INTEGRACJA SYSTEMÓW EKSPERTOWYCH I SYSTEMÓW WNIOSKUJĄCYCH NA PODSTAWIE PRZYPADKÓW Streszczenie Anna Kempa Akademia Ekonomiczna kempa@sulu.ae.katowice.pl W artykule scharakteryzowano w ogólnym zarysie dwie techniki sztucznej inteligencji systemy ekspertowe oraz systemy wnioskujące na podstawie przypadków. Poprzez porównanie obu podejść - przedstawiono w artykule moŝliwości powstające w wyniku połączenia obu metod oraz przedstawiono moŝliwe sposoby dokonania integracji. Słowa kluczowe: Systemy ekspertowe, Systemy wnioskujące przez przypadki. Wstęp Wychodząc na przeciw problemom decydenta zaczęto tworzyć systemy informacyjne zarządzania, których zadaniem jest dostarczanie, selekcja i integracja z róŝnych źródeł informacji w celu zapewnienia informacji niezbędnych w podejmowaniu decyzji. Współczesne systemy informacyjne zarządzania korzystają z technik dostarczanych przez sztuczną inteligencję, wzbogacających wymienione funkcje o moŝliwość dokonania analizy danych i wyciągania wniosków. DuŜą skuteczność w tej dziedzinie wykazały systemy wykorzystujące technologie sztucznej inteligencji, takie jak systemy ekspertowe, sztuczne sieci neuronowe lub systemy wnioskujące na podstawie przypadków. Systemy te dobrze sprawdzają się w przypadku problemów częściowo ustrukturalizowanych, nie w pełni zdefiniowanych. KaŜde z wymienionych podjeść stosowanych w inteligentnych systemach informatycznych ma swoje liczne zastosowania. Celem artykułu jest poprzez porównanie dwóch podejść: systemów regułowych oraz systemów wnioskujących na podstawie przypadków - przedstawienie moŝliwości powstających w wyniku połączenia obu technik oraz przedstawienie moŝliwych sposobów dokonania integracji. Systemy ekspertowe Feigenbaum określa system ekspertowy jako inteligentny program komputerowy wykorzystujący procedury wnioskowania do rozwiązywania problemów wymagających ekspertyzy specjalistów. Wiedza systemu ekspertowego składa
326 Technologia przetwarzania wiedzy w SWO się zwykle z faktów i heurystyk. Fakty są podstawą bazy wiedzy systemu - informacją, która jest ogólnie dostępna i powszechnie akceptowana przez ekspertów w danej dziedzinie. Heurystyki są zwykle bardziej indywidualną informacją, która charakteryzuje proces ewaluacji i rozwiązania problemu przez konkretnego specjalistę. Przykładami heurystyk są: intuicyjne domysły, przypuszczenia, zdroworozsądkowe zasady, sformułowane na podstawie wieloletniego doświadczenia. Poziom ekspertyzy oferowany przez dany system ekspertowy jest przede wszystkim funkcją rozmiaru i jakości bazy wiedzy tego systemu [Chwi91]. Reprezentacja wiedzy szczególnie istotna przy budowie systemów ekspertowych opiera się na opisie obiektów modelowanej wiedzy i relacji między nimi. Budowanie systemów ekspertowych polega na odwzorowaniu wiedzy z danej dziedziny, co ma zapewnić wyciąganie wniosków na podstawie zebranej wiedzy [KiSr99]. Celem tworzenia systemów ekspertowych jest skomputeryzowanie procesu rozwiązywania problemów na poziomie eksperta wysokiej klasy. System ekspertowy realizuje dwie główne funkcje: wyprowadza konkluzję i wyjaśnia swoje rozumowanie. Zbiór konkluzji musi być wyspecyfikowany. Działanie systemu ekspertowego polega na wyszukaniu odpowiedniego elementu tego zbioru. Wyjaśnienie jest opisem pochodzenia konkluzji, czyli sposobu wnioskowania [Srok94]. Analizując szczegółowo strukturę systemów ekspertowych moŝna w niej wyróŝnić następujące podstawowe elementy [Mula96]: bazę wiedzy (np. zbiór reguł), bazę danych (np. dane o obiekcie, wyniki pomiarów, hipotezy), procedury wnioskowania maszyna wnioskująca, procedury objaśniania objaśniają strategię wnioskowania, procedury sterowania dialogiem procedury wejścia/wyjścia umoŝliwiają formułowanie zadań przez uŝytkownika i przekazywanie rozwiązania przez program, procedury umoŝliwiające rozszerzanie oraz modyfikację wiedzy pozyskiwanie wiedzy. Baza wiedzy jest zbiorem definicji, faktów, pojęć i relacji pomiędzy nimi oraz reguł wnioskowania. Wiedza pozyskana od specjalistów musi być odpowiednio poselekcjonowana i zorganizowana w taki sposób, aby moŝna było ją przechowywać w pamięci komputera i efektywnie z niej przy pomocy komputera korzystać. Proces organizowania wiedzy wymaga wyboru odpowiedniej metody reprezentacji wiedzy, zakodowania wiedzy zgodnie z przyjętym formatem oraz weryfikacji bazy wiedzy i mechanizmu wnioskowania [Chwi91]. Większość zrealizowanych dotychczas systemów ekspertowych wykorzystuje do reprezentowania wiedzy reguły. Głównymi zaletami tego formalizmu są prostota i ogólność. Dzięki pierwszej właściwości formalizm ten jest zrozumiały takŝe
Integracja systemów ekspertowych i systemów wnioskujących... 327 dla osób nie będących specjalistami w dziedzinie systemów ekspertowych. Druga właściwość powoduje, Ŝe nie ma właściwie ograniczeń, co do rodzaju dziedziny, dla której ta metoda ma być stosowna [Mich99], [Wate86]. Systemy wnioskujące na podstawie przypadków Wnioskowanie na podstawie przypadków (ang. Case-Based Reasoning, CBR) nie ogranicza się do wiedzy uogólnionej, dotyczącej danej dziedziny zastosowań. Metoda ta wykorzystuje wiedzę specyficzną zawartą w doświadczonych w przeszłości sytuacjach, zwanych przypadkami (ang. case) [Zado99]. Riesbeck i Schank definiują CBR jako systemy rozwiązujące nowe problemy poprzez adaptację rezultatów, które były wykorzystane podczas rozwiązywania starych problemów [RSH89]. Nowy problem jest rozwiązywany poprzez odnalezienie podobnego do niego przypadku w zbiorze i zastosowaniu do niego rozwiązania skojarzonego z odnalezionym przypadkiem. Istotną cechą odróŝniającą CBR od innych metod jest to, Ŝe występuje w niej podejście do sukcesywnego i ciągłego uczenia systemu niezaleŝnego od eksperta. Odbywa się to poprzez gromadzenie rozwiązań przeszłych problemów i udostępnianie ich do rozwiązywania nowych problemów w przyszłości. Przypadki będące elementami bazy wiedzy systemów CBR zawierają zazwyczaj wiedzę specyficzną dla danego problemu. Pamięć przypadków nie musi zawierać wiedzy kompletnej dla danej dziedziny [WrZa97]. Cykl działania systemu realizującego metodę CBR moŝna opisać przy pomocy czterech procesów [AaPl94]: Wyszukanie (ang. retrieve) najbardziej podobnego przypadku lub zbioru przypadku, Wykorzystanie (ang. reuse) wiedzy zawartej w tym przypadku do rozwiązania problemu, Ocena przydatności (ang. revise) zaproponowanego rozwiązania, Zapamiętanie (ang. retain) doświadczenia w celu późniejszego wykorzystania podczas rozwiązywania nowych problemów w przyszłości. Problem znajdujący się na wejściu systemu jest porównywany z przypadkami zgromadzonymi w bazie przypadków. Wyodrębniany jest z bazy jeden lub więcej przypadków spełniających kryterium podobieństwa do przypadku wejściowego. JeŜeli podobieństwo wyodrębnionych przypadków nie jest zbyt duŝe, moŝe się okazać konieczna odpowiednia adaptacja. Po jej dokonaniu, gotowe rozwiązanie jest zapisywane w bazie przypadków.
328 Technologia przetwarzania wiedzy w SWO Systemy ekspertowe versus CBR Systemy ekspertowe i Systemy CBR mają wspólny cel wzrost inteligencji maszyn i uczynienie jej bardziej podobnej do ludzkiej. Obie oparte silnie na wiedzy metodologie są dobrze stosowane dla zmieniających się, nie dość dobrze zdefiniowanych problemów oraz obie uŝywają heurystyk doprowadzając do satysfakcjonujących rozwiązań. Przeszukiwanie jest głównym aspektem obu podejść. Skuteczność i zasady tych przeszukiwań mają fundamentalny wpływ na jakość rozwiązania. Podobnie jak w przypadku systemów ekspertowych systemy CBR wykazały swoją skuteczność na polu zastosowań biznesowych i inŝynierskich [Gupt94]. Jednak pomiędzy obiema metodami istnieją istotne róŝnice. Przedstawia je Tablica 1. Główne róŝnice pomiędzy systemami ekspertowymi a CBR Systemy ekspertowe Systemy CBR Posiadają ograniczoną zdolność uczenia się Rozumowanie i dedukcja uŝywają reguł jeŝeli-to Pozyskiwanie wiedzy jest Ŝmudne i czasochłonne Czasochłonna budowa i utrzymanie Brak moŝliwości rozwiązywania problemów spoza wyznaczonego zakresu Idealne dla dziedzin charakteryzujących się bogatą wiedzą Tablica 1 Uczenie stanowi część architektury Rozumowanie i dedukcja wykorzystuje specyfikę zawartą w przypadkach Pozyskiwanie wiedzy łatwe Łatwa budowa i utrzymanie MoŜliwość rozwiązywania problemów spoza wyznaczonego zakresu Idealne dla dziedzin charakteryzujących się bogatym doświadczeniem Źródło: opracowanie własne na podstawie Gupta U.G. How Case-Based Reasoning Solves New Problems, [Gupt94]. W systemach ekspertowych problemy rozwiązywane są poprzez wnioskowanie na podstawie reguł. W systemach CBR nowe problemy są rozwiązywane poprzez analogiczne rozumowanie na podstawie wiedzy powstałej w wyniku gromadzenia doświadczeń z przeszłości. Obszary przewagi CBR nad systemami ekspertowymi [Gupt94], [Kesh95]: Przypadki stanowią bogatszy i bardziej dynamiczny sposób reprezentacji wiedzy dziedzinowej niŝ reguły, Łatwiejsze wydobywanie wiedzy z przypadków niŝ z reguł,
Integracja systemów ekspertowych i systemów wnioskujących... 329 Podejście CBR naśladuje w wierniejszy sposób ludzką inteligencję i proces uczenia poniewaŝ system modyfikuje środowisko na podstawie zdarzeń przeszłych, Systemy ekspertowe nie osiągają sukcesów w rozwiązywaniu zadań wymagających kreatywności i wiedzy zdroworozsądkowej. Reprezentacja przypadków pozwala czasem przezwycięŝyć te trudności, Zdobyte doświadczenie, w przypadku pracy z systemem ekspertowym, nie moŝe zostać wykorzystane, dopóki nie zostanie odpowiednio uwzględnione w regułach, Systemy ekspertowe dają te same rozwiązania w danej klasie problemów. Systemy CBR mogą dać nowe rozwiązania uŝywając analogii do przypadków przeszłych, Systemy CBR potrafią wyprowadzić poprawne rozwiązanie nawet wtedy, gdy dopasowanie nie jest dokładne. Odpalenie reguł w systemach wymaga dokładnego dopasowania. To pociąga za sobą konieczność znajomości wszystkich wymaganych parametrów, Systemy CBR wyprowadzają czytelniejsze wyjaśnienia. Obszary przewagi systemów ekspertowych nad CBR [Gupt94], [Kesh95]: Systemy ekspertowe są preferowane w dziedzinach obfitujących w wiedzę i skromnych co do obszaru doświadczenia. Innymi słowy, jeśli przeszłych przypadków jest niewiele lub są niedostępne, to znacznie lepsze zastosowanie znajdą systemy ekspertowe niŝ CBR, Systemy ekspertowe są preferowane takŝe w niektórych dziedzinach, w których ustalenie podobieństwa pomiędzy przypadkami jest bardzo trudne, Systemy ekspertowe znacznie lepiej sprawdzą się w tych dziedzinach, w których ekspertyza jest oparta głównie na regułach a nie na wyjątkach, Ogólnie wszędzie tam, gdzie wpływ doświadczeń przeszłych jest ograniczony, a wiedzę moŝna stosunkowo łatwo ogarnąć w postaci reguł systemy ekspertowe będą chętniej stosowane niŝ CBR, Systemy regułowe są szybsze w porównaniu do CBR, co wynika głównie z tego, Ŝe odpalane są tylko reguły prowadzące do rozwiązania. W systemach CBR, zaleŝnie od stosowanej strategii przeszukiwań, muszą być przeszukane odpowiednie zbiory przypadków przeszłych, PoniewaŜ systemy ekspertowe zostały opracowane wcześniej, wciąŝ mają przewagę w objętych działaniem obszarach zastosowań.
330 Technologia przetwarzania wiedzy w SWO Integracja CBR z systemami ekspertowymi Uczenie się na przypadkach oraz indukcja reguł są komplementarne, zarówno pod względem zalet, jak i wad. Na zapoczątkowanie badań nad systemami hybrydowymi wpłynęły m.in. uwagi Riesbecka i Schanka dotyczące sposobu nabywania wiedzy przez człowieka i jej późniejszego wykorzystania [RSH89] - wiedzę o przypadkach typowych pamiętamy w postaci reguł, natomiast o wyjątkach w postaci wzorców. Istnieje kilka róŝnych sposobów dokonania połączenia CBR i systemów regułowych. RóŜnice mogą dotyczyć samego sposobu integracji jak i algorytmu klasyfikacji. WyróŜnia się dwa rodzaje integracji CBR i systemów ekspertowych: Podejście współpracujące (ang. cooperative) nadrzędna struktura sterująca wywołuje algorytmy indukujące reguły i zapamiętujące wzorce (przykładem jest algorytm FCLS), Podejście zunifikowane (ang. seamless) zarówno za indukcję jak i uczenie się na przypadkach odpowiada tylko jeden algorytm (przykładem jest algorytm RISE). Korzysta się z róŝnych algorytmów klasyfikacji, decydujących m.in. o kolejności stosowanego dopasowania wg reguł lub wzorców. Rodzaje algorytmów klasyfikacji: Podejście przyjmujące, Ŝe wiedza dotycząca klasyfikacji przypadków typowych jest reprezentowana jako zbiór reguł, natomiast informacja o wyjątkach w postaci wzorców. Podejście to wyraŝa się w heurystyce: Aby rozwiązać nowy problem, naleŝy przede wszystkim uŝyć reguł, jeŝeli jest to niemoŝliwe, naleŝy przypomnieć najbardziej podobną sytuację z przeszłości i zaadaptować ją do aktualnego problemu (takich systemów jest najwięcej) Podejście zakładające w pierwszej kolejności korzystanie z wzorców wyjątkowych, a dopiero w dalszej z reguł. Przykładem jest system ANAPRON - syntezator wymowy amerykańskich nazwisk [MSRMA02] [MPS02] oraz system GYMEL wykorzystywany do harmonizacji melodii [MSRMA02]. W podejściach wykorzystujących jednakową reprezentację dla reguł i wzorców stosuje się na ogół algorytmy klasyfikacji oparte na jednoczesnym dopasowaniu przykładu do reguł i wzorców. Wymienione wyŝej podejścia tworzonych algorytmów klasyfikacji nie wyczerpują wszystkich moŝliwych sposobów ich tworzenia. Uzupełnienia tych informacji moŝna dokonać właśnie poprzez przedstawienie konkretnych przykładów. System CABARET zajmuje się interpretacją przepisów podatkowych. Reguły są znane (w postaci przepisów prawnych), ale ze względu na posługiwa-
Integracja systemów ekspertowych i systemów wnioskujących... 331 nie się otwartymi, nie dość jasno określonymi, pojęciami same nie są dość precyzyjne. W bazie przypadków zawarta jest wiedza na temat znaczenia tych pojęć. Nie mamy tu do czynienia z sytuacją, w której rozwiązanie podaje sama reguła albo samo podobieństwo przypadków. Tu przypadki decydują, czy dana reguła (przepis) jest stosowana czy nie [MSRMA02] [MPS02]. System CAMPER został opracowany w celu planowania dziennego menu zgodnego z indywidualnym zapotrzebowaniem w zakresie odŝywiania, osobowymi preferencjami, a takŝe estetycznymi kryteriami. Moduł CBR zapamiętuje, odzyskuje oraz adaptuje dzienne menu. Natomiast praca modułu regułowego polega na generowaniu, testowaniu oraz naprawianiu uŝywanych modeli Ŝywieniowych. Oba moduły są tu komplementarne względem siebie [MSRMA02]. System The Auguste Project podejmuje decyzje wspomagające planowanie stałej opieki medycznej dla pacjentów chorych na Alzheimera. Objawy choroby są róŝne dla róŝnych grup pacjentów, zmieniają się takŝe wraz z czasem dla danego pacjenta. Moduł CBR jest wykorzystywany do zawęŝenia poszukiwań poprzez znalezienie odpowiedniej grupy pacjentów, dla której mogą być stosowane określone reguły. Twórcy systemów hybrydowych starają się dopasować moŝliwie najlepiej algorytm klasyfikacji oraz sposób integracji do specyfiki dziedzinowej opracowywanego zagadnienia. W dziedzinie zarządzania takŝe podejmowane są próby stosowania takich systemów. Stefanowski i Wilk [StWi01] opracowali system hybrydowy wspomagający podejmowanie decyzji kredytowych. Prace zostały poprzedzone badaniami dotyczącymi działalności kredytowej w kilku polskich bankach. Przyjęto reprezentację wiedzy wykorzystującą oddzielne zbiory reguł i przypadków. System moŝe generować decyzje tylko na podstawie reguł, tylko na podstawie przypadków oraz przy pomocy reguł i przypadków wówczas nowy przypadek w pierwszej kolejności jest dopasowywany do reguł, jeŝeli nie ma pokrywających go reguł, to jest dopasowywany do istniejących przypadków. System testowano w dwóch oddziałach banku. NajwyŜszą trafność klasyfikacji kredytów wykazało podejście łączne. Uwagi końcowe Zarówno systemy ekspertowe jak i systemy wnioskujące przez przypadki wykazały swoją skuteczność we wspieraniu procesu podejmowania decyzji w róŝnych dziedzinach. Systemy te mając liczne praktyczne zastosowania dały się poznać zarówno pod względem swoich korzyści jak i ograniczeń. Na podstawie tych doświadczeń podjęto badania nad moŝliwościami łączenia wymienionych, a takŝe innych, technik sztucznej inteligencji. Jest wiele problemów, dla których rozwiązanie hybrydowe wydaje się być optymalne: zarówno potrzebna jest wiedza ogólna zgromadzona w postaci reguł jak i szczegółowa, zawarta w poszczególnych przypadkach. Stworzone i wykorzystywane praktycznie
332 Technologia przetwarzania wiedzy w SWO systemy integrujące reguły oraz wnioskowanie przez przypadki znalazły stosunkowo niewiele jak dotąd zastosowań na obszarze ekonomii i zarządzania. PoniewaŜ pojedyncze próby, takie jak przedstawione w pracy Stefanowski i Wilk [StWi01] dają wysoko obiecujące wyniki takich rozwiązań, celowe wydaje się kontynuowanie badań w tym kierunku. Literatura [AaPl94] [Chwi91] [Gupt94] [Kesh95] [KiSr99] [Mich99] [MPS02] [MSRMA02] [Mula96] [RSH89] [Srok94] [StWi01] [Wate86] [WrZa97] Aamodt A., Plaza E.: Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches, AI- Com, Artificial Intelligence Communications, IOS Press 1994 Chwiałkowska E.: Sztuczna inteligencja w systemach eksperckich, Zakład Nauczania Informatyki MIKOM, Warszawa 1991 Gupta U.G.: How Case-Based Reasoning Solves New Problems, Interfaces, 11,12 1994 Kesh S.: Case Based Reasoning, Journal of Systems Management, July/August 1995 Kisielnicki J., Sroka H.: Systemy informacyjne biznesu, Agencja Wydawnicza Placet, Warszawa 1999 Michalik K.: PC-Shell - Szkieletowy System Ekspertowy, AITECH Katowice 1999 Marling C., Petot G., Sterling L..: Integrating Case-Based and Rule-Based Reasoning to Meet Multiple Design Constraints, AI Magazine, Spring 2002 Marling C., Sqalli M., Rissland E., Munoz-Avila H., Aha D..: Case Based Reasoning Integrations, AI Magazine, Spring 2002 Mulawka J.J.: Systemy ekspertowe, Wydawnictwo Naukowo- Techniczne, Warszawa 1996 Riesbeck C., Schank R., Hillsdale N.J.: Inside Case-Based Reasoning, Lawrence Erlbaum 1989 Sroka H.: Systemy ekspertowe: komputerowe wspomaganie decyzji, AE Katowice 1994 Stefanowski J., Wilk S.: Evaluating Business Credit Risk by Means of Approach-Integrating Decision Rules and Case-Based Learning, International Journal of Intelligent Systems in Accounting, Finance and Management, vol. 10, 2001 Waterman D.A.: A Guide to Expert Systems, Addison-Wesley Publishing Company 1986 Wrona S., Zadora P.: Przetwarzanie wiedzy pochodzącej z przeszłości w celu rozwiązania problemów klasyfikacyjnych. W:
Integracja systemów ekspertowych i systemów wnioskujących... 333 [Zado99] Sroka H., Stanek S.: Inteligentne systemy wspomagania decyzji w zarządzaniu. Transformacje systemów, AE Katowice 1997 Zadora P.: Wnioskowanie na podstawie przypadków jako metoda wspomagająca proces podejmowania decyzji, Praca doktorska pod kierunkiem prof. zw. dr hab. H.Sroki, AE Katowice 1999 INTEGRATION OF EXPERT SYSTEMS WITH CASE-BASED REASONING Two techniques of Artificial Intelligence are described briefly in the paper - expert systems and case-based reasoning. The prospects resulting from linking both methods and possible ways of achieving the integration have been presented in the article by means of comparing the two approaches. Key words: expert systems, case-based reasoning.