Oplossingsmethoden

Oplossingsmethoden: implementatie
• relatie kennisniveau  symboolniveau
– taken: wat?
– modellen: welke kennis? (elke taak: 1 of meer modellen)
– methoden: hoe kennis gebruiken?
• implementatie
– procedureel declaratief
– casusmodellen, domeinmodellen
– afbeeldingsmethoden, uitbreidingsmethoden,
zoekmethoden
Oplossingsmethoden: implementatie (2)
• Declaratieve representatie
–
–
–
–
expliciete representatie van de modellen
flexibel
(minder efficiënt)
vb. Prolog
• Procedurele representatie
– domeinmodellen + methoden
 domeinafhankelijke methode (verzameling regels)
– efficient
– verfijning regels m.b.v. heuristische kennis
– vb. KAN
Afbeeldingsmethoden
• lineaire afbeelding
• differentiatie
• neerwaartse verfijning
• weighted evidence combination
• gelijkenis
Lineaire afbeelding
• klassen:
– roodooramandine= {bek=rood,oor=rood,staart=bruin,keel=nb}
– prachtvink =
{bek=rood,oor=zwart,staart=bruin,keel=nb}
– diamantvink =
{bek=rood,oor=wit,staart=zwart,keel=wit}
• werking:
– neem één voor één alle klassen, en test de attributen
– onbekende attributen opzoeken/vragen
• codering:
(define (rule vink-regels) roodooramandine
(if (bek rood) (oor rood) (staart bruin) (keel nb))
(then (conclude (soort roodooramandine))))
• Uitbreidingen: probabiliteit v/d conclusie, kost v/h testen
v/d condities,...
• werking
Differentiatie
– bepaal het meest distinctieve attribuut
(attribuut met grootst aantal verschillende waarden)
 # nog te doorzoeken klassen wordt het kleinst
staart
– beslissingsboom
bruin
zwart
oor
rood
• Codering:
roodooramandine
diamantvink
zwart
prachtvink
– regel voor elk eindpunt van de tree
(define (rule vink-regels) diamantvink
(if (staart zwart))
(then (conclude (soort diamantvink))))
• efficiënter dan zuivere lineaire afbeelding
Neerwaartse verfijning
• Gemeenschappelijke kenmerken isoleren
 klassehiërarchie
vink
bek = rood
ondersoort1
diamantvink
staart = bruin
keel = nb
staart = zwart
keel = wit
oor = wit
roodooramandine
prachtvink
oor = rood
oor = zwart
• werking:
– zoek opvolger m.b.v. differentiatie of lineaire afbeelding
• codering:
– aparte regelverzameling voor de subnodes van een node
Weighted Evidence Combination
• Vorige methoden: afbeelding bron  doel duidelijk
– kenmerken zijn noodzakelijk en voldoende
• dikwijls: onzekerheid
– zwakke domeintheorie
– onzekere waarneming
• werking:
0.8
– niet in KAN
– neurale netwerken
0
0
0.6
rood zwart wit bruin zwart wit nb
oor
staart
keel
– waarde(c,T) = w(T,i) x(i)
• implementatie:
0 0 0.5
Gelijkenis
• Bereken afstand tussen casus en doelelement
staart
?
zwart
bruin
roodooramandine
rood zwart
diamantvink
wit
oor
prachtvink
• afstand berekend m.b.v. metriek
– Hamming-distance: # kenmerken dat verschillend is
– Euclidische afstand
Selectie van methode
• Beperkingen van elke methode
– modellen: onvolledig? inconsistent?
– waarnemingen: kost? onbetrouwbaar? inconsistent?
– andere: beperkte tijd? beperkt geheugen? complexiteit?
• vb. lineaire afbeelding
– modellen: binair (kenmerken noodzakelijk en voldoende);
klein aantal klassen; kleine verzameling kenmerken
– kosten gelijk voor alle attributen
– geen onzekerheid
Uitbreidingsmethoden
• Verdere ontwikkeling van een casusmodel
• voorbeeldmethode: constraint propagation
– als constraints in regels geformuleerd zijn
 geen verdere vertaling nodig
Zoekmethoden
• Classificatie: klassen + bijbehorende kenmerken
gekend  directe methode mogelijk (la, diff,...)
• Nodig wanneer kennis niet volledig is
vb. diagnose van een motor:
motor start niet
haperende vonkoverbrenging
slechte
bougie
defect
contactpunt
defecte
bougiekap
haperende vonkvoortbrenging
Zoekmethoden
“Blinde”
zoekmethoden
heuristische
zoekmethoden
• search space
• blinde zoekmethoden:
– breadth-first search
– depth-first search
• heuristische zoekmethoden
– best-first search
– beam search
– hill-climbing (steepest descent)
• expliciete sturing
– object-niveau + meta-niveau
expliciete
sturing
Blinde zoekmethoden
n1
n2
n3
n4
n5 n6 n7
• depth-first: n1  n2  n5  n6  n7  n3  ...
• breadth-first: n1  n2  n3  n4  n5  ...
Heuristische zoekmethoden
• blinde zoekmethoden: probeer alle mogelijke
oplossingen uit tot goede gevonden
• Efficiënter: bepaal telkens de beste vervolgstap
– implementatie: evaluatiefunctie
• Moeilijke problemen: beste vervolgstap bepalen niet
mogelijk  vuistregel
• Varianten van blinde methoden:
– best-first search: ontwikkel de beste oplossing tot nu toe
– beam search: kijk telkens enkel naar de beste x mogelijkheden
– hill climbing: kijk telkens enkel naar de beste mogelijkheid
Expliciete sturing
• Meest algemene methode: selectie van volgende
stap is een volledig redeneerproces op zich
• Oplossing van het probleem zelf: objectniveau
• Oplossing van selectie: metaniveau
Kennisverwerving
• intelligentie: modellen gebruiken en ontwikkelen
– aandacht richten op bepaalde aspecten
• welke kennis is bruikbaar?
ontdekken van structuur in de kennis van de expert
• 2 aspecten:
– kennisonttrekking
– kennisinterpretatie
Kennisonttrekking
• bij voorkeur “harde” kennis:
– vastliggend; rechtstreeks van de expert
– gestructureerd:
•
•
•
•
tabellen, diagrammen: gemakkelijk te vinden/maken
beslissingsbomen: dikwijls voor onderhoud
regels: dikwijls niet beschikbaar; vatbaar voor interpretatie
woordenlijsten: uniforme terminologie; uitlegfaciliteit
– ongestructureerd:
• gespreksprotocollen: verslagen van redeneringen v/d expert
• tekst: geen gestructureerd overzicht v/h domein
• vraag-en- antwoordspelletjes tussen experts
• geen eigen interpretaties!
Kennisinterpretatie
• ontrafelen van de structuur van de verzamelde
kennis
( gericht over details vragen)
• resultaat: kennisniveaubeschrijving
(modellen, methoden, taakstructuur)
• indien regels gekend: omgekeerde benadering om
expert verder te kunnen ondervragen
Leren
• leervermogen:
– zelfstandig in staat nieuwe taken af te handelen
– aanpassen aan veranderingen in de taakomgeving
– oude taken op een betere manier aanpakken
• meeste kennissystemen leren niet
• methoden?
– inductieve methoden
– theorie-afhankelijke methoden
– connectionistisch (weighted evidence combination)
Inductieve methode
• generalisatie op basis van positieve en negatieve
voorbeelden
• Vereenvoudigde versie:
• + {bek rood, oor rood, poten bruin}
+ {bek rood, (not (oor rood)), poten bruin}
 {snavel rood, poten bruin}
- {(not (bek rood)), oor rood, poten bruin}
 {snavel rood}
Theorie-afhankelijke methoden
• bijv. leren van een nieuw model op basis van
bestaande modellen en extra waarnemingen