Expertní Systémy Petr Berka 1.

Slides:



Advertisements
Podobné prezentace
© 2000 VEMA počítače a projektování spol. s r. o..
Advertisements

Stránka 1, © Vema, a. s.. Stránka 2, © Vema, a. s. Podnikové aplikace  Integrovaný podnikový systém (Integrated Business System):  komplex aplikací.
Vladimír Přikryl, generální ředitel CompuGroup Medical ČR a SR
Přednáška č. 3 Normalizace dat, Datová a funkční analýza
Pravidlové expertní systémy
Přednáška č. 5 Proces návrhu databáze
Úvod do expertních systémů
Sociologie – metody a techniky sociologického výzkumu
Diagnostika vnitřních podmínek výuky
Organon Interaktivní webová aplikace pro výuku logiky
4IZ 229 – Cvičení 3 Práce s neurčitostí Vladimír Laš.
12. září 2014 Slide N° září 2014 Slide č. 1 Sekretariát Urbact URBACT II Evropský program územní spolupráce při integrovaném a udržitelném.
Vypracoval: Ladislav Navrátil, EI-4 Umělá inteligence Zaměření Expertní systémy.
ROZHODOVACÍ PROCESY PRO VÍCECESTNÉ TELEMATICKÉ APLIKACE Filip Ekl
Úvod do umělé inteligence
Přínosy virtualizace a privátního cloudu
A5M33IZS – Informační a znalostní systémy Úvod do problematiky expertních systémů.
4IZ 229 – Cvičení 4 Složitější vlastnosti systému NEST Vladimír Laš.
Expertní řízení průběhu E-learningu VOSTROVSKÝ Václav Česká zemědělská univerzita Praha.
Auditorské postupy Činnosti před uzavřením smlouvy
Informační strategie. řešíte otázku kde získat konkurenční výhodu hledáte jistotu při realizaci projektů ICT Nejste si jisti ekonomickou efektivností.
Případové usuzování v expertním systému NEST Vladimír Laš, Petr Berka Vysoká škola ekonomická, Praha.
Novinky a strategie společnosti Vema, a. s.
Systémy pro podporu managementu 2
Relační databáze.
Databázové systémy Architektury DBS.
Reprezentace znalostí v UI Inteligentní systém musí umět předvídat důsledky svých akcí – potřebuje „model svého prostředí“. K jeho konstrukci potřebuje.
Prevalence obezity v dětském věku – nové výsledky
Artificial Intelligence (AI).  „Úloha patří do oblasti umělé inteligence, jestliže řešení, které najde člověk považujeme za projev jeho inteligence.
Dokumentace informačního systému
Systémy pro podporu managementu 2 Inteligentní systémy pro podporu rozhodování 1 (DSS a znalostní systémy)
Metody výběru variant Používají se pro výběr v případě více variant řešení stejného problému Lze vybírat dle jednoho nebo více kritérií V případě více.
Umělá inteligence Minského definice: UI je věda o vytváření strojů nebo systémů, které budou při řešení určitého úkolu užívat takového postupu, který –
Úvod do expertních systémů
Přednáška č. 1 Proces návrhu databáze
2 Fučíková Sylvie HR/Win – moderní technologie pro osvědčené aplikace.
B i o c y b e r n e t i c s G r o u p Vztah výpočetní techniky a biomedicíny  počítač - nástroj pro vývoj nových přístrojů  počítač - součást přístrojových.
4IZ 229 – Cvičení 2 Tvorba báze znalostí Vladimír Laš.
Využití ontologií při dobývání znalostí z databází Hana Češpivová.
Rozhodovací proces, podpory rozhodovacích procesů
Metodika poradenství podpory zdraví a prevence nemocí
Na cestě k ASP Jiří Voříšek VŠE - KIT publikováno: červen 2002.
Depistáž kolorektálního karcinomu – současný stav Josef Doseděl Interní oddělení NMSKB Praha 1.
Kvantitativní metody výzkumu v praxi
Metodika posouzení Metody, techniky, postupy. Klíčová otázka: n Jak provést posouzení, aby co nejlépe reflektovalo situaci uživatele služby?
Reprezentace znalostí
Výživa v dětí do 2 let - úvod Mgr. Petra Sedlářová.
Teorie ES a jejich aplikace Biskup Jiří, Fakulta stavební, ČVUT Praha, Květen 2004.
Databázové systémy Datové modely.
Projekt LISp-Miner Milan Šimůnek. Milan Šimůnek – Projekt LISp-Miner2 Obsah Význam databází a uchovávaných informací Proces dobývání znalostí z databází.
Projektová výuka na školách HEURÉKA CZ, spol. s r.o vzdělávací společnost pro podporu a rozvoj efektivity a adaptability lidských zdrojů a mezilidských.
Expertní & znalostní systémy
METODY STŘEDNĚDOBÉHO PROGNÓZOVÁNÍ SURO jaro 2010.
Nutriční poradenství.
Poradenský proces Plánování akce. Vypracování jednoho nebo více řešení diagnostikovaného problému Vypracování jednoho nebo více řešení diagnostikovaného.
B i o c y b e r n e t i c s G r o u p Úvod do biomedicínské informatiky Lenka Lhotska Gerstnerova laboratoř, katedra kybernetiky ČVUT FEL Praha
Možnosti domácí léčby některých forem strabismu
Metodika poradenství podpory zdraví a prevence nemocí MUDr. Věra Kernová Doc. MUDr. Lumír Komárek, CSc. Státní zdravotní ústav Praha.
Střednědobý plán rozvoje sociálních služeb v Ústeckém kraji na období konference Sociální služby v Ústeckém kraji Krajský úřad Ústeckého kraje.
SOFTWAROVÁ PODPORA PRO VYTVÁŘENÍ FUZZY MODELŮ Knihovna fuzzy procedur Ing. Petr Želasko, VŠB-TU Ostrava.
Kapitola 5: Úvod do analytických technologií Webu Vítězslav Šimon (SIM0047) Adaptivní webové systémy (AWS)
Profil uživatele a personalizace
Okruhy činnosti práce sestry v ordinaci PL
Petr Šaloun VŠB-Technická univerzita Ostrava FEI, katedra informatiky
Dobývání znalostí z databází znalosti
Budování Integrovaného informačního systému Národního památkového ústavu Petr Volfík, NPÚ ÚP
Co se dá změřit v psychologii a pedagogice?
Tradiční metodiky vývoje softwaru
Rutinní zdravotnická statistika
Pedagogická diagnostika Možnosti a typy diagnostiky
Transkript prezentace:

Expertní Systémy Petr Berka 1

Expertní systémy Počítačové programy simulující rozhodovací činnost lidského experta při řešení složitých úloh a využívající vhodně zakódovaných speciálních znalostí převzatých od experta s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta.

Role expertního systému kolega asistent

Charakteristické rysy expertního systému oddělení znalostí a mechanismu pro jejich využívání neurčitost v bázi znalostí neurčitost v datech dialogový režim vysvětlovací činnost modularita a transparentnost báze znalostí

Schéma expertního systému

Typy expertních systémů Diagnostické diagnóza (MYCIN, INTERNIST) interpretace (DENDRAL, PROSPECTOR) monitorování (VM) Generativní návrh (R1/XCON) plánování (MOLGEN) predikce (GLAUKOMA)

Diagnostické úlohy získávání a interpretace informací relevantních pro potvrzení přítomnosti nebo nepřítomnosti nějaké závady v systému

Data a znalosti v procesu rozhodování

Způsoby reprezentace znalostí predikátová logika sémantické sítě rámce pravidla případy

Pravidla procedurální sémantika deklarativní sémantika JESTLIŽE situace PAK akce deklarativní sémantika JESTLIŽE předpoklad PAK závěr situace, předpoklad a závěr jsou kombinace tvrzení o stavu světa

Atributy a výroky výrok (auto má červenou barvu) atribut, hodnota (barva_auta = červená) objekt, atribut, hodnota (auto_25: barva = červená) typy atributů: kategoriální (binární, nominální, ordinální) numerické

Inferenční síť uzly = tvrzení (dotazy, cíle, mezilehlé uzly) hrany = pravidla

Metody inference logické metody (dedukce, abdukce, indukce) zpětné nebo přímé řetězení generování a testování využití analogií

Dedukce využívá implikaci ve dvojhodnotové logice modus ponens B A => B, A B modus tollens A => B, B  A

Zpětné řetězení Vycházíme z cílů, které chceme odvodit a pokoušíme se nalézt pravidla umožňující tyto cíle potvrdit nebo vyvrátit

Přímé řetězení Vycházíme z faktů, které jsou splněna a a pokoušíme se nalézt aplikovatelná pravidla

Inference v diagnostických systémech prohledávání báze (zpětné nebo přímé řetězení) aplikace pravidla (dedukce) práce s neurčitostí

Vyjádření neurčitosti pseudopravděpodobnosti pravděpodobnosti (Bayesovské sítě) míry důvěry a nedůvěry váhy (algebraická teorie) vyjímky (nemonotonní usuzování)

předpoklad  závěr (váha) Algebraická teorie pro znalosti v podobě pravidel předpoklad  závěr (váha) výpočet váhy předpokladu (NEG, CONJ, DISJ) výpočet příspěvku pravidla k váze závěru (CTR) složení dílčích příspěvků pravidel se stejným závěrem (GLOB)

Vysvětlování důvody pro vysvětlování typické možnosti vysvětlování uživatel získá větší důvěru v závěry systému tvůrce aplikace může lépe ladit bázi znalostí typické možnosti vysvětlování why (proč systém klade tento dotaz) how (jak systém odvodil své doporučení)

Volba aplikace hodnocení vágnosti a komplexnosti pravidlo telefonního hovoru

Faktory úspěchu Důvody pro aplikaci Zkušenosti z úspěšných projektů expert odchází a je třeba zaškolit zástupce snaha zajistit standardizaci způsobu rozhodování Zkušenosti z úspěšných projektů získejte experta pro spolupráci zaměřte se na koncového uživatele použijte inkrementální způsob vývoje

Vývoj znalostního systému softwarový projekt, klíčovou roli hrají znalosti

Podpora vývoje Softwarový projekt Získávání znalostí „klasické“ metodiky (spirála, vodopád, V) metodika KADS Získávání znalostí techniky elicitace znalostí znalostní modelování znalostní ontologie

Výhody použití expertních systémů zvýšená dostupnost expertízy snížené náklady na provedení expertízy trvalost expertízy opakovatelnost expertízy rychlá odezva

Limitující faktory chybějí efektivnější techniky získávání znalostí chybějí přesné testovací procedury nedostatečné integrování do používaných technologií znalostní inženýři kladou malý důraz na aplikační oblast

Příklad - expertní systém pro hodnocení rizika výskytu aterosklerózy komplikované onemocnění, které probíhá mnoho let bez příznaků. Manifestace aterosklerózy – postižení funkce životně důležitých orgánů (srdce, mozek, ledviny) má dalekosáhlé důsledky nejen zdravotní, ale i ekonomické, sociální, etické. Více než polovina úmrtí osob středního a vyššího věku je u nás stále způsobena aterosklerotickými onemocněními.

Rizikové faktory aterosklerózy neovlivnitelné: pohlaví, věk, osobní anamnéza ovlivnitelné: krevní tlak, hladina cholesterolu, kouření, způsob života stravovací návyky (obezita) tělesná aktivita reakce na stres

Výpočet rizika kardiovaskulární choroby (CVD) systém otázky vhodný pro výsledky NCEP ATP III 11 + 2 všechny pacienty riziko CVD do 10 let Risk assessment tool 4 + 2 riziko IM do 10 let Framingham Risk Assessment 5 + 2 PROCAM Risk Calculator 6 + 3 muže středního věku PROCAM Risk Score 7 + 4 riziko IM nebo úmrtí na CVD do 10 let PROCAM Neural Net 11 + 5 Heart Score pacienty středního věku úmrtí na CVD do 10 let

Kalkulátory  Expertní systémy vyhodnocují riziko jako vážený součet všech faktorů uživatel musí zadat přesné odpovědi na všechny otázky expertní systémy vyhodnocují riziko odvozováním v bázi znalostí mohou zpracovávat nejistou nebo chybějící informaci

Expertní systém NEST (1/2) reprezentace znalostí atributy (binární, nominální, numerické) a výroky pravidla: předpoklad  závěr (váha), akce kompozicionální - každý literál v závěru má váhu apriorní - kompozicionální pravidla bez předpokladu logická - nekompozicionální pravidla bez vah inference jako kombinace zpětného a přímého řetězení kompozicionální inference pro kompozicionální a apriorní pravidla (kombinování příspěvků pravidel) nekompozicionální inference pro logická pravidla (modus ponens + disjunkce)

Expertní systém NEST (2/2) zpracování neurčitosti neurčitost se může vyskytovat ve znalostech experta i v odpovědích uživatele během konzultace, kompozicionální (kombinování příspěvků všech aplikovatelných pravidel) založeno na algebraické teorii P. Hájka různé sady kombinačních funkcí (MYCIN + PROSPECTOR, Lukasiewiczova vícehodnotová logika, neuronové sítě) dva základní režimy konzultace: dialogový a pomocí dotazníku, implementováno jako stand-alone nebo client-server verze. http://lisp.vse.cz/NEST

Systém NEST – typy odpovědí binární atribut - váha jednoduchý nominální atribut – hodnota a váha množinový nominální atribut – seznam hodnot a jejich vah numerický atribut - hodnota Dotazy nezodpovězené v průběhu konzultace získávají automaticky implicitní váhu „neznámá“ [-1,1] nebo “irelevantní“ [0,0], odpovědi lze rovněž odkládat a po skončení konzultace se k nim vrátit

Systém NEST - příklad dotazu

Systém NEST - výsledek konzultace

Základní informce o systému AtherEx báze znalostí vytvořena ve dvou krocích aplikace metod strojového učení na data shromážděná v epidemiologické studii rizika aterosklerózy získaná pravidla upravena a zpřesněna expertem systém pracuje s rizikovými faktory (otázkami) srozumitelnými laikům (20 faktorů + 1 lab. test) výsledkem konzultace je klasifikace pacienta do jedné ze čtyř skupin z hlediska rizika aterosklerózy http://j116h01.vse.cz

Studie primární prevence aterosklerózy Dlouhodobá (1975-2000) studie rizikových faktorů aterosklerózy v populaci mužů středního věku rozdělených do tří skupin (normal, risk, pathological). zjistit prevalenci rizikových faktorů aterosklerózy u mužů středního věku, sledovat vývoj rizikových faktorů a jejich vlivu na zdravotní stav, zejména s ohledem na výskyt aterosklerotických CVD, sledovat vliv komplexní intervence rizikových faktorů na jejich vývoj a na kardiovaskulární morbiditu a mortalitu, po 10–12 letech trvání studie porovnat profil rizikových faktorů a zdravotní stav mužů v jednotlivých skupinách.

Data STULONG Entry 1417x64 Control 10572x66 Letter 403x62 Death 389x5

Algoritmus KEX pro tvorbu pravidel Rozhodovací pravidla tvaru Ant  Class (w) Kompozicionální algoritmus Vytváření pravidel jako proces zpřesňování znalostí (přidej nové - speciálnější - pravidlo jenom pokud se zpřesní schopnost klasifikace) Aplikace pravidel jako kombinace jejich příspěvků založená na pseudo-bayesovském přístupu: http://lispminer.vse.cz

Analýza tabulky ENTRY (1/2) klasifikace založená jen na dosud známých rizikových faktorech, klasifikace založená na atributech týkajících se způsobu života, osobní a rodinné anamnézy (bez speciálních laboratorních vyšetření), klasifikace založená na atributech týkajících se způsobu života a rodinné anamnézy, klasifikace založená pouze na atributech týkajících se způsobu života.

Analýza tabulky ENTRY (2/2) Báze počet pravidel celková správnost správnost pro „nerizikové“ správnost pro „ostatní“ 1 19 87% 83% 88% 2 39 84% 74% 3 32 77% 63% 4 27 73% 48%

Modifikace navržené expertem vytvoření nových cílů „žádné riziko“, „nízké riziko“, „střední riziko“ a „vysoké riziko“ místo původních rizikových skupin, doplnění pravidel ke všem hodnotám atributu v případě, že alespoň jedna hodnota tohoto atributu se objevila v pravidlech generovaných z dat, přidání atributu „cholesterol“.

Implementace použita klient-server verze NESTu (tenký klient = webový prohlížeč) uživatelské rozhranní skrývá detaily o inferenci a zpracování neurčitosti (tvůrce aplikace může měnit podobu dialogu pro jednotlivé báze znalostí) dialogový režim konzultace (s možností změnit odpovědi po skončení konzultace pomocí dotazníku)

Práce se systémem AtherEx (1/2)

Práce se systémem AtherEx (2/2)

Expertní systémy v medicině Generování poplachů a upozornění Diagnostická asistence Kontrola a plánování terapie Vyhledávání informací Rozpoznávání a interpretace snímků (Coiera, 2003) Info o systémech např. na www.computer.privateweb.at/judith www.openclinical.org/

DiagnosisPro - www.diagnosispro.com

DXplain – www.lcs.mgh.havard. edu/projects/dxplain.html

Gideon – www.gideononline.com

Hepaxpert - http://medexpert. imc.akh-wien.ac.at/hepax/

Děkuji za pozornost