3. Strategi akuisisi pengetahuan
1. Pengetahuan, jenis pengetahuan, basis pengetahuan, bank pengetahuan
Ada berbagai definisi tentang konsep "pengetahuan".
Pengetahuan adalah pola dasar dari area subjek yang memungkinkan seseorang untuk memecahkan produksi tertentu, tugas ilmiah dan lainnya, yaitu fakta, konsep, hubungan, perkiraan, aturan, heuristik (sebaliknya sebenarnya pengetahuan), serta strategi pengambilan keputusan. di area ini (jika tidak, pengetahuan strategis). )
Yang dimaksud dengan "pengetahuan" adalah informasi formal yang dirujuk atau digunakan dalam proses pemecahan masalah.
Pengetahuan tentang area subjek mencakup deskripsi objek, lingkungannya, fenomena yang diperlukan, fakta, serta hubungan di antara mereka. Kompleksitas konsep "pengetahuan" terletak pada multiplisitas pembawa dan tidak dapat dipisahkan dari konsep "data".
Ada beberapa tingkat formalisasi pengetahuan tentang bidang studi:
Pengetahuan dalam ingatan manusia;
Pengetahuan dalam bentuk model bahasa dari area subjek, yang digunakan oleh seseorang dan direkam pada media fisik menggunakan bahasa yang peka konteks, gambar grafik, dll.;
Pengetahuan diformalkan untuk representasi mereka ketika digunakan di komputer;
Informasi atau data faktual.
Pengetahuan biasanya dibagi menjadi 2 kategori besar: fakta dan heuristik. Kategori pertama (fakta) menunjukkan keadaan yang terkenal di bidang subjek tertentu. Pengetahuan semacam itu juga disebut tekstual, yang berarti cakupannya cukup dalam literatur dan buku teks khusus. Kategori kedua (heuristik) didasarkan pada pengalaman individu seorang spesialis (ahli) di bidang subjek, terakumulasi sebagai hasil dari latihan bertahun-tahun. Kategori ini sering memainkan peran yang menentukan dalam konstruksi program intelektual.
Basis pengetahuan adalah kumpulan model, aturan, dan faktor (data) yang menghasilkan analisis dan kesimpulan untuk menemukan solusi untuk masalah yang kompleks di area subjek tertentu.
2. Model representasi pengetahuan
Model representasi pengetahuan yang paling umum adalah:
sistem produksi;
Model logis;
jaringan semantik.
Dalam sistem produksi pengetahuan direpresentasikan sebagai satu set unit informasi khusus yang memiliki struktur berikut. Secara umum, sistem produksi mencakup komponen-komponen berikut:
Sebuah database yang berisi banyak fakta;
Basis aturan yang berisi seperangkat produksi;
Interpreter (mesin inferensi) atau aturan untuk bekerja dengan produk.
Basis aturan dan basis data membentuk basis pengetahuan.
Fakta dalam database adalah informasi jangka pendek dan pada prinsipnya dapat berubah selama sistem produk saat pengalaman diperoleh.
Aturan lebih merupakan informasi jangka panjang dan dirancang untuk menghasilkan hipotesis (fakta baru) dari apa yang sudah diketahui.
Produk dibandingkan dengan bentuk lain dari representasi pengetahuan memiliki keuntungan sebagai berikut:
Modularitas;
Keseragaman struktur (komponen utama dari sistem produksi dapat digunakan untuk membangun sistem cerdas dengan orientasi masalah yang berbeda);
Kealamian (kesimpulan suatu kesimpulan dalam sistem produksi dalam banyak hal mirip dengan proses penalaran pakar);
Fleksibilitas hierarki konsep generik, yang hanya didukung sebagai penghubung antar aturan (mengubah aturan berarti mengubah hierarki).
Namun, sistem produksi tidak bebas dari kelemahan:
Proses inferensi kurang efisien daripada di sistem lain, karena sebagian besar waktu inferensi dihabiskan untuk memeriksa penerapan aturan;
Proses ini sulit untuk dikelola;
Sulit untuk membayangkan hierarki konsep yang umum.
Model logis dari representasi pengetahuan diimplementasikan melalui logika predikat.
Predikat adalah fungsi yang hanya mengambil dua nilai - benar dan salah - dan dimaksudkan untuk mengekspresikan properti objek atau hubungan di antara mereka.
Sebuah ekspresi yang menegaskan atau menyangkal keberadaan setiap properti dari suatu objek disebut proposisi.
bingkai paling sering didefinisikan sebagai struktur data untuk mewakili situasi stereotip. Bingkai (secara harfiah - "bingkai") adalah unit representasi pengetahuan, yang detailnya dapat berubah sesuai dengan situasi saat ini. Bingkai setiap saat dapat dilengkapi dengan berbagai informasi mengenai cara menggunakan bingkai ini, konsekuensi dari penggunaan ini, dll.
Web semantik menggambarkan pengetahuan dalam bentuk struktur jaringan. Node jaringan adalah konsep, fakta, objek, peristiwa, dll., Dan busur jaringan adalah hubungan di mana node terhubung satu sama lain.
3. Strategi akuisisi pengetahuan
Ada beberapa strategi untuk mendapatkan pengetahuan. Yang paling umum:
- ekstraksi;
- Akuisisi;
- penemuan (formasi).
Gambar 1 - Tiga strategi untuk mendapatkan pengetahuan
Ekstraksi pengetahuan adalah prosedur interaksi seorang insinyur pengetahuan dengan sumber pengetahuan, sebagai akibatnya proses penalaran para ahli-ahli ketika membuat keputusan dan struktur ide-ide mereka tentang bidang studi menjadi jelas.
Gambar 2 - Klasifikasi metode ekstraksi pengetahuan
Akuisisi pengetahuan dipahami sebagai metode konstruksi otomatis dari basis pengetahuan melalui dialog antara ahli dan program khusus (dalam hal ini, struktur pengetahuan diprogram ke dalam program). Strategi ini membutuhkan pra-pengembangan yang signifikan dari area subjek. Sistem akuisisi pengetahuan memang memperoleh pengetahuan yang sudah jadi sesuai dengan struktur yang ditetapkan oleh perancang sistem. Sebagian besar alat ini secara khusus berfokus pada sistem pakar tertentu dengan area subjek yang ditentukan secara ketat dan model representasi pengetahuan, mis. tidak universal.
Istilah penemuan (pembentukan) pengetahuan secara tradisional telah ditugaskan ke bidang rekayasa pengetahuan yang sangat menjanjikan dan berkembang secara aktif, yang mengembangkan model, metode, dan algoritma untuk analisis data untuk akuisisi dan pembelajaran pengetahuan. Area ini mencakup model induktif untuk menghasilkan hipotesis berdasarkan sampel pelatihan, pembelajaran dengan analogi, dan metode lainnya.
4. Sifat sistem berbasis pengetahuan
Gambar 3 - Properti sistem berbasis pengetahuan
5. Kriteria kelayakan pemecahan masalah dengan bantuan sistem berbasis pengetahuan
Gambar 4 - Kriteria kelayakan pemecahan masalah menggunakan sistem berbasis pengetahuan
6. Aplikasi sistem berbasis pengetahuan
Area penerapan sistem berbasis pengetahuan sangat beragam:
Produksi;
Aplikasi militer;
Obat;
Sosiologi;
Geologi;
Pertanian;
Kontrol;
Yurisprudensi;
7. Jenis masalah yang dipecahkan dengan bantuan sistem berbasis pengetahuan
Jenis tugas yang diselesaikan dengan bantuan sistem berbasis pengetahuan:
Interpretasi simbol atau sinyal - kompilasi deskripsi semantik sesuai dengan data input;
Diagnosis - identifikasi malfungsi (penyakit) berdasarkan gejala;
Pemantauan - pengamatan keadaan objek yang berubah dan perbandingan indikatornya dengan yang ditetapkan atau diinginkan;
Desain - pengembangan objek dengan properti tertentu sambil mengamati batasan yang ditetapkan;
Peramalan - menentukan konsekuensi, situasi yang diamati;
Perencanaan - menentukan urutan tindakan yang mengarah ke keadaan objek yang diinginkan;
Kontrol - dampak pada objek untuk mencapai perilaku yang diinginkan;
Pelatihan adalah penjelasan atau konsultasi dalam bidang ilmu tertentu.
Sistem berbasis pengetahuan diimplementasikan berdasarkan algoritma cerdas berikut:
Sistem pakar;
Jaringan saraf;
logika kabur;
Algoritma genetika.
Karena sistem berbasis pengetahuan menggunakan algoritma cerdas, sistem seperti itu kadang-kadang disebut sebagai sistem kecerdasan buatan.
Sistem pakar (ES) adalah program komputer yang menggunakan prinsip-prinsip kecerdasan buatan dan pengetahuan formal dari seorang pakar untuk memproses informasi operasional dan membuat keputusan berdasarkan informasi di area subjek yang dianalisis.
Dalam sistem pakar, pengetahuan khusus banyak digunakan untuk memecahkan masalah pada tingkat pakar manusia. Istilah "ahli" mengacu pada orang yang memiliki pengetahuan ahli di bidang tertentu. Artinya ahli tersebut memiliki pengetahuan atau keahlian khusus yang tidak diketahui atau tidak dapat diakses oleh kebanyakan orang. Seorang ahli mampu memecahkan masalah yang kebanyakan orang tidak dapat memecahkannya sama sekali, atau menyelesaikannya dengan lebih efisien. Setelah sistem pakar pertama kali dikembangkan, mereka hanya berisi pengetahuan pakar. Namun, dewasa ini istilah “ sistem ahli" sering diterapkan pada sistem apa pun yang menggunakan teknologi sistem pakar. Teknologi sistem pakar dapat mencakup bahasa sistem pakar khusus, serta perangkat lunak dan perangkat keras yang dirancang untuk mendukung pengembangan dan pengoperasian sistem pakar.
Sebagai pengetahuan dalam sistem pakar, baik pengetahuan pakar atau pengetahuan umum biasa dapat digunakan, yang dapat diperoleh dari buku, majalah, dan dari orang-orang yang berpengetahuan luas. Dalam pengertian ini, pengetahuan biasa dianggap sebagai konsep tingkat yang lebih rendah dibandingkan dengan pengetahuan ahli yang lebih langka. Ketentuan " sistem ahli", "sistem berbasis pengetahuan", dan " sistem pakar berbasis pengetahuan" sering digunakan secara bergantian. Tapi kebanyakan orang hanya menggunakan istilah " sistem ahli" hanya karena lebih pendek, meskipun dalam sistem ahli yang bersangkutan, bukan ahli, tetapi hanya pengetahuan biasa yang dapat disajikan.
Ada dua kelas ES yang berbeda secara mendasar: "berbasis pengetahuan" dan "berbasis contoh". Kelas pertama ES digunakan untuk bekerja dengan elemen pengetahuan yang tersistematisasi dengan baik dan pola yang diketahui secara apriori diekspresikan dengan berbagai metode, instruksi, aturan, dll. Prinsip kerja sistem pakar berdasarkan pengetahuan, diilustrasikan pada Gbr.11.15.
Beras. 11.15.
Selain itu, sistem berbasis pengetahuan yang berguna telah dikembangkan yang dimaksudkan untuk digunakan sebagai asisten cerdas untuk pakar manusia. Asisten cerdas ini dirancang berdasarkan teknologi sistem pakar, karena teknologi tersebut memberikan keuntungan pengembangan yang signifikan. Semakin banyak pengetahuan yang dimasukkan ke dalam basis pengetahuan seorang asisten cerdas, semakin mirip tindakannya dengan seorang ahli. Pengembangan asisten cerdas dapat menjadi langkah perantara yang berguna sebelum membuat asisten yang lengkap sistem ahli. Selain itu, asisten cerdas memungkinkan Anda untuk membebaskan lebih banyak waktu yang berguna bagi pakar, karena penggunaannya berkontribusi pada penyelesaian masalah yang dipercepat.
Pengetahuan pakar hanya mengacu pada satu bidang studi, dan inilah perbedaan antara metode berdasarkan penggunaan sistem pakar dan metode umum untuk memecahkan masalah. Subyek adalah bidang masalah khusus, seperti kedokteran, keuangan, ilmu pengetahuan dan teknologi, di mana hanya seorang ahli tertentu yang dapat memecahkan masalah dengan sangat baik. Sistem pakar, seperti halnya pakar manusia, umumnya dimaksudkan untuk digunakan sebagai pakar dalam satu bidang subjek. Misalnya, seorang ahli catur biasanya tidak dapat diharapkan memiliki pengetahuan ahli yang berkaitan dengan kedokteran. Keahlian dalam satu bidang studi tidak secara otomatis berpindah ke bidang lain.
Pengetahuan seorang pakar tentang pemecahan masalah tertentu disebut wilayah pengetahuan pakar. Hubungan antara area subjek dan area pengetahuan ditunjukkan pada Gambar 11.16.
Dalam gambar ini, area pengetahuan sepenuhnya termasuk dalam area subjek. Bagian yang melampaui area pengetahuan melambangkan area di mana tidak ada pengetahuan tentang tugas apa pun yang terkait dengan area subjek ini.
Di bidang ilmu sistem ahli melakukan penalaran atau menarik kesimpulan logis pada prinsip yang sama sebagai seorang ahli - seseorang akan berdebat atau sampai pada solusi masalah dengan cara yang logis.
Beras. 11.16.
Ini berarti bahwa berdasarkan fakta-fakta tertentu, dengan penalaran, kesimpulan yang logis dan dapat dibenarkan terbentuk, yang mengikuti fakta-fakta ini.
ES berhasil digunakan di area-area di mana, selain penggunaan metode algoritme standar berdasarkan perhitungan yang tepat, pengetahuan dan pengalaman ahli-analis khusus pada dasarnya digunakan, dan pengambilan keputusan terbentuk dalam kondisi data yang tidak lengkap dan lebih bergantung pada pada penilaian kualitatif daripada kuantitatif. Area subjek ini meliputi, pertama-tama, area analisis aktivitas keuangan, di mana efektivitas keputusan yang dibuat tergantung pada perbandingan banyak faktor yang berbeda, dengan mempertimbangkan hubungan sebab-akibat yang kompleks, penggunaan non- penalaran logis sepele, dll.
klasik sistem ahli mewujudkan pengetahuan tidak tertulis yang harus diperoleh dari seorang ahli melalui wawancara yang dilakukan oleh seorang insinyur pengetahuan dalam jangka waktu yang lama. Proses penciptaan ini sistem ahli ditelepon rekayasa pengetahuan dan dilakukan oleh seorang insinyur pengetahuan. rekayasa pengetahuan mengacu pada perolehan pengetahuan dari seorang ahli manusia atau sumber lain dan penyajian pengetahuan selanjutnya dalam sistem ahli(gbr.11.17).
Beras. 11.17.
Pertama, perekayasa pengetahuan membangun dialog dengan seorang ahli manusia untuk memunculkan pengetahuan ahli tersebut. Langkah ini mirip dengan langkah kerja yang dilakukan oleh perancang sistem dalam pemrograman konvensional saat mendiskusikan persyaratan sistem dengan klien untuk siapa program dibuat. Insinyur pengetahuan kemudian memaparkan pengetahuan secara eksplisit untuk dimasukkan dalam basis pengetahuan. Pakar kemudian mengevaluasi sistem ahli dan menyampaikan kritik kepada insinyur pengetahuan. Proses ini diulang lagi dan lagi, sampai ahli mengevaluasi hasil sistem yang memuaskan.
Secara umum, proses pembuatan sistem pakar jauh berbeda dengan proses pengembangan program biasa. Dalam sistem pakar, masalah dianggap tidak memiliki solusi algoritmik yang memuaskan, sehingga kesimpulan logis digunakan untuk mencapai solusi yang dapat diterima. Sejak dasar fungsi sistem ahli terletak pada kesimpulan yang logis, sistem yang demikian harus dapat menjelaskan penalarannya sehingga dapat diuji. Oleh karena itu, merupakan bagian integral dari setiap kompleks sistem ahli merupakan sarana penjelasan. Faktanya, penjelasan yang canggih dapat dikembangkan untuk memungkinkan pengguna menjelajahi beberapa baris pertanyaan seperti "Apa yang terjadi jika ..." yang disebut penalaran hipotetis.
Karena itu, rekayasa pengetahuan- Ini adalah bidang teknologi informasi, yang tujuannya adalah untuk mengumpulkan dan menerapkan pengetahuan bukan sebagai objek untuk memprosesnya oleh seseorang, tetapi sebagai objek untuk memprosesnya di komputer. Untuk melakukan ini, perlu untuk menganalisis pengetahuan dan fitur pemrosesan mereka oleh seseorang dan komputer, serta untuk mengembangkan representasi mesin mereka. Sayangnya, definisi yang tepat dan tidak dapat disangkal tentang apa itu pengetahuan belum diberikan. Namun, tujuannya rekayasa pengetahuan– untuk memastikan penggunaan pengetahuan dalam sistem komputer pada tingkat yang lebih tinggi dari yang relevan sampai sekarang. Kemungkinan menggunakan pengetahuan hanya layak jika pengetahuan ini ada, yang cukup dapat dimengerti. Teknologi mengumpulkan dan meringkas pengetahuan berjalan "berdampingan" dengan teknologi penggunaan pengetahuan, di mana mereka saling melengkapi dan mengarah pada penciptaan satu teknologi, teknologi pemrosesan pengetahuan.
Kelas ES kedua digunakan dalam situasi di mana tidak ada hubungan dan pola yang jelas antara elemen-elemen pengetahuan, dan pengetahuan itu sendiri disajikan dalam bentuk daftar contoh yang menggambarkan implementasi peristiwa tertentu. Jika kelas pertama ES bekerja dengan data dan pengetahuan yang terdefinisi dengan baik yang diekstraksi dari para ahli - analis oleh insinyur pengetahuan, maka kelas kedua membentuk pengetahuannya dengan beradaptasi dengan bidang subjek yang diwakili oleh contoh, dan informasi pelatihan dan yang dianalisis dapat terdistorsi dan tidak lengkap. Dalam kasus pertama, mekanisme inferensi, sebagai suatu peraturan, didasarkan pada strategi klasik pewarisan dan inferensi, dalam kasus kedua, berbagai metode generalisasi induktif dengan contoh, khususnya, sifat-sifat jaringan saraf tiruan yang digunakan untuk ini.
Dalam sistem berbasis aturan, domain pengetahuan yang dibutuhkan untuk memecahkan masalah dikodekan dalam bentuk aturan dan terkandung dalam basis pengetahuan. Tentu saja, aturan paling banyak digunakan untuk mewakili pengetahuan. Elemen tipikal sistem ahli, berdasarkan aturan, ditunjukkan pada Gambar 11.18.
Beras. 11.18.
Sistem ahli terdiri dari komponen-komponen yang dijelaskan di bawah ini.
- Antarmuka pengguna. Mekanisme dimana pengguna dan sistem ahli.
- sarana penjelasan. Sebuah komponen yang memungkinkan Anda untuk menjelaskan kepada pengguna jalannya penalaran sistem.
- memori kerja. Basis fakta global yang digunakan dalam aturan.
- Mesin inferensi. Komponen perangkat lunak yang menyediakan pembuatan inferensi (memutuskan aturan mana yang dipenuhi fakta atau objek). Memprioritaskan aturan yang berjalan dan mengeksekusi aturan dengan prioritas tertinggi.
- Daftar aturan kerja. Daftar aturan yang dibuat dan diprioritaskan oleh mesin inferensi yang polanya cocok dengan fakta atau objek dalam memori kerja.
- Sarana untuk memperoleh ilmu. Metode otomatis yang memungkinkan pengguna untuk memasukkan pengetahuan ke dalam sistem, daripada melibatkan insinyur pengetahuan dalam solusi masalah pengkodean pengetahuan secara eksplisit.
Banyak sistem memiliki alat akuisisi pengetahuan opsional Alat ini di beberapa sistem pakar dapat belajar dengan turunan aturan induktif dari contoh dan menghasilkan aturan secara otomatis. Metode dan algoritme lain juga telah digunakan untuk menghasilkan aturan dalam pembelajaran mesin, seperti jaringan saraf tiruan dan algoritma genetika. Masalah utama dengan menggunakan pembelajaran mesin untuk menghasilkan aturan adalah tidak ada penjelasan mengapa aturan dibuat. Tidak seperti manusia yang dapat menjelaskan alasan mengapa aturan tertentu dipilih, sistem pembelajaran mesin tidak pernah dapat menjelaskan tindakan mereka, dan ini dapat menyebabkan hasil yang tidak terduga. Namun, secara umum, contoh yang disajikan dalam bentuk tabel sederhana adalah yang terbaik untuk membuat pohon keputusan. Aturan umum yang disiapkan oleh seorang insinyur pengetahuan bisa jauh lebih kompleks daripada aturan sederhana yang diturunkan oleh turunan aturan induktif.
PADA sistem ahli, berdasarkan aturan, basis pengetahuan juga disebut memori produksi. Sebagai contoh yang sangat sederhana, pertimbangkan masalah pengambilan keputusan untuk menyeberang jalan. Berikut ini adalah produksi untuk dua aturan, di mana panah berarti bahwa sistem akan melakukan tindakan di sebelah kanan panah jika kondisi di sebelah kiri panah benar:
lampu merah menyala -> berhenti
lampu hijau menyala -> pindah
Aturan produksi dapat dinyatakan dalam format pseudocode IF-THEN yang setara sebagai berikut:
Aturan: red_light
JIKA lampu merah menyala MAKA berdiri
Aturan: lampu_hijau
JIKA lampu hijau menyala MAKA bergerak
Setiap aturan diidentifikasi dengan nama. Mengikuti nama adalah bagian IF dari aturan. Bagian aturan antara bagian IF dan THEN dari aturan disebut dengan berbagai nama, seperti antecedent, conditional part, template part, atau left-hand-side (LHS). Kondisi tunggal seperti
"lampu merah menyala" disebut elemen bersyarat, atau pola.
Dalam sistem berbasis aturan, mesin inferensi menentukan anteseden aturan mana (jika ada) yang dieksekusi menurut fakta. Sebagai strategi untuk memecahkan masalah dalam sistem pakar, dua metode umum inferensi yang umum digunakan: inferensi langsung dan inferensi terbalik. Metode lain yang digunakan untuk melakukan metode yang lebih spesifik dapat mencakup analisis tujuan dan sarana, penyederhanaan masalah, penelusuran balik, pemeriksaan rencana-kerja, perencanaan hierarkis dan kontribusi terkecil, dan penanganan kendala.
Inferensi logis langsung adalah metode pembentukan penalaran dari fakta ke kesimpulan yang mengikuti fakta-fakta tersebut. Misalnya, jika sebelum keluar rumah ternyata hujan (fakta), maka sebaiknya bawa payung (kesimpulan).
Inferensi terbalik melibatkan pembentukan penalaran dalam arah yang berlawanan - dari hipotesis (kesimpulan potensial yang harus dibuktikan) ke fakta yang mengkonfirmasi hipotesis. Misalnya, jika Anda tidak melihat ke luar, tetapi seseorang memasuki rumah dengan sepatu bot basah dan payung, maka Anda dapat menerima hipotesis bahwa hujan turun. Untuk mengkonfirmasi hipotesis ini, cukup bertanya kepada orang ini apakah hujan. Dalam hal jawaban positif, akan dibuktikan bahwa hipotesis itu benar, sehingga menjadi fakta. Seperti disebutkan di atas, hipotesis dapat dianggap sebagai fakta, yang kebenarannya diragukan dan harus ditetapkan. Dalam hal demikian, hipotesis dapat diartikan sebagai tujuan yang harus dibuktikan.
Tergantung pada proyek sistem ahli dalam mesin inferensi, baik inferensi maju atau mundur dilakukan, atau kedua bentuk inferensi. Misalnya, CLIPS dirancang untuk inferensi maju, PROLOG menyediakan inferensi terbalik, dan CLIPS versi Paul Haley, yang disebut Eclipse, melakukan inferensi maju dan mundur. Pilihan mesin inferensi tergantung pada jenis masalah. Tugas diagnostik paling baik diselesaikan dengan menggunakan inferensi mundur, sedangkan masalah prediksi, kontrol saat ini dan kontrol paling mudah diselesaikan menggunakan inferensi logis langsung.
Memori kerja mungkin berisi fakta tentang status lampu lalu lintas saat ini, seperti "lampu hijau menyala" atau "lampu merah menyala". Salah satu atau kedua fakta ini mungkin ada dalam memori kerja. Jika lampu lalu lintas berfungsi dengan baik, maka hanya satu fakta yang akan ada di memori kerja. Tetapi mungkin juga kedua fakta tersebut akan hadir dalam memori kerja jika lampu lalu lintas rusak. Apa perbedaan antara basis pengetahuan dan memori kerja? Fakta tidak berinteraksi satu sama lain. Fakta "lampu hijau menyala" tidak memengaruhi fakta "lampu merah menyala". Di sisi lain, pengetahuan tentang pengoperasian lampu lalu lintas menunjukkan bahwa jika kedua fakta hadir pada saat yang sama, maka lampu lalu lintas rusak.
Jika ada fakta "lampu hijau menyala" di memori kerja, mesin inferensi mendeteksi bahwa fakta ini memenuhi bagian kondisional dari aturan green_light dan menempatkan aturan itu dalam daftar aturan yang berfungsi. Dan jika sebuah aturan memiliki beberapa template, maka semua template tersebut harus dipenuhi pada saat yang sama agar aturan tersebut dapat ditempatkan dalam daftar aturan yang berfungsi. Sebagai syarat untuk memenuhi pola-pola tertentu, seseorang bahkan dapat menentukan tidak adanya fakta-fakta tertentu dalam memori kerja.
Aturan, yang semua templatnya dipenuhi, disebut diaktifkan, atau diimplementasikan. Beberapa aturan yang diaktifkan dapat hadir dalam daftar aturan yang berfungsi pada saat yang bersamaan. Dalam hal ini, mesin inferensi harus memilih salah satu aturan untuk dijalankan.
Mengikuti bagian THEN dari aturan adalah daftar tindakan yang harus dilakukan setelah aturan dijalankan. Bagian dari aturan ini disebut konsekuensi, atau sisi kanan (Right-Hand Side - RHS). Jika aturan red_light diaktifkan, tindakan "berdiri" akan dijalankan. Demikian pula, setelah aturan lampu hijau dijalankan, tindakannya menjadi "bergerak". Tindakan khusus biasanya melibatkan penambahan atau penghapusan fakta dari memori kerja, atau menampilkan hasil. Format untuk menggambarkan tindakan ini tergantung pada sintaks bahasa. sistem ahli. Misalnya, di CLIPS, tindakan untuk menambahkan fakta baru ke memori kerja, yang disebut "berhenti", mengambil bentuk (menegaskan berhenti).
Mesin inferensi beroperasi dalam mode implementasi siklus "pengenalan - tindakan". Istilah lain seperti siklus pengambilan-eksekusi, siklus respons-situasi, dan siklus tindakan-situasi juga digunakan untuk menggambarkan mode operasi ini. Tapi apa pun loop seperti itu disebut, mesin inferensi mengeksekusi kelompok tugas tertentu berulang-ulang sampai menemukan kriteria tertentu yang menyebabkan eksekusi berhenti. Ini melakukan tugas-tugas umum yang diidentifikasi dalam pseudocode di bawah ini sebagai resolusi konflik, tindakan, negosiasi, dan pemeriksaan kondisi istirahat.
SEMENTARA pekerjaan belum selesai
Resolusi konflik. Jika ada aturan yang diaktifkan, maka pilih aturan dengan prioritas tertinggi; jika tidak, pekerjaan selesai.
Tindakan. Lakukan secara konsisten tindakan yang ditunjukkan di bagian kanan dari aturan aktif yang dipilih. Dalam siklus ini, pengaruh langsung dari tindakan yang mengubah isi memori kerja dimanifestasikan. Hapus aturan yang baru diluncurkan dari daftar aturan yang berfungsi.
Koordinasi. Perbarui daftar aturan yang berfungsi dengan memeriksa apakah sisi kiri aturan sedang dieksekusi. Jika ya, aktifkan aturan yang sesuai. Hapus aturan yang diaktifkan jika sisi kiri aturan yang sesuai tidak lagi terpenuhi.
Hentikan pemeriksaan kondisi. Jika tindakan berhenti dilakukan atau perintah istirahat diberikan, maka pekerjaan selesai.
Terima perintah pengguna baru.
Selama setiap siklus, beberapa aturan dapat diaktifkan dan ditempatkan pada daftar kerja aturan. Selain itu, hasil aktivasi aturan dari siklus sebelumnya tetap ada dalam daftar aturan yang berfungsi, kecuali jika aturan ini dinonaktifkan karena bagian kirinya tidak lagi dieksekusi. Jadi, selama eksekusi program, jumlah aturan yang diaktifkan dalam daftar aturan kerja berubah. Tergantung pada programnya, aturan yang diaktifkan sebelumnya mungkin selalu tetap berada dalam daftar aturan yang berfungsi, tetapi tidak pernah dipilih untuk dijalankan. Demikian juga, beberapa aturan mungkin tidak pernah diaktifkan. Dalam kasus seperti itu, Anda harus memeriksa kembali tujuan aturan ini, karena aturan tersebut tidak diperlukan atau templatenya tidak dirancang dengan baik.
Mesin inferensi menjalankan tindakan aturan yang diaktifkan dengan prioritas tertinggi dari daftar aturan yang berfungsi, kemudian tindakan aturan yang diaktifkan dengan prioritas tertinggi berikutnya, dan seterusnya, hingga tidak ada lagi aturan yang diaktifkan dalam daftar. Berbagai sistem prioritas telah dikembangkan untuk alat sistem pakar, tetapi secara umum, semua alat memungkinkan insinyur pengetahuan untuk memprioritaskan aturan.
Konflik terjadi dalam daftar aturan kerja jika aturan berbeda yang diaktifkan memiliki prioritas yang sama dan mesin inferensi harus memutuskan aturan mana yang akan dijalankan. Kerang yang berbeda menggunakan metode yang berbeda untuk memecahkan masalah ini. Newell dan Simon mengambil pendekatan bahwa aturan yang dimasukkan ke dalam sistem terlebih dahulu diberikan prioritas tertinggi secara default. Dalam CLIPS, aturan memiliki prioritas yang sama secara default kecuali salah satu dari aturan tersebut diberikan prioritas yang berbeda oleh seorang insinyur pengetahuan.
Setelah semua aturan dieksekusi, kontrol kembali ke juru bahasa perintah tingkat atas sehingga pengguna dapat mengeluarkan ke shell sistem ahli instruksi tambahan. Berjalan dalam mode tingkat atas sesuai dengan mode default di mana pengguna berinteraksi sistem ahli, dan ditetapkan sebagai tugas "Terima perintah pengguna baru". Perintah baru diterima di tingkat atas.
Tingkat teratas adalah antarmuka pengguna ke shell saat aplikasi sedang dikembangkan. sistem ahli. Tetapi biasanya antarmuka pengguna yang lebih kompleks dikembangkan untuk membuatnya lebih mudah digunakan sistem ahli. Pada kenyataannya, merancang dan mengimplementasikan antarmuka pengguna membutuhkan lebih banyak upaya daripada membangun basis pengetahuan. sistem ahli terutama pada tahap prototipe. Bergantung pada kemampuan juru bahasa perintah sistem ahli antarmuka pengguna dapat diimplementasikan menggunakan aturan atau menggunakan pernyataan dalam bahasa lain yang disebut from sistem ahli.
Fitur utama sistem ahli adalah fasilitas penjelasannya, yang memungkinkan pengguna untuk mengajukan pertanyaan tentang bagaimana sistem sampai pada kesimpulan tertentu dan mengapa sistem membutuhkan informasi tertentu. Sistem berbasis aturan dapat dengan mudah menjawab pertanyaan tentang bagaimana kesimpulan tertentu dicapai, karena riwayat aktivasi aturan dan isi memori kerja dapat disimpan di tumpukan. Tapi kemungkinan ini tidak begitu mudah dicapai saat menggunakan jaringan saraf tiruan. algoritma genetika atau sistem lain yang masih dalam pengembangan. Tentu saja, upaya telah dilakukan untuk memberikan kemungkinan penjelasan dalam beberapa sistem, tetapi sarana penjelasan yang dibuat dalam kasus ini tidak dapat dibandingkan dalam kejelasannya dengan sarana apa pun. sistem ahli dirancang oleh manusia. Alat penjelasan yang dikembangkan dapat memungkinkan pengguna untuk mengajukan pertanyaan "bagaimana jika" dan mengeksplorasi cara-cara alternatif untuk membentuk penalaran hipotetis.
Beberapa sistem berbasis pengetahuan disebut sistem pakar ketika standar penggunaannya harus ditentukan oleh seorang spesialis manusia. Ada banyak sistem yang didasarkan pada pengetahuan para ahli. Tujuan akhir dari sistem berbasis pengetahuan adalah untuk menggantikan pembuat keputusan manusia, tetapi pada kenyataannya, tujuan ini melebihi kemampuan sistem yang sebenarnya. Mereka hanya dapat mengambil sebagian dari pekerjaan seseorang, tetapi tidak dapat sepenuhnya menggantikannya. Perlu beberapa waktu sebelum sistem berbasis pengetahuan dapat menggantikan manajer, jika pernah. Dalam hal ini, sistem berbasis pengetahuan terkadang dilebih-lebihkan.
Masing-masing dari empat jenis sistem informasi yang telah kami pertimbangkan cocok untuk tujuan tertentu. Tak satu pun dari mereka cocok untuk semua jenis informasi yang digunakan di semua tingkat manajemen.
Meskipun sistem transaksi dan transaksi tidak semenarik pendukung keputusan atau sistem berbasis pengetahuan, mereka cukup kuat karena mereka memasukkan data ke dalam sistem informasi umum, menjaga data terorganisir dan diperbarui, dan memastikan bahwa data bergerak ke tempat yang dibutuhkan. Tetapi dengan sendirinya, sistem ini terbatas pada penggunaan data tertentu.
Jenis sistem informasi manajemen yang dibahas dalam bagian ini memperluas kemampuan sistem transaksi dan transaksi. Mereka memanipulasi data tentang masalah yang diketahui dan berulang agar dapat digunakan untuk merangsang informasi yang luar biasa. Informasi ini paling sering digunakan di tingkat operasional, lebih jarang di tingkat divisi, dan paling jarang di tingkat strategis.
Sistem pendukung keputusan membantu manajer memecahkan masalah yang kurang terstruktur. Mereka lebih cocok daripada UIS untuk produksi informasi kontrol, distribusi dan panduan. DSS lebih kompleks untuk membuat dan memelihara sistem daripada sistem informasi manajemen. Dan meskipun DSS dapat memecahkan masalah informasi yang merangsang dan eksklusif, MIS memungkinkan Anda melakukan ini secara lebih ekonomis.
Sistem pendukung keputusan menyediakan akses yang mudah dan fleksibel ke banyak komponen. Ketika mereka dirancang dengan baik, menjadi lebih mudah untuk mengubah dan menambahkan komponen baru. Seperti alat canggih lainnya, efektivitas WBS G sangat ditentukan oleh keterampilan penggunaannya.
Sistem berbasis pengetahuan, di sisi lain, dirancang untuk mendukung penguasaan. Sekarang, bagaimanapun, sistem ini telah membatasi dan mempersempit fokus pada pengerjaan. Saat ini, sistem berbasis pengetahuan adalah alat yang kuat tetapi terbatas untuk mengendalikan, mendistribusikan, dan memandu keputusan.
Sistem informasi tidak selalu langsung dapat digunakan, dan manajer sering kali harus membuat sistem informasi individual.
Membangun sistem informasi
Pada awal penggunaan sistem komputer, terutama dalam organisasi sederhana, pengembangan program komputer adalah hal yang tidak sistematis. Misalnya, banyak pemrogram memulai pengkodean perangkat lunak secepat mungkin—sering kali sebelum menjadi jelas apa program yang perlu dikembangkan itu. Karena itu, masalah muncul, dan para desainer mulai memulihkan beberapa urutan dalam proses ini. Ini memunculkan model yang disebut siklus hidup pengembangan sistem.
A. Tahap Menentukan
Tahap pendefinisian memberikan kesempatan untuk menguraikan sistem informasi. Fase saran argumen sangat penting karena deskripsi pertama dari masalah menentukan banyak dari apa yang harus diformalkan oleh perangkat lunak. Tahap pelaksanaan penilaian mencakup dua tugas dasar.
Yang pertama adalah masalah definisi.
Yang kedua adalah dalam memutuskan apakah mungkin untuk membangun sebuah sistem sama sekali. Implementasi penilaian dalam siklus hidup pengembangan sistem dilakukan, sebagai aturan, ketika ada informasi minimum. Ini dapat menyebabkan masalah seperti kehilangan konsep penting.
Selama analisis sistem, waktu dihabiskan untuk menentukan informasi apa yang diinginkan pengguna dari sistem. Langkah selanjutnya adalah menentukan data apa yang dibutuhkan untuk menyediakan informasi tersebut. Selama proses ini, prosedur berkembang, sehingga diperlukan untuk memperoleh data dan menggunakan informasi tersebut. Terakhir, memeriksa dari mana data akan datang dan bagaimana data akan mengalir melalui sistem.
Tugas tahap selanjutnya, perancangan sistem logis, adalah mengembangkan konsep sistem, yang meliputi bagaimana data akan dikumpulkan, apa yang akan dilakukan dengan data ini, dan laporan apa yang akan dikeluarkan oleh sistem. Dengan selesainya proyek sistem logis, tahap pendefinisian juga berakhir. Tahap pendefinisian sangat penting untuk keberhasilan desain dan pengembangan sistem. pelaksanaannya sulit. Selama analisis sistem, banyak hal tampak abstrak dan sulit untuk membayangkan bagaimana semuanya akan terlihat setelah dibangun kembali.
Akan. Tahap pengembangan
Tahap perkembangan juga menentukan, tetapi dengan perbedaan berikut. Tahap perkembangan yang lemah dapat menghancurkan pekerjaan baik pada tahap pendefinisian, tetapi bahkan pekerjaan luar biasa yang dilakukan pada tahap perkembangan tidak dapat menyelamatkan pekerjaan buruk pada tahap pendefinisian. Dalam fase desain sistem fisik, desain logis diterjemahkan ke dalam spesifikasi untuk subsistem, program, prosedur, file, dan database. Desain sistem fisik membutuhkan keterampilan teknis yang dikembangkan dengan baik. Jika tugas tahap pendefinisian telah dilakukan dengan baik, maka tidak perlu keterlibatan pengguna yang ekstensif dalam desain sistem fisik.
Selama pengembangan perangkat lunak, tim desain mengembangkan program khusus dalam desain sistem fisik. Dia juga menulis program dan memeriksanya.
Pengembangan prosedural mencakup desain dan deskripsi prosedur di mana pengguna akan mengumpulkan dan menyiapkan data untuk dimasukkan ke dalam sistem pelaporan, serta prosedur untuk menafsirkan laporan. Setelah program ditulis dan diuji, saatnya untuk pengujian sistem. Pengujian sistem memiliki dua bagian: memastikan masing-masing program bekerja sama, dan memeriksa apakah sistem komputer mengikuti prosedur.
Tahap pembentukan dan implementasi
Selama fase instalasi dan commissioning, proyek bergerak dari desain ke implementasi. Tahap konversi dan pemasangan biasanya merupakan waktu yang paling kritis. Proses konversi membuat file yang dibutuhkan untuk sistem baru. Ini sering membutuhkan subsistem khusus yang menerjemahkan data dari format sistem lama ke format baru. Kehilangan sementara sistem komputer apa pun, karyawan dapat menulis sejumlah besar data secara manual, memvalidasinya sebanyak mungkin dan menempatkannya dalam file format baru. Selama waktu ini juga dimungkinkan untuk melatih pengguna dalam prosedur menggunakan sistem baru.
Proses instalasi memindahkan program komputer dari perpustakaan komputer yang digunakan oleh pemrogram ke perpustakaan komputer yang digunakan selama operasi sistem yang sebenarnya. Proses ini mungkin juga melibatkan instalasi fisik terminal atau komputer baru.
Jika sistem telah berhasil dikonversi dan diinstal, maka pengembangan proyek selesai dan fase penggunaan dan dukungan dimulai. Selama pengoperasian sistem, pengguna memberikan input dan menggunakan data asli. Namun, bahkan jika sistem dikembangkan, pekerjaan belum selesai. Sistem mengandung bug dan perlu diperbaiki, dan keadaan yang berubah sering kali mendikte perubahan pada sistem. Dengan demikian, pekerjaan pada sistem berlanjut, dan itu disebut dukungan.
Sistem berbasis pengetahuan
Makhluk hidup, tergantung pada posisinya di tangga evolusi, memiliki kemampuan intelektual yang lebih besar atau lebih kecil. Kemampuan intelektual lebah, burung, lumba-lumba dan manusia berbeda berkali-kali lipat. Namun demikian, dapat dikatakan tentang masing-masing makhluk ini bahwa ia memiliki kemungkinan pilihan individu dan membuat keputusannya sendiri. Ini adalah salah satu tanda kecerdasan.
Dalam aplikasi yang dibangun berdasarkan kecerdasan buatan, upaya dilakukan untuk mereproduksi perilaku makhluk hidup melalui sistem komputer. Pada saat yang sama, seorang insinyur pengetahuan menyelesaikan tugas yang agak sulit: ia harus membangun dalam program komputer perilaku yang melekat pada makhluk hidup.
Menggunakan berbagai metodologi yang mencakup sistem pakar, jaringan saraf, sistem berbasis kasus, algoritme genetika, agen cerdas, dan penambangan data, kita dapat membuat sistem komputer bertindak seperti makhluk hidup dengan mereproduksi sejumlah kecil aspek perilaku cerdas, seperti
pengambilan keputusan, diagnostik, perencanaan sistem dan situasi menggunakan sistem pakar atau jaringan saraf;
meramalkan pengembangan sistem yang kompleks menggunakan algoritma genetika;
mempelajari pengalaman sebelumnya (kadang-kadang satu contoh) dan membuat keputusan berdasarkan situasi saat ini melalui sistem berdasarkan preseden;
pengenalan tulisan tangan atau gambar grafis dengan pemodelan dalam jaringan saraf;
Membangun hubungan sebab akibat antara kumpulan data menggunakan mekanisme ekstraksi data (dengan demikian, adalah mungkin untuk mengidentifikasi hubungan sebab akibat di dunia nyata dari mana data berasal);
simulasi perilaku independen dari program komputer, diimplementasikan menggunakan teknologi agen cerdas.
Misalnya, sistem informasi hukum dapat menawarkan keputusan yang tepat berdasarkan contoh dari pengalaman masa lalu menggunakan penalaran berbasis kasus (sistem tersebut akan bekerja secara efektif dalam sistem hukum berbasis kasus di mana keputusan dibuat berdasarkan keputusan pengadilan masa lalu dalam kasus serupa).
Sistem berbasis pengetahuan adalah program komputer yang dirancang untuk mereproduksi pekerjaan para ahli di bidang pengetahuan tertentu.
Ada tujuh jenis utama sistem berbasis pengetahuan.
1. Sistem pakar memodelkan proses pengambilan keputusan yang melekat pada otak manusia. Mereka digunakan untuk bertindak seperti ahli manusia, membantu manajer atau spesialis membuat keputusan berdasarkan pengetahuan ahli. Aplikasi khas dari sistem pakar adalah perencanaan, penjadwalan, diagnostik. Meskipun sistem pakar berfungsi untuk meniru proses pengambilan keputusan manusia, algoritme dan aturan yang memandu keputusan bersifat statis. Ini berarti bahwa sistem pakar tidak dapat secara independen memodifikasi logika kerjanya dan tidak belajar sendiri.
2. Jaringan saraf mensimulasikan kerja otak manusia pada tingkat biologis (pada tingkat perilaku sel-sel otak individu, neuron). Ini berarti bahwa jaringan saraf memiliki kemampuan belajar mandiri: mereka dapat belajar mengenali pola dan kemudian, berdasarkan pola, mengenali pola. Karena kemampuan untuk belajar sendiri, jaringan saraf dapat digunakan sampai batas tertentu untuk memecahkan masalah peramalan berdasarkan pengalaman masa lalu (misalnya, untuk memprediksi distribusi harian biaya listrik dalam sistem tenaga).
3. Sistem berbasis kasus memodelkan kemampuan manusia untuk membuat keputusan dengan analogi dengan kasus-kasus yang ada. Sistem seperti itu sering digunakan dalam layanan dukungan teknis, di mana situasi masalah serupa berulang berkali-kali dengan klien yang berbeda.
4. Sistem berdasarkan algoritma genetika, seperti namanya, memodelkan proses perkembangan organisme biologis pada tingkat sel. Algoritma semacam ini dirancang untuk menemukan satu solusi terbaik dari banyak solusi yang dapat diterima untuk masalah dengan sejumlah besar parameter yang menentukan. Karena organisme biologis dalam proses perkembangan terus-menerus memecahkan masalah pengoptimalan semua parameternya dan membangun keseimbangan dengan lingkungan, sistem berdasarkan algoritma genetika dapat digunakan untuk memecahkan masalah pengoptimalan sistem multifaktorial yang kompleks dan memprediksi opsi untuk perkembangannya.
5. Agen cerdas adalah program yang tujuan akhirnya ditetapkan, tetapi mereka dapat secara mandiri memilih cara untuk mencapai tujuan ini, secara fleksibel mengubah algoritme perilaku mereka. Sebagian besar agen cerdas adalah program latar belakang yang melakukan pekerjaan kotor dan muncul ke permukaan hanya ketika hasilnya perlu disajikan kepada pengguna. Contoh agen cerdas termasuk robot mesin pencari Internet yang terus-menerus menyaring jutaan halaman dari berbagai situs untuk menjaga agar data mesin pencari tetap mutakhir.
6. Sistem penambangan data. Istilah "data mining" digunakan untuk menggambarkan proses menemukan pengetahuan dengan menemukan hubungan yang sebelumnya tidak diketahui antara data. Dalam database yang menyimpan data dalam jumlah besar, pola implisit dapat diidentifikasi yang berguna secara praktis. Misalnya, menganalisis penjualan di supermarket, Anda dapat mengetahui bahwa di musim panas, pada interval waktu yang sama, penjualan limun, es krim, dan biji-bijian meningkat tajam. Barang-barang ini harus ditempatkan di lantai perdagangan terdekat dan memastikan pasokannya tidak terputus. Langkah-langkah tersebut akan secara signifikan meningkatkan penjualan produk-produk ini.
3.4.1. Sistem pakar
Sistem pakar harus memiliki beberapa karakteristik khusus: untuk pekerjaannya, sistem pakar menggunakan pengetahuan yang harus dapat disimpan dalam basis pengetahuan, mengekstrak dan memproses dengan cara tertentu untuk memecahkan masalah. Dengan kata lain, sistem pakar harus sepenuhnya menggantikan pakar manusia dalam bidang aktivitas tertentu.
Sistem pakar dibuat dengan menggunakan bahasa pemrograman yang mendukung pemrograman berbasis aturan. Prolog dan Lisp biasanya bertindak sebagai bahasa tersebut.
Dua persyaratan sangat penting untuk sistem pakar:
Area subjek agak sempit. Semakin sempit area subjek di mana fungsi sistem pakar diimplementasikan, semakin mudah untuk membuat seperangkat aturan untuk itu dan semakin efektif pendapat pakar yang dikeluarkan.
Kemungkinan inferensi terbalik (lihat contoh model produksi sebelumnya) memungkinkan Anda melacak berdasarkan data awal mana rekomendasi ahli dikembangkan.
Elemen utama dari sistem pakar adalah (Gbr. 3.5):
modul penyimpanan pengetahuan (knowledge base), di mana pengetahuan disimpan dalam berbagai format presentasi;
mesin inferensi yang menggunakan basis pengetahuan untuk memecahkan masalah;
antarmuka pengguna di mana pengguna menerapkan sistem pakar, merumuskan masalah dan menerima solusinya;
mekanisme untuk memperoleh pengetahuan, dengan bantuan yang membentuk basis pengetahuan untuk berbagai tujuan (untuk berbagai bidang studi).
Beras. 3.5. Elemen sistem pakar
Kelebihan sistem pakar antara lain:
proses pengambilan keputusan berlangsung berdasarkan aturan yang telah ditentukan sebelumnya;
penggunaan terpisah dari basis pengetahuan dan mesin inferensi memungkinkan Anda untuk memodifikasi keduanya secara terpisah;
kesempatan untuk mengetahui bagaimana keputusan itu diterima;
kecepatan memperoleh keputusan;
ketersediaan prosedur penarikan standar;
kemampuan untuk berulang kali memecahkan masalah umum dengan pelepasan ahli manusia dari pekerjaan ini;
Pemberdayaan pengguna terhadap kemampuan tenaga ahli yang berpengalaman di bidang tertentu.
Kekurangan dari sistem pakar:
fokus pada bidang pengetahuan yang sempit, pada pemecahan masalah dengan kekhususan yang terbatas;
kebutuhan para ahli untuk memperoleh pengetahuan;
sering membutuhkan seorang ahli untuk pendapat akhir;
formalisasi tingkat tinggi, ketidakmampuan untuk menggunakan "akal sehat sederhana" dalam penalaran;
biaya pengembangan dan pemeliharaan yang tinggi;
kesimpulan mekanistik tingkat tinggi, kurangnya "kreativitas";
kebutuhan untuk mengisi kembali basis pengetahuan secara konstan sesuai dengan perubahan di bidang ahli;
rumitnya memperoleh pengetahuan dari pakar dan persyaratan khusus bagi seorang knowledge engineer (proses menerjemahkan intuisi pakar ke dalam simbol dan ekspresi logika formal bisa memakan waktu lama dan sangat mahal)..
Sistem pakar digunakan di mana:
masalah yang dipecahkan sangat penting sehingga penggunaan sistem pakar menghemat waktu dan uang, atau keduanya;
aturan pemeriksaannya stabil dan terkenal (dengan kata lain, ada ahli yang cukup mudah untuk mendapatkan pengetahuan, yang memungkinkan untuk membangun sistem pakar yang dirancang untuk penggunaan berulang dan jangka panjang);
lebih murah untuk membuat dan memelihara sistem pakar daripada mempekerjakan ahli manusia;
ada banyak konsumen yang membutuhkan sistem pakar seperti itu (dalam hal ini, setelah dibuat, sistem pakar dapat direproduksi berulang kali dan diterapkan oleh konsumen yang berbeda);
lebih mudah dan lebih murah untuk membuat sistem pakar daripada melatih staf di bidang kegiatan baru;
keputusan mudah diformalkan dan dibuat berdasarkan aturan yang stabil (tanpa memperkenalkan intuisi atau pengetahuan yang diformalkan dengan buruk).
Sistem pakar yang berbeda dalam biaya, daya, volume basis pengetahuan, dan implementasi perangkat keras digunakan untuk membuat keputusan, memperoleh informasi tambahan, meningkatkan keandalan, atau mengurangi biaya pemecahan masalah di berbagai bidang sains, teknologi, ekonomi, kedokteran, dll. Dalam gbr. 3.6 menunjukkan klasifikasi sistem pakar menurut berbagai kriteria.
Sistem pakar
- Pendidikan - Superkomputer - Otonom
__ Pada karakter ____ Hibrida
Bab 2 Pengantar rekayasa pengetahuan.
BAB 1. Sistem berbasis pengetahuan.
^ 1.1. Pengetahuan dan Data
Jika Anda memiliki masalah atau tugas yang tidak dapat diselesaikan sendiri, Anda beralih ke orang yang berpengetahuan, atau ahli, kepada mereka yang memiliki PENGETAHUAN. Istilah "sistem berbasis pengetahuan" muncul pada tahun 1976 bersamaan dengan sistem pertama yang mengumpulkan pengalaman dan pengetahuan para ahli. Ini adalah sistem pakar MYCIN dan DENDRAL untuk kedokteran dan kimia. Mereka membuat diagnosis penyakit darah menular dan menguraikan data analisis spektrografi massa.
Sistem pakar muncul sebagai bagian dari penelitian tentang kecerdasan buatan (AI) pada saat ilmu ini sedang mengalami krisis yang serius, dan diperlukan terobosan yang signifikan dalam pengembangan aplikasi praktis. Terobosan ini terjadi ketika para peneliti mengganti pencarian algoritma universal untuk berpikir dan memecahkan masalah dengan gagasan untuk memodelkan pengetahuan khusus dari para ahli spesialis. Jadi di AS iklan pertama sistem berbasis pengetahuan atau sistem pakar (ES). Sistem ini berhak menjadi sistem cerdas pertama, dan sejauh ini satu-satunya kriteria intelektualitas adalah ketersediaan mekanisme untuk bekerja dengan pengetahuan.
Dengan demikian, pendekatan baru untuk memecahkan masalah kecerdasan buatan muncul - representasi pengetahuan.
Rincian lebih lanjut tentang sejarah kecerdasan buatan dapat ditemukan di [Pospelov, 1986; Jackson, 2001; Gavrilova dan Khoroshevsky, 2001; Andre, 1985|.
Saat mempelajari sistem cerdas, pertanyaan tradisional muncul - apa itu pengetahuan dan bagaimana perbedaannya dari data biasa yang telah diproses di komputer selama beberapa dekade. Beberapa definisi kerja dapat diusulkan di mana ini menjadi jelas.
Definisi 1.1
Data- ini adalah informasi yang diperoleh sebagai hasil pengamatan atau pengukuran sifat individu (atribut) yang mencirikan objek, proses, dan fenomena area subjek.
Jika tidak, datanya adalah fakta spesifik, seperti suhu udara, ketinggian bangunan, nama belakang karyawan, alamat situs web, dll.
Ketika diproses di komputer, data diubah, secara konvensional melalui tahapan berikut:
D1 - data sebagai hasil pengukuran dan pengamatan;
D2 - data pada media material (tabel, protokol, direktori);
D3 - model data (struktur) dalam bentuk diagram, grafik, fungsi;
D4 - data di komputer dalam bahasa deskripsi data;
D5 - database pada media penyimpanan mesin.
Jadi, jika Anda mempersenjatai seseorang dengan data bahwa ia memiliki suhu tinggi (hasil pengamatan atau pengukuran), maka fakta ini tidak akan memungkinkannya untuk menyelesaikan masalah pemulihan. Dan jika dokter yang berpengalaman berbagi pengetahuan bahwa suhu dapat diturunkan dengan obat antipiretik dan banyak cairan, maka ini akan secara signifikan membawa solusi masalah pemulihan lebih dekat, meskipun sebenarnya diperlukan data tambahan dan pengetahuan yang lebih dalam.
Definisi 1.2
pengetahuan- ini adalah koneksi dan pola area subjek (prinsip, model, hukum) yang diperoleh sebagai hasil dari kegiatan praktis dan pengalaman profesional, yang memungkinkan spesialis untuk mengatur dan memecahkan masalah di area ini.
Ketika diproses di komputer, pengetahuan diubah mirip dengan data:
Z1 - pengetahuan dalam ingatan manusia sebagai hasil dari analisis pengalaman dan pemikiran;
Z2 - pembawa materi pengetahuan (sastra khusus, buku teks, alat bantu pengajaran);
Z3 - bidang pengetahuan - deskripsi kondisional dari objek utama dari area subjek, atribut dan pola yang menghubungkannya;
Z4 - pengetahuan yang dijelaskan dalam bahasa representasi pengetahuan (bahasa produksi, jaringan semantik, bingkai - Lihat di bawah);
Z5 - basis pengetahuan tentang media penyimpanan mesin. Definisi pengetahuan berikut sering digunakan:
Tahap kunci dalam bekerja dengan pengetahuan adalah pembentukan bidang pengetahuan (tahap ketiga Z3), tugas non-sepele ini mencakup identifikasi dan definisi objek dan konsep area subjek, sifat dan hubungan di antara mereka, serta presentasi mereka dalam bentuk visual dan intuitif. Istilah ini pertama kali diperkenalkan selama pengembangan praktis sistem pakar AUTANTEST untuk psikodiagnostik [Gavrilova, 1984] dan sekarang banyak digunakan oleh pengembang ES.
Tanpa studi menyeluruh dari bidang pengetahuan, tidak ada pertanyaan untuk menciptakan basis pengetahuan.
Penting untuk memahami sifat pengetahuan adalah cara di mana konsep didefinisikan. Salah satu metode yang banyak digunakan didasarkan pada gagasan intensi dan ekstensi.
Definisi 1.3
Konsep Intensi- ini adalah definisinya melalui korelasi dengan konsep tingkat abstraksi yang lebih tinggi dengan indikasi properti tertentu.
Misalnya, maksud dari konsep "FURNITURE": "objek yang dirancang untuk memastikan masa tinggal yang nyaman bagi seseorang dan mengacaukan rumah."
Definisi 1.4
Ekstensi adalah definisi konsep dengan menyebutkan contoh spesifiknya, yaitu konsep tingkat abstraksi yang lebih rendah.
Perpanjangan konsep "FURNITURE": "Lemari pakaian, sofa, meja, kursi, dll."
Intensi membentuk pengetahuan tentang objek, sedangkan ekstensi menggabungkan data. Bersama-sama mereka membentuk elemen bidang pengetahuan dari area subjek tertentu.
Basis data digunakan untuk penyimpanan data (dicirikan oleh volume besar dan biaya unit informasi yang relatif kecil), untuk penyimpanan pengetahuan - basis pengetahuan (array informasi kecil, tetapi sangat mahal).
Dasar pengetahuan - dasar dari setiap sistem intelektual, di mana pengetahuan dijelaskan dalam bahasa tertentu representasi pengetahuan, dekat dengan alam.
Pengetahuan dapat dibagi menjadi:
dalam;
dangkal.
dalam- abstraksi, analogi, diagram yang mencerminkan struktur dan sifat proses yang terjadi di area subjek. Pengetahuan ini menjelaskan fenomena dan dapat digunakan untuk memprediksi perilaku objek.
Pengetahuan superfisial
"Jika Anda memasukkan kata sandi yang benar, gambar desktop akan muncul di layar komputer."
Pengetahuan yang dalam
"Memahami cara kerja sistem operasi dan pengetahuan pada tingkat administrator sistem yang memenuhi syarat".
Sistem pakar modern bekerja terutama dengan pengetahuan yang dangkal. Ini disebabkan oleh fakta bahwa saat ini tidak ada metode universal yang memungkinkan Anda untuk mengidentifikasi struktur pengetahuan yang dalam dan bekerja dengannya.
Selain itu, buku teks AI secara tradisional membagi pengetahuan menjadi: prosedural dan deklaratif. Secara historis, pengetahuan prosedural adalah yang utama, yaitu pengetahuan "terlarut" dalam algoritma. Mereka mengelola data. Untuk mengubahnya, perlu mengubah teks program. Namun, dengan perkembangan ilmu komputer dan perangkat lunak, peningkatan bagian dari pengetahuan terkonsentrasi pada struktur data (tabel, daftar, tipe data abstrak), yaitu, peran pengetahuan deklaratif meningkat.
Saat ini, pengetahuan telah memperoleh bentuk deklaratif murni, yaitu, pengetahuan dianggap sebagai kalimat yang ditulis dalam bahasa representasi pengetahuan yang dekat dengan bahasa alami dan dapat dipahami oleh non-spesialis.
Salah satu pelopor AI, Alan Newell, menggambarkan evolusi komunikasi manusia-komputer sebagai transisi dari kode mesin melalui bahasa pemrograman simbolik ke bahasa representasi pengetahuan (Gbr. 1.1).
^ 1.2. Model Representasi Pengetahuan
Saat ini, puluhan model (atau bahasa) representasi pengetahuan untuk berbagai bidang studi telah dikembangkan. Sebagian besar dari mereka dapat direduksi menjadi kelas-kelas berikut:
model produksi;
jaringan semantik;
bingkai;
model logika formal.
modular;
jaringan.
Jaringan bahasa memberikan kemampuan untuk menghubungkan elemen-elemen atau potongan-potongan pengetahuan ini melalui hubungan ke dalam jaringan semantik atau jaringan bingkai.
Mari kita pertimbangkan secara lebih rinci bahasa representasi pengetahuan (KRP) paling populer di kalangan pengembang.
^ 1.2.1. model produksi
RPL berbasis aturan adalah yang paling umum dan lebih dari 80% ES menggunakannya.
Definisi 1.5
Model produksi atau berbasis aturan memungkinkan pengetahuan direpresentasikan sebagai kalimat seperti "Jika (kondisi), maka (tindakan)".
Di bawah "kondisi" (anteseden) dipahami contoh kalimat tertentu, yang menurutnya pencarian dilakukan di basis pengetahuan, dan di bawah "tindakan" (konsekuen) - tindakan yang dilakukan pada hasil pencarian yang berhasil ( mereka dapat menjadi perantara, bertindak lebih jauh sebagai kondisi, dan terminal atau target, mengakhiri sistem).
Paling sering, kesimpulan dari basis pengetahuan seperti itu adalah lurus(dari data ke pencarian target) atau kembali(dari tujuan konfirmasinya - hingga data). Data adalah fakta awal yang disimpan dalam basis fakta, yang menjadi dasar peluncuran mesin inferensi atau penafsir aturan, memilah-milah aturan dari basis pengetahuan produksi (lihat bagian 1.3).
Model produksi sangat sering digunakan dalam sistem pakar industri karena menarik pengembang dengan kejelasannya, modularitas tinggi, kemudahan penambahan dan perubahan, dan kesederhanaan mekanisme inferensi.
Ada sejumlah besar alat perangkat lunak yang menerapkan pendekatan produksi (misalnya, bahasa tingkat tinggi CLIPS dan OPS 5; "kerang" atau "kosong" ES - EXSYS Professional dan Carra, sistem instrumental KEE, ARTS, PIES [ Khoroshevsky, 1993]), serta ES industri berdasarkan itu (misalnya, ES dibuat melalui G2 [Popov, 1996]). Lihat [Popov, Fominykh dkk., 1996; Khoroshevsky, 1993; Gavrilova dan Khoroshevsky, 2001; Durkin, 1998].
^ 1.2.2 Jaringan semantik
Ketentuan "semantik" artinya“semantik”, dan semantik itu sendiri adalah ilmu yang menetapkan hubungan antara simbol dan objek yang ditunjuknya, yaitu ilmu yang menentukan makna tanda. Model jaringan semantik diusulkan oleh psikolog Amerika Quillian. Keuntungan utamanya adalah bahwa hal itu sesuai lebih dari yang lain untuk ide-ide modern tentang organisasi memori jangka panjang manusia [Scragg, 1983].
Definisi 1.6
Web semantik adalah graf berarah yang simpul-simpulnya merupakan konsep dan busur-busurnya adalah hubungan di antara keduanya.
Konsep biasanya objek abstrak atau konkret, dan hubungan ini adalah hubungan tipe: "ini" ("AKO - A-Jenis-Tentu, "adalah" atau "elemen kelas"), "memiliki bagian", "milik", "suka".
Kami dapat menawarkan beberapa klasifikasi jaringan semantik yang terkait dengan jenis hubungan antar konsep.
Dengan jumlah jenis hubungan:
homogen (dengan satu jenis hubungan);
heterogen (dengan berbagai jenis hubungan).
biner (di mana hubungan menghubungkan dua objek);
Hubungan berikut paling sering digunakan dalam jaringan semantik:
elemen kelas (mawar Ini bunga);
hubungan atribut / memiliki properti (memori memiliki properti- volume);
berarti properti (warna memiliki arti - kuning);
contoh elemen kelas (mawar, Sebagai contoh - ruang minum teh);
jenis koneksi "sebagian-keseluruhan"(sepeda termasuk setir mobil);
koneksi fungsional (biasanya didefinisikan oleh kata kerja "menghasilkan", "mempengaruhi" ...);
kuantitatif (lebih besar dari, kurang dari, sama dengan...);
spasial (jauh dari, dekat, di belakang, di bawah, di atas ...);
sementara (sebelumnya, nanti, selama ...);
koneksi logis (dan, atau, tidak) dan sebagainya.
elemen kelas atau ACO;
tautan atributif / memiliki properti;
nilai properti.
Masalah ini direduksi menjadi tugas non-sepele untuk menemukan fragmen jaringan yang sesuai dengan beberapa subnet yang mencerminkan kueri ke database.
pada gambar. 1.3 menunjukkan contoh web semantik. Konsep "manusia", "kawan Smirnov", "Audi A4", "mobil", "mode transportasi" dan "mesin" berfungsi sebagai puncak di sini.
Beras. 1.3. Web semantik
Untuk implementasi jaringan semantik, ada bahasa jaringan khusus, misalnya NET [Tseytin, 1985], bahasa untuk mengimplementasikan sistem SIMER + MIR [Osipov, 1997], dll. Sistem pakar yang menggunakan jaringan semantik sebagai bahasa representasi pengetahuan dikenal luas - PROSPECTOR, CASNET, TORUS [Hayes-Roth et al., 1987; Durkin, 1998].
1.2.3. bingkai
Ketentuan bingkai(dari bahasa Inggris. bingkai-"kerangka" atau "bingkai") diusulkan oleh Marvin Minsky [Minsky, 1979], salah satu pelopor AI, di tahun 70-an untuk merujuk pada struktur pengetahuan untuk persepsi adegan spasial. Model ini, seperti jaringan semantik, memiliki dasar psikologis yang dalam.
Definisi 1.7
Bingkai adalah gambar abstrak untuk mewakili stereotip suatu objek, konsep, atau situasi.
Secara intuitif jelas bahwa gambar abstrak dipahami sebagai beberapa model atau struktur yang digeneralisasi dan disederhanakan. Misalnya, melafalkan kata "kamar" dengan lantang memberi pendengar gambaran sebuah ruangan: "ruang tamu dengan empat dinding, lantai, langit-langit, jendela dan pintu, dengan luas 6-20 m2". Tidak ada yang bisa dihapus dari deskripsi ini (misalnya, menghapus jendela, kita akan mendapatkan lemari, bukan kamar), tetapi ada "lubang" di dalamnya atau "slot" - ini adalah nilai kosong dari beberapa atribut - misalnya, jumlah jendela, warna dinding, ketinggian langit-langit, penutup lantai, dll.
Dalam teori bingkai, gambaran ruangan seperti itu disebut bingkai ruangan. Bingkai juga disebut model formal untuk menampilkan gambar.
Membedakan bingkai sampel atau prototipe, disimpan dalam basis pengetahuan, dan bingkai contoh, yang dibuat untuk menampilkan situasi nyata yang sebenarnya berdasarkan data yang masuk. Model bingkai cukup universal, karena memungkinkan Anda untuk menampilkan semua keragaman pengetahuan tentang dunia melalui:
bingkai-struktur, digunakan untuk menunjuk objek dan konsep (pinjaman, gadai, surat promes);
bingkai peran(manajer, kasir, klien);
bingkai skrip(kepailitan, rapat pemegang saham, perayaan hari nama);
kerangka situasi(alarm, kecelakaan, mode pengoperasian perangkat), dll.
^ (NAMA BINGKAI:
(nama slot pertama: nilai slot pertama),
(nama slot ke-2: nilai slot ke-2),
…………….
(Nama slot ke-n: Nilai slot ke-n)).
Entri yang sama dapat disajikan dalam bentuk tabel (lihat Tabel 1.1), melengkapinya dengan dua kolom.
Tabel 1.1. Struktur rangka
| nama bingkai |
|||
| Nama slot | Nilai slot | Bagaimana cara mendapatkan nilai? | Prosedur Terlampir |
Dalam tabel, kolom tambahan (3 dan 4) dimaksudkan untuk menggambarkan bagaimana slot menerima nilainya dan dapat dilampirkan ke satu atau beberapa slot prosedur khusus, yang diperbolehkan dalam teori bingkai. Nilai dari sebuah slot dapat berupa nama frame yang lain, yaitu bagaimana jaringan frame terbentuk.
Ada beberapa cara slot untuk menerima nilai dalam bingkai instan:
secara default dari bingkai referensi (Nilai default);
melalui pewarisan properti dari bingkai yang ditentukan dalam slot AKO;
sesuai dengan formula yang ditentukan dalam slot;
melalui prosedur terlampir;
secara eksplisit dari dialog dengan pengguna;
dari database.
Misalnya, dalam jaringan bingkai pada Gambar. 1.4 konsep "siswa" mewarisi sifat-sifat bingkai "anak" dan "orang", yang berada pada tingkat hierarki yang lebih tinggi. Untuk pertanyaan "Apakah siswa suka permen?" jawabannya adalah "ya", karena semua anak memiliki properti ini, yang ditunjukkan dalam bingkai "anak". Warisan properti dapat sebagian: usia siswa tidak diwarisi dari kerangka "anak", karena secara eksplisit ditentukan dalam kerangkanya sendiri.
Beras. 1.4. Jaringan bingkai
Keuntungan utama dari frame sebagai model representasi pengetahuan adalah bahwa hal itu mencerminkan dasar konseptual organisasi memori manusia [Shenk, Hunter, 1987], serta fleksibilitas dan visibilitas.
Bahasa representasi pengetahuan khusus dalam jaringan bingkai FRL (Bahasa Representasi Bingkai) [Baydun, Bunin, 1990], KRL (Bahasa Representasi Pengetahuan) [Waterman, 1989], bingkai "cangkang" Kappa [Strelnikov, Borisov, 1997] dan perangkat lunak lainnya alat memungkinkan secara efektif membangun pembangkit listrik industri. Sistem pakar berorientasi bingkai yang dikenal luas seperti ANALYST, MODIS, TRISTAN, ALTERID [Kovrigin, Perfilyev, 1988; Nikolav, 1988; Sisodia, Warkentin, 1992].
^ 1.2.4. Model Logika Formal
Secara tradisional, dalam representasi pengetahuan, ada model logis formal berdasarkan klasik Kalkulus predikat orde pertama, ketika area subjek atau tugas digambarkan sebagai satu set aksioma. Pada kenyataannya, kalkulus predikat orde pertama praktis tidak digunakan dalam sistem pakar industri. Model logis ini berlaku terutama dalam sistem "mainan" penelitian, karena menerapkan persyaratan dan batasan yang sangat tinggi pada area subjek. Dalam sistem pakar industri, berbagai modifikasi dan perluasannya digunakan, yang penyajiannya berada di luar cakupan buku ini. Lihat [Adamenko, Kuchukov, 2003].
^ 1.3. Kesimpulan tentang pengetahuan
Seperti yang sudah dinyatakan dalam detik. 1.2 Model produksi representasi pengetahuan yang paling banyak digunakan. Ketika digunakan, basis pengetahuan terdiri dari seperangkat aturan, dan program yang mengelola pencacahan aturan disebut mesin keluaran.
Definisi 1.8
mesin keluaran(rules interpreter) adalah program yang mensimulasikan kesimpulan logis dari seorang pakar menggunakan basis pengetahuan produksi ini untuk menginterpretasikan data yang dimasukkan ke dalam sistem.
Biasanya melakukan dua fungsi:
Melihat data (fakta) yang ada dari memori kerja (database) dan aturan dari basis pengetahuan dan menambahkan (sejauh mungkin) fakta baru ke memori kerja;
Tentukan urutan aturan yang dilihat dan diterapkan. Mekanisme ini mengontrol proses konsultasi, menyimpan informasi tentang kesimpulan yang diterima pengguna, dan meminta informasi darinya ketika tidak ada cukup data dalam memori kerja untuk memicu aturan berikutnya [Osuga, Saeki, 1990].
Di sebagian besar sistem berbasis pengetahuan, mekanisme inferensi adalah program kecil dan mencakup dua komponen - satu mengimplementasikan inferensi aktual, yang lain mengontrol proses ini.
Tindakan komponen keluaran berdasarkan penerapan aturan yang disebut modus ponen:"Jika pernyataan A diketahui benar, dan terdapat aturan berbentuk JIKA A MAKA B, maka pernyataan B juga benar."
Jadi, aturan bekerja ketika ada fakta yang memenuhi sisi kirinya: jika premisnya benar, maka kesimpulannya juga harus benar.
Komponen output harus berfungsi meskipun ada kekurangan informasi. Solusi yang dihasilkan mungkin tidak tepat, tetapi sistem tidak boleh berhenti karena ada bagian dari informasi input yang hilang.
^ komponen kontrol menentukan urutan aturan yang diterapkan dan melakukan empat fungsi:
Cocok- aturan sampel dicocokkan dengan fakta yang tersedia.
Pilihan - jika dalam situasi tertentu beberapa aturan dapat diterapkan sekaligus, maka salah satunya dipilih yang paling sesuai dengan kriteria yang diberikan (penyelesaian konflik).
Operasi - jika pola aturan, saat dicocokkan, cocok dengan fakta apa pun dari memori kerja, maka aturan akan dipicu.
Tindakan - memori kerja dimodifikasi dengan menambahkan kesimpulan dari aturan yang dipicu ke dalamnya. Jika sisi kanan aturan berisi indikasi tindakan apa pun, maka itu dilakukan (seperti, misalnya, dalam sistem keamanan informasi).
Hanya satu aturan yang dapat diaktifkan dalam satu putaran. Jika beberapa aturan berhasil dibandingkan dengan fakta, maka penafsir memilih, menurut kriteria tertentu, satu-satunya aturan yang berfungsi dalam siklus ini. Siklus penerjemah secara skematis ditunjukkan pada gambar. 1.5.
Informasi dari memori kerja dicocokkan secara berurutan dengan pengiriman aturan untuk menentukan kecocokan yang berhasil. Himpunan aturan yang dipilih disebut set konflik. Untuk menyelesaikan konflik, penafsir memiliki kriteria yang dengannya ia memilih satu aturan, setelah itu berfungsi. Hal ini diungkapkan dalam memasukkan fakta-fakta yang membentuk kesimpulan dari aturan ke dalam kerja
