Uzman Sistemler ve Bilgi Temsili
Giriş
Ders Hangi Soruyu Sorar?
Uzman sistemler, bir alan uzmanının bilgisini kurallar ve olgular biçiminde bir bilgi tabanına yazar ve bir çıkarım motoruyla bu bilgiden sonuç çıkarır. Bilgi temsili ise bilginin bilgisayarın akıl yürütebileceği biçimde nasıl kodlanacağını inceler: mantık, çerçeveler, anlamsal ağlar ve ontolojiler.
Bir bakışta
sembolik mantık ve kurallar
olgular ve uzman kuralları
sonuç ve gerekçesi
uzmanla uyum, açıklanabilirlik
düşük: önerme ve yüklem mantığı
az; bilgi tabanı
Giriş
Kısa Tarihçe
Stanford'da DENDRAL başlar: kütle spektrumundan molekül yapısı çıkaran ilk uzman sistem.
Colmerauer ve Roussel Prolog dilini geliştirir: mantık programlama doğar.
MYCIN kan enfeksiyonlarında antibiyotik önerir; kurallarına güven çarpanları ekler.
DEC'te R1 (XCON) bilgisayar siparişlerini yapılandırmaya başlar; ilk büyük ticari başarı.
Lenat, sağduyu bilgisini elle kodlamayı amaçlayan Cyc projesini başlatır.
Google Knowledge Graph'ı duyurur; bilgi çizgeleri aramada yaygınlaşır.
Ders
Temel Kavramlar
Alanla ilgili olgular ve EĞER-İSE kuralları.
Kuralları olgulara uygulayıp yeni sonuç üreten bölüm.
Olgulardan başlayıp ulaşılabilen sonuçları türetmek.
Hedeften başlayıp onu destekleyen olguları aramak.
Sonuca hangi kurallarla varıldığını gösterir.
Nesneleri yuva (slot) ve ilişkilerle temsil etmek.
Bir alanın kavramları, sınıfları ve ilişkileri: OWL.
Uzmandan bilgiyi çıkarma; sistemin darboğazı.
Ders
Tipik İş Akışı
Dene
Araç Neden Çalışmıyor?
Servis ustasının bilgisi dokuz EĞER–İSE kuralına yazıldı. Soldaki belirtilere tıklayarak işaretleyin; sistem ileri zincirlemeyle kuralları sırayla tetikleyip teşhise varır ve nedenini açıklar.
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Yapay Zekâ | sembolik yapay zekâ, mantık ve kurallar |
| Ayrık Matematik | önerme ve yüklem mantığı, çıkarım kuralları |
| Veri Yapıları | ağaç, çizge ve eşleme tabloları: kural ve olgu deposu |
| Java ile NYP | sınıf ve kalıtım: çerçeve temsiline ve Drools'a köprü |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler
| İlişki | Ders | Ortak konu |
|---|---|---|
| alt alan | Bu ders, Yapay Zekâ dersinin alt alanıdır | sembolik yapay zekâ, mantık ve kurallar |
| yöntem paylaşır | Bulanık Mantık ve Bulanık Sistemler ile yöntem paylaşır | EĞER-İSE kural tabanı, çıkarım motoru |
| yöntem paylaşır | Olasılıksal Grafik Modeller ile yöntem paylaşır | belirsizlik altında çıkarım |
| yöntem paylaşır | Açıklanabilir Yapay Zekâ ve Yapay Zekâ Etiği ile yöntem paylaşır | okunabilir kurallarla açıklanabilir karar |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Uzman Sistemler | Makine Öğrenmesi | Bulanık Mantık |
|---|---|---|---|
| Temel soru | Bir uzmanın bilgisi nasıl yazıya dökülür ve çıkarım için kullanılır? | Bir program örneklerden nasıl genelleme yapar? | "Sıcak", "hızlı" gibi keskin sınırı olmayan kavramlarla nasıl akıl yürütülür? |
| Yaklaşım | sembolik mantık ve kurallar | istatistiksel öğrenme | kısmi üyelik ve dilsel kurallar |
| Girdi | olgular ve uzman kuralları | etiketli ya da etiketsiz örnekler | keskin ölçümler ve uzman kuralları |
| Çıktı | sonuç ve gerekçesi | tahmin yapan model | denetim sinyali ya da karar |
| Başarı ölçütü | uzmanla uyum, açıklanabilirlik | görülmemiş veride hata | denetim başarımı, uzmanla uyum |
| Matematik yükü | düşük: önerme ve yüklem mantığı | yüksek: doğrusal cebir, olasılık, optimizasyon | düşük-orta: küme kuramı |
| Veri ihtiyacı | az; bilgi tabanı | orta ve çok | az; uzman bilgisi |
- Makine Öğrenmesi: MÖ bilgiyi örneklerden öğrenir ve çoğu zaman gerekçe vermez; uzman sistem bilgiyi uzmandan alır ve sonucunu kurallarla açıklar.
- Bulanık Mantık: Bulanık mantık kuralların kısmen doğru olmasına izin verir; bu ders bilgiyi temsil etmeyi ve kuralları zincirlemeyi genel olarak öğretir.
Ayrışma
Ayrıştığı Noktalar (2/2)
| Ölçüt | Uzman Sistemler | Olasılıksal Grafik Modeller | Açıklanabilir YZ ve Etik |
|---|---|---|---|
| Temel soru | Bir uzmanın bilgisi nasıl yazıya dökülür ve çıkarım için kullanılır? | Birbirine bağlı, belirsiz çok sayıda değişken nasıl modellenir ve sorgulanır? | Bir yapay zekâ sisteminin kararına nasıl güvenilir ve sonucundan kim sorumludur? |
| Yaklaşım | sembolik mantık ve kurallar | olasılık ve çizge bir arada | insan merkezli değerlendirme |
| Girdi | olgular ve uzman kuralları | değişkenler, bağımlılık yapısı, veri | model, verisi ve kullanım bağlamı |
| Çıktı | sonuç ve gerekçesi | koşullu olasılık, en olası açıklama | açıklama, denetim raporu, ilke |
| Başarı ölçütü | uzmanla uyum, açıklanabilirlik | olabilirlik, çıkarım doğruluğu | anlaşılırlık, adalet, hesap verebilirlik |
| Matematik yükü | düşük: önerme ve yüklem mantığı | yüksek: olasılık | düşük-orta |
| Veri ihtiyacı | az; bilgi tabanı | orta | modelin kendi verisi |
- Olasılıksal Grafik Modeller: OGM belirsizliği olasılık dağılımlarıyla tutarlı biçimde modeller; uzman sistemler bilgiyi çoğunlukla keskin kurallarla yazar.
- Açıklanabilir YZ ve Etik: AYE öğrenilmiş modellere sonradan açıklama arar; uzman sistem baştan okunabilir kurallarla kurulduğu için kendini açıklar.
Uygulama
Uygulama Alanları
Belirti ve tahlilden tanı ve tedavi önerisi.
Makine, araç ve ağ sorunlarını bulmak.
Uyumlu parçalardan sipariş kurmak.
Kredi onayı, sigorta ve mevzuat denetimi.
Arama motorlarında varlık ve ilişki bilgisi.
Verileri ontolojilerle birbirine bağlamak.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Tanınmış bilgi tabanları
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| Uzman sistemler 1980'lerde kalmış bir modadır. | Adı değişse de iş kuralı motorları ve bilgi çizgeleri bugün bankacılıkta, sağlıkta ve aramada kullanılır. |
| Uzman sistem uzman kadar bilir. | Yalnız kodlanan bilgiyi bilir; alanın dışına çıkınca ya da sağduyu gerektiğinde hızla yanılır. |
| Kuralları yazmak kolaydır. | Uzman bilgisinin çoğu örtüktür; onu kurala dökmek (bilgi edinme) en zor ve pahalı adımdır. |
| Büyük dil modelleri bilgi temsilini gereksiz kıldı. | Dil modelleri yanlış bilgi üretebilir; doğrulanabilir sonuç için bilgi çizgeleriyle birlikte kullanılır. |
Sonrası
Bu Dersten Sonra
Bu dersi temel alan ya da genişleten dersler
İlgili meslekler
Sonrası
Kaynaklar
- Jackson, Introduction to Expert Systems, 3. baskı, Addison-Wesley, 1999.
- Brachman ve Levesque, Knowledge Representation and Reasoning, Morgan Kaufmann, 2004.
- Giarratano ve Riley, Expert Systems: Principles and Programming, 4. baskı, Thomson Course Technology, 2005.
- Buchanan ve Shortliffe (ed.), Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project, Addison-Wesley, 1984.