De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

AI61 AI Kaleidoscoop College 6: Deel 1:Expert systemen Deel 2: Onzekerheid in redeneren Leeswijzer: 8.0-7.1 + 5.2 + 9.2.1.

Verwante presentaties


Presentatie over: "AI61 AI Kaleidoscoop College 6: Deel 1:Expert systemen Deel 2: Onzekerheid in redeneren Leeswijzer: 8.0-7.1 + 5.2 + 9.2.1."— Transcript van de presentatie:

1 AI61 AI Kaleidoscoop College 6: Deel 1:Expert systemen Deel 2: Onzekerheid in redeneren Leeswijzer:

2 AI62 Deel II: Redeneren met onzekerheid Onzekerheid is aanwezig in alle KBS systemen Bronnen van onzekerheid: Kennis –incomplete domein theorie (geneeskunde) –foute domein theorie (geneeskunde) –vage begrippen (psychiatrie) –complete theorie wel beschikbaar maar te duur of te inefficient (ramp-alarm systeem) Data –Data zijn niet precies bekend (meetinstrumenten) –Data zijn helemaal niet bekend (te duur of onmogelijk om te meten)

3 AI63 Redeneren met onzekerheid Zeer veel verschillende formalismen beschikbaar: –waarschijnlijkheidstheory (Bayes’ rule) –certainty factors (MYCIN) –fuzzy logic –possibility theory (Zadeh) –evidence theory (Dempster/Schaefer) –plausability theory –incidence calculus (Bundy) Sommigen zijn wiskundig incorrect, anderen zijn duur om te berekenen Keuze hangt af van toepassing....

4 AI64 Waarschijnlijkheidstheorie Elke primitieve gebeurtenis A heeft een waarschijnlijkheid p(A) Combinatie regels voor waarschijnlijkheid van samengestelde gebeurtenissen: Voor onafhankelijk gebeurtenissen A en B!!

5 AI65 Afhankelijke gebeurtenissen: A = kruis, p(A)=0.5 B = munt, p(B)=0.5 0 Regel van Bayes: p(B) =kans dat B gebeurt, onafhankelijk van andere gebeurtenissen p(B|A) = kans dat B gebeurt, gegeven dat A gebeurt (= conditionele kans) 1

6 AI66 Regel van Bayes (Vb) Wil weten Maar p(h  b) is meestal onbekend Regel van Bayes: en p(b|h) is wel bekend

7 AI67 Problemen met regel van Bayes Vereist alle paren van conditionele kansen Voorbeeld: –medisch specialist kent  2000 ziekten –1-ziekte diagnose: 1 miljoen getallen –5-ziekte diagnose: getallen !! Oplossing: –neem aan dat alle symptomen onafhankelijk zijn Maar: meestal niet waar –verdeel symptomen in groepen, met onafhankelijkheid tussen de groepen. Vb: mechanische problemen + electrische problemen Maar: soms moeilijk (vb: geneeskunde)

8 AI68 Zekerheids-factoren (MYCIN) -1  CF  1 CF = 1 : zeker waar CF = -1: zeker onwaar CF = 0 : weet niet Elke gebeurtenis krijgt een CF Combinatie-regels voor complexe gebeurtenissen:

9 AI69 Zekerheidsfactoren met regels: Geef een CF aan elke regel: IFcond1 AND cond2 AND cond3 THENconcl (with CF=0.8) CF(conclusie)=CF(conditie)   CF(regel) Voorbeeld:CF(cond1)=1.0 CF(cond2)=0.7 CF(cond3)=0.6 Dan: CF(concl)=min{1.0, 0.7, 0.6}   0.8 = 0.48

10 AI610 Zekerheidsfactoren met regels (2) Wat te doen bij meerdere regels met zelfde conclusie? Vb: R1 en R2 concluderen beiden C  Bereken CF met regel R1: CF1(C)=X  Bereken CF met regel R2: CF2(C)=Y  Combineer: X+Y-XY als X,Y>0 X+Y+XY als X,Y<0 anders

11 AI611 Problemen met Certainty Factors Geen wiskundig correct model (strijdig met waarschijnlijkheidsleer) Uitkomst kan afhangen van de volgorde Getallen moeilijk van menselijke experts te krijgen Is alleen korrekt voor korte redeneer-ketens

12 AI612 Historische ontwikkeling in AI Jaren ‘60: Zoek-systemen –Weinig kennis –Algemene zoekmethoden Jaren ‘70: Kennis systemen (“Expert systems”) –Systemen met veel kennis over gespecialiseerde domeinen gespecialiseerde taken

13 AI613 Stappen in KBS ontwikkeling (1) Probleem Identificatie Kennis ConceptualisatieKennis Formalisatie Implementatie Validatie & Testen

14 AI614 Stappen in KBS ontwikkeling (2) Probleem identificatie –vastleggen van functionaliteit –gebruik interviews, boeken Conceptualisatie –begrippen-lijsten –verschillende typen kennis –structuur van kennis –relaties tussen begrippen –redeneervormen Formalisatie –Logische analyse Implementatie –Keuze van representatie taal Conceptueel model

15 AI615 Rol van conceptueel model abstract model van kennis wel begrijpelijk voor domein expert niet precies genoeg voor computer Expertise conceptueel model IF.... THEN... IF... THEN... Code

16 AI616 Architectuur voor KBS Inference Engine Knowledge Base knowledge-base editor explanation system User Interface: menus commands graphics

17 AI617 Architectuur voor KBS (2) Inference Engine Knowledge Base knowledge-base editor explanation system User Interface : menus commands graphics Scheiding van kennis & inferentie: Hergebruik zelfde kennis voor andere inferenties (auto’s repareren of auto’s ontwerpen) Hergebruik zelfde inferenties met andere kennis (auto’s repareren of schepen repareren)

18 AI618 Kennissysteem Vb: MYCIN Domein: Infectie ziekten Taak: –Beslis of de patient een infectie heeft –Bepaal het infectie organisme –Bepaal toepasbare medicijnen –Kies meest geschikte medicijnen Motivatie: –Medische procedures zijn duur –Medische kennis groeit snel –Medische kennis is slecht geografisch verspreid –Medische experts zijn druk bezet

19 AI619 Kennissysteem Vb: MYCIN Productie-regels: Conditie: (AND(= gram GRAMNEGATIVE) (= morphology ROD) (= aerobicYES)) Actie: (CONCLUDE class ENTEROBACTERIA) Uitleg: ALS(1) De stam is gramnegatief, en (2) de bacterie is staafvorming, en (3) de bacterie gebruikt zuurstof DANIs er aanwijzing voor een bacterie van de classe ENTEROBACTERIA

20 AI620 Vb van Complexiteit van MYCIN: parameters(1) Drie typen parameters: –Binair: ja/nee “Heeft de patient brandwonden?” –Enkelwaardig: grote verzameling uitsluitende waarden “Wat is de leeftijd van de patient?” –Meerwaardig: grote verzameling niet uitsluitende waarden “Wat zijn de symptomen?” (AND(= gram GRAMNEGATIVE) (= morphology ROD) (= aerobicYES))

21 AI621 MYCIN, parameters (2): attributen per parameter Verwachte waarde: leeftijd  [0,100] Vraag-tekst: “wat is de leeftijd van de patient?” Presentatie-tekst: “De leeftijd van de patient is” Labdata: meten in test, of afleiden door redeneren. Gebruiks-regels: alle regels die de parameter in conditie noemen Afleidings-regels: alle regels die de parameter in conclusie noemen Uitsluiting: niet vragen in bepaalde omstandigheden: zwangerschap van mannen

22 AI622 MYCIN: uitleg faciliteiten WAAROM vragen: “Waarom wil het systeem deze parameter weten?” HOE vragen: “Hoe gaat het systeem deze parameter bepalen?” Implementatie van uitlegfaciliteiten: Onthoud zoekboom van regels WAAROM vragen: –Zoek omhoog in de boom waarom je dit wilt weten HOE vragen: –Zoek omlaag in de boom hoe je dit kunt gaan bepalen goal data

23 AI623 Hoe goed is MYCIN? Ongeveer 200 regels Consultatie-sessie: 20 minuten Kwaliteit van diagnose: –test-gevallen door MYCIN –test-gevallen door experts (op papier) –beide antwoorden beoordeeld door andere expert (blind)

24 AI624 Toepassingen van Kennissystemen zelf-diagnose van auto’s verzekerings acceptatie credit-card fraude-detectie toepassen van sociale wetgeving ontwerpen van gebitsprothesen waterkracht centrales in Nepal gezondheidszorg in Zuid-Afrika beheren van kankerbehandelingen toekennen van strafmaat

25 AI625 Volgende keer Hoofdstuk


Download ppt "AI61 AI Kaleidoscoop College 6: Deel 1:Expert systemen Deel 2: Onzekerheid in redeneren Leeswijzer: 8.0-7.1 + 5.2 + 9.2.1."

Verwante presentaties


Ads door Google