Kapitola 3 Základní principy expertních systémù Expertní poznatek:
Expertní systémy se poznají podle toho, ¾e ze vstupního údaje \rù¾e voní lépe ne¾ zelí" vyvodí závìr, ¾e z rù¾í bude také lep¹í polévka.
Murphyho poèítaèové zákony
3.1
Charakteristické rysy
Pøedstav si milý ètenáøi, ¾e jsi princezna, která si má vybrat ¾enicha (tento pøíklad je na videu, které se obvykle promítá první pøedná¹ku). V chytré knize pana rádce je uvedeno, jak takový ¾enich (samozøejmì princ) má vypadat. Musí mít malou no¾ku a být z dobré rodiny. Z dobré rodiny bude, pokud má modrou krev a rodina je bohatá. Rodina je bohatá, kdy¾ má peníze nebo pozemky. V knize pana rádce jsou tyto znalosti schematicky uvedeny v podobì rozhodovacího stromu (obrázek 3.1). Podle uvedeného návodu pak princezna zkou¹í jednotlivé adepty (støevíèkem mìøí velikost nohy, zkoumá barvu krve...), a¾ nalezne vhodného ¾enicha. Podle E. Feigenbauma [?] je expertní systém inteligentní poèítaèový program, který u¾ívá znalosti a inferenèní procedury k øe¹ení problémù, které jsou natolik obtí¾né, ¾e pro své øe¹ení vy¾adují významnou lidskou expertízu. Znalosti nezbytné k èinnosti na této úrovni plus pou¾itá inferenèní procedura mohou být chápány jako 1
2
KAPITOLA 3. ZÁKLADNÍ PRINCIPY EXPERTNÍCH SYSTÉMÙ
malá no¾ka
princ
HHH HH H
A
dobrá rodina
modrá krev
A
HHH HHH bohatí
peníze
HHH H
HH
NEBO
pozemky
Obr. 3.1: Klíè k urèování ¾enicha model expertízy nejlep¹ích praktikù v oboru. Jiná mo¾ná de nice je, ¾e expertní systém je poèítaèový program simulující rozhodovací èinnost lidského experta pøi øe¹ení slo¾itých úloh a vyu¾ívající vhodnì zakódovaných speciálních znalostí pøevzatých od experta s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta. V prvním období výzkumu v oblasti expertních systémù se kladl dùraz na kvalitu rozhodování na úrovni experta; tomu ostatnì napovídá u¾ sám název expertní systémy. V pol. 70. let toti¾ pøevládal (optimistický) názor, ¾e bude mo¾né vytvoøit \instantního experta", který by po nahrání na poèítaè byl schopen øe¹it i ty nejslo¾itìj¹í úlohy v dané oblasti. Tato pøedstava narazila jak na meze samotných systémù (expertní systémy øe¹ily úspì¹nì spí¹e rutinní problémy), tak i na skepsi u¾ivatelù (\pøece nebudu poslouchat nìjaký poèítaè"). S jistou nedùvìrou u¾ivatelù souvisejí i etické a právní otázky pou¾ívání expertních systémù; kdo ponese odpovìdnost za chybné rozhodnutí uèinìné na základì doporuèení expertního systému. Proto se postupnì slevuje z pohledu na roli expertního systému v procesu rozhodování. Z pùvodnì zamý¹lené (a deklarované) role experta, tedy nìkoho, kdo ví více ne¾ u¾ivatel (a u¾ivatel by tedy mìl slepì poslechnout) se pøechází k chápání expertního
3.1. CHARAKTERISTICKÉ RYSY
3
systému jako kolegy u¾ivatele (tedy nìkoho, kdo ví pøibli¾nì stejnì jako u¾ivatel, ale jeho¾ výkonnost nepodléhá stresu, vlivùm okolí apod.) nebo dokonce jako \pouhého" asistenta (tedy nìkoho, komu u¾ivatel-expert svìøuje rutinní úlohy, aby se mohl plnì soustøedit pouze na komplikované pøípady). S tímto posuvem v pohledu na roli expertních systémù souvisí i posuv v terminologii. Dnes se spí¹e hovoøí o znalostních systémech; dùraz se tedy klade na vyu¾ívání vhodnì zakódovaných speciálních znalostí pøevzatých od experta. Za charakteristické rysy expertních systémù se pova¾uje:
oddìlení znalostí a mechanismu pro jejich vyu¾ívání Znalosti experta jsou ulo¾eny v bázi znalostí oddìlenì od inferenèního mechanismu. To umo¾òuje vytváøet problémovì nezávislé (prázdné) expertní systémy (expert system shells), kde jeden inferenèní mechanismus mù¾e pracovat s rùznými bázemi znalostí, obdobnì, jako lze stejným zpùsobem místo \klíèe k urèování ¾enicha" procházet napø. \klíè k urèování hub".
neurèitost v bázi znalostí V bázi znalostí jsou ulo¾eny nejen exaktnì dokázané znalosti, ale i nejrùznìj¹í heuristiky, které se napø. expertovi osvìdèily pøi rozhodování za dlouhou dobu jeho praxe. Zde se pak objevují pojmy jako "èasto" "vìt¹inou", které je potøeba kvanti kovat (napø. v nìjaké ¹kále od "urèitì ano" pøes "nevím" a¾ k "urèitì ne"). Takovou znalostí s neurèitostí mù¾e napøíklad být "jestli¾e má pacient teplotu, obvykle je mu pøedepsán acylpyrin"; pacient toti¾ "èasto" má teplotu v dùsledku chøipky, ale "nìkdy" mù¾e mít teplotu, proto¾e má zlomenou nohu. neurèitost v datech Konkrétní data o daném pøípadu bývají zatí¾ena neurèitostí zpùsobenou nepøesnì urèenými hodnotami nebo subjektivním pohledem u¾ivatele (odpovìdi na míru jistoty v nìjakém tvrzení). Mù¾e to být napøíklad odpovìï "snad ano" na dotaz, zda má pacient teplotu.
dialogový re¾im Expertní systémy jsou nejèastìji konstruovány jako tzv. konzultaèní systémy. U¾ivatel komunikuje se systémem zpùsobem "dotaz systému - odpovìï u¾ivatele" obdobnì, jako s lidským expertem. Tento systém práce byl do znaèné míry usnadnìn nástupem osobních poèítaèù a s tím souvisejícím pøechodem od dávkového zpracování na sálech výpoèetních støedisek k interaktivnímu zpracování pøímo na psacím stole u¾ivatele.
KAPITOLA 3. ZÁKLADNÍ PRINCIPY EXPERTNÍCH SYSTÉMÙ
4
vysvìtlovací èinnost Aby se zvý¹ila dùvìra u¾ivatelù v závìry a doporuèení expertního systému, mìl by systém poskytovat vysvìtlení svého uva¾ování. Obvykle systém vysvìtluje právì polo¾ený dotaz, znalosti relevantní k nìjakému tvrzení, právì zkoumanou cílovou hypotézu, právì probíhající odvozování. modularita a transparentnost báze znalostí Pro úèinnost expertního systému je rozhodující kvalita báze znalostí. Modularita umo¾òuje snadnou aktualizaci báze znalostí, transparentnost umo¾òuje její snadnou èitelnost a srozumitelnost. Samotné vytváøení báze znalostí probíhá iterativním zpùsobem pøi opakovaných konzultacích experta z dané problémové oblasti s odborníkem na tvorbu bází, tzv. znalostním in¾enýrem, kdy je báze znalostí postupnì "ladìna", a¾ chování expertního systému (alespoò pøi konzultaci pro vzorové pøíklady) odpovídá pøedstavám experta. Vý¹e uvedené rysy odpovídají typickým expertním systémùm (pøíkladem takového systému je napø. Mycin, (viz dále)). Nìkteré systémy mohou pracovat v on-line re¾imu (tedy bez dialogu s u¾ivatelem), jiné nemusejí vyu¾ívat neurèitost. Nejpodstatnìj¹í charakteristikou je tedy oddìlení báze znalostí a inferenèního mechanismu.
3.2
Struktura
Expertní systém je tvoøen dvìma základními èástmi: bází znalostí a inferenèním mechanismem. V bázi znalostí jsou ulo¾eny znalosti experta z dané oblasti, inferenèní (odvozovací) mechanismus umo¾òuje tyto znalosti vyu¾ívat pøi konzultaci pro konkretní pøípad. Dal¹ími komponentami jsou báze dat ke konzultovanému pøípadu, vysvìtlovací modul umo¾òující (do jisté míry) zdùvodnit postup systému pøi odvozování a modul pro komunikaci s u¾ivatelem. Toto schéma (uvedené na obrázku 3.2) odpovídá \klasickému" systému, který pracuje v dialogu s u¾ivatelem. Zpùsob komunikace s expertním systémem lze s jistou nadsázkou znázornit obrázkem 3.3 (volnì dle Dana Pokorného). Z pøíkladu je vidìt, ¾e iniciativa je na stranì expertního systému; ten volí otázky, které klade u¾ivateli, u¾ivatel se nespokojil pouze s doporuèením systému, ale po¾aduje je¹tì jeho zdùvodnìní. Obrázek tak popisuje dosti typický zpùsob práce s expertním systémem.
3.3. TYPY EXPERTNÍCH ÚLOH
5
báze znalostí 6 ? @@ - komunikaèní - inferenèní 6 mechanismus modul @@ 6 ? - vysvìtlovací modul
data k pøípadu 6 ?
Obr. 3.2: Obecné schema expertního systému 3.3
Typy expertních úloh
Podle charakteru øe¹ených úloh se aplikace dají rozdìlit [?] na: diagnozu - proces nalezení chyb èi chybných funkcí systému (¾ivého nebo ne¾ivého) napø. Mycin (viz dále) nebo Internist - systém pro oblast vnitøního lékaøství problémy: dysfunkce mohou být maskovány symptomy jiných dysfunkcí, dysfunkce mohou být jen obèasné, nìkterá data mohou být nepøístupná, chování systému nemusí být plnì známo interpretaci - analýza dat s cílem urèení jejich významu napø. Dendral, Prospector problémy: data mohou být chybná, chybìjící, cizorodá, zatí¾ená ¹umem monitorování - prùbì¾ná (on-line) interpretace signálù a dat a urèení okam¾iku, kdy je nutná intervence napø. Vm - systém, který v reálném èase monitoroval pacienta napojeného na \umìlé plíce" problémy: nebezpeèí fale¹ných alarmù
KAPITOLA 3. ZÁKLADNÍ PRINCIPY EXPERTNÍCH SYSTÉMÙ
6
ES: Dal¹í !
(vchází pan Èivrný)
Má pan Jeremiá¹ chøipku ?
lékaø: No jo, u¾ asi jo! ... ? ES: Patøí pan Jeremiá¹ do na¹eho zdravotního obvodu ?
lékaø: Bohu¾el ... ! ES: Tak mu DEJ PENICILIN.
lékaø: To je rada ! ... Dovolíte-li maestro, proè právì penicilin ? ES: Jednoduché, milý MUDr. Watsone. Nic jiného ne¾ penicilin, ¾ivoèi¹né uhlí a properistol tady nemáme. Na shledanou pane Jeremiá¹.
lékaø: Vskutku, je to pravda ! ... Na shledanou pane Èivrný. ES: Dal¹í !
(vchází pan Piskáèek)
Má pan Jeremiá¹ chøipku ?
Obr. 3.3: Pøíklad dialogu s expertním systémem
plánování - nalezení posloupnosti akcí k dosa¾ení cíle napø. Molgen - systém pro plánování experimentù v molekulární genetice problémy: plánovací problémy jsou obvykle ¹iroké, komplikované a nedostateènì strukturované; ten kdo plánuje nemusí v¾dy chápat mo¾né dùsledky plánovaných akcí návrh (design) - vytváøení kon gurací objektù vyhovujících daným podmínkám napø. R1/Xcon problémy: podobné jako pøi plánování, navíc hraje roli prostorové uspoøádání predikce - pøedpovìï bìhu budoucích událostí na základì modelu minulosti a souèasnosti napø. Glaucoma - systém pro predikci vývoje ¹edého zákalu problémy: predikce vy¾aduje uva¾ování o èase a v èase
3.3. TYPY EXPERTNÍCH ÚLOH
7
Pøi hrub¹ím dìlení systémù vystaèíme se dvìma základními skupinami; s expertními systémy diagnostickými (které øe¹í první tøi typy úloh z vý¹e uvedeného seznamu) a expertními systémy generativními (kam patøí zbylé tøi aplikace). Diagnostické expertní systémy pracují s pevným poètem cílù (diagnóz, hypotéz), ze kterých vybírají svá doporuèení. Naproti tomu generativní expertní systémy si hypotézy generují dynamicky a¾ v prùbìhu konzultace. Generativní systémy tedy na rozdíl od diagnostických mìní \stav svìta" se kterým pracují. Durkin [?] uvádí následující zastoupení jednotlivých typù úloh øe¹ených expertními systémy (obrázek 3.4). Zatím pøeva¾ují diagnostické systémy. Je to dáno jednak povahou problémù, kterou typicky øe¹í lidé - experti, jednak i tím, ¾e vývoj diagnostické aplikace je relativnì jednodu¹¹í. V praxi je bì¾né, ¾e aplikace mù¾e øe¹it více typù problémù. Ji¾ první expertní systém Mycin (viz dále) nejprve diagnostikoval pacienta a pak pøedepisoval léky. design diagnóza instrukce interpretace øízení monitorování plánování predikce preskripce simulace selekce 0
5
10
15
Obr. 3.4: Procento aplikací
20
25
30
8
KAPITOLA 3. ZÁKLADNÍ PRINCIPY EXPERTNÍCH SYSTÉMÙ
3.3.1 Diagnostické úlohy
Diagnostický proces (dle [?]) lze chápat jako získávání a interpretaci informací relevantních pro potvrzení pøítomnosti nebo nepøítomnosti nìjaké závady v systému. Empirický cyklus stanovení diagnózy je uveden na obrázku 3.5. Cyklus je tvoøen tøemi kroky: (1) formulování hypotézy, (2) testování hypotézy, a (3) pøijetí nebo zamítnutí hypotézy. pozorované pøíznaky
znalosti
? formulace hypotézy ?
hypotéza
zamítni/ ? zpøesni - testování hypotézy pøijmi
?
diagnóza
? Obr. 3.5: Diagnostická úloha Konceptuální model diagnostické úlohy se opírá o mo¾né typy znalostí pou¾itých v dané aplikaci. Pou¾ité znalosti mohou mít charakter: 1. popisu normálního chování systému, 2. popisu abnormálního chování systému,
3.3. TYPY EXPERTNÍCH ÚLOH
reálný svìt
model normálního chování
pozorování- pozorované pøíznaky
predikce
- predikované pøíznaky
9
@@ @@ R
odchylka
Obr. 3.6: Diagnostikování odchylky od normálu 3. výètu závad a seznamu pøíznakù pro ka¾dou závadu (bez explicitních znalostí o chování systému, 4. seznamu pøíznakù pro normální situaci. V reálných aplikacích se vý¹e uvedené znalosti rùznì prolínají, pøi uva¾ování rùzných konceptuálních modelù je ale vhodné mezi nimi rozli¹ovat ([?]): diagnostikování odchylky od normálu, diagnostikování porovnáním abnormálního chování, diagnostikování klasi kováním abnormality. Diagnostikování odchylky od normálu vyu¾ívá první a ètvrtý typ znalostí. Tento zpùsob je vhodný v situacích, kdy není k dispozici dostatek znalostí o abnormálním chování a je známo pouze, jak vypadá chování normální (napø. diagnostikování nového stroje). Pøi tomto zpùsobu diagnostikování se pozorované chování porovnává s chováním oèekávaným a vyhodnocuje se pøípadná odli¹nost. Jak pozorované, tak oèekávané chování bývá charakterizováno pøíslu¹nými pøíznaky (obr 3.6). Pøi diagnostikování porovnáním abnormálního chování se pracuje s modelem abnormálního chování systému. Vyu¾ívá se tedy pøedev¹ím druhý typ znalostí. Z pøedpokladu výskytu urèité poruchy se dají predikovat nìkteré abnormální pøíznaky. Ty
KAPITOLA 3. ZÁKLADNÍ PRINCIPY EXPERTNÍCH SYSTÉMÙ
10
reálný svìt
pozorování- pozorované pøíznaky
model predikce abnormálního chování
- predikované pøíznaky
@@ @@ R
porovnej
Obr. 3.7: Diagnostikování porovnáním abnormálního chování se pak porovnávají s pøíznaky pozorovanými (obr. 3.7). Znalosti jsou obvykle formulovány jako kauzální vazby. Z dùsledkù (pøíznakù) se usuzuje na mo¾né pøíèiny (poruchy), pou¾ívá se tedy abdukce 1. Oba vý¹e uvedené zpùsoby, které vyu¾ívají explicitní modely struktury a chování systému (a do jisté míry tedy simulují chování systému), bývají oznaèovány jako systémy zalo¾ené na modelech (model-based systems). Tøetí zpùsob, diagnostikování klasi kováním abnormality s modelem systému nepracuje. Vyu¾ívá pouze více ménì typické pøíznaky, které doprovázejí jednotlivé závady. Pracuje se tedy se tøetím, nìkdy i ètvrtým typem znalostí. Pou¾ité znalosti se nìkdy oznaèují jako \mìlké" (shallow knowledge). Pøi øe¹ení problému se zji¹»uje, které závady jsou asociovány s pozorovanými pøíznaky 2 (obr. 3.8). Tomuto zpùsobu se nìkdy øíká heuristická klasi kace 3, nebo formuluj-hypotézu-a-testuj. Jde o zpùsob typický pro diagnostické systémy první generace (obvykle zalo¾ené na pravidlech). Na tomto místì jsme se zabývali pouze statickým aspektem stanovování diagnózy, tedy potøebnými znalostmi. Zpùsoby øe¹ení diagnostické úlohy (tedy dynamické aspekty) jsou zmínìny v kapitole 5. 1 2 3
O zpùsobech odvozování se podrobnìji pí¹e v kapitole 5. Nìkdy je pou¾itý typ znalostí oznaèovván jako empirické asociace. Tento termín poprvé pou¾il Clancey v roce 1985.
3.3. TYPY EXPERTNÍCH ÚLOH
reálný svìt
empirické asociace
11
pozorování- pozorované pøíznaky
asociování-
@@ @@ R
klasi kuj
evidence
Obr. 3.8: Diagnostikování klasi kováním abnormality
3.3.2 Generativní úlohy
Plánování, tedy schopnost sestavit sekvenci akcí, která povede k dosa¾ení po¾adovaného cíle, patøí v umìlé inteligenci k tradièním oblastem zájmu. Pohled na generativní úlohy (a plánování v AI obecnì) se postupnì vyvíjel. V prvním období bylo plánování chápáno jako dokazování teorémù nebo prohledávání (stavového prostoru nebo prostoru plánù). Dnes je plánování spí¹e chápáno jako splòování omezení, kladených na po¾adované øe¹ení úlohy (constraint satisfaction). Po¾adavky na chování systému se porovnávají s chováním navrhovaného øe¹ení. V pøípadì, ¾e øe¹ení nevyhovuje, musí se modi kovat. Tímto zpùsobem se napøíklad øe¹í úlohy kon gurování nìjakého systému (obr. 3.9). V situacích, kdy je k dispozici dostatek znalostí pro stanovení, co se má v dané chvíli provést, se postupuje zpùsobem navrhni-a-aplikuj. Klade se zde dùraz na postupné roz¹iøování dílèího øe¹ení, a lze tedy postupovat pomìrnì pøímoèaøe. V situacích, kdy dostupné znalosti jsou neúplné, nebo kdy existuje øada suboptimálních øe¹ení, se strategie ponìkud mìní. Postupuje se zpùsobem navrhni-a-reviduj, který umo¾òuje navracení k pøedcházejícím variantám øe¹ení. Øe¹ení je tedy u generativních úloh vytváøeno (poskládáno) z dílèích komponent. Tyto komponenty mohou být napø. souèásti nìjakého zaøízení (pøi designu) nebo dílèí akce (pøi tvorbì plánu).
12
KAPITOLA 3. ZÁKLADNÍ PRINCIPY EXPERTNÍCH SYSTÉMÙ po¾adovaný systém
speci kace- po¾adované chování
navr¾ený systém
pozorování- pozorované chování
6
@@ @@ R
odchylka
modi kace Obr. 3.9: Kon gurování
3.3.3 Nìkteré slavné systémy MYCIN
V roce 1972 zaèal ve Stanfordu E. Shortli e pracovat na programu, který by na základì rozboru krevních vzorkù diagnostikoval infekèní onemocnìní a doporuèoval léèbu vhodnými antibiotiky. Bìhem dialogu s u¾ivatelem-lékaøem se systém ptá na zdravotní stav a zdravotní historii pacienta a na výsledky laboratorních testù. Na základì tìchto údajù Mycin vydá diagnózu. Pro stanovenou diagnózu pak na základì vý¹ky a váhy pacienta a eventuelních alergií doporuèí vhodný lék vèetnì dávkování. Znalosti jsou v systému ulo¾eny v podobì pravidel, jejich¾ obecná podoba je: Jestli¾e (konjunkce podmínek) pak (závìr) s jistotou (èíslo)
kde ka¾dá podmínka nebo závìr je tvoøen trojicí (atribut objekt hodnota). Na rozdíl od Dendralu byla ji¾ pravidla oddìlena od mechanismu pro jejich vyu¾ívání, systém dále mohl pracovat i s neurèitostí vyjádøenou zde faktory jistoty. Systém pracoval zpìtným øetìzením, od diagnóz které chtìl potvrdit/vyvrátit k dotazùm o pacientovi.
3.3. TYPY EXPERTNÍCH ÚLOH
13
Mycin se stal významným jako vzor pro øadu dal¹ích expertních
systémù4. Na pou¾itý zpùsob práce s neurèitostí navazují i nìkteré èeské systémy (Equant, Sak). Ze systému Mycin byly pozdìji vypreparovány znalosti. Vznikl tak systém EMycin5, první prázdný expertní systém pou¾itelný (a pou¾itý) i pro jiné aplikace. Genealogii EMycinu ukazuje obrázek ??. LISP
?
MYCIN
?
EMYCIN
?
TEIRESIAS
?
PUFF
?
S1
?
ONCOCIN
?
M4
:::
:::
?
EQUANT
?
SAK Obr. 3.10: Rodokmen Mycinu Puff a Oncocin jsou medicinské aplikace; Puff pro interpretaci výsledkù plicního vy¹etøení spirometrem, Oncocin pro chemoterapii pøi rakovinì. S1 a M4 jsou prázdné systémy. V knize MYCIN: Computer-Based Medical Cnsultations vydané v roce 1976 Shortli e podrobnì popisuje celý systém, jsou zde rovnì¾ formulovány i obecné rysy expertních systémù. 5 Písmeno E byla pùvodnì zkratka pro \empty"; poté, co tvùrci sklidili øadu posmì¹kù, pøiklonili se k názoru, ¾e E znamená \essential". 4
14
KAPITOLA 3. ZÁKLADNÍ PRINCIPY EXPERTNÍCH SYSTÉMÙ
Vývoj systému Mycin, který má \pouze" 475 pravidel, trval více ne¾ 20 èlovìkorokù. U¾ zde se projevilo, v pozdìj¹ích letech èasto zmiòované úzké místo tvorby nìjaké aplikace (knowledge engineering bottleneck). Problémem není inferenèní mechanismus nebo prázdný systém, problémem je naplnìní systému znalostmi. Proto se hledaly metody jak tvorbu báze znalostí poloautomatizovat a¾ automatizovat (vìt¹í zmínka o této problematice je v kapitole 6). I zde ukázali cestu tvùrci Mycinu.
TEIRESIAS
Úlohou systému Teiresias (Buchanan) bylo umo¾nit expertovi modi kovat bázi znalostí systému Mycin v situaci, kdy systém odvodil nesprávnou diagnozu. Teiresias umo¾òoval trasovat pravidla, která Mycin pou¾il pøi konzultaci a v pøípadì, ¾e bylo nalezeno chybné pravidlo (nebo ¾e se expert rozhodl pøídat nové pravidlo), Teiresias umo¾nil provést zamý¹lenou zmìnu báze. Vyu¾ívá pøitom znalosti o bázi znalostí systému Mycin i o zpùsobu odvozování v Mycinu; pracuje tedy s metaznalostmi. Teiresias tedy napø. \ví", ¾e pravidla v Mycinu, která odvozují typ bakterie, mají v pøedpokladu typ infekce, místo, kde byla kultura nalezena a zpùsob nákazy. Vytváøí-li expert pravidlo pro typ bakterie a zapomene uvést nìkterý z pøedpokladù, Teiresias ho na to upozorní. Druhým typem pou¾ívaných metaznalostí jsou znalosti o tom, jak pou¾ívat Mycinovská pravidla. Následující dva systémy patøí ke komerènì nejúspì¹nìj¹ím (a nejznámìj¹ím) aplikacím; první (diagnostická) je z oblasti rudné geologie, druhá (generativní) je z oblasti kon gurování poèítaèù.
PROSPECTOR
V záøí 1983 usly¹ely miliony divákù veèerních zpráv CBS, ¾e program Prospector (Duda, Hart) nalezl molybdenové lo¾isko poblí¾ Mount Tolman ve státu Washington. Cílem systému je na základì rozborù zku¹ebních vrtù i pozorování terénu urèit, zda se v daném místì mù¾e vyskytovat rudné lo¾isko. Znalosti jsou v systému zakódovány v podobì pravidel; podle typu nalezi¹tì je zvolena pøíslu¹ná báze. Typická báze (o geologických charakteristikách mìdìných lo¾isek) je tvoøena 105 pravidly. Inferenèní mechanismus pou¾ívá bayesovský zpùsob práce s neurèitostí (viz. kap. 5). Podobnì jako Mycin i Prospector stál u zrodu celé øady expertních systémù jak ve svìtì (prázdný systém AL/X) tak u nás (prázdný systém Fel-Expert).
3.3. TYPY EXPERTNÍCH ÚLOH
15
R1/XCON
R1/Xcon patøí mezi komerènì nejúspì¹nìj¹í expertní systémy a má vel-
kou zásluhu na stimulování zájmu komerèní sféry o umìlou inteligenci. J. McDermott z Carnegie Mellon University zahájil práci na systému koncem roku 1978. Systém je urèen pro kon gurování sálových poèítaèù VAX rmy Digital Equipment6. Na základì po¾adavkù u¾ivatele na procesor, pamì», disky, terminály,... systém nakon guruje vhodnou sestavu a¾ do úrovnì kabelá¾e. Prototyp, dokonèený v roce 1980, byl schopen kon gurovat jeden typ poèítaèe, v souèasné dobì je zábìr systému roz¹íøen na desítky modelù tvoøené stovkami komponent. R1/Xcon pøiná¹í hmatatelný efekt. Roèní úspory související s pou¾íváním systému jsou pøibli¾nì 40 mil. USD u¹etøených na testování a montá¾i. R1/Xcon je implementován za pou¾ití produkèního systému OPS5. R1/Xcon je typickým pøíkladem toho, ¾e báze znalostí musí být neustále aktualizována po celou dobu pou¾ívání systému. Jak rma DEC zavádìla nové komponenty, báze znalostí se musela pøizpùsobovat. Ze zhruba 300 pravidel v roce 1979 se systém rozrostl na témìø 10 000 pravidel v roce 1986 7.
Kromì øe¹ení diagnostických nebo generativních úloh mají expertní systémy je¹tì jednu, pùvodnì neoèekávanou, oblast nasazení. Kdy¾ u¾ si experti dali tu práci a srozumitelnì a strukturovanì formulovali své znalosti, proè tyto znalosti nevyu¾ít ve výuce adeptù z dané oblasti. Pøíkladem mù¾e být expertní systém Internist pokrývající velkou èást vnitøního lékaøství. Jeho výuková verze Caduceus se osvìdèila pøi výuce studentù mediciny.
Firma DEC pou¾ívá i dal¹í expertní systémy, napø Xsel, který radí v otázkách prodeje. Zlí jazykové øíkají, ¾e Xcon sice nahradil 75 lidí zabývajících se kon gurováním poèítaèù, ale zamìstnává 150 lidí, kteøí jej udr¾ují v chodu. 6 7
