital - kapital debitora,
collateral - zalog ili obezbjeenje kredita i
conditions - ekonomski uslovi u okruenju.
Karakter debitora u savremenom kontekstu podrazumijeva osobine debitora ili zajmotraioca u smislu njegove poslovne
reputacije, pripadnosti vrsti djelatnosti i pravnog statusa. Karakter se razlae na etiri elementa:
odgovornost (osobine menadera i vlasnika preduzea),
integritet (sopstvena i tua poslovna iskustva sa debitorom),
tanost (blagovremenost izvrenja obaveza) i
dosljednost (stanje poslovnih knjiga).
U naoj analizi svaki od navedenih elemenata vrednovan je sa tri stepena (odlian, dobar ili lo).
Kapacitet debitora predstavlja sposobnost debitora da vraa odobreni i uzeti kredit. Zasniva se na sljedeim elementima:
likvidnost debitora,
operativna efikasnost preduzea,
rentabilnost debitora,
zaduenost debitora.
Likvidnost debitora, u sluaju kratkoronog kreditiranja, podrazumijeva osnovni kriterijum procjene kreditne sposobnosti
debitora. Likvidnost se definie kao sposobnost debitora da pravovremeno pokriva dospjele obaveze. Osnovni indikatori
likvidnosti su stopa tekue aktive i stopa finansijske aktive.

stopa tekue aktive = tekua aktiva / tekue obaveze

stopa finansijske aktive = tekua aktiva zalihe / tekue obaveze

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:

x1= tekua aktiva / ukupna aktiva

x2= neto dobit / ukupna aktiva
x3= bruto dobit / ukupna aktiva
x4= trina vrijednost kapitala / knjigovodstvena vrijednost ukupnih obaveza
x5= realizacija / ukupna aktiva.
Kritine vrijednosti Z indikatora su:
Z > 2,98 performansno poslovanje debitora,
1,81<Z<2,99 minimalne performanse debitora i
Z<1,82 bankrotstvo debitora.
Na osnovu ovih vrijednosti indikatora Z, ekspertni sistem proizvodi ocjenu odlian, dobar ili lo. Ovaj indikator ima
eliminacioni karakter u ocjeni kreditne sposobnosti debitora.

9.2. REALIZACIJA PROTOTIPA EKSPERTNOG SISTEMA ANALIZE KREDITNOG

RIZIKA
9.2.1. SKELETON VPEXPERT
VPEXPERT predstavlja softverski paket - skeleton (shell) za razvoj ekspertnih sistema. Razvila ga je softverska firma
Paperback Software International 1984. godine, a u kasnijem razvoju doivio je izvjesne modifikacije. Paket posjeduje
komunikacije prema veem broju programa za poslovnu obradu.
VPEXPERT funkcionie na personalnom kompjuteru i relativno je jednostavan za koritenje. Pored ostalih mogunosti
sadri i odreenu mogunost samouenja, pa se zato svrstava u grupu jednostavnijih aplikacija vjetake inteligencije.
Predstavlja brz i snaan alat za razvoj ekspertnih sistema i koristi pravila koja mnogo lie engleskom jeziku.
Omoguuje pripremu pojedinanih ekspertnih sistema i brzu pripremu prototipa, koji se dalje mogu proirivati u vee
sisteme. Takoe, posjeduje mogunost komunikacije (prihvatanje i slanje podataka) sa bazom podataka (dBASE i VPInfo), spreadsheet programima (LOTUS i VP-Planner), ASCII datotekama i odreenim izvrnim programima.
Kao i svaki skeleton i VPEXPERT sadri dva dijela:
bazu znanja (kolekcija informacija i podataka povezana pravilom tipa IF - THEN) i
mehanizam zakljuivanja (program koji izvrava pravila i radi sa podacima, te dolazi do zakljuaka).
VPEXPERT se moe kombinovati sa eksternim podacima tako da se baza znanja moe modifikovati (poveavati) bez
promjene samog ekspertnog sistema.
Komunikacija sa korisnikom veoma je komforna, korisnik moe da bira sugerisani odgovor, da unosi svoj odgovor, da
odreuje procenat pouzdanosti odgovora, a sve u jednom veoma pristupanom modu komunikacije.
Iako skeleton ima vlastiti tekst editor, ekspertni sistem u VPEXPERT-u se kreira bilo kojim raspoloivim tekst procesorom
ili editorom, s tim da naziv odgovarajue datoteke ima ekstenziju KBS.

9.2.2. STABLO ODLUIVANJA U GRAFIKOM OBLIKU

9.2.3. STABLO ODLUIVANJA U TEKSTUALNOM OBLIKU

Testing kredit.kbs
(= yes CNF 0 )
! KREDIT
! ! (= 4000000 CNF 100)
! IMOVINA
! ! (= 113064000 CNF 100)
! TAKT
! ! (= 46889000 CNF 100)
! TOBA
! ! (= 3710000 CNF 100)
! TZAL
! ! (= 1195000 CNF 100)
! GR
! ! (= 6105000 CNF 100)
! POZ
! ! (= 906000 CNF 100)
! PPP
! ! (= 600000 CNF 100)
! GPRI
! ! (= 6865000 CNF 100)
! GTRO
! ! (= 4817000 CNF 100)
! GPOR
! ! (= 103000 CNF 100)
! TDUG
! ! (= 3734000 CNF 100)
! UAKT
! ! (= 48282000 CNF 100)
! TVKAP
! ! (= 113064000 CNF 100)
! KVUOB
! ! (= 3734000 CNF 100)
(= ((TAKT-TZAL)/TOBA) CNF 100 )
(= (TAKT/TOBA) CNF 100 )
(= (GR/POZ) CNF 100 )
(= (GR/PPP) CNF 100 )
(= ((GPRI-GTRO-GPOR)/GR) CNF 100 )
(= (TDUG/TAKT) CNF 100 )
(= (GPRI-GTRO-GPOR) CNF 100 )
(= (GPRI+GTRP+GPOR) CNF 100 )
(= (1.2*(TAKT/UAKT)+1.4*(NETO/UAKT)+3.3*(BRUTO/UAKT)+0.6*(TVKAP/KVUOB)+1.0*(GR/UAKT)) CNF 100 )
! ODGOVOR
! ! Testing A0
! ! ! KARAKTER
! ! ! ! Testing B0
! ! ! ! ! ODG_INT
! ! ! ! ! ! Testing B29
! ! ! ! ! ! ! KAR_ODG
! ! ! ! ! ! ! ! (= Dobar CNF 100 )
! ! ! ! Testing B1
! ! ! ! Testing B2
! ! ! ! Testing B3
! ! ! ! Testing B4
! ! ! ! Testing B5
! ! ! ! Testing B6
! ! ! ! Testing B7
! ! ! ! Testing B8
! ! ! ! Testing B9
! ! ! ! Testing B10
! ! ! ! Testing B11

!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!

!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!

! ! 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 )

9.2.4. IZVORNI TEKST PROTOTIPA EKSPERTNOG SISTEMA

! KREDIT.KBS
ENDOFF;
! Blok Akcija
ACTIONS
CLS
! Blok za unos varijabli i definisanje potrebnih formula
FIND KREDIT
FIND IMOVINA
FIND TAKT
FIND TOBA
FIND TZAL
FIND GR
FIND POZ
FIND PPP
FIND GPRI
FIND GTRO
FIND GPOR
FIND TDUG
FIND UAKT
FIND TVKAP
FIND KVUOB
SFA=((TAKT-TZAL)/TOBA)
STA=(TAKT/TOBA)
KOZ=(GR/POZ)
KPG=(GR/PPP)
REN=((GPRI-GTRO-GPOR)/GR)
ZAD=(TDUG/TAKT)
NETO=(GPRI-GTRO-GPOR)
BRUTO=(GPRI+GTRP+GPOR)
+0.6*(TVKAP/KVUOB)+1.0*(GR/UAKT))
! Akcija koja pokrece mehanizam odlucivanja
FIND ODGOVOR
! Prikaz rezultata odlucivanja
DISPLAY Debitor {ODGOVOR} kreditno sposoban!
;

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;

! F pravila - ispitivanje rentabilnosti debitora u okviru ispitivanja kapaciteta

RULE F1
IF
REN > (0.3)
THEN KPC_REN=Odlicna;
RULE F2
IF
REN <= (0.3) AND
REN >= (0.1)
THEN KPC_REN=Dobra;
RULE F3
IF
REN < (0.1)
THEN KPC_REN=Losa;
! G pravila - ispitivanje zaduzenosti debitora u okviru ispitivanja kapaciteta
RULE G1
IF
ZAD <= (0.25)
THEN KPC_ZAD=Dobra;
RULE G2
IF
ZAD > (0.25)
THEN KPC_ZAD=Losa;
! H pravila - ispitivanje Z-scor u okviru ispitivanja kapaciteta
RULE H1
IF
Z >= (2.99)
THEN KPC_ZSC=Odlican;
RULE H2
IF
Z >= (1.81) AND
Z < (2.99)
THEN KPC_ZSC=Dobar;
RULE H3
IF
Z < 1.81
THEN KPC_ZSC=Los;
! I pravila - ispitivanje kapitala debitora
RULE I1
IF
IMOVINA >= (KREDIT)
THEN KAPITAL=Dovoljan;
RULE I2
IF
IMOVINA < (KREDIT)
THEN KAPITAL=Ne_dovoljan;
! Blok izjava
! Definisanje pitanja za unos varijabli i mogucih vrijednosti varijabli
ASK KOLATERAL: Da li postoji kolateral ?;
CHOICES KOLATERAL: DA,NE;
ASK KONJUKTURA: Kakva je konjuktura ?;
CHOICES KONJUKTURA: Povoljna,Losa;
ASK KAR_ODG: Ocjena top menadzera - vlasnika preduzeca ?;
CHOICES KAR_ODG: Odlican,Dobar,Los;
ASK KAR_INT: Poslovna iskustva sa debitorom ?;
CHOICES KAR_INT: Odlicna,Dobra,Losa;
ASK KAR_TAC: Blagovremenost izmirenja obaveza ?;
CHOICES KAR_TAC: Odlicna,Dobra,Losa;
ASK KAR_DOS: Stanje poslovnih knjiga ?;
CHOICES KAR_DOS: Odlicno,Dobro,Lose;
ASK TAKT: Kolika je tekuca aktiva ?;
ASK TOBA: Kolike su tekuce obaveze ?;
ASK TZAL: Kolike su tekuce zalihe ?;

ASK GR: Kolika je godisnja realizacija ?;

ASK POZ: Koliki je projsecan obim zaliha ?;
ASK PPP: Kolika su prosjecna potrazivanja ?;
ASK GPRI: Koliki su godisnji prihodi ?;
ASK GTRO: Koliki su godisnji troskovi ?;
ASK GPOR: Koliki je porez ?;
ASK TDUG: Koliki su tekuci dugovi ?;
ASK UAKT: Kolika je ukupna aktiva ?;
ASK TVKAP: Kolika je trzisna vrijednost kapitala ?;
ASK KVUOB: Kolika je knjigovodstvena vrijednost ukupnih obaveza ?;
ASK KREDIT: Koliki kredit trazis ?;
ASK IMOVINA: Kolika je neto vrijednost ukupnog kapitala ?;

9.

2.5.

IZGLED EKRANA ZA UNOS VARIJABLI

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

Poslovna iskustva sa debitorom ?

Odlicna
Dobra

Los
Losa

Blagovremenost izmirenja obaveza ?

Odlicna
Dobra
Losa
Debitor je kreditno sposoban!

6
THEN
KPC_REN = Odlicna CNF
100
Finding KAPITAL
Testing I1
RULE I1 IF
IMOVINA >= KREDIT
THEN
KAPITAL = Dovoljan CNF
100

/Q to Quit ? for Unknown

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

/Q to Quit ? for Unknown

13
Odlicna

Dobra

Losa

Blagovremenost izmirenja obaveza ?

Odlicna
Dobra
Losa
Stanje poslovnih knjiga ?
Odlicno
Dobro

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

/Q to Quit ? for Unknown

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