Professional Documents
Culture Documents
Ekspertski Saobracajni Sistemi Seminarskii
Ekspertski Saobracajni Sistemi Seminarskii
УВОД......................................................................................................................................................2
1. OSNOVNI KONCEPTI VEŠTAČKE INTELIGENCIJE...............................................................4
1.1. SIMBOLIČKO UMESTO NUMERIČKOG IZRAČUNAVANJA............................................4
1.2. NEALGORITAMSKI PRISTUP REŠAVANJU PROBLEMA.................................................4
1.3. ZAKLJUČIVANJE ZASNOVANO NA ZNANJU....................................................................5
1.4. PRIMENLJIVOST KOD LOŠE STRUKTUIRANIH PROBLEMA I PODATAKA................5
1.4.1. Fuzzy logika.............................................................................................................................5
1.4.2. Veštačke neuronske mreže.......................................................................................................6
1.4.3. Genetski algoritmi....................................................................................................................6
1.4.4. Višeagentni sistemi..................................................................................................................6
1.4.5. Veštački život..........................................................................................................................6
2. KAKO RADE EKSPERTNI SISTEMI...........................................................................................7
2.1. EKSPERTI I EKSPERTNI SISTEMI.........................................................................................7
2.2. EKSPERNI SISTEMI I KONVENCIONALNI PROGRAMI....................................................9
3. TRETIRANJE NEIZVESNOSTI U ZNANJU..............................................................................12
ЗАКЉУЧАК.........................................................................................................................................15
Ekspertni saobraćajni sistemi
УВОД
Od davnina ljude privlači inteligencija - kako sam pojam inteligencije tako i mogućnost
konstruisanja “inteligentnih mašina” koje bi mogle samostalno da rade. Takve primere
možemo pratiti kroz istoriju. U staroj Grčkoj ljudi su se bavili pitanjima inteligencije, znanja i
pravilnog zaključivanja, a meĎu njima se naročito istakao Aristotel. U XIII veku je Ramon
Lull (1235-1316) opisao sistem Ars Magna kojim je pokušao da pomoću mehaničkog
kombinovanja, simboličke notacije i kombinatornih dijagrama ostvari "inteligentan" sistem.
Tokom XVII veka, G. V. Leibnitz (1646-1716) i Blaze Pascal (1623-1662) pokušavali su da
konstruišu mehaničku računsku mašinu za sabiranje. Cifarska računska mašina koju je
konstruisao Charles Babbage, bila je u stanju da po odreĎenom algoritmu izvršava operacije
sa dekadnim brojevima. Sredinom
19-tog veka George Bool razraĎuje
algebru logike u kojoj se algebarska
simbolika koristi za operisanje
pojmovima pri logičkom izvoĎenju.
Englez Alan Turing i Amerikanac
Post, 1936-te godine, nezavisno
jedan od drugoga objavljuju radove
iz oblasti matematičke logike i
iznose mogućnosti konstruisanja
univerzalnog transformatora
informacija. MeĎutim, tek pojavom
prvog računara "Electronic
Numerical Integrator And
Computer" (ENIAC) koga su 1945-
te godine izmislili Mauchly i J.
Presper Eckert, može se govoriti o inteligentnim mašinama. U početku su računari bili
prvenstveno namenjeni za izvršavanje računskih operacija ali vrlo brzo je uočeno da oni
imaju daleko veće sposobnosti. Već prvi rezultati u primeni računara upućivali su na
mogućnost računara da preuzme vršenje odreĎenih intelektualnih sposobnosti. Povoljni
rezultati istraživanja naveli su neke od naučnika da daju preuranjene izjave da se ubrzo može
konstruisati "misleća mašina" ili "elektronski mozak". Zbog ovih preuranjenih izjava su se
vodile brojne debate. Krajem 50-tih, sve do sredine 60-tih godina, problematika veštačke
inteligencije bila je dosta rasplinuta izmeĎu fantastike, mašte, potencijalnih mogućnosti i
praktičnih ostvarenja. Zanemarivanje razlike izmeĎu potencijalne ostvarljivosti i obima
praktičnih problema, koji se nalaze na putu do ostvarivanja ideje, je jedan od čestih uzroka
nerazumevanja mogućnosti veštačke inteligencije. Ostvarivanjem praktičnih rezultata koji su
našli primenu u privredi, veštačka inteligencija postaje interesantna za veliki broj naučnika
različitih oblasti.
Danas postoje realizovani sistemi koji su u stanju da autonomno obavljaju kompleksne
probleme, kakve su jedino ljudi bili u stanju da obavljaju. Nije redak slučaj da takvi sistemi
obavljaju te zadatke i daleko uspešnije od ljudi. U sprezi sa računarima, mašine postaju
sposobne da rade samostalno, da upravljaju same sobom i da proizvode druge mašine,
oslobaĎajući čoveka fizičkog i monotonog rada, prepuštajući mu rad na složenijim i
kreativnijim poslovima.
Neke od mogućih definicija veštačke inteligencije:
- Veštačka inteligencija je naučna oblast u kojoj se izučavaju izračunavanja da bi se
izračunavanjem omogućila percepcija, rezonovanje i činjenje.
2
Ekspertni saobraćajni sistemi
3
Ekspertni saobraćajni sistemi
4
Ekspertni saobraćajni sistemi
Ekspertni sistemi su našli primjenu u rešavanju loše strukturiranih problema. Kod takvih
problema se često ne može izraziti algoritamska struktura za njihovo rešavanje i onda se oni
proglašavaju nerešivim. U tom slučaju se primjenom ekspertnih sistema može doći do
zadovoljavajućeg rešenja.
5
Ekspertni saobraćajni sistemi
6
Ekspertni saobraćajni sistemi
Ono što nekog stručnjaka u odreĎenom domenu čini ekspertom, sastoji se od odreĎenog
znanja iz tog domena, sposobnosti razumevanja problema i zadataka iz tog domena, kao i
veštine i iskustva koje on primenjuje pri rešavanju tih problema. Zahvaljujući svojoj
obučenosti i iskustvu, stručnjak je u stanju da obavlja poslove koje većina drugih ljudi ne
može da obavlja. Stručnjaci svoje znanje koriste na efikasan način, u stanju su da brzo doĎu
do rešenja, da pri tome koriste razne dosetke, da objasne i obrazlože ono što rade, da odrede
stepen važnosti nekog podatka za rešenje problema i da eliminišu irelevantne podatke iz
razmatranja.
Eksperti su u stanju da konkretan problem koji rešavaju prepoznaju kao primer nekog tipskog
zadatka sa kojim su dobro upoznati. Drugim rečima, pored poznavanja osnovnih činjenica,
defmicija i teorija iz knjiga i drugih referenci u nekoj oblasti, ekspert poseduje i neke lične
sposobnosti, snalažljivost i "osećaj" za probleme, dakle sve ono što čini njegovo "privatno
znanje". Upravo ta vrsta znanja omogućuje mu da putem tzv. "zdravorazumskog
rezonovanja" primenjuje ono opšte znanje iz knjiga, koje je dostupno i drugima. Ova vrsta
znanja obično se naziva heurističkim znanjem. Na osnova heurističkog znanja, ekspert može
izmeĎu ostalog da:
7
Ekspertni saobraćajni sistemi
8
Ekspertni saobraćajni sistemi
9
Ekspertni saobraćajni sistemi
struktuirano na drugačiji način. Eksperti ne rade strogo algoritamski. Oni se koriste ne samo
znanjem, već i iskustvom. Često na osnovu iskustva i rasuĎivanja odlučuju kako će rešavati
problem. Pošto standardni algoritamski pristup nije od velike koristi, kod ekspertnih sistema
se pristupa upotrebi heuristika. Heuristika se defmiše kao skup empirijskih i svrsishodnih
poteza, (pravila, postupaka) koji u svojoj ukupnosti, oportunistički primenjeni, obično vode
rešenju (Pidd, 1989). Primena heuristika doprinosi da se skrati srednji broj pokušaja u toku
rešavanja nekog problema. Heuristika kao metoda zahteva izvoĎenje sledećih koraka:
- razbijanje problema na manje probleme ili podprobleme sa odreĎenom organizacijom
ciljeva i podciljeva ponašanja;
- definisanje ocena karakteristika vezanih za datu oblast primene ekspertnog sistema,
radi rangiranja i izbora aiternativa;
- za rešavanje podciljeva koriste se rekurzivne metode;
- heuristički koraci u rešavanju problema za prelazak u naredni korak koriste stanje iz
prethodnog koraka.
1
Ekspertni saobraćajni sistemi
1
Ekspertni saobraćajni sistemi
Ljudi- eksperti ponekad deluju u uslovima neizvesnosti. Prvo, korisnik ekspertize dolazi sa
ulaznim podacirna za koje baš nije siguran da su potpuno tačni. TakoĎe, sam ekspert ne mora
biti potpuno siguran u znanja koja prikuplja iz okoline, a koja treba da mu pomognu u
rešavanju datog problema. Nekada, postoji neizvesnost i o stepenu relevantnosti date
ekspertize za neki problem. Svi ovi izvori neizvesnosti se moraju uzeti u obzir tokom
postupka rezonovanja i konačan savet koji ekspert daje mora se kvalifikovati odreĎenim
stepenom izvesnosti.
Standardni pristup razmatranja navadenih izvora neizvesnosti je putem takozvanih faktora
koji uzimaju numeričke vrednosti iz neke pogodno odabrane skale vrednosti recimo od 0 do
100 (može i od 0 do 10 ili -1 do 1). Ovi faktori predstavljaju meru sa kojom aparat
zaključivanja odreĎuje stepen izvesnosti ili poverenja u vrednosti koje se tiču uslova i
zaključaka pravla odlučivanja. Faktor izvesnosti 0 predstavlja potpuno odsustvo izvesnosti
odnosno faktički činjenicu da je vrednost nekog fakta u bazi fakata potpuno nepoznata.
Vrednost 100 govori da je fakat poznat sa absolutnom izvesnošću.
Uzmimo na primer, da u sistemu pravila za odreĎivanje kvote prodaje postoji i pravilo:
MIN(CF1,CF2)
Moguće je pretpostaviti da se izvesnost zaključaka dobija kao proizvod dve izvesnosti u premisi:
CFl * CF2/100
tj. 80*90/100=72, što nazivamo metod produkata. Moguće je koristiti i takozvani metod
sredina koji se frrmuliše kao:
1
Ekspertni saobraćajni sistemi
(MIN(CF1,CF2) + (CF1*CF2)100)2
i koji predstavlja kompromisnu vrednost koja se nalazi izmeĎu vrednosti dobijene metodom
minimuma koja faktički daje maksimalnu vrednost za faktor izvesnosti i metode produkata
koja daje minimalnu. Ukoliko se želi voditi računa o absolutnoim vrednostima faktora
izvesnosti i ukoliko je vrednost većeg od njih preko 50, tad je moguće koristiti takozvanu
Bonczek-Eagin metodu koja daje vrednost koja je bliža vrednosti koja se dobija metodom
minimuma, odnosno vrednost koja je bliža vrednosti dobijenoj pomoću metode produkata
ukoliko je navedena vrednost ispod 50. Bonczek-Eagin metoda se Ďefiniše sa :
(CF*CF/)*(2-MAX(CFl,CF2)/100)
Za gornji primer, dobijaju se vrednosti od 80, 72, 76 i 79,2 za metodu minimuma, metodu
produkata, metodu sredina i Bonczek-Eagin metodu, respektivno.
Fleksibilni aparat zaključivanja bi morao da poseduje mogućnost izbora bilo koje od metoda
izracunavanja faktora izvesnosti zaključaka. Očigledno, za dati izbor sva izračunavanja bi
aparat zaključivanja trebalo sam da izvede i da rezultat zaključivanja prezentira korisniku,
zajedno sa izračunatim faktorom izvesnosti rezultata.
Gornje razmatranje, kao što je rečeno, vredi za slučaj kad se premisa formira kao logička
konjukcija fakata. Razmotrimo slucaj kada je premisa logička disjunkcija fakata i to jedino
interesantan slučaj, kad oba fakta uzimaju tačnu vrednost. Ta činjenica nam sugerise da bi
onda izvesnost zaključaka mogli da podignemo na veću vrednost od minimuma.
Razmotrimo, recimo, premisu tipa
PRIV_RAST<0.02 OR NEZAPOSL>0.08
koje se može koristiti u pravilu koje je slučaj da je premisa tačna zaključuje daje ekonomska
prognoza loša. Tad se, u slučaju da su oba fakta tačna, može primeniti neka od metoda
takozvanog konfirmativnog odreĎivanja faktora izvesnosti. Logika je da tačnost oba fakta
potvrduje te fakte odnosno povećava izvesnost koju možemo pridružiti rezultatu
zaključivanja. Nasuprot pravilu minimuma ovĎe se koristi metod maksimuma odnosno:
MAX(CF1,CF2)
MAX(90,80) = 90
(CFl + CF2)-(CFl*CF2)/100
što u gornjem primeru daje vrednost 98 za faktor izvesnosti rezultat. I ovde se analogno
formuliše metod sredina kao
i Bonczek-Eagin metoda
1
Ekspertni saobraćajni sistemi
Navedene metode u gornjem slučaju daju respektivno sledeće vrednosti faktora izvesnosti:
90,98, 94 i 97,2.
U gornjem razmatranju smo pretpostavili da se izvesnost zaključaka formira samo na osnovu
vrednosti izvesnosti koja se sračunava za premisu. MeĎutim i uz čitavo pravilo se može
pridružiti odgovarajući stepen izvesnosti. Recimo ukoliko u gornjem primeru pravila faktor
izvesnosti od 90 kao meru našeg poverenja tom faktoru onda se to piše kao :
Može se postavti pitanje kako se u ovom slučaju sračunava izvesnost zaključka. Ona se
izračunava na identičan način kao kod izračunavanja izvesnosti premies koja je formirana
konjukcijom fakata. Prema tome, kako se izvesnost premise može sračunati na 4 razna
načina, a i izvesnost zaključka na takva ista 4, onda je moguće koristiti ukupno 16 raznih
mogućnosti za izračunavanje izvesnosti zaključka.
MeĎutim, može postojati situacija da se paralelno gornjem pravilu u bazi podataka nalazi i
pravilo
1
Ekspertni saobraćajni sistemi
ЗАКЉУЧАК
Postupak prikupljanja znanja počinje tako što inženjer znanja nastoji da od experta dobije
heurističko znanje, da ga kodira i unese u eksperski sistem. Korisnik sa ekspertskim
sistemom komunicira preko terminala. Osnovni elementi eskpertskog sistema pored baze
znanja, mehanizam zaključivanja, su i radna memorija i interfejs prema korisniku, kao i
pomoćni moduli: podsistemi za prikupljanje znanja, posebni interfejsi, sistem za objašnjenja.
Baza znanja je specijalizovana i jedinstvena za konkretni sistem koji sadrži znanje eksperata
iz odreĎene oblasti, a koje je uneto putem sistema za prikupljanje znanja i ne menja se tokom
vremena. Radna memorija sadrži trenutne podatke o problemu koji se rešava. Oni su
prmenljivi i odražavaju trenutno stanje u procesu rešavanja. Mehanizam zaključivanja na
osnovu tih promenljivh podataka i fiksnog znanja iz baze znanja rešava problem. Preko
interfejsa prema korisniku odvija se komunikacija.