Henrik Bulskov Styltsvig

Transkript

1 Regelbaserede ekspertsystemer Henrik Bulskov Styltsvig Datalogiafdelingen, hus 42.1 Roskilde Universitetscenter Universitetsvej 1 Postboks Roskilde Telefon: Fax:

2 Viden Viden er en teoretisk eller praktisk forståelse af et emne eller et domæne. Viden kan opdeles i to overordnede grupperinger: Deklarativ viden - Fakta om objekter, om begivenheder og om deres indbyrdes relationer. Procedural viden - Hvordan vi gør ting, og hvordan vi udnytter vor deklarative viden. Henrik Bulskov Styltsvig 2

3 Eksperter Personer der besidder viden kaldes eksperter. Alle der har en stor indsigt (viden om både faktum og regler) i et specifikt domæne kan kaldes en domæne ekspert. Henrik Bulskov Styltsvig 3

4 Ekspertsystemer Formalisering af viden Repræsentation af viden Inferensmaskine, der benyttes til at ræsonnere over den formelle viden Henrik Bulskov Styltsvig 4

5 Regelbaserede ekspertsystemer Viden repræsenteres som fakta og regler Reglerne opbygges som logisk implikation A B (hvis A så B) og kaldes produktionsregler. Eksempel: 1. Hvis tanken er tom så kan bilen ikke starte 2. Hvis batteriet er fladt så kan bilen ikke starte Henrik Bulskov Styltsvig 5

6 Regler Regler består af konditioner (hvis) og konsekvenser (så) En regel kan godt have flere konditioner Hvis A og B så C Hvis A eller B så C En kondition består af to dele et objekt og dets værdi. Fx tanken er tom, hvor tanken er objektet og tom er værdien. Henrik Bulskov Styltsvig 6

7 Regler - fortsat Regler kan repræsentere relationer, anvisninger, instrukser, strategier og heuristik. Eksempler: Relation: hvis tanken er tom kan bilen ikke starte Anvisning: hvis tanken er tom så fuld benzin på Instruks: hvis olielampen lyser skal olien tjekkes Strategi: 1. hvis bilen ikke kan starte så check benzinen 2. hvis 1. og tanken er fuld så check batteriet Heuristik: hvis bilen har kørt 500 km så check olien Henrik Bulskov Styltsvig 7

8 Ekspertsystemskal Langtidshukommelse Produktionsregler Korttidshukommelse Fakta Vidensbase Ræsonnering Konklusion Database Henrik Bulskov Styltsvig 8

9 Inferenskæder Den eller de slutninger der kan dannes på baggrund af regler og fakta i ekspertsystemet. Inferenskæder kan opbygges på forskellige måder Fremadkædning (forward chaining ) Bagudkædning (backward chaining ) Henrik Bulskov Styltsvig 9

10 Inferenskædning Vidensbase Y D Z X B E Y A X A B E Database D A X B E Y D Z Henrik Bulskov Styltsvig 10

11 Fremadkædning Fremadkædning er datastyret Reglerne afvikles top-down Reglerne kan kun benyttes en gang Kædningen er cyklisk, således at alle de regler der kan afvikles på det givne datagrundlag afvikles i en cykel Afvikling af regler tilføjer fakta til databasen Kædningen stopper når der ikke kan afvikles flere regler Henrik Bulskov Styltsvig 11

12 Fremadkædning - eksempel Database A B C D E X Z L Y match Vidensbase Y D Z X B E Y A X C L L M N affyr Henrik Bulskov Styltsvig 12

13 Bagudkædning Bagudkædning er styret af hypoteser Inferensmaskinen forsøger at bevise hypoteserne Beviset for en hypotese vil ofte kræve at andre hypoteser bevises fx hypotesen C og reglerne A B B C Det er kun regler der er tilknyttet beviset af udgangshypotesen der afvikles Kædningen stopper når der ikke kan findes bevis for hypotesen Henrik Bulskov Styltsvig 13

14 Bagudkædning - eksempel Database A B C D E X Y XZY? Z Vidensbase Y D Z X B E Y A X C L L M N Henrik Bulskov Styltsvig 14

15 Fremadkædning vs. bagudkædning Hvis der først skal indsamles informationer for at kunne ræsonnere benyttes fremadkædning Hvis der tages udgangspunkt i en hypotese benyttes bagudkædning Fremad- og bagudkædning kan godt benyttes sammen, det er dog bagudkædning der er den centrale inferensmetode Henrik Bulskov Styltsvig 15

16 Konflikter Eksempel: lyssignalet er grønt handling = gå lyssignalet er rødt handling = stop lyssignalet er rødt handling = gå I fremadkædning affyres alle de regler der kan afvikles i hver cykel Stop når hypotesen er bevist Der kan indføres prioritering Der kan benyttes metaregler Henrik Bulskov Styltsvig 16

17 Regelbaserede ekspertsystemer Fordele Ulemper Naturlig videnrepræsentation Produktionsregler er ensartet og rummer selvstændig viden Adskillelse af viden og program Det er muligt at behandle flertydighed Sammenhængen mellem reglerne er uigennemskuelig Søgestrategierne i inferensmaskiner er komplekse Mangler evne til at lære Henrik Bulskov Styltsvig 17