Artificiële Intelligentie 1. Kennissystemen. 22 oktober 2002

Transcriptie

1 Artificiële Intelligentie 1 Kennissystemen 22 oktober 2002 Deze oefeningenles gaat over kennissystemen, één van de grootste succesverhalen van de kunstmatige intelligentie. We zullen zien wat kennissystemen zijn en hoe ze werken. 1 Inleiding Eén van de centrale thema s in het vroege onderzoek naar kunstmatige intelligentie, was het oplossen van problemen die computers niet of maar moeilijk konden oplossen met de (in die tijd) bestaande technieken, terwijl het menselijke brein ze gemakkelijk aankan, zoals het bewijzen van wiskundige stellingen, het begrijpen van taal, het interpreteren van camerabeelden,... Dit type van problemen heeft typisch alleen zeer complexe algoritmische oplossingen, die moeilijk te implementeren waren. De periode vóór de opkomst van kennissystemen (<1970) wordt gekenmerkt door een zoektocht naar algemene oplossingsmethoden, die op zoveel mogelijk probleemgebieden toegepast konden worden. De ontdekte methoden werden met succes toegepast op kleine probleemgebieden; een voorbeeld is de zogenaamde blokkenwereld, een wereld waarin de problemen bestaan uit het manipuleren van blokken met verschillende eigenschappen. Van daaruit dacht men vervolgens gemakkelijk te kunnen veralgemenen tot complexere problemen. Echter, combinatorische explosies en andere problemen zorgden ervoor dat het initiële enthousiasme al gauw getemperd werd. De route die een aantal onderzoekers vervolgens insloegen, ging uit van het tegenovergestelde: men probeerde niet meer om zo breed mogelijk toepasbare methoden uit te dokteren, maar integendeel ging men uit van specifieke methoden om één bepaald probleem uit de echte wereld op te lossen. Als men nader gaat bestuderen hoe experts problemen oplossen, blijkt dat ook mensen meestal geen gebruik maken van systematische zoekmethoden of algemene oplossingen. Integendeel, mensen gaan dikwijls uit van vuistregels die voor een specifiek domein oplossingen geven die goed genoeg zijn. Dit betekent dat de gevonden oplossingen meestal goed, maar niet noodzakelijk optimaal zijn. Deze vuistregels worden geformuleerd na het oplossen van verschillende gelijkaardige problemen; ze representeren informele kennis die de expert in het domein toelaat om zonder diepgaande analyse snel een relatief goede oplossing voor het probleem te vinden. Kennissystemen kan je zien als implementaties van een groot aantal vuistregels voor een specifiek domein. Ze worden dikwijls gebruikt voor taken die gebaseerd zijn op classificatie, zoals bijvoorbeeld het stellen van diagnoses waarbij de verschillende ziektes of mogelijke fouten de categorieën vormen. De regels worden 1

2 in dergelijke systemen altijd op dezelfde manier toegepast. Dit betekent dat voor zeer uiteenlopende probleemgebieden in feite hetzelfde oplossingsmechanisme gebruikt wordt. Men kan dus een onderscheid maken tussen het oplossingsmechanisme, dat domeinonafhankelijk is, en de domeinkennis, die uiteraard domeinafhankelijk is. Het eerste systeem dat kan beschouwd worden als een kennissysteem is DENDRAL, een systeem dat hulp biedt bij het ontrafelen van de moleculaire structuur van scheikundige verbindingen. De naïeve versie van het programma genereerde op basis van de formule alle mogelijke structuren met het bijbehorende massaspectrum. Aan de hand van de echte massaspectrometergegevens kon dan de structuur bepaald worden. Deze methode werkt uiteraard niet meer als het aantal mogelijke structuren zeer groot wordt. Na consultatie met analytische scheikundigen, werd het programma zodanig aangepast dat het op basis van de aanwezigheid van bepaalde patronen van pieken in het massaspectrum het bestaan van bepaalde subverbindingen (bijvoorbeeld een C=O-groep) afleidt. Dit reduceert het resulterende aantal mogelijke structuren enorm. Op deze manier werd de tweede versie van DENDRAL het eerste echte kennissysteem, omdat het gebaseerd was op een grote verzameling regels, die speciaal op dit probleem gericht zijn. Een ander bekend kennissysteem is MYCIN, dat artsen helpt om diagnoses te stellen van bloedinfecties. Wegens hun goede toepasbaarheid is er in vrij korte tijd een hele industrie ontstaan rond kennissystemen, waardoor ze het grootste succes vormen van de AI buiten het vakgebied. 2 Feiten en Regels Zoals hierboven al aangehaald, is de meest populaire vorm van kennisrepresentatie in kennissystemen gebaseerd op regels. De redenen hiervoor zijn dat ze eenvoudig zijn, dat ze heuristische kennis goed representeren, en dat ze gemakkelijk te implementeren en te begrijpen zijn. Een kennissysteem werkt altijd binnen een bepaald domein, zoals bijvoorbeeld een deelgebied van de geneeskunde. Een typische opdracht voor een kennissysteem is daar het stellen van een diagnose op basis van bepaalde kenmerken van de patiënt. Er zal dus op voorhand bepaald worden welke diagnoses men wil dat het systeem zal kunnen stellen (bijvoorbeeld rode hond, TBC,... ), en vervolgens bepaalt men welke informatie over de patiënt er nodig is om die verschillende diagnoses te kunnen stellen (uitslag, lichaamstemperatuur,... ). Deze informatie wordt in een kennissysteem voorgesteld door feiten. Een feit kan gaan over het waar of niet waar zijn van een bepaalde eigenschap uit het domein, zoals (uitslag false), of het kan ook gaan over het toekennen van een bepaalde waarde uit een vooraf gegeven verzameling aan een attribuut, bijvoorbeeld (temperatuur hoog) of (temperatuur normaal). Deze feiten worden gebruikt om de gekende aspecten van het specifieke geval dat men aan het bekijken is (de patiënt) op te sommen. Oefening 1 Geef een aantal domeinen waarbinnen kennissystemen gebruikt (kunnen) worden. Werk kort 1 kennissysteem uit. Bepaal daarvoor tot welke conclusies het systeem moet kunnen komen. Welke feiten moeten zeker in het systeem zitten? Welke zijn de mogelijke waarden van die feiten? 2

3 De kenmerken en hun waarden worden gebruikt in regels. Een regel bestaat uit twee delen: het IF-deel (de conditie, premisse of antecedent) en het THENdeel (de actie, conclusie of consequent). In het IF-deel wordt de waarheidswaarde van een verzameling feiten, verbonden met logische connectieven, gecontroleerd. Als de conditie waar blijkt te zijn, worden de feiten in het THENgedeelte van de regel aangenomen als zijnde waar. Regels dienen om op basis van de gekende feiten nieuwe feiten af te leiden, totdat de conclusie bereikt wordt. Een conclusie wordt bereikt als in de loop van de afleiding een feit bekend wordt over de doeleigenschap of het doelattribuut. Als het doelattribuut ziekte heet, stopt het redeneerproces als bijvoorbeeld het feit (ziekte mazelen) bekend wordt. Oefening 2 Stel een verzameling regels op voor het systeem uit de vorige oefening. connectieven,,.) Oefening 3 Waarschijnlijk gebruikte je in de vorige oefening de meest eenvoudige methode om de regels op te stellen, namelijk het eenvoudigweg opsommen van de kenmerken in het conditiegedeelte van een regel. Probeer een efficiëntere methode uit te werken, gebaseerd op de vaststelling dat sommige regels een aantal feiten delen met elkaar. Het verzamelen en structureren van de domeinkennis noemt men respectievelijk kennisonttrekking en kennisinterpretatie. Kennisontrekking gebeurt o.a. door interviews met experts in het domeingebied, en door het opzoeken van tabellen, diagrammen, enz. in bronnen die door de expert onderschreven worden. Kennisinterpretatie is de stap waarin de verzamelde gegevens verwerkt en gestructureerd worden, zodat ze een consistent model vormen van het oplossingsproces. 3 Oplossingsmechanisme Het tweede aspect van het kennissysteem is het gedeelte dat de regels gebruikt om effectief afleidingen te doen. Dit gedeelte noemt men de inference engine. Er zijn twee methoden om afleidingen te maken: voorwaarts redeneren (Eng. forward reasoning of forward chaining) en achterwaarts redeneren (backwards reasoning of backward chaining). 3.1 Voorwaarts redeneren Bij voorwaarts redeneren gebeurt de inferentie op basis van de zgn. modus ponens, welbekend uit de propositielogica: p p q q m.a.w. als feit p waar is en er is een regel die zegt dat als feit p waar is, dat dan ook q waar is, dan mag het systeem feit q aannemen. Het redeneerproces zal dus telkens een regel nemen, en de conditie checken. Als die waar is, mag de conclusie aangenomen worden. Dit kan op zijn beurt de condities van andere regels waar 3

4 maken, zodat de conclusies daarvan ook aangenomen kunnen worden, enzovoort tot het gewenste doel bereikt is. Om uit te zoeken of een feit waar is, kan het systeem zoeken in de gekende feiten, of een vraag stellen aan de gebruiker van het systeem om een nieuw feit toe te voegen aan de gekende feiten ( Heeft de patiënt uitslag? ). Bij sommige feiten kan de ontwerper van het kennissysteem specifiëren dat het systeem niet aan de gebruiker mag vragen of het waar is of niet. Dit is bijvoorbeeld nodig voor feiten die dienst doen als conclusies; deze mogen enkel vastgesteld worden op basis van afleidingen. Het redeneerproces stopt als het systeem zijn doel bereikt heeft. Dit doel bestaat uit het toekennen van een waarde aan een bepaalde eigenschap of attribuut. Van zodra er feit gekend wordt dat deze eigenschap of attribuut bevat, kan het redeneerproces stoppen. Deze methode is nuttig in probleemdomeinen waar er veel mogelijke conclusies zijn; vooral wanneer meerdere conclusies evenwaardig zijn (bijvoorbeeld bij configuratie of planning-problemen). Oefening 4 Werk het algoritme voor voorwaarts redeneren uit in pseudo-code. 3.2 Achterwaarts redeneren Achterwaarts redeneren gaat omgekeerd tewerk vergeleken met voorwaarts redeneren. In plaats van te vertrekken van gekende feiten van het huidige geval en van daaruit verder te werken tot een conclusie bereikt is, gaat achterwaarts redeneren uit van een mogelijke conclusie. Vervolgens wordt nagegaan of deze conclusie klopt, door te checken of de feiten die tot die conclusie leiden kloppen. Als voor een bepaald feit niet geweten is of het waar is, gaat het achterwaarts redeneren verder met dit feit als doel. Als een feit niet waar is, kunnen we concluderen dat de conclusie waarvan we uitgegaan zijn onwaar is en een volgende conclusie bestuderen. Deze redeneermethode is nuttig in probleemdomeinen waar er weinig mogelijke conclusies zijn, maar veel variabelen waarvan de conclusies afhangen (zoals medische diagnoses). 4 Uitbreidingen 4.1 efficientere forward-chaining Oefening 5 Het standaard forward-chaining algoritme is niet eg slim. Als verschillende regels een deel van een conditie gemeenschappelijk hebben, dan worden die condities toch steeds opnieuw geevalueerd. Hoe kan je dit vermijden? 4.2 Why! Als iemand een kennissysteem wil gaan gebruiken dat gebaseerd is op het algoritme dat je uitgewerkt hebt in oefening 4, moet hij altijd blind vertrouwen op de conclusies die het systeem trekt, omdat het systeem geen enkele manier biedt om de conclusies te verifiëren. Het is echter belangrijk, zeker in een systeem dat nog niet volledig op punt staat, dat je kan nagaan op welke basis het systeem 4

5 tot een bepaalde conclusie komt. Je wil dus aan het systeem kunnen vragen waarom het een nieuw feit afleidt. Oefening 6 Bedenk hoe je een uitlegfaciliteit kan toevoegen aan het afleidingsalgoritme dat je uitgewerkt hebt in oef Indexing Het werkgeheugen van het kennissysteem bevat alle feiten die het systeem weet. In de meest eenvoudige vorm, bestaan er slechts 2 operatoren op zo een werkgeheugen (knowledge base). TELL(KB, S) QUERY(KB,Q) S staat voor Sentence en kan elke mogelijke zin zijn in het logische formalisme waarmee het kennissysteem werkt. Tell voegt dus S toe aan de KB. Q staat voor Query. Als we aan de KB de query Q vragen, dan gaat de KB op zoek gaan in de KB naar feiten die matchen aan Q. Oefening 7 Veronderstel dat ons werkgeheugen alleen maar atomaire proposities kan bevatten. Hoe kunnen we dan het werkgeheugen construeren zodat feiten snel opgezocht en toegevoegd kunnen worden? Wat is de performantie van TELL en QUERY? Welke sentences S kunnen dan voorgesteld worden en welke zijn niet voorstelbaar in een dergelijk werkgeheugen? Oefening 8 Veronderstel nu dat we ook relaties toelaten in het systeem, zoals bv. in onderstaand voorbeeld. TELL(KB,Brother(Richard,John)) TELL(KB,Brother(Ted,Jack) ^ Brother(Jack, Bobbie)) TELL(KB,not(Brother(Ann,Sam))) TELL(KB,size(Richard,100)) Hoe kunnen we onze KB nu indexeren? Wat is hier de performantie? Referenties [1] Gonzalez, A.J. en Dankel, D.D., The Engineering of Knowledge-based systems: Theory and Practice, Prentice-Hall, London. [2] Russell, S. en Norvig, P., Artificial Intelligence: a Modern Approach, Prentice-Hall, London. [3] Steels, L., Kennissystemen, Addison-Wesley, Amsterdam. 5