ZNALOSTNÉ SYSTÉMY prednáška č. 13

Slides:



Advertisements
Podobné prezentácie
Vkladanie diakritiky s využitím štatistickej analýzy textu
Advertisements

Osnova prednášky Synchronizácia v Jave
Abstrakt Mgr. Imrich IŠTVAN, PhD..
ROZHODOVACIE STROMY doc. Ing. Kristína Machová, CSc.
E.3. Porovnanie kvality modelov
Posudzovanie vplyvov na životné prostredie a krajinný vzhľad
Algorithmic Chemistry in Genetic Programming Informatics and Information Technologies Student Research Conference, 2006 Vojtech Szöcs Vedúci projektu:
Internet a www.
OBJAVOVANIE VZOROV POHĽADU PRI NAVIGAČNÝCH ÚLOHÁCH NA WEBE
Extrakcia informácií z medicínskych záznamov
3D Technológie Michal Kubaľa III.A.
Rozpoznávanie obrazcov šk.r
3 X P alebo Prezentácia o úspešnej prezentácii /pre študentov 4. roč
Rýchlokurz: Ohodnocovanie grafov
ŠTATISTICKÁ INDUKCIA.
Interval.
MANAŽMENT ĽUDSKÝCH ZDROJOV
POMER RNDr. Marta Megyesiová.
Ochrana súkromia medzi matfyzákmi
Spracovanie postupnosti pohľadu pravdepodobnostnými modelmi
ZNALOSTNÉ SYSTÉMY prednáška č. 6
Úvod do jazyka C Algoritmizácia úloh.
Cisco a Internetové siete
Ing. Alexandra Vašašová
Viem, že robot nie je človek.
18/9/2018 Licitácia Tomáš Pavlík
Základné pojmy spojené s BIOS
Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach
Posilňovanie rovnosti LGBTI osôb v Európskej únii
Binárne Relácie Szendreyová Alžbeta.
INFORMAČNÁ BEZPEČNOSŤ 9
Databázové systémy.
Modelovanie kontextov s účelom objavenia skrytých kontextov
9/4/2019 Firemná knižnica 2000 Nadežda Andrejčíková N. Andrejčíková.
Manažér a jeho funkcie Predmet: Manažment športu – 2. prednáška
Sem zadajte názov projektu Vaše meno Meno vyučujúceho Vaša škola
Tvorba projektu a prezentačné zručnosti
25/9/2018 Výsledok Tomáš Pavlík
VIRTUÁLNÍ HOSPITACE Biológia Osmtické javy v bunke
Študijný program Kvalita produkcie strojárskej techniky I. stupeň.
Vedúci diplomovej práce: prof. Ing. Stanislav Marchevský, Csc.
stavebný a znalecký softvér
Implementácia a zabezpečenie prevádzky systému ARL – spolupráca knižnice a firmy Dobrý den, vážení a milí, dovolte mi aby som Vam v mene svojom i v mene.
JUDr. Miroslava Benediková
Dopady aktívnych opatrení trhu práce na zvyšovanie zamestnanosti
Kognitívne schopnosti a ich špecifiká u detí s intelektovým narušením
Použitie počítačov v geografii (2)
Opakovanie sekvencia postupnosť príkazov (príkaz je povel, ktorý počítač alebo iné zariadenie pozná a dokáže vykonať) vykonávanú v takom poradí, v akom.
ZNALOSTNÉ SYSTÉMY prednáška č. 1
Informačné a komunikačné technológie v knižnično-informačných systémoch Nadežda Andrejčíková.
optimálne programovanie
Mária Hrnčárová, Marek Mažáry 3.E
Viktor Olejár Univerzita P. J. Šafárika v Košiciach
Umelé neurónové siete Márius Šajgalík.
Projekt Tu sme doma Úprava chodníkov.
TURISTICKÁ A INFORMAČNÁ MAPA MESTA LUČENEC
Štandardy v procese spracovania bibliografických informácií i u nás.
ŠTATISTIKA A EFKÁRI IVONA MAGYAROVÁ 3.F BANSKÁ BYSTRICA 2006.
Výhody štandardizácie v prostredí Pro|ENGINEER
PhDr. Tatiana ARBE, OEMP ÚM STU
Kvantitatívny prieskum TV BA
Rozpoznávanie obrazcov a spracovanie obrazu
Kapowtech RoboSuite Team10.
Sopka z fyzikálneho hľadiska
34 Filip Hudzík, Martin Durkáč, Karina Cimborová,
Použitie počítačov v geografii (2)
PRAVDEPODOBNOSTNÝ POJEM doc. Ing. Kristína Machová, CSc.
Nepriama úmernosť – tabuľka, rovnica a graf
Obsah prezentácie digitálna prezentácia Desatoro
Prepis prezentácie:

ZNALOSTNÉ SYSTÉMY prednáška č. 13 Modifikácia BZ a vysvetľovací mechanizmus Kristína Machová Kristina.Machova@tuke.sk Vysokoškolská, 149, Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach Osnova prednášky Vylepšovanie znalostí Dopĺňanie znalostí Vysvetľovací mechanizmus Delenie vysvetlení Bezpečnosť ES Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

1. Vylepšovanie znalostí Niekedy je potrebné BZ vylepšiť: -dopĺňaním -redukciou -modifikáciou Dopĺňanie. Nové znalosti sú zaraďované v nadväznosti na existujúce znalosti. Redukcia. BZ vo všeobecnosti obsahuje: 1. Lokálne platné náhodné súvislosti. Tie sú z BZ odstraňované. 2. Globálne platné zákonitosti. Tie sa v BZ ponechávajú. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

1. Vylepšovanie znalostí Modifikácia. Celkový objem znalostí sa zachováva. Znalosti sa spresňujú, aby lepšie odrážali pomery v doméne. Spôsoby modifikácie: 1. Meníme váhy jednotlivých pravidiel. 2. Meníme počty podmienok v pravidlách. Ak sme získali pravidlá strojovým učením z trénovacej množiny, overíme ich na testovacej množine. Je nutné zosúladenie BZ na základe dodatočných informácií. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 2. Dopĺňanie znalostí Navrhnutá metodika dopĺňania znalostí sa používa vtedy, keď chápanie znalostí expertom je širšie ako jej explicitné vyjadrenie. 1. Zoradenie podmienok podľa dôležitosti. Podmienky delíme na: dominantné (bez ich splnenia záver neplatí) nedominantné Zoradenie: 1...najmenej významná podmienka n...najvýznamnejšia podmienka n...je počet nedominantných podmienok. 2. Generovanie doplnkových pravidiel. Každá nedominantná podmienka môže byť negovaná. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 2. Dopĺňanie znalostí 3. Usporiadanie doplnkových pravidiel. Každému doplnkovému pravidlu sa priradí hodnota = súčtu váh (číselných ohodnotení z kroku 1). Vysokú hodnotu bude mať pravidlo, ktoré obsahuje veľa negovaných podmienok alebo obsahuje najvýznamnejšie nedominantné podmienky. Hodnota odráža nakoľko sa doplnkové pravidlo líši od pôvodného pravidla (v.h.=v.odlišnosť) 4. Určenie hraničného pravidla. Expert vyberie hraničné pravidlo. Čo je za hraničným pravidlom, t.j. má vyššie ohodnotenie ako hraničné pravidlo, to sa do BZ nezaradí. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 2. Dopĺňanie znalostí 5. Určenie váh. Pre akceptované doplnkové pravidlá je potrebné určiť váhy, s ktorými budú zaradené do BZ. - Môže ich určiť expert. - Môžu byť vypočítané podľa vzťahu: ...váha pôvod. prav. ...váha hran. prav. ...suma pre ohodnoc. prav. ...suma pre hran. prav. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

3. Vysvetľovací mechanizmus Používateľ potrebuje vysvetlenie, čo sa robí, keďže nepozná všetky možnosti práce s ES. Používateľ sa potrebuje utvrdiť v dôveryhodnosti výsledku, keďže ide o riešenie ne-algoritmizovateľnej úlohy. Vysvetľovanie je charakterizované: 1. Cieľom vysvetľovania 2. Objektom vysvetľovania 3. Spôsobom vysvetľovania 4. Adresátom vysvetľovania Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

3. Vysvetľovací mechanizmus - cieľ Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

3. Vysvetľovací mechanizmus - objekt Tento parameter určuje čo sa bude objasňovať. Od toho závisí spôsob objasňovania. Je nutné špecifikovať čo sa môže objasňovať. Nie je možné vysvetľovať všetky znalosti a procedúry. Objekty delíme podľa: 1. Oblasti interpretácie (doména, systém). 2. Úrovne všeobecnosti (konkrétne fakty, metafakty) 3. Typu (objekt – statický, proces - dynamický). 4. Vlastností objektu (statické/ dynamické, presné/ približné, plné/ neúplné). Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

3. Vysvetľovací mechanizmus - spôsob Aj tento parameter má niekoľko aspektov: Typ objasnenia: 1. príčinné – kauzálne 2. objasnenie pomocou zákona 3. funkcionálne – cieľové, motivačné 4. štrukturálne 5. genetické - historické Úroveň detailnosti: je vynútená rôznorodosťou cieľov používateľov, rôznorodosťou úrovní ich znalostí a zmenou v čase. Jazyk objasnenia: prirodzený, jazyk graf. obrazov. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

3. Vysvetľovací mechanizmus - adresát Adresát je ten kto prijíma vysvetlenie. Sú rôzne typy používateľov s rôznymi cieľmi a rôznou úrovňou vyžadovanej detailnosti vysvetlenia. Logika práce a reprezentácia znalostí v ES nie je identická s reprezentáciou u používateľa. Napriek tomu musí byť vysvetlenie pochopiteľné, týkajúce sa toho, na čo sa pýtal používateľ, na vhodnej úrovni detailnosti. Kvalifikácia používateľa sa s časom mení (potrebuje stále menej podrobné vysvetlenie). Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 4. Delenie vysvetlení Vysvetlenia pomocou vopred pripravených textov. S každým krokom programu je zviazaný vysvetľujúci text, ktorý bol vopred pripravený (chybové hlásenia). Nevýhody: nutnosť predvídať otázky, nezohľadňuje dynamiku vysvetľovania, žiadny konceptuálny model. Vysvetlenia generované z behu programu. GOAL, TRACE, WHY, HOW, WHAT, WHAT-IF Vysvetlenia podľa modelu. Systém používa: IS (expertné znalosti, na riešenie problému) kauzálny model (model znalosti, na formuláciu vysvetlení). Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 5. Bezpečnosť ZS Možné poškodenie: zmena obsahu, neoprávnený prístup k BZ, neoprávnený prístup k vonkajším zdrojom. Oblasti ochrany: Numerické informácie v BZ (určovanie kontrolných súm) Symbolické informácie v BZ (kontrola počtu slov) Špeciálne typy znalostí (externé procedúry) Používateľské rozhranie (jednoduchý prienik do ZS) Vysvetľovanie činnosti systému (trasovanie riešenia) Databázy (neoprávnený prístup do databázy cez ZS) Shell (jednoduché, otvárajú dvere) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 5. Bezpečnosť ZS Stupne ochrany: Ochrana heslom (určovanie kontrolných súm) Chránená verzia systému 1. Verzia pre ZI – protected version 2. Verzia pre používateľa – prístup iba k BZ Rôzne verzie BZ 1. BZ na účely odvodzovania 2. BZ na účely vysvetľovania(kauzálny model) Systém GURU využíva všetky tri možnosti. Samostatný malý ZS, ktorý by sledoval porušenie integrity systému, alebo jeho použitie neoprávneným používateľom. Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach