САДРЖАЈ

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

- Disciplina koja izučava mehanizme inteligentnog ponašanja kroz analizu, razvoj i

evaluaciju veštačkih tvorevina u koje se ugrađuju ti mehanizmi.
- Računarska disciplina čiji je zadatak da stvori računare koji mogu da rezonuju na
način sličan ljudskom rezonovanju.
Termin veštačka inteligencija (engleski artificial inteligence) potiče od John-a McCarty-ja.
Mnogi autori se ne slažu da termin veštačka inteligencija opisuje najbolje ovu oblast nauke.
Mnoge od oblasti informatike u osnovi imaju inteligentno ponašanje, ali ne pripadaju
veštačkoj inteligenciji u užem smislu.
Dva glavna pravca razvoja veštačke inteligencije su:
- Proučavanje prirodne inteligencije (spoznavanje funkcija mozga, modeliranje rada
mozga, simuliranje čovekovog ponašanja, reagovanja i rezonovanja).
- Postizanje inteligentnog ponašanja primenom drugačijih pristupa, kakvi se ne mogu
sresti u prirodnim sistemima.
Veštačka inteligencija je jedna od oblasti računarstva koja se poslednjih decenija
najbrže razvija. Paralelno sa tim burnim razvojem rastu i očekivanja od ove discipline. Dok
se za neke oblasti računarstva već smatra da su zaokružene i da se u njima ne očekuju novi
značajni prodori, od veštačke inteligencije se rezultati tek očekuju, uprkos tome što su već
razvijeni mnogi ”inteligentni” sistemi koji funkcionišu izuzetno dobro. Ovo možda možemo
da objasnimo time što ti ”inteligentni” sistemi, i pored varljivih spoljnih manifestacija,
funkcionišu na principima koje, najčešće ne možemo smatrati zaista inteligentnim. Time,
naravno, veštačka inteligencija samo dobija na atraktivnosti, a novi eksperimenti
i teorijska istraživanja predstavljaju put ka novim primenama u najrazličitijim oblastima.
Kako je razvoj veštačke inteligencije oduvek bio zasnovan na komplementarnom povezivanju
teorije i eksperimenata, tako i budući razvoj zahteva proširivanje i učvršćivanje teorijskih
znanja, pre svega matematičkih, ali i znanja o specifičnim oblastima primene, kao i njihovu
adekvatnu formalizaciju.

3
 Ekspertni saobraćajni sistemi

1. OSNOVNI KONCEPTI VEŠTAČKE INTELIGENCIJE

Veštačka inteligencija predstavlja mešavinu konvencionalne nauke, fiziologije i

psihologije, sve u cilju da se napravi mašina koja bi se, po ljudskim merilima, mogla smatrati
"inteligentnom". Mogućnost stvaranja inteligentnih mašina zaokuplja ljudsku maštu još od
drevnih vremena, ali tek sada, sa brzim tempom razvoja računara i već pedesetogodišnjim
iskustvom na polju istraživanja tehnika VI programiranja, san o pametnim mašinama počeo
je da postaje stvarnost.
MeĎutim i pored sveg napretka, naučnici se još uvek nisu uhvatili u koštac sa
osnovnim izazovom u razvoju inteligentne mašine - pravljenjem sistema koji oponašaju
ljudski mozak. Nije ni čudo, jer ljudski mozak sa više milijardi neurona predstavlja možda i
najsloženiju tvorevinu u univerzumu.
U dosadašnjem razvoju ove discipline, pojam veštačka inteligencija izazivao je mnoge
rasprave meĎu naučnicima, istraživačima, računarskim strucnjacima ali i meĎu futuristima
koji su se bavili njenim proucavanjem. Neki posmatrači tvdili su čak da stvar kao što je VI i
ne postoji. Ukoliko je nešto veštačko, govorili bi, tada nije inteligentno. Drugi su osporavali
ovakva stanovišta i pokušavali su da daju bliža odreĎenja pojma VI. -U Arlificial Intelligence
and Expert Systems Sourcebook (Hunt, 1986) VI se tretira kao "oblast koja se bavi
iznalaženjem računarskih programa koji treba da učine računare pametnijim". Stoga se
"istraživanje u veštačkoj inteligenciji fokusira na razvoj računarskih pristupa inteligentnom
ponašanju", pri čemu su naglašena dva cilja: "da se mašine učine korisnijim i da se shvati
inteligencija". Ovakva polemička razmišljanja dovela su do situacije da je precizno
razgraničavanje ovog pojma veoma tesko. Čak ni poznati trotomni prirucnik iz VI (Barr,
Feigenbaum and Cohen, 1981, 1982) ne izdvaja i ne obraĎuje posebno ovaj pojam. Stoga,
moramo se zadovoljiti empirijskim definisanjem, odnosno pronalaženjern zajedničkog u
sistemima (programima) koji spadaju u domen VI (Widman i Loparo, 1989):

1.1. SIMBOLIČKO UMESTO NUMERIČKOG IZRAČUNAVANJA

Osnovna karakteristika po kojoj se pravi razlika izmeĎu metoda VI i numeričkih metoda

jeste da je bazična jedinica izracunavanja u VI simbol, a ne broj. Naravno, sama ova činjenica
nije dovoljna da bi se raziikovali programi VI. Druge klase programa kao što su prevodioci ili
sistemi za pretraživanja baza podataka. takoĎe obraĎuju simbole, ali se tretiraju kao VI
programi. S druge strane, neuronske mreže, za koje se najčešće smatra da su deo VI, zavise
od striktnih numeričkih izračunavanja pri prikupljanju i korišćenju znanja.

1.2. NEALGORITAMSKI PRISTUP REŠAVANJU PROBLEMA

Druga karakteristika VI programa je ta da se struktura programa ne izražava eksplicitno

algoritmom – sekvencom koraka koje program izvršava pri rešavanju odreĎenog problema.
Klasični programi uobičajeno slede dobro definisane algoritme koji tačno specificiraju kako
se na osnovu ulaznih varijabli mogu dobiti izlazne velicine (proceduralno programiranje).
Kod programa VI, niz koraka koje program prati i izvršava zavisi od konkretnog problema
koji se rešava; program odreĎuje kako odabrati sekvencu koraka koji vode ka rešenju
problema (deklarativno programiranje). Na najnižem nivou posmatranja, naravno, i VI
programi se mogu tretirati kao proceduralni pošto se bezuslovno prevode i izvršavaju kao
binarni kod. Iz ove perspektive, može se polemisati o tome da deklarativna priroda programa
iz oblasti VI leži u nivou koji korisnik odabere za posmatranje prilikom implementacije
programa. MeĎutim, ovde ćemo smatrati da su VI programi oni koji se implementiraju
korišćenjem tehnika za rešavanje problema, za koje se generalno smatra da su deklarativne.

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.

1.3. ZAKLJUČIVANJE ZASNOVANO NA ZNANJU

Treća karakteristika VI programa je ta da oni uključuju činjenice i relacije o delu realnog

sveta ili "domena znanja" u kome funkcionišu. Za razliku od klasičnih programa za posebne
namene, kao što je na primer program za knjigovodstvo, VI programi mogu da prave razliku
izmeĎu rezonovanja (mehanizma zaključivanja) postojećeg znanja (baza znanja). Kako je
baza znanja eksplicitna i izdvojena od mehanizma zaključivanja, program može da
"razmišlja" o svom sopstvenom znanju kao o ulaznim podacima.

1.4. PRIMENLJIVOST KOD LOŠE STRUKTUIRANIH PROBLEMA I PODATAKA

Četvrta karakteristika VI programa odnosi se na njihovu efikasnost u radu sa loše

struktuiranim problemima. Kod takvih problema, klasični programi su uglavnom
neprimenljivi. Problem se tretira kao loše struktuiran ukoliko se algoritam za njegovo
rešavanje ne može izraziti eksplicitno ili ukoliko su neophodni podaci nekompletni, odnosno
neprecizno specificirani.
TakoĎe postoji i sledeća podela, a vezano za koncepte Vestačke inteligencije
- Fuzzy logički sistemi (Fuzzy Logic Systems)
- Veštačke neuronske mreže (Artificial Neural Networks)
- Genetski algoritmi (Genetic Algorithras)
- Višeagentni sistemi (Multi-Agent Systems)
- Inteligencija gomile (Swarm Intelligence)
- Veštački zivot (Artificial Life)
U tabeli br. 1 sumirane su osnovne razlike izmeĎu pristupa veštačke inteligencije
i konvencionalm programiranja (Hunt, 1986).

1.4.1. Fuzzy logika

Rasplinuta logika (en. Fuzzy logic) je proces u kome osoba počinje da razume odreĎeni
fenomen koristeći nekompletne činjenice, nesigurne informacije i intuiciju. Postoji i
set teorija verovatnoće u prirodnim naukama koji se naziva fazi logikom.

5
 Ekspertni saobraćajni sistemi

1.4.2. Veštačke neuronske mreže

Neuronska mreža je jedan oblik implementacije sistema veštačke inteligencije, koji
predstavlja sistem koji se sastoji od odreĎenog broja meĎusobno povezanih procesora ili
čvorova, ili procesnih elemenata koje nazivamo veštačkim neuronima.
Telo neurona naziva se čvor ili jedinica. Svaki od neurona ima lokalnu memoriju u kojoj
pamti podatke koje obraĎuje. Podaci koji se obraĎuju su lokalni podaci kao i oni koji se
primaju preko veze. Podaci koji se ovim kanalima razmenjuju su obično numerički.

1.4.3. Genetski algoritmi

Genetski algoritam oponaša prirodnu evoluciju, tj. selekciju. Stvori se inicijalna populacija,
svaka jedinka s vlastitim genomom. Tada se svaka jedinka ocenjuje posebnom funkcijom
koja se zove funkcija cilja. Funkcija vraća vrednost koja govori koliko je jedinka „sposobna“.
Nakon što se svaka jedinka proceni, poredaju se po vrednostima funkcije cilja i iz populacije
se izbacivaju oni s najnižom vrednošću. Tada se genomi različitih jedinki rekombinuju,
dogaĎaju se mutacije i tako se stvori sledeća generacija. Tada se ponovno jedinke ocenjivaju
funkcijom cilja to se ponavlja dok se ne dobije optimalno rešenje.

1.4.4. Višeagentni sistemi

Sistemi u kojima je upotrebljeno više agenata radi rešavanja zajedničkog problema nazivaju
se višeagentni sistemi. U ovakvim sistemima neophodno je da agenti imaju mogućnost
meĎusobne komunikacije u cilju razmene iskustva ili “pregovaranja” da bi se našlo
optimalno rešenje. Agenti koji se upotrebljavaju u višeagentnim sistemima mogu biti jednaki
po karakteristikama ili se mogu razlikovati prema specijalnostima. Višeagentni sistemi su
idealni za predstavljanje problema koji imaju više različitih metoda za rešavanje problema,
višestruke perspektive i/ili višestruke entitete rešavanja problema.

1.4.5. Veštački život

Veštački život (од енгл. Artificial life или A-life) je relativno nova interdisciplinarna
oblast nauke, koja koristi koncepte informacije i njenog modeliranja prekoračunara za studije
i analizu života uopšte, naročito života na našoj planeti. Teži da objasni širok spektar za život
vitalnih fenomena, počev od korijena biohemijskogmetabolizma do evolucije
bihejvijorističkih strategija i takoĎe apstraktnih osobina života kao takvog.

6
 Ekspertni saobraćajni sistemi

2. KAKO RADE EKSPERTNI SISTEMI

Ekspertni sistemi predstavljaju inteligentne računarske programe koji sadrže "ekspetsko"

znanje to jest znanje kakvo bi imao i stručnjak (ekspert) iz te oblasti.
Ekspertni sistemi znanje smeštaju u bazu znanja koji se koristi preko mehanizama
zaključivanja.
Razlog za primenu ekspertnih sistema je da znanje iz raznih specifičnih oblasti ljudske
delatnosti postane dostupnije kroz primenu računarskih programa. Oni ne mogu potpuno
zamenuti ljude eksperte, naročito u pogledu kreativnosti, i korištenja opšteg znanja (iz
običnog života i drugih oblasti), ali oni imaju i neke od prednosti nad ljudima
ljudsko znanje može vremenom da se gubi naročito ako se često ne koristi.
Ekspertni sistemi se primenjuju u sledećim oblastima:
- upravljanje indistrijskim procesima,
- praćenje rada medicinskih ureĎaja,
- autonomno kretanje vozila (na zemlji i vodi),
- automatski piloti,
- upravljanje satelitima,
- nadgledanje instalacija,
- operativno i taktičko upravljanje vojnim operacijama na bojnom polju,
- analize složenih finansijskih trasakcija
- naftnim platformama
- za detekciju bušotina nafte

2.1. EKSPERTI I EKSPERTNI 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:

- prepozna na koji će način najbrže doći do resenja;

- oseti kada je pristup rešavanju nekog problema ispravan, kada pogrešan, a kada samo
verovatno dobar;
- snalazi se u situacijama kada su podaci kojima raspolaže nekompletni ili nedovoljno
tačni.

7
 Ekspertni saobraćajni sistemi

Karakteristike ekspertskog znanja:

- Zavisnost od prakse,
- Više je tipa kako, nego tipa šta,
- Više se zasniva na modelu realnog sveta nego na samom realnom svetu,
- Nepreciznost,
- Promenljivost tokom vremena.
U sledećoj tabeli možemo videti kakav je odnos upotrebljivosti eksperta i ekspertskog
sistema

Rasvetljavanje, tumačenje, prezentacija i reprodukovanje ovakvog znanja na računaru

predstavlja centralni zadatak pri razvijanju ES. Akcenat kod ES, dakle, nije na precizno
definisanim i uvek važećim algoritmima i procedurama u nekom domenu ljudskih aktivnosti,
već na deklarativnom i heturističkom znanju.
Postoji više razloga zbog kojih se kod ES glavna pažnja obrača na činjenično i heurističko
znanje, a ne na algoritamska rešenja problema iz pojedinih domena. Najvažniji su sledeći
(Devedžić i Božović, 1994):
- Za mnoge probleme i ne postoje jedinstvena i prihvatljiva algoritamska rešenja,
budući da se takvi problemi javljaju u suviše složenim fizičkim i/ili socijalnim
uslovima, koji se ne mogu precizno opisati i analizirati.
- Čest je slučaj da postojeći matematički i drugi algoritmi ne omogućuju predstavljanje
znanja potrebnog za izvoĎenje odreĎenih zaključaka u vezi sa posmatranim
problemom ili za korišćenje različitih izvora znanja.
- Znanje stručnjaka je nešto što ima odgovarajuću cenu i vrednost. Prikupljanje tog
znanja od stručnjaka i formalno predstavljanje takvog znanja na računaru može
značajno da smanji cenu reprodukovanja i korisćenja znanja specijaliste.
Na sledećoj slici data je blok šema koja prikazuje relacije izmeĎu ES i okruženja u kome on
radi (Meyers, 1986). Znanje koje se ugraĎuje u ES, kao najvažniji deo samog sistema, potiče
od osobe koja je ekspert u nekom domenu. Po pravilu, ekspert nije stručnjak i za oblast
računarstva pa je potreban posrednik koji će pomoći da se od stručnjaka dobije i prenese u
računar znanje koje ovaj poseduje.

8
 Ekspertni saobraćajni sistemi

Slika Relacije između ES i njegovog okruženja

Inženjer znanja (knowledge engineer), odnosno stručnjak za ES, nastoji da u konsultacijama

sa ekspertom ili na neki drugi način doĎe do činjeničnog i heturističkog znanja iz date
oblasti, da to znanje kodira na odgovarajući način i unese ga u ES. Ovaj proces je od
izuzetne važnosti za razvijanje, testiranje i dograĎivanje ES i obično se označava kao proces
prikupljanja znanja (knowledge aequisition). Inženjer znanja često ima na raspolaganju
poseban programski paket koji olakšava taj posao. S druge strane, korisnik najčešće
komunicira sa ES preko terminala, koristeći posebne programske pakete koji olakšavaju
komunikaciju i unose veći stepen inteligencije u čitav sistem. To mogu da budu razne vrste
grafičkih interfejsa, sistemi za komunikaciju nekim formalnim ili prirodnim jezikom, kao i
sistemi za prepoznavanje govora. Najzad, iako se ES razvijaju za pojedine uzane domene u
nekoj oblasti ljudske delatnosti, danas sve više postoji tendencija vezivanja tih sistema za
baze znanja šire namene, koje sadrže opštije znanje od onog koje se neposredno ugraĎuje u
ES. Pretraživanje ovih baza podataka u novije vreme je olakšano korišćenjem posebnih jezika
koji služe kao interfejs prema korisniku.

2.2. EKSPERNI SISTEMI I KONVENCIONALNI PROGRAMI

Konvencionalni programi uglavnom se upotrebljavaju za obradu velikih količina podataka

koji su najčešće numeričkog tipa. Ova obrada vrši se prema jasnim i tačno definisanim
algoritmima, koji korak po korak vode sistem (program) ka rešenju problema. Ukoliko
program po svojoj semantici odgovara postavljenom problemu i ukoliko su ulazni podaci
tačni, konvencionalni program će rezultirati tačnim rešenjem postavljenog problema.
Konvencionalni programi rade na način koji je najčešće samo programerima razumljiv.
Ekspertni sistemi se ponašaju drugačije. Uglavnom manipulišu simboličkim podacima i ne
rade po unapred zadatim algoritmima, ili bar ne po algoritmima u klasičnom značenju te reči.
Nealgoritamski pristup jedno je od osnovnih obeležja ES-a. ES su u velikoj meri interaktivni
i u svakom trenutku se mogu zaustaviti. Tada korisnik ekspertnog sistema može da pregleda
zaključke do kojih se došlo do tada, da vrati proces zaključivanja od početka, da unese nove
činjenice, i sl. Ekspertni sistemi daju zaključke koji ne moraju da budu ni tačni ni pogrešni
već su u većoj ili manjoj meri verovatni i pouzdani. Problemi koji se rešavaju korišćenjem
ES-a najčešće su slabo struktuirani, te ne podležu matematičkom modeliranju i formalizaciji.
To znači da je standardni algoritamski pristup prakticno neupotrebljiv u rešavanju ovakvih
problema. Klasični principi programiranja definišu algoritme i podatke. Algorit mi izražavaju
način dolaženja do rešenja. Oni su jasni i eksplicitni, čak i kad se koriste složene programske
strukture (petlje, grananja, rekurzije). Čovekovo znanje nije pogodno za takve modele jer je

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.

KONVENCIONALNI PROGRAMI EKSPERTNI SISTEMI

Algoritmi Heuristike
Predstavljanje i korišćenje podataka Predstavljanje i korišćenje znanja
Ciklički procesi Procesi i zaključivanja
Znanje i metode znanja su pomešani Odvojen model rešavanja (baza znanja) od
dela koji upravlja bazom znanja
(mehanizam zaključivanja)
Znanje organizovano u dva nivoa: Znanje organizovano u tri nivoa:
- podaci - podaci(baze podataka)
- programi - baza znanja i upravljačka struktura
Novo znanje zahteva reprogramiranje Novo znanje daje bez reprogramiranja

U prethodnoj tabeli objedinjene su osnovne razlike izmeĎu konvencionalnog programiranja i

ekspertnih sistema. Osim heuristike, za gradnju ekspertnih sistema su potrebni i neki drugi
elementi: račun predikata, simboličko programiranje, i dr.
Osnovni sastavni delovi svakog ES, bez obzira na veličinu, složenost, način korišćenja i
područje primene su: baza znanja (knowledge base), mehanizam zaključivanja (inference
engine) i radna memorija (working memory). U većini slucajeva, ES imaju i interfejs prema
korisniku (user interface). Kod ES konsultativnog tipa, on je obavezan sastavni deo, kao i
prethodna tri. Ovako defmisana struktura ES prikazana je na sledećoj slici.

Slika Osnovna struktura ekspertnog sistema

Često, meĎutim, pored nabrojanih osnovnih elemenata, arhitekturu ekspertnog sistema

sačinjavaju i pomoćn: moduli (Harmon i Sawyer, 1990; Harmon, Mans i Morrissey,

1
 Ekspertni saobraćajni sistemi

1988), kao što su podsistem za prikupljanje znanje (knowledge acquisition subsystem),

posebni interfejsi (special interfaces) i sistem za objašnjenja (explanation subsystem).
Na sledećoj slici prikazana je ovako definisana, proširena struktura ES-a. Baza
znanja ES je specijalizovana, jedinstvena za konkretni ES i sadrži znanje eksperta iz odreĎene
oblasti. Ono je uneto u ES kroz sistem prikupljanja znanja i ne menja se tokom rada sistema.
Radna memorija sadrži trenutne podatke o problemu koji ES rešava. Ti podaci su promenljivi
i svojim vrednostima odražavaju trenutno stanje u procesu rešavanja problema.
Mehanizam zaključivanja je program koji na osnovu tih promenljivih podataka i fiksnog
znanja ograĎenog u bazu znanja rešava problem, odnosno obavlja zadatak koji se postavija
pred ES. Preko interfejsa prema korisniku odvija se komunikacija izmedu sistema i korisnika
i prezentacija rezultata. U nastavku teksta detaljno su opisani različiti načini predstavljanja
ekspertskog znanja, manipulisanje podacima u radnoj memoriji, kao i način funkcionisanja
ES, tj. način rada njegovih aktivnih delova - mehanizma zaključivanja i interfejsa prema
korisniku.

Slika Proširena struktura ekspertnog sistema

1
 Ekspertni saobraćajni sistemi

3. TRETIRANJE NEIZVESNOSTI U ZNANJU

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:

IF PRIV_RAST>0.04 AND NEZAPOSL<0.075

THEN EKON - "dobra"
REZON: ekonomska prognoza je dobra ukoliko je stopa privrednog
rasta veća od 4 % i stopa nezaposlenosti manja od 7,5 %

Fakta PRIV_RAST i NEZAPOSL ne moraju da budu poznata sa absolutnom izvesnošću.

Recimo, može se pretpostaviti daje fakat PRIV_RAST pozrtat sa izvesnošću 80. Činjenica
daje neki fakat u okviru nekog faktora izvesnosti se piše:
PRIV_RAST CF 80
gde CF oznacava faktor izvesnosti.
U odnosu na gornje pravilo, pretpostavljajući da je NEZAPOSL poznata sa absolutnom
izvesnosću odnosno CF jednako 100, što se po pravilu ne piše već odsustvo CF imlicira
absolutnu izvesnost, uz zaključak EIKON = "dobra" može se pridružiti izvesnost od 80.
Ukoliko je i drugi fakat NEZAPOSL poznat sa iznesnošću manjom od 100, recimo 90 u
premisi, odnosno kako izračunati izvesnost zaključaka. Tu možemo koristiti nekoliko
različitih pristupa i standardan pristup predstavljanja minimalne vrednosti od dve prisutne.
Treba uočiti da se razmatra uslov iz navedenog primera koji se formira logičkom
konjukcijom i da ovo razmatranje važi samo za taj slučaj. Logika uzimanja minimalne
vrednosti, u gornjem primeru 80, je bazirana za taj slučaj. Logika uzimanja minimalne
vrednosti, u gornjem primera 80, je bazirana na rezonu da je "jačina nekog lanca odreĎena
jačinom njegove najslabije karike". Ovo je takozvani metod minimuma koji se izračunava
kao:

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)

ili u gornjem primeru,

MAX(90,80) = 90

Metod sume verovatnoće konfirmativnu izvesnost odreĎuje putem izraza

(CFl + CF2)-(CFl*CF2)/100

što u gornjem primeru daje vrednost 98 za faktor izvesnosti rezultat. I ovde se analogno
formuliše metod sredina kao

(MAX(CF1,CF2) + (CF1+CF2) - (CF1*CF2)/100)/2

i Bonczek-Eagin metoda

(MAX(CF1,CF2) + ((CF1*CF2)/100*(l -MAX(CF1,CF2)/100))

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 :

IF PRIV_RAST > 0,04 AND NEZAPOSL < 0,075

THEN EKON = "dobra" CF 90

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

IF PRIV_RAST > 0,02 AND NEZAPOSL < 0,05

THEN EKON = "dobra" CF 80

i da se jednovremeno "okidaju" oba pravila. faktori izvesnosti se mogu koristiti u formiranju

meta pravila koje odlučuje koje od dva pravila koja se ovde mogu koristiti da se doĎe do
zaključka i koristiti. To može da bude, recimo pravilo koje daje veću vrednost izvesnosti
zaključka odnosno da se koristi konfirmativni način odreĎivanja izvesnosti kao u slučaju
disjunkcije premise.

1
 Ekspertni saobraćajni sistemi

ЗАКЉУЧАК

Razlog za primenu ekspertskih sistema je težnja da znanje, iz raznih specifičnih

oblasti ljudske delatnosti, postane dostupnije kroz primenu računarskih programa.
Omogućeno je da u svakom trenutku zaključivanja bude na raspolaganju celokupno znanje iz
odreĎene oblasti. Zahvaljujući velikoj brzini računara iz tog znanja za kratko vreme je
moguće izvući zaključke.
Razlike izmeĎu konvencionalnog programa i ekspertnog sistema se sastoje u tome što,
ekspertski sistem ima sposobnost zaključivanja i objašnjavanja, može da objasni svoje
akcije, opravda svoje zaključke i obezbedi korisniku informacije o znanju koje poseduje.
Čovek ne može potpuno biti zamenjen, naročito u pogledu kreativnosti i korišćenja opšteg
znanja. Prednost ekspertskih sistema nad ljudima je što se ljudsko znanje vremenom gubi
naročito ako se često ne koristi.
Ekspertski sistemi omugućavaju korisnicima da odgovore na specifična ili hipotetička pitanja
koja eventualno rezultiraju dobijanjem specifičnih, relevantnih informacija. Na višem nivou
mogu planirati budžete nacija, simulirati ratne situacije, anticipirati promene u prirodnom
okruženju i slično, kao "asistenti" ljudskim ekspertima.

Komponente ekspertskog sistema

Ekspertski sistemi imaju tri komponente:

1. baza znanja
2. mehanizam izvoñenja
3. upravljački mehanizam

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.

Učesnici u razvoju ekspertnih sistema

Učesnici u razvoju ES su:

1. ekspert (osoba koja poseduje znanje, veštinu i iskustvo na osnovu kojih rešava
probleme iz odreñenog domena bolje i efikasnije od drugih ljudi)
2. inženjer znanja (koji dizajnira, implementira i testira ekspertski sistem, zna koji je
softverski alat pogodan za rešavanje problema koji definiše, intervjuiše eksperta,
identifikuje koncepte, organizuje i formalizuje znanje koje se predstavlja, identifikuje
metode, vrši izbor softverskog okruženja za razvoj, implementira, testira i revidira,
instalira i održava ekspertski sistem).
3. krajnji korisnik (koji radi sa eksperskim sistemom, unosi ulazne podatke i činjenice
zahteva objašnjenja, definiše zahteve vezane za korisnički interfejs).