System Ekspertowy

Białystok, 24 stycznia 2003
Politechnika Białostocka
Wydział Informatyki
Główne elementy systemu
ekspertowego
Wykonał: Marcin Swiderski
Prowadzący: dr Z. Sosnowski
1. Czym jest System Ekspertowy
Jeden z prekursorów sztucznej inteligencji - E. Feigenbaum definiuje system
ekspertowy jako : „inteligentny program komputerowy, wykorzystujący procedury
wnioskowania do rozwiązywania tych problemów, które są na tyle trudne, że normalnie
wymagają znaczącej ekspertyzy specjalistów". Ogólną definicję systemu ekspertowego
podaje Encyklopedia Sztucznej Inteligencji. Według niej system ekspertowy „wykorzystuje
wiedzę eksperta do rozwiązywania takich problemów, które wymagają inteligencji
człowieka". Z innej definicji systemu ekspertowego wynika, że jest to „system informatyczny,
w którym w pamięci maszyny cyfrowej zawarta jest wiedza człowieka - eksperta. System taki
umożliwia doradzanie i wyjaśnianie podjętych decyzji". Ogólnie przyjmuje się, że system
ekspertowy jest to komercyjny program komputerowy, który ma na celu zastąpienie pracy
eksperta w danej dziedzinie. System ekspertowy może wykonywać następujące funkcje:
doradzanie, analizowanie, klasyfikowanie, udzielanie informacji, diagnozowanie, uczenie się,
gromadzenie doświadczeń, prognozowanie, planowanie, nauczanie, testowanie, czyli
wszystkie te zadania, które mógł realizować człowiek - ekspert.
Zakłada się, że aby system ekspertowy mógł realizować zadania wykonywane do tej pory
przez człowieka - eksperta powinien:




"rozumieć" i analizować problem;
wybierać fakty niezbędne do wykonania ekspertyzy;
udzielać porad;
wyjaśniać sposób rozwiązania danego problemu.
Systemy ekspertowe możemy podzielić na kilka sposobów m.in. ze względu na prezentację
rozwiązania lub strategię ich tworzenia.
Pierwszy podział pozwala wyodrębnić następujące grupy:
 doradcze z kontrolą człowieka - prezentujące rozwiązania dla użytkownika, który
jest w stanie ocenić ich jakość, zatwierdzić, lub zażądać innej propozycji,
 doradcze bez kontroli człowieka - system jest sam dla siebie końcowym
autorytetem. Rozwiązanie takie jest wykorzystane m.in. w układzie sterowania
promem kosmicznym. Układ 5 komputerów przygotowuje się do podjęcia decyzji.
Następnie porównuje otrzymane wyniki i przy pełnej zgodności wykonuje
odpowiednie działanie, w przeciwnym przypadku cały proces jest powtarzany,
 krytykujące - dokonujące analizy i komentujące uzyskane rozwiązanie.
Natomiast drugi:
 dedykowane - tworzone od podstaw przez inżyniera wiedzy współpracującego z
informatykiem,
 szkieletowe - gotowy system z pustą bazą wiedzy, do wypełnienia przez inżyniera
wiedzy i eksperta z danej dziedziny.
Utworzenie systemu opartego na bazie wiedzy wymaga pozyskania wiedzy eksperta, który
często znajduje rozwiązanie na podstawie informacji o problemie oraz na swoim
doświadczeniu. System ekspertowy posiada więc zapisaną wiedzę eksperta (lub licznego
zespołu ekspertów) z wybranej dziedziny dzięki czemu może jej używać w sposób
ekonomiczny, to znaczy bez udziału eksperta.
2
Pod koniec lat siedemdziesiątych dokonano istotnego spostrzeżenia. Otóż moc
programu ekspertowego tkwi w zakodowanej w nim wiedzy, a nie w formalizmie i
schematach wnioskowania, których ten program używa. Możemy to wyrazić w postaci
stwierdzenia „more knowledge less search”, co oznacza : im pełniejsza wiedza, tym szybciej
uzyskuje się rozwiązanie. Oznacza to, że w celu zbudowania inteligentnego systemu
ekspertowego, należy wyposażyć go w dużą ilość dobrej jakości, specyficznej wiedzy o
danym przedmiocie.
2. CECHY SYSTEMÓW EKSPERTOWYCH.
Podstawowe cechy systemów ekspertowych:






dotyczą wąskiej dziedziny wiedzy;
modularna budowa pozwalająca na rozbudowę systemu;
możliwość wnioskowania z niepełnej wiedzy;
możliwość wyjaśniania łańcucha wnioskowania w sposób zrozumiały dla
użytkownika;
rozdział mechanizmu wnioskowania od bazy wiedzy;
zastosowanie reguł wnioskowania postaci „if ... then ...".
Sprzyjającymi czynnikami rozwoju systemów ekspertowych są między innymi:








zwiększenie dostępności - ekspertyza dostępna na wielu komputerach i przez „cały
czas";
redukcja kosztów - wiedza eksperta jest kosztowna, stąd próby wykorzystania często
znacznie tańszych systemów ekspertowych;
wszechstronność ekspertyz - możliwość uzyskania kilku alternatywnych rozwiązań;
objaśnienie odpowiedzi;
skrócenie czasu konsultacji;
systemy ekspertowe dopuszczają większe grono ludzi występujących w roli eksperta połączenie wiedzy kilku ekspertów może spowodować, że system ekspertowy będzie
działał lepiej niż pojedyńczy ekspert;
odporność psychiczna - system ekspertowy umożliwia pracę bez zakłóceń, nawet w
stresujących warunkach;
zmniejszenie zagrożeń - może być używany w środowiskach niebezpiecznych dla
człowieka.
Do cech charakterystycznych różniących systemy ekspertowe od systemów informatycznych
zalicza się:




jawną reprezentację wiedzy w bazie wiedzy;
wykorzystanie w procesie wnioskowania mechanizmu wnioskującego;
możliwość uzasadnienia podawanych odpowiedzi za pomocą modułu objaśniającego;
wspomaganie i aktualizacja bazy wiedzy za pomocą modułu akwizycji wiedzy.
3
3 BUDOWA SYSTEMU EKSPERTOWEGO.
Użytkownik
Procedury
Wnioskowani
Procedury
Sterowania
Dialogiem
Baza
Wiedzy
Baza Danych
Stałych
Procedury
Objaśniania
Baza Danych
Zmiennych
Procedura
Aktualizacji
Baz Wiedzy
Rys1. Struktura Systemu Ekspertowego.[1]
System ekspertowy, zgodnie z jego właściwościami, składa się z następujących modułów:

Moduł pozyskiwania wiedzy umożliwia zdobywanie oraz modyfikowanie wiedzy z
danej dziedziny. Danych do modułu wiedzy dostarczają bezpośrednio eksperci z danej
dziedziny. Wywiad wstępny z ekspertami jest jednym z bardziej istotnych etapów
tworzenia systemu. Od jego jakości zależy przydatność i funkcjonalność całego
projektu.

Baza wiedzy (Knowledge Base) jest to część systemu zawierająca wiedzę o
dziedzinie i o podejmowaniu decyzji przez eksperta. Wiedza ta musi być niesprzeczna
i spójna. Sprzeczność i niespójność mogą pojawić się w sytuacji modyfikacji bazy
wiedzy lub też wprowadzania nowych reguł. Dlatego system ekspertowy powinien
zawierać mechanizmy kontrolujące niesprzeczność i spójność.

Mechanizmy wnioskowania (Inference Engine) stanowią część systemu kierującą
rozwiązaniem problemu. Są odpowiedzialne za poprawne zastosowanie wiedzy
zgromadzonej w bazie wiedzy. Podstawowymi metodami wnioskowania są
wnioskowanie „wstecz" (backward chaining) oraz wnioskowanie „wprzód" (forward
chaining).

Moduł objaśniająco-wyjaśniający (Explanation Facility) jest to część systemu
zajmująca się komunikacją ze światem zewnętrznym. Jest odpowiedzialny zarówno za
wprowadzanie danych do systemu, jak i za wyprowadzanie na zewnątrz wniosków
systemu. Moduł ten daje użytkownikowi radę, sugestię, a nie podejmuje decyzji.
4
Ostateczna decyzja jest podejmowana przez użytkownika.
4.Opis głównych elementów systemu ekspertowego
4.1 Baza wiedzy.
Baza wiedzy zawiera fakty i reguły, które są niezbędne do rozwiązania problemu w
specyficznej dziedzinie. Fakty są zdaniami oznajmiającymi, np. Starek żaglowy „Ewa” ma 45
m długości. Fakt ten może być reprezentowany w postaci związku między pewnymi
obiektami i charakteryzować się różnymi cechami (atrybutami). W podanym przykładzie
obiekt (statek żaglowy) ma dwie cechy (atrybuty): nazwę oraz długość. Między obiektami w
bazie wiedzy mogą istnieć różne związki. Na przykład statek żaglowy ma wszystkie
charakterystyki statku i oprócz tego specjalne charakterystyki, które są specyficzne dla
statków żaglowych.
Podstawowe reguły stosowane w systemach ekspertowych mają postać:
IF warunek THEN wniosek AND/OR akcja
Uznanie jakiejś reguły nazywa się uaktywnieniem reguły (firing). Dzięki uaktywnieniu reguł
nowe fakty (wnioski) są dodawane do bazy wiedzy i/lub odpowiednie akcje są wykonywane.
Nazywa się to często systemami regułowymi (rule-based programming). Około 85%
systemów ekspertowych jest opartych na regułach.
Podczas tworzenia bazy wiedzy inżynier wiedzy musi odpowiedzieć na następujące pytania:
jakie obiekty należy zdefiniować?
Jakie są relacje między obiektami?
Jak należy formułować i przetwarzać reguły?
Czy pod względem rozwiązywania specyficznego problemu baza wiedzy jest
kompletna i spójna?
Możemy wyróżnić następujące rodzaje baz wiedzy:
1.
Baza tekstów (text base),
W bazie tekstów występuje naturalna strukturalizacja zawartych informacji.
Przykładem takiej bazy są słowniki zawierające ogólne informacje z danej
dziedziny. Baza ta jest nie uporządkowana i w związku z tym operacje na niej
mogą być wykonywane w sposób dowolny.
2.
3.
4.
Baza danych (data base)
Baza danych przechowuje specyficzne, szczegółowe informacje, zapisane w
sposób uporządkowany.
Baza reguł (rule base),
Baza reguł zawiera wiedzę o obowiązujących w wybranej dziedzinie zależnościach
i jest najważniejszą częścią bazy wiedzy.
Baza modeli (model base),
Baza modeli zawiera modele matematyczne danej dziedziny. Modele te są
logiczno-matematycznym przedstawieniem pojęcia, systemu lub działań.
Wyróżniamy trzy typy modeli:
5

5.
Model deterministyczny – jest analitycznym przedstawieniem pojęcia, systemu
lub działań, w którym dla danych wielkości wejściowych wyniki są określone
jednoznacznie,
 Model niedeterministyczny (lub stochastyczny) – to model, w którym
powiązania funkcyjne zależą od wielkości losowych. Dla danych wielkości
wejściowych wyniki mogą być jedynie przewidziane zgodnie z zasadami
probabilistyki,
 Model wartości oczekiwanych – to model, w którym wielkościom losowym
zostały nadane ich wartości oczekiwane.
Baza wiedzy zdroworozsądkowej (common sense knowledge base).
Baza wiedzy zdroworozsądkowej odzwierciedla potencjalne, racjonalne
zachowania się człowieka. Zawiera ona reguły definiujące sposoby podejmowania
decyzji, reprezentujące metawiedzę systemu ekspertowego. Metawiedza stanowi
wiedzę o wiedzy, czyli o sposobie przetwarzania wiedzy z danej dziedziny.
4.1.1 Tworzenie baz wiedzy
Konstrukcja właściwej bazy wiedzy jest podstawą poprawnego funkcjonowania
systemu ekspertowego. Wymaga ona wyboru odpowiednich faktów z dziedziny działania
systemu, uniknięcia błędów i wyboru odpowiedniej struktury dla tych faktów.
Programy redakcyjne oferują następujące możliwości:
 wygodny dla użytkownika sposób komunikacji i zautomatyzowane operacje rejestracji
przy rozmieszczaniu informacji;
 kontrolowanie ortograficznej i syntaktycznej poprawności wprowadzanej informacji
tekstowej;
 sprawdzanie semantycznej niesprzeczności między dotychczasową zawartością bazy
danych a nowo wprowadzanymi faktami.
W celu ułatwieniu użytkownikowi wprowadzania danych stosuje się systemy okien i
wprowadzania informacji.
Specjalizowane programy redakcyjne dla uniwersalnych systemów ekspertowych, jak
EMYCIN, sprawdzają poprawność syntaktyczną i ortograficzną, mogą sprawdzić zgodność
typów danych, a nawet podpowiadać poprawną formę wprowadzanej informacji. Systemy
najbardziej rozwinięte sprawdzają także kompletność i spójność nowych informacji z już
wprowadzonymi.
Przebudowa bazy wiedzy wynika z wykrycia błędów w działaniu systemu,
spowodowanych niewłaściwie wykonaną bazą wiedzy. Aby uniknąć tych błędów stosowana
jest kontrola poprawności semantycznej (w trybie konwersacji z inżynierem wiedzy) oraz
automatyczne testowanie. Przykładem takiego systemu jest TEIRESIAS
Automatyzacja procesu tworzenia bazy wiedzy
Problem automatyzacji tworzenia baz wiedzy wiąże się bezpośrednio z procesem
uczenia się.
Przykładem jest system EURISKO, projektujący układy scalone o dużej skali integracji.
Przeszkodą jest występowanie szumu informacyjnego w otoczeniu systemu (błędne dane).
6
Narzędzia do tworzenia systemów ekspertowych
Narzędzia programowe (expert system tools) mogą zawierać: maszynę wnioskującą,
interfejs z użytkownikiem, procedury do pozyskiwania wiedzy, które umożliwiają
konstruowanie kompletnego systemu przez dodanie bazy wiedzy.
Narzędzia te możemy podzielić na grupy:
a)
systemy szkieletowe (expert system shells);
b)
środowiskowe programy ułatwiające implementację systemu, np. programy
ułatwiające zarządzanie bazą wiedzy, programy grafiki komputerowej itd.;
c)
języki systemów ekspertowych, np. Clips, Flops, OPS5 itd.;
d)
języki programowania symbolicznego (tzw. języki sztucznej inteligencji), np. Lisp,
Prolog;
e)
języki algorytmiczne, np. Basic, Pascal, C, C++ , Fortran, itd.
Niektórzy zaliczają Prolog do klasy języków systemów ekspertowych, ponieważ ma
on wbudowany mechanizm wnioskowania oraz określony rodzaj reguł.
Pierwsze systemy szkieletowe powstały z systemów dedykowanych przez opróżnienie
bazy wiedzy, np. system EMYCIN powstał w 1980r. Z systemu MYCIN. Dla inżyniera
wiedzy system szkieletowy oferuje następujące udogodnienia: struktury reprezentowanej
wiedzy, mechanizm wnioskowania, moduły objaśniające, niekiedy struktury kontrolujące
przetwarzanie wiedzy.
Zalety systemu szkieletowego :
1.
Zapewniają mechanizm dla formalnej reprezentacji wiedzy, np. reguły, ramy itp.
2.
Zapewniają narzędzia do strukturalizacji bazy wiedzy.
3.
Mają wbudowany mechanizm wnioskowania.
4.
Dają interfejs odpowiedni do utworzenia systemu ekspertowego, umożliwiający
konstruowanie i rozbudowę bazy wiedzy również dla końcowego użytkownika.
5.
Zapewniają udogodnienia do tworzenia komponentów systemu objaśniającego.
6.
Dają narzędzia do sprawdzenia poprawności bazy wiedzy.
7.
Dają narzędzia do pozyskiwania wiedzy.
8.
Przy tworzeniu systemu nie trzeba znać języka, w jakim system szkieletowy jest
napisany.
Wady systemów szkieletowych:
1.
Twórca systemu ekspertowego jest ograniczony do możliwości danego narzędzia.
Specyficzny system szkieletowy jest przeznaczony do specyficznych zastosowań,
nie do wszystkiego, np. diagnozowanie, planowanie.
2.
Czasem trzeba poznać język danego systemu szkieletowego, np. GURU,
Knowledge Pro, ...
3.
Każdy system szkieletowy ma swoją specyficzną strukturę reguł.
4.
Zmiana funkcji systemu jest możliwa, jeśli jest to przewidziane i jest do tego
odpowiedni interfejs; na ogół nie można nic przerabiać, ponieważ brak jest kodu
źródłowego.
5.
Wysokie ceny oraz powiązanie z określonymi typami komputerów.
7
Zastosowanie techniki szkieletowych systemów ekspertowych umożliwia skrócenie czasu
tworzenia oprogramowania w porównaniu z podejściem opartym na konwencjonalnym
programowaniu.
Porównując języki ekspertowe z językami systemów szkieletowych możemy stwierdzić,
ze te ostatnie są łatwiejsze do implementacji. Posługiwanie się językiem systemów
ekspertowych stwarza większe możliwości aplikacyjne, ale wymaga większego wysiłku,
ponieważ trzeba nauczyć się języka.
4.2 Maszyna Wnioskująca
Maszyna wnioskująca zajmuje się wyszukiwaniem rozwiązań w przestrzeni stanów
środowiska. Jednym z podstawowych postulatów tworzenia systemów ekspertowych jest, by
maszyna wnioskująca była oddzielona od bazy wiedzy. Dzięki temu w szkieletowych
systemach ekspertowych maszyna wnioskująca działa tak samo poprawnie dla dowolnych
dziedzin wiedzy. Maszyna przeszukuje przestrzeń stanów środowiska za pomocą strategii
przeszukiwań i heurystyk, stosując pewne metody wnioskowania. Strategie przeszukiwania
mówią, w jaki sposób maszyna wnioskująca ma sprawdzać prawdziwość kolejnych stanów
środowiska. Heurystyki pomagają zoptymalizować poszukiwania rozwiązań : pozwalają
pominąć ścieżki, które nie rokują nadziei na odnalezienie rozwiązania, skracają czas
dochodzenia do wyniku itp. Metody wnioskowania decydują o tym, w jaki sposób zachodzi
proces myślenia, czy jest to na przykład wnioskowanie wstecz (indukcja), wprzód (dedukcja)
lub inne.
W procesie wnioskowania korzysta się z pewnego obszaru pamięci roboczej, gdzie
przechowywane są wyniki częściowe. Maszyna wnioskująca rozwiązywanie problemu
rozpoczyna od umieszczenia hipotez w pamięci roboczej (na tzw. Stosie zadań). Następnie
system przegląda bazę wiedzy , sprawdzając czy nie ma tam odpowiedzi na postawioną
hipotezę. Jeżeli fakt spełniający założenia hipotezy został odnaleziony, to następuje
zakończenie procesu wnioskowania i jest generowany odpowiedni komunikat. Jeżeli program
nie może uzyskać odpowiedzi na postawioną hipotezę, są podejmowane kroki, w wyniku
których są generowane nowe fakty.
Istnieją dwie podstawowe metody wnioskowania:
 wnioskowanie „wprzód" (forward chaining)
 wnioskowanie „wstecz" (backward chaining)
Wnioskowanie „wprzód" (forward chaining) rozpoczyna od faktów i posuwa się w
kierunku diagnozy. System na podstawie podanych faktów oraz faktów i reguł zawartych w
bazie wiedzy stara się wygenerować nowe fakty. Nowe fakty dołącza się do bazy wiedzy i
powtarza się próbę znalezienia kolejnych, nowych faktów. Wnioskowanie kończy się, kiedy
nie da się wygenerować żadnych nowych faktów lub kiedy znaleziono szukaną diagnozę.
8
START
Weź hipotezę ze szczytu stosu
zadań
T
N
Czy w bazie wiedzy na liście faktów
jest odpowiedź na postawioną
hipotezę?
Określ reguły, których
przesłanki znajdują się na
liście faktów
Wybierz regułę, stosując
strategię wnioskowania
N
Czy istnieje reguła którą
można uaktywnić?
T
Sformułuj odpowiedź
Uaktywnij wybraną regułę
Dopisz nowe fakty do listy faktów,
zaznacz użycie uaktywnionej
reguły
STOP
Rys. 2 Uproszczony schemat maszyny wnioskującej w przód[1]
Druga metoda wnioskowania to wnioskowanie „wstecz" (backward chaining).
Rozpoczyna się od hipotezy i szuka argumentów (dowodów), które pozwolą potwierdzić lub
obalić hipotezę, korzystając z reguł zawartych w bazie wiedzy. Jeśli reguły korzystają z
faktów, które nie są znane, a które wynikają z innych reguł, to system najpierw sprawdza te
reguły itd. Jeśli danych faktów nie da się wyprowadzić się za pomocą reguł wówczas system
pyta o nie użytkownika. Cały proces wnioskowania zwykle odbywa się rekurencyjnie, aż do
momentu, kiedy uda się uzyskać wszystkie potrzebne dane do zdeterminowania prawdziwości
lub fałszywości hipotezy.
Działanie maszyny wnioskującej przedstawionej na rys.3 (patrz następna strona) jest
następujące. Na początku system sprawdza poprawność składni bazy wiedzy podanej na
wejście systemu. Jeśli składnia jest poprawna, to odczytując kolejne słowa kluczowe i
wpisując wartości w odpowiednie pola struktur danych, jest tworzona lista reguł. Następnie
system tworzy listę faktów na podstawie utworzonej listy reguł. Dla każdego warunku każdej
reguły są przeprowadzane dwa testy. Pierwszy sprawdzający czy dany warunek jest wynikiem
jakiejkolwiek regułą z listy reguł.
Drugi natomiast sprawdza, czy wartość obiektu danego warunku znajduje się na liście
odpowiedzi dotyczącej danego obiektu w jakiejkolwiek regule. Jeśli oba testy dały wynik
negatywny, to dany warunek jest dołączony jako fakt do listy faktów; jeśli pozytywny, to jest
rozpatrywany następny warunek.
9
START
Załaduj bazę wiedzy
Sprawdź składnię bazy wiedzy
Zwolnij struktury danych, które
reprezentowały bazę wiedzy w
poprzednim wnioskowaniu
Utwórz listę reguł przez
odczytywanie bazy wiedzy i
utworzenie odpowiednich struktur
Utwórz listę faktów na podstawie
listy reguł wg określonych zadań
Postaw hipotezę przez odczytanie
jej z bazy wiedzy lub wyprowadź
nową hipotezę
Szukaj odpowiedzi na postawioną
hipotezę
T
Czy jest następna hipoteza
N
Czy załadować nową bazę
wiedzy?
T
N
STOP
Rys 3. Algorytm maszyny wnioskującej wstecz[1]
Po utworzeniu w przedstawiony sposób wewnętrznej bazy wiedzy system stawia
pytanie o cel główny, do jakiego ma dążyć, i usiłuje dać odpowiedź na postawiony cel oraz
uruchamia proces wnioskowania.
Wnioskowanie rozpoczyna przeszukanie listy faktów i jeżeli system odnajdzie cel
główny na liście faktów, to jego wartość jest wyprowadzana jako odpowiedź. W przypadku
gdy przeszukiwanie listy faktów zakończy się niepowodzeniem, system szuka celu w
wynikach reguł. Jeżeli nie odnajdzie celu głównego w konkluzji żadnej z reguł, wówczas
zostaje wygenerowana informacja o braku celu głównego w bazie wiedzy. W przeciwnym
wypadku, po odnalezieniu pewnej reguły z listy reguł spełniającej powyższe założenia, jest
uruchamiany proces analizy warunków tej reguły.
Analiza warunków odbywa się w sposób rekurencyjny, tzn. analizowany warunek
staje się aktualnym celem głównym i jest poszukiwany na liście faktów. Jeśli zostanie
odnaleziony to warunek jest spełniony. Jeżeli znajduje się w wyniku pewnej reguły, to są
analizowane warunki tej reguły i proces się powtarza. W przypadku braku analizowanego
10
warunku na liście faktów, ani w konkluzjach reguł, to system sprawdza jeszcze możliwość
zadania pytania o warunek. Jeśli taka możliwość istnieje wyświetlane jest stosowne pytanie, a
odpowiedź jest zapisywana na liście faktów.
W momencie spełnienia wszystkich warunków danej reguły reguła ta jest
uruchamiana, a fakt powstały w wyniku jej działania jest umieszczany na liście faktów. W ten
sposób ścieżki poszukiwań tworzą drzewo, którego liśćmi są fakty, a korzeniem postawiony
cel główny. Po dojściu do faktów system cofa się rekurencyjnie, aż do napotkania nie
zbadanego warunku. System postępuje w ten sposób do momentu odnalezienia odpowiedzi na
postawiony cel główny. Wówczas, w wyniku uruchomienia reguły zawierającej w wyniku cel
główny, zostaje on umieszczony na liście faktów, a odpowiedź wyprowadzona dla
użytkownika.
4.3 Moduł pozyskiwania wiedzy
Moduł pozyskiwania wiedzy umożliwia zdobywanie oraz modyfikowanie wiedzy z
danej dziedziny. Danych do modułu wiedzy dostarczają bezpośrednio eksperci z danej
dziedziny. Wywiad wstępny z ekspertami jest jednym z bardziej istotnych etapów tworzenia
systemu. Od jego jakości zależy przydatność i funkcjonalność całego projektu. Większość
informacji na ten temat została zawarta w punkcie 4.1.1.
4.4 Moduł objaśniająco-wyjaśniający
Moduł objaśniająco-wyjaśniający (Explanation Facility) jest to część systemu zajmująca
się komunikacją ze światem zewnętrznym. Jest odpowiedzialny zarówno za wprowadzanie
danych do systemu, jak i za wyprowadzanie na zewnątrz wniosków systemu. Moduł ten daje
użytkownikowi radę, sugestię, a nie podejmuje decyzji. Ostateczna decyzja jest podejmowana
przez użytkownika.
5.BIBLIOGRAFIA
Literatura:
1. Jan J. Mulawka Systemy ekspertowe Wydawnictwo Naukowo-Techniczne Warszawa 1996.
Internet:
2.
Databases and Artificial Intelligence 3
Artificial Intelligence Segment
Alison Cawsey
http://www.cee.hw.ac.uk/~alison/ai3notes/all.html (15 grudnia 2002)
3.
http://www.cdm.lcs.mit.edu/doyle/teaching/6.871/ (15 grudnia 2002)
4.
http://spock.ia.agh.edu.pl/grant/gjn-Regulus-WWW/miw2002/MIW02projekty/Systemy_Regulowe/MIW02-Systemy_Regulowe.html (15 grudnia 2002)
5.
http://adam.imir.agh.edu.pl/dydakt/expert/pozyskiw.htm (20 stycznia 2003)
11