Inteligencija je sposobnost sistema da se prilagodi promjenama u svijetu
i što je ta sposobnost veća, odnosno profinjenija snaga prilagođavanja,
sistem je inteligentniji.

U navedenoj definiciji se spominje sistem, što daje dosta široko značenje, mada se u podsvjesti

misli na čovjeka. Otuda je potreban poseban napor da se sve to premjesti i sve te karakteristike

pripišu neživoj tvorevini - mašini. Da bi se ovaj problem donekle shvatio, potrebno je barem

pokušati dati osnovne karakteristike inteligencije. Ukoliko se karakteristike inteligencije pravilno

definišu, utoliko će biti lakše izlaganje osnova vještacke inteligencije.

1.2. KARAKTERISTIKE INTELIGENCIJE

U narednom tekstu će se pokušati objasniti nekoliko osnovnih karakteristika inteligencije, koje su

danas opšte prihvaćene, i to:

● imitacija dijaloga,

● rješavanje svih varijanti problema,

● rješavanje netrivijalnih zadataka,

● učenje,

● ekstrapolacija.

Zlatana Kurt

Ekspertni sistemi

Rješavanje netrivijalnih zadataka

Odmah na početku se postavlja pitanje šta su trivijalni, a šta netrivijalni zadaci. Uobičajena

matematička definicija kaže da je

trivijalni zadatak

onaj kod koga je način rješavanja poznat.

Pri tome nije važno da li rješenje postoji ili ne, odnosno da postavke dovode do apsurda. Iz

definicije trivijalnog zadatka proizilazi definicija

netrivijalnog zadatka

: to je zadatak kod koga se

mora pronaći način rješavanja. Ovdje se ne misli na klasu problema koji su rješavani, odnosno

nisu rješavani, nego na onoga ko mora rješiti zadatak, a ne poznaje algoritam rješavanja.

PRIMJER

Množenje dva broja

Za učenike starijih razreda množenje dva broja je trivijalni zadatak, pošto su učili tablicu

množenja, a za prvoškolca ovo je netrivijalni zadatak, jer on ne poznaje način rješavanja

zadatka.

Klasični primjer inteligencije

dat je u anegdoti iz đačkog života

Karl Friedrich Gauss

-a. Kao

prvoškolac je dobio "nerješiv" zadatak da sabere brojeve

od jedan do sto. Gauss je vrlo brzo i

elegantno došao do rješenja: uvidio je da je

zbir prvog i zadnjeg broja 101, drugog i predzadnjeg

takođe 101 i tako sve do zbira

zadnjeg para brojeva 50 i 51. Budući da parova ima 50, proizvod

50 puta 101 daje

rješenje 5050.

Ekstrapolacija

Ekstrapolacija, odnosno aproksimativno odlučivanje na osnovu niza faktora, je jedna od

karakteristika koju je korisno objasniti i preko primjera. Neka je dan uzrok neke pojave i njegova

posljedica: pritisak na prekidač izaziva paljenje svjetla, guranje bureta izaziva njegovo kotrljanje,

pojava problema zahtjeva njegovo otklanjanje, itd. Kod trivijalnih problema rješenje je očigledno,

što nije slučaj kod zdravstvenih tegoba relativno nedefinisanog oblika ili proizvodnje

nekog dijela ili sklopa.

PRIMJER

Donošenje odluke o kupovini automobila.

Može se napraviti tabela konkurentnih karakteristika dva ili više automobila različitih proizvođača

u istoj klasi i sa približno jednakom cijenom. U tabeli će se naći: potrošnja, komfor, snaga,

Zlatana Kurt

Ekspertni sistemi

servis, veličina putnog i prtljažnog prostora, dizajn, itd. Može se napraviti bodna lista, gdje svaka

karakteristika ima svoju težinsku vrijednost, čime se dobija sistem jednačina u kojima je

upoređivanje karakteristika poznato kao proces identifikacije. Nakon identifikacije treba dobiti

rješenje, ali rješenje, praktično nikada, nije jednoznačno i definitivno. Odluka je tada i sama niz

odluka, odnosno proces koji nazivamo jednim imenom ekstrapolacija.

Učenje

Učenje je jedna od najvažnijih i najtežih karakteristika spoznaje, i samim tim, inteligencije

uopšte. Pri tome se ne misli da je učenje memorisanje činjenica.To bi bilo isto kao kada bi se

reklo da je vožnja automobila pritiskanje papučice gasa. Doduše, bez gasa automobil se ne

može voziti, ali samo sa gasom to je još besmislenije.

Memorisanje činjenica

jeste nužna i neophodna karakteristika učenja, ali daleko od toga da

bude i dovoljna.

Aktiviranjem čula

počinje učenje, odnosno uspostavljanje kontakta sa

vanjskim svijetom. Kod živih bića ovo je stalan, neprekidan proces, koji počinje sa rađanjem i

prestaje sa smrti.

Sposobnost

pamćenja

je sljedeća karakteristika procesa učenja. Samo

prosto memorisanje podataka nije karakteristika inteligencije, jer ukoliko bi to bilo tačno onda i

papir i crijep sa klinastim pismom i magnetni medij bi bili inteligentni.

1.3. POJAM I DEFINICIJE VJEŠTAČKE INTELIGENCIJE

Teorija i praksa vještačke inteligencije (VI) su još u svom pionirskom dobu i vrijeme pravih

otkrića tek treba da dođe. Potrebno je bilo dugo vremena da se pojam vještačke inteligecije

[Artifical Intelligence (AI)]

probije i odomaći. Primjena metoda VI će, vjerovatno, igrati značajnu

ulogu u organizacijama budućnosti, u prvom redu u cilju pripremanja odluka u procesu

upravljanja.

Definicije vještačke inteligencije

Vještačka inteligencija je nauka koja čini da mašine obavljaju stvari koje bi

zahtjevale inteligenciju kada bi ih obavljao čovjek

(M. Minsky, 1968.);

Zlatana Kurt

Ekspertni sistemi

Spremanje podataka

Spremanje podataka je jedna od karakteristika VI, jer prijem podataka iz vanjskog svijeta i

njihova obrada nemaju nikakvog smisla ako se ne mogu memorisati. Iz tog razloga računar

mora imati odgovarajuće veliki prostor za njihovo spremanje. Prije spremanja podataka

neophodna je odgovarajuća obrada, filtriranje i analiza, jer podatak se ne može uzimati "sirov".

Brzina obrade podataka

Brzina obrade podataka je karakteristika VI, bez obzira da li se radi o samom spremanju,

klasifikaciji, sortiranju ili nekoj drugoj operaciji na podacima. Pri tome treba reći da računar mora

imati odgovarajuću arhitekturu.

Efikasnost računarskih programa

Pod programiranjem se podrazumjeva niz upravljačkih naredbi potrebnih za rad sistema, pri

čemu se misli na kodirane algoritme obrade podataka. Efikasnost računarskih programa

podrazumijeva optimalno rješenje postavljenog problema, odnosno najbrži i najpouzdaniji način

sa najmanjim utroškom prostora u memoriji računara. Efikasnost programa bioloških sistema je

vrhunska, jer je priroda imala dovoljno vremena za eksperimentisanje i odbacivanje neuspješnih

rješenja. Pored toga, u prirodi se vodi bespoštedna borba za opstanak u neprijateljskoj okolini,

gdje su kazne za neefikasno djelovanje veoma rigorozne.

Promjenljivost računarskih programa

Promjenljivost računarskih programa je neophodna, jer se programi moraju oblikovati prema

zahtjevima sredine. Da bi program mogao izdržati visoke zahtjeve koje pretpostavljena

inteligencija ima, on mora posjedovati minimalno dva svojstva:

● samoispravljanje grešaka,

● mogućnost promjene vlastite strukture.

Mogućnost učenja

Mogućnost učenja je veoma bitna karakteristika računara. Današnji računari rade tačno ono što

je programom predviđeno. Bez obzira na vanjsku manifestaciju, rad računara se svodi,

Zlatana Kurt

Ekspertni sistemi

uglavnom, na korištenje memorije i dovoljno mnogo pitanja - skretnica tipa "AKO ... → TADA".

Odstupanje od programiranog ponašanja znači grešku ili sistema ili programa. Međutim, ako se

računaru omogući da uči, u bilo kojem obliku, tada se mogu očekivati optimalni programi,

primjereni danom problemu.

Ekstrapolacija i rješavanje netrivijalnih zadataka

Ekstrapolacija i rješavanje netrivijalnih zadataka je danas u samom središtu svih istraživanja. Za

ova istraživanja su angažovana ogromna materijalna sredstva i na njima rade vrhunski

specijalistički timovi. Cilj je dobijanje inteligentnog računara, koji bi obrađivao probleme

samostalno, metodom ekstrapolacije i time stvorio sve pretpostavke za rješavanje netrivijalnih

zadataka.

ARHITEKTURA EKSPERTNIH SISTEMA

2.1. POJAM EKSPERTNIH SISTEMA

U praksi se često javlja potreba za nizom specifičnih znanja datih u cjelini, brzo sigurno i

povezano. Drugim riječima, želi se da u problematičnim situacijama i kod donošenja složenih

odluka pomogne dobar stručnjak, vrhunski specijalista ili, kako se drugačije kaže, ekspert.

Pomoć eksperta je dobro došla u složenim situacijama bilo koje oblasti ljudskog rada: medicini,

pravu, građevinarstvu, industriji, marketingu, itd.

Osnovna svojstva eksperta

Osnovna svojstva eksperta su da:

• primjeni, na optimalni način, svoja znanja u rješavanju problema. Pri tome se podrazumijeva

uzimanje u obzir činjenica i predviđanje relevantnih posljedica;

• objasni i obrazloži svoje odluke i prijedloge;

• komunicira sa drugim ekspertima i proširuje svoja znanja, prestruktuira i reorganizuje shvatanja

i znanja;

• formira i napušta određene zaključke, što dokazuje da je pronikao u suštinu određenih pojava i

našao nove zakonitosti koje među njima vladaju;

Zlatana Kurt

Ekspertni sistemi

Dodatne definicije ES

U literaturi se može naći veći broj sličnih definicija pojma ES. Tako, jedna definicija

opisuje ES kao: "Računarski sistem koji uključuje organizovano znanje, koje se tiče nekog

specifičnog područja ljudske ekspertize (medicinska dijagnostika, identifikacija hemijskih

jedinjenja, finansijsko planiranje, geološke prospekcije, itd.), u dovoljnom stepenu da može da

vrši ulogu iskusnog i ekonomski racionalnog konsultanta u tom području".

Za ES se može reći da predstavljaju: "Program opšte namjene za rješavanje problema, koji

imitira ljudsku inteligenciju" ili "Intelektualnu podršku visokog nivoa, koja služi isto kao i ljudski

ekspert". U slijedećoj definiciji, osim cilja, se objašnjava i struktura ES:

"Ekspertni sistemi koriste formalne načine predstavljanja znanja koje čovjek – ekspert posjeduje

i metode logičkog zaključivanja, da putem odgovarajućih računarskih programa obezbjede

ekspertni savjet ili mišljenje o problemu za koji je korisnik zainteresovan".

Područje primjene ES

Ekspertni sistemi imaju za cilj da obezbijede odgovor na probleme koji zahtjevaju

rasuđivanje, prepoznavanje i poređenje oblika, akviziciju novih koncepata, zaključivanje,

ukratko, oni daju odgovor na pitanja koja zahtjevaju inteligenciju. ES se mogu efikasno

primjenjivati u područjima gdje se mišljenje o problemu svodi na logičko rasuđivanje, a ne na

izračunavanje, i gdje svaki korak u rješavanju problema ima veći broj alternativnih mogućnosti.

Tipovi znanja ES

Ključni faktor za dobre performanse ES je kvalitet znanja koje je u njega ugrađeno.

Znanje se čuva u bazi znanja ES i generalno se razlikuju dva tipa znanja:

• prvi tip znanja je ono znanje koje se zove

činjenicama danog domena

, odnosno znanje koje

je široko poznato i nalazi se napisano u udžbenicima, časopisima i slično;

• drugi tip znanja je

heurističko znanje

, ono znanje koje čovjek – ekspert gradi na osnovu

iskustva i koje kombinovano sa prvim tipom znanja čini čovjeka ekspertom. Osim znanja, ES

zahtjeva i

postupak zaključivanja - metod rasuđivanja

, korišten da napravi spregu između

znanja koje se čuva u računaru i problema koji postavlja korisnik. On, takođe, zahtjeva način za

Zlatana Kurt

Ekspertni sistemi

predstavljanje znanja

u računaru, znanja koje ES treba da posjeduje, i to, prije svega, u obliku

logičkih struktura sa kojima računar može lako da manipuliše, kao i skup odgovarajućih struktura

podataka.

Pitanja vezana za razvoj ES

Kod razvoja ES se javlja niz veoma krupnih pitanja, na koje treba dati odgovor.

Prvi problem, koji se susreće kod ES, je način

predstavljanja znanja

. Kako predstaviti znanje iz

datog domena u obliku pogodnih struktura podataka, tako da se efikasno može iskoristiti u

rješavanju problema? Drugo, postavlja se pitanje kako koristiti znanje, kako

projektovati

mehanizam

zaključivanja

da bi se znanje efikasno koristilo u rješavanju problema?

Treće, postavlja se pitanje

akvizicije znanja

, to jest, kako izvući znanje iz glava eksperata i

staviti ga u računar? Da li je moguće automatizovati korak akvizicije znanja i obezbijediti

neposrednu komunikaciju eksperta i računara i nesmetan prenos znanja od eksperta ka

računaru? U ovom trenutku, akvizicija znanja predstavlja ključno pitanje u razvoju metoda

vještačke inteligencije.

Podjela ES prema vrsti korisnika

Ekspertni sistemi se razlikuju prema vrsti korisnika. Neki ES, kao što su sistemi

medicinske dijagnostike, uključuju

znanje grupe eksperata u cilju

korištenja od strane

jednog eksperta iz iste grupe

. Drugim riječima, ljekari kreiraju sistem za ljekare. Neki ES

prenose

znanje jedne grupe eksperata grupi ili pojedincu koji to

nisu

. U ovu grupu spadaju

sistemi finansijskog planiranja. Upotreba ove grupe ES se danas smatra najkontraverznijom.

Načini korištenja ES

Postoje tri osnovna načina korištenja ES:

• prvi način, gdje korisnik traži odgovor na zadani problem,

• drugi način, gdje je korisnik instruktor koji dodaje znanje u postojeći ES,

• treći način, gdje je korisnik učenik koji uči od ES, na taj način povećavajući svoje znanje.

Pri tome se ES razmatra kao dio vještačke inteligencije i koristi sve tehnike primijenjene u tom

području nauke.

Zlatana Kurt

Ekspertni sistemi

2.2. ARHITEKTURA EKSPERTNIH SISTEMA

Klijent/Server Arhitektura

2.2.1. Opšte o arhitekturi ekspertnih sistema

Ekspertni sistemi zadiru u veći broj područja nauke i tehnike, bilo direktno, bilo preko vještačke

inteligencije.

Osnovna arhitektura ekspertnih sistema

Zlatana Kurt

Ekspertni sistemi

Ekspertni sistem je veoma složen programski paket, koji se sastoji od niza manjih programskih

cjelina ili modula. Dva osnovna dijela su:

• vezni modul ili interfejs

(interface)

• jezgro ekspertnog sistema.

Jezgro ES se sastoji od dva dijela i to:

• baze znanja,

• relacionog modula ili modula za zaključivanje.

Vezni modul spaja eksperta i tehnologa znanja, sa jedne strane, i korisnika, sa

druge strane, sa bazom znanja i relacionim modulom. Iz tog razloga vezni modul se sastoji od

dva manja modula (komunikaciona kanala) i to:

• modula za zahvatanje znanja,

• modula za interpretaciju znanja.

Komunikacija sa ES

Kada je postavljena cjelokupna struktura ES, onda ni ekspert, ni tehnolog znanja, ni

korisnik ne pristupaju direktno jezgru ES. Ekspertni sistem sa spoljnim svijetom komunicira

isključivo preko veznog modula i to tako da je za komunikaciju sa ekspertom i tehnologom

znanja zadužen modul za zahvatanje znanja, dok je za vezu sa korisnikom zadužen modul za

interpretaciju znanja. Znanja koja sistem dobije preko modula za zahvatanje znanja, raspoređuju

se i sređuju u bazi znanja i relacionom modulu. Tek nakon toga jezgro ES je spremno da pruži

usluge korisniku sistema preko modula za interpretaciju znanja.

Zlatana Kurt

Ekspertni sistemi

Metode za izgradnju jezgra ES

Problem procesiranja znanja i njegovo prikazivanje su osnova na kojoj se zasniva kompletna

teorija vještačke inteligencije, pa tako i teorije izgradnje ES. Ova problematika je posebno

istraživana sredinom 70-tih godina, tako da se do danas razvio čitav niz metoda i programskih

alata, gdje je sve bazirano na matematičkim disciplinama, i to: statistici i teoriji vjerovatnoće,

matricama i teoriji grafova, običnoj, višedimenzionalnoj i tzv. "razmazanoj" (

fuzzy

) logici,

predikatskom računu, itd. Vremenom su se izdvojile čitav niz metoda, koje danas dominiraju u

izgradnji jezgra ekspertnih sistema, a to su:

• automatsko dokazivanje teorema,

• produkcioni sistemi,

• razvoj ES zasnovan na matematičkoj logici,

• semantičke mreže,

• ramovi znanja (

frames

• metode fazi ES,

• metode za izgradnju ES zasnovane na neuronskim mrežama,

• genetički algoritmi i ES,

• agenti, multi agenti i inteligentni agenti,

• inteligentne BP i inteligentni IS.

Iako ove metode imaju niz dodirnih tačaka i određena preklapanja, one predstavljaju

zaokružene cjeline.

2.2.3. Vezni modul

Pristup do jezgra u izgrađenom ES je moguć isključivo preko veznog modula. Vezni modul je

cjelina od dva svojevrsna komunikaciona kanala i to:

• modula za interpretaciju znanja, predviđenog za korisnika, i

• modula za zahvatanje znanja, koga koriste ekspert i tehnolog znanja.

Zlatana Kurt

Ekspertni sistemi

3. AGENTI, MULTIAGENTNI I INTELIGENTNI AGENTI

3.1. OPŠTE O AGENTIMA

Agenti predstavljaju softver koji ima sposobnosti da samostalno, bez intervencije korisnika,

izvršava postavljeni zadatak i izvještava korisnika o završetku zadatka ili pojavi očekivanog

događaja. Agent se može definisati na sljedeći način:

Agent je računarski softver, koji u interakciji sa okruženjem, ima sposobnost da

fleksibilno i samostalno reaguje u skladu sa ciljevima koji su mu postavljeni.

U ovoj definiciji se ističu tri ključna zahtjeva:

• interakcija sa okruženjem,

• autonomnost, i

• fleksibilnost.

Interakcija sa okruženjem

, u ovom kontekstu, znači da su agenti sposobni da reaguju na ulaze

dobijene od senzora iz okruženja i da moge da izvodi akcije koje mijenjaju okruženje u kome

agenti djeluju. Okruženje u kome agenti djeluju može biti fizičko (realan svijet) ili softversko

(računar na kome su instalirani ili Internet), za razliku od klasičnih ES, koji informacije o

okruženju dobijaju preko posrednika (korisnika) koji unosi parametre sistema. Klasični ES nisu

bili u mogućnosti da djeluju na okruženje (bar ne neposredno) ili su to, takođe, činili preko

posrednika (korisnika), koji je u zavisnosti od dobijenog odgovora reagovao na okruženje.

Autonomnost

znači da je sistem u stanju da reaguje bez intervencije korisnika (ili drugih

agenata) i da ima kontrolu nad sopstvenim akcijama i unutrašnjim stanjem. Takav sistem treba,

takođe, da bude sposoban da uči iz iskustva.

Mogućnost interakcije sa okruženjem i autonomnost računarskih istema nije nova ideja. Postoje

već mnogi takvi sistemi, kao što su programi za kontrolu realnih sistema koji nadgledaju

okruženje realnog svijeta i izvode akcije kao odgovor na promjene sistema u realnom vremenu.

Tu se mogu ubrojiti i programi koji nadgledaju softversko okruženje i izvode akcije kojima djeluju

na okruženje u slučaju promjene radnih uslova (antivirus programi). Navedeni primjeri imaju

odlike interakcije sa okruženjem i autonomnosti, ali se ovi sistemi ne mogu smatrati agentima

Zlatana Kurt

Ekspertni sistemi

Interfejs agenti

Uloga interfejs agenata je da krajnjem korisniku olakšaju upravljanje sistemom na kome radi. Ovi

agenti se mogu upotrijebiti za izradu adaptivnog korisničkog interfejsa (

Adaptive user interfaces

Ulaga agenata u ovakvom sistemu je da tokom vremena prate navike korisnika i pretpostavljaju

njegove buduće akcije. Interfejs agenti imaju zadatak da prikazuju informacije za koje

pretpostavljaju da u datom trenutku interesuju korisnika.

Mobilni agenti

Za ovu vrstu agenata je karakteristično da imaju sposobnost da se fizički kreću od jednog prema

drugom serveru (hostu) agenata preko računarske mreže Internet / Intranet. Mobilni agenti su se

pokazali posebno korisnim u situacijama kada je potrebno smanjiti obim (troškove) komunikacije

između povezanih računara. Umjesto obimne razmjene informacija između računara, šalje se

agent na izvor informacija i tamo vrši obradu podataka. Nakon završene obrade, agent šalje

rezultate serveru. Ovi agenti se, takođe, mogu upotrebljavati da bi se prevazišao problem

ograničenih lokalnih resursa. Ukoliko su resursi jednog računara zauzeti, agent može da potraži

računar sa slobodnim resursima i tamo obraditi podatke. Životni ciklus mobilnih agenata se

sastoji od:

• stanja pokretanja,

• stanja izvršavanja, i

• stanja ispunjenja postavljenog zadatka, nakon čega se agent uništava (oslobađaju se zauzeti

resursi).

U trenutku kada se agenti kreću od jednog računarskog sistema ka drugom, stanje izvršavanja

se zaustavlja i memoriše se trenutno stanje obrade. Kada se agent prenese na drugi računar,

obrada se nastavlja sve dok se ne izvrši postavljeni zadatak. U sistemima gdje se primijenjuju

mobilni agenti, posebna pažnja se mora posvetiti bezbjedonosnim problemima kao što su:

• spriječavanje neovlaštenih osoba / agenta da prikupljaju podatake,

• spriječavanje neovlaštenih osoba / agenata da mijenjaju podatake na sistemima,

• spriječavanje neovlaštenih osoba / agenata da upotrebljavaju resurse sistema,

• spriječavanje pokretanja agenata sa nejasnim ili zlonamjernim ciljevima.

Zlatana Kurt

Ekspertni sistemi

Informacioni / Internet agenti

Zadatak informacionih agenata je da se suoče sa savremenim kompleksnim informacionim

okruženjem. Zadatak takvih agenata se sastoji od pronalaženja informacija na lokalnom hard

disku, preko niza sistema za pretraživanje višestrukih baza na udaljenim serverima ili

pronalaženje informacija na Intranetu ili Internetu. Glavni zadatak informacionih agenata je da

aktivno tragaju za informacijama u zavisnosti od interesovanja korisnika u svom informacionom

okruženju, obavještavajući korisnike o novim sadržajima koji zadovoljavaju postavljene

kriterijume. Informacioni agenti pronalaze, analiziraju, obrađuju i objedinjavaju informacije sa

više nezavisnih izvora. Sistemi informacionih agenata aktivno tragaju za podacima za koje oni

vjeruju da su interesantni korisniku, umjesto da informacije dobijaju jednostavnim propuštanjem

kroz pasivni filter. Istraživanje oblasti informacionih agenata predstavlja izazov za razvoj

naredne generacije informacionih okruženja.

Reaktivni agenti

Reaktivni agenti ne planiraju svoje akcije, njihove akcije zavise isključivo od trenutnih događanja

u sistemu. U ovakvim agentima se najčešće primenjuju tradicionalne tehnike vještačke

inteligencije, kao što je monotono zaključivanje. Do sada su se reaktivni agenti najčešće

primenjivali u računarskim igrama.

Hibridni agenti

Ova vrsta agenata je bazirana na jednoj ili više vrsta agenata sa prethodne liste.

3.2. MULTIAGENTI

Sistemi u kojima se upotrebljava više agenata radi rješavanja zajedničkog problema se

nazivaju multiagentni sistemi. U ovakvim sistemima neophodno je da agenti imaju mogućnost

međusobne komunikacije u cilju razmjene iskustva ili „pregovaranja”, da bi se našlo optimalno

rješenje. Agenti koji se upotrebljavaju u multiagentnim sistemima mogu biti jednaki po

karakteristikama ili se mogu razlikovati prema specijalnostima. Multiagentni sistemi su idealni za

predstavljanje problema koji imaju više različitih metoda za rješavanje problema i/ili višestruke

perspektive. Omogućavaju izradu paralelnih računarskih sistema, pomažu pri radu sa vremenski

ograničenim zaključivanjem i robusnim sistemima, ako su odgovornosti podjeljene. U

Zlatana Kurt

Ekspertni sistemi

izbjegavaju konfliktne situacije u kojima bi korisnik, ili drugi objekat, greškom poremetio

unutrašnju strukturu objekta. Kada se na ovaj način pravi poređenje između objekata i agenata

može se uočiti dosta sličnosti. Pored sličnosti postoje i brojne razlike. Jedna od značajnih razlika

između agenta i objekta predstavlja stepen autonomije prilikom izvršavanja metode.

Objekti predstavljaju pasivne entitete, koji slijede naredbe programa u kome su primjenjeni, dok

su agenti samostalni entiteti koji slijede sopstvenu logiku u skladu sa sopstvenim ciljevima.

U multiagentnom sistemu bi se prije moglo reći da agenti međusobno upućuju zahtjeve za

izvršenjem metoda, umjesto da direktno pozivaju metode kao što je slučaj sa objektima u

objektno orijentisanim programskim jezicima. Postoji još jedna ključna razlika između ove dvije

tehnologije. U objektno orijentisanom programiranju se svi objekti izvršavaju u jednom

tread

-u

(koraku) aplikacije, u kojem su upotrijebljeni, dok u multiagentnom sistemu svaki agent

predstavlja poseban

tread

. Naravno, agenti se mogu implementirati objektno orijentisanim

programskim jezicima.

3.2.2. Primjena multiagenata

Oblast autonomnih agenata i multiagentnih sistema je veoma raznolika i predstavlja oblast koja

se ubrzano širi. Metodologija izrade programa, bazirana na agentima, pruža niz efikasnih alata i

tehnika koje imaju potencijal da značajno unaprijede tehniku izrade softvera, počevši od idejnog

rješenja pa sve do konkretne implementacije.

Predstavlja spoj više naučnih oblasti kao što su:

• distribuirana obrada podataka,

• objektno orijentisani sistemi,

• softverski inženjering,

• vještačka inteligencija,

• ekonomija,

• sociologija, i

• organizacione nauke.

Tehnologija agenata dobija sve više na značaju i oni se sve više upotrebljavaju za rješavanje

realnih problema i komercijalnim aplikacijama. Agenti imaju veoma širok spektar primjena, od

veoma jednostavnih sistema kao što su filteri za elektronsku poštu, programa za presretanje i

uklanjanje računarskih virusa pa sve do veoma kompleksnih, kao što je softver za kontrolu avio

saobraćaja. Oblasti u kojima se trenutno najčešće primjenjuju aplikacije na bazi agenata se

Zlatana Kurt

Ekspertni sistemi

mogu svrstati u sljedeće:

• proizvodnja,

• kontrola procesa,

• telekomunikacioni sistemi,

• kontrola avio saobraćaja,

• upravljanje transportom,

• meteorologija,

• filtriranje i sakupljanje informacija,

• upravljanje tokovima informacija,

• elektronska trgovina,

• upravljanje poslovnim procesima,

• medicina,

• industrija zabave,

• kompjuterske igre, i

• drugim oblastima.

U toku protekle dvije decenije je otkriven značajan broj poboljšanja u dizajnu i implementaciji

autonomnih agenata, kao i načinu na koji oni stupaju u interakciju. Tehnologija na bazi agenata

sve više nalazi primjenu u komercijalnim proizvodima, softveru koji se primjenjuje u realnom

okruženju. Trenutno je veoma važno riješiti dva problema:

• nedostatak jasno definisane sistemske metodologije za razvoj agenata u multiagentnim

okruženjima, i

• nedostatak široko rasprostranjenih, dostupnih i standardizovanih razvojnih aplikacija za izradu

multiagentnih sistema.

Većina dosadašnjih aplikacija su dizajnirane na bazi metodologije pozajmljene iz objektno

orijentisanih programskih jezika. Trenutno ne postoji metodologija koja definiše kako najbolje

struktuirati multiagentni sistem, kako uskladiti individualne i/ili kolektivne ciljeve agenata u

međusobnoj komunikaciji ili koja je najbolja struktura individualnog agenta u takvom sistemu.

3.3. INTELIGENTNI AGENTI

Zlatana Kurt

Ekspertni sistemi

• pomažu u međusobnoj saradnji korisnika

Potreba za IA:

• informacije je sve teže locirati, prikupljati, filtrirati, ocjenjivati i integrisati,

• sve je teže koordinirati dobijanje informacija iz heterogenih izvora.

3.3.2.

Osobine inteligentnih agenata

Osobine IA su:

• autonomnost,

• sposobnost komuniciranja,

• sposobnost učenja,

• inicijativa i blagovremeni odziv,

• fleksibilnost, i

• prilagodljivost.

Autonomnost IA

nije običan interfejs između korisnika i aplikacije. To je mogućnost rada u

heterogenim okruženjima, mogućnost da se IA ”pusti” da radi preko noći (da bude dugo

nenadgledan). IA je tipično dugotrajni (a ne jednokratni), kontinualan proces.

Sposobnost komuniciranja agenta

je preduslov agentovog postojanja, odnosno njegovo

postojanje je uslovljeno njegovom mogućnosti da komunicira sa drugim agentima. Jezik

komunikacije mora da bude poznat, agent mora da čita poruke napisane tim jezikom, kao i da

prihvata ograničenja koja nameće semantika poruka.

Sposobnost učenja

, mogućnost prikupljanja novog znanja tokom rada, je uslovljeno

posjedovanjem minimalnog početnog znanja. Uslovi za prikupljanje novog znanja su:

•

repetitivnost zadataka koje IA rješava,

•

različita repetitivnost za različite korisnike.

3.3.3. Struktura inteligentnih agenata

Zlatana Kurt

Ekspertni sistemi

Strukturu inteligentnih agenata sačinjavaju hardver, koji se sastoji od računarskog

sistema i specijalnog hardvera (npr. kamera ili audio ulaza) i računarskih programa, koji sadrže i

softver za razdvajanje IA od hardvera. Zadatak ovakve arhitekture je izvršavanje IA i

komunikacija sa okruženjem. Računarski program je ustvari funkcija kojom je implementirano

preslikavanje

’sekvenca opažaja

→

akcija’

i može se prikazati PAGE deskripcijom IA:

ercepts

(opažaji),

ctions

(akcije),

oals

(ciljevi-mjere performansi),

nvironment

(okruženje).

PRIMJER

PAGE deskripcije:

tip IA - medicinski dijagnostički sistem,

opažaji - simptomi, laboratorijski nalazi, … ,

akcije - pitanja, testovi, terapije, … ,

ciljevi - ozdravljenje, minimizacija troškova, … ,

okruženje - pacijent, bolnica, laboratorija, ... .

4. SAVREMENI INTELIGENTNI SISTEMI

4.1. OPŠTE O INTELIGENTNIM SISTEMIMA

Postoji veliki broj definicija inteligentnih sistema. Nijedna od definicija nije u potpunosti

prihvatljiva. Razlog je u činjenici da pojam inteligencije još uvijek nije u potpunosti objašnjen.

Inteligencijom se bavi niz naučnih disciplina, u prvom redu psihologija, filozofija, neurologija i

druge (o čemu je već bilo govora), a u posljednjim decenijama inteligencijom, tačnije rečeno

vještačkom inteligencijom, se sve više bave i računarske nauke. Računarske nauke proučavaju

mogućnost da se pomoću računara ostvari opažanje, rasuđivanje i ponašanje, odnosno da se

automatizuju inteligentne akcije. Računarskim programima je svojstveno simboličko

predstavljanje znanja o nekom području realnog sistema, odnosno stvaranje uproštene vizije

realnog sistema. Računarski programi manipulišu pretežno nenumeričkim simbolima i to je jedno

od osnovnih svojstava tih programa. Pri tome često koriste heuristiku, što im omogućava da

Zlatana Kurt

Ekspertni sistemi

• odgovaraju u realnom vremenu.

4.2. HIBRIDNI INFORMACIONI SISTEMI

4.2.1. Opšte o hibridnim inteligentnim sistemima

Većina tradicionalnih informacionih sistema, koji se baziraju na znanju, razvijaju se

kao samostalni sistemi, sa minimalnom međusobnom povezanosti. Narastanje količine

informacija, zahtjeva razvoj kompleksnijih sistema, koji integrišu znanje i tradicionalno

procesiranje. Jedna generacija inteligentnih IS, koji prevazilaze navedene probleme, se

razvija uz pomoć hibridne metodologije. Svaka inteligentna tehnika ima svoje pogodnosti

(sposobnost učenja, analizu odluka, itd.), koje ih čine pogodnim za dotično rješavanje

problema ili kao pomoć za druge tehnike.

PRIMJER:

Neuronske mreže su pogodne za prepoznavanje uzoraka, ali pogodne za analizu

kako se došlo do rješenja. Fazi logički sistemi su dobri za analizu njihovih rješenja, mada ne

mogu automatski iskazati pravila koja su upotrebljena pri dobijanju tih rješenja.

Zlatana Kurt

Ekspertni sistemi

Navedena ograničenja su bili osnovni razlog za kreiranje hibridnih inteligentnih sistema,

kombinujući dvije ili više tehnika u namjeri da prevaziđu ograničenja pojedinačnih tehnika.

Prema tome, hibridni sistemi su pogodni za rješavanje različitih aplikacionih domena. Mnogi

kompleksni domeni imaju različite komponente problema, zahtijevaju različitu vrstu procesiranja.

Iz tog razloga upotreba hibridnih aplikacije, kao što su:

• procesna kontrola,

• industrijsko projektovanje,

• marketing,

• medicina,

• razne vrste simulacija, i dr.

U hibridnim inteligentnim sistemima se koriste različite tehnologije:

• fazi logika,

• neuronske mreže,

• genetički algoritmi,

• stabla odlučivanja, itd.

4.2.2. Neuro - fazi sistemi

Fazi (fuzzy-eng.razmazan) logika se upotrebljava u mnogim područjima, a pristupi se

temelje na konvencionalnim metodama. Učinkovitost ovih sistema nije adekvatna

utrošenim sredstvima. Povećanjem kompleksnosti sistema otežano je definisanje fazi

pravila i osnovnih funkcija, koje se upotrebljavaju za opisivanje ponašanja sistema.

Prednost fazi logike se uočava u ekonomskom i finansijskom modeliranju, gdje se

pravila upotrebljavaju bez detaljnog i eksplicitnog znanja o izvršavanom procesu.

Kod neuronskih mreža, ograničeni ili nestruktuirani podaci lako dovode do

nekonzistentnih

izlaza, što prouzrokuje velike probleme. Imajući u vidu komplementarnost ovih dvaju

tehnologija, moguće ih je

integrisati na različite načine. Time se umanjuju njihovi pojedinačni

nedostaci.

Budući da se fazi sistemi, uglavnom, upotrebljavaju u industrijskim aplikacijama, očito

je da razvoj dobrih fazi sistema nije ni malo jednostavan.

Obuka neuronskih mreža je glavni

Zlatana Kurt

Ekspertni sistemi

upotrebljeni u implementaciji konceptualnog modela, implementacija: slijediti implementacioni

dizajn u izgradnji baze znanja, evaluacija: test sistema u cilju verifikacije da li sistem izvršava

zadatke korektno;

Razvoj u primjeni

• primjena: instalisanje sistema za rutinsku upotrebu,

• održavanje: pronalaženje grešaka, ažuriranje i poboljšanje vrijednosti sistema.

5.1.2. Ispitivanje eksperta

Postoje dva osnovna pristupa u crpljenju znanja od eksperta:

• ispitivanje eksperta poznatim metodama i tehnikama,

• posmatranje eksperta na djelu.

Crpljenje znanja ispitivanjem eksperta uvijek ima oblik interakcije čovjeka eksperta i inženjera

znanja. Koriste se sljedeći oblici interakcije:

• deskripcija,

• introspekcija.

Deskripcijom

se predstavljaju "idealni slučajevi", kao što se to čini u udžbenicima, dok

informacije o strategijama rješavanja specifičnih problema ostaju neobuhvaćene.

Introspekcija

je ispitivanje eksperta u cilju razrješavanja sopstvenih nedoumica iz posmatranog

domena.

Metode i tehnike ispitivanja eksperta su sljedeće:

• intervju,

• repertoarske rešetke,

• skale procjenjivanja,

Zlatana Kurt

Ekspertni sistemi

• tehnika kritičnih događaja,

• tehnika uparivanja karakteristika i odluka,

• razlikovanje ciljeva,

• reklasifikacija,

• analiza odlučivanja.

Intervju

Lični razgovor je najprirodniji i najčešći, a ujedno i najefikasniji oblik kontaktiranja među ljudima.

Za primjenu intervjua moraju biti ispunjeni sljedeći uslovi:

• lični kontakt intervjuiste i intervjuisanog,

• plansko i svrsishodno vođenje intervjua,

• usmjerenost intervjua,

• iskrena saradnja između intervjuiste i intervjuisanog,

• neometanost razgovora.

Repertoarske rešetke

Pri korištenju repertoarskih rešetki polazi se od toga da svaka osoba ima svoj lični teorijski

obrazac svijeta, da predviđa i nadzire procese i događaje, izgrađujući teorije, provjeravajući

svoje hipoteze i vrednujući iskustveno svjedočanstvo. Repertoarske rešetke su sačinjene od

elemenata i konstrukata.

Elementi

su ključni primjeri koje daje ekspert, a

konstrukti

su bipolarne karakteristike koje svaki

element ima u većoj ili manjoj mjeri.

Skale procjenjivanja

Zlatana Kurt

Ekspertni sistemi

Analiza odlučivanja se sprovodi kada se žele dokučiti znanja potrebna za uspješno odlučivanje i

procedure odlučivanja u datoj problemskoj situaciji. Kao sredstvo za sprovođenje ove tehnike se

koriste pomoćna sredstva, kao što su tabele, stabla odlučivanja i slično.

5.2. METODOLOGIJA RAZVOJA EKSPERTNOG SISTEMA

Razvoj ekspertnog sistema (ES) se može podijeliti u šest faza:

• preliminarna analiza,

• analiza i dizajn ekspertnog sistema,

• razvoj prototipa ekspertnog sistema,

• razvoj ekspertnog sistema,

• testiranje i implementacija,

• održavanje ES.

5.3. Preliminarna analiza

Preliminarna analiza

sadrži sljedeće radnje:

• definisanje potencijalnih projekata,

• dobijanje saglasnosti rukovodstva organizacije za potencijalne projekte,

• formiranje projektantskog tima za razvoj ekspertnog sistema.

Projektantski tim

, za svaki projekat ekspertnog sistema, mora obavezno

sadržavati sljedeće grupe ljudi:

• rukovodilac projekta,

• glavni projektant (inženjer znanja),

• projektanti (inženjeri znanja),

• eksperti,

• korisnici.

Zadaci projektantskog tima

u ovoj fazi razvoja su:

Zlatana Kurt

Ekspertni sistemi

• identifikacija potencijalnih projekata,

• analiza i ocjena svakog potencijalnog projekta,

• formiranje i organizovanje tima projekta,

• afirmacija inženjeringa znanja i projekta kod rukovodstva organizacije, eksperata i korisnika,

• izbor projekta za razvoj.

Svaka grupa ljudi, koja sačinjava projektantski tim, ima tačno definisane zadatke, koji na ovom

mjestu neće biti opisivani.

5.4. Analiza i dizajn

U drugoj fazi razvoja ekspertnog sistema rukovodilac projekta i projektantski tim moraju

izabrani projekat za razvoj svestrano analizirati i procijeniti sa različitih aspekata, ističući sve

korisne detalje.

Rukovodilac projekta

je direktno angažovan u fazi analize i njegovi glavni zadaci su planerske i

organizacione prirode:

• izrada detaljnog plana analize,

• definisanje domena i njegova dublja analiza,

• razvoj detaljnog plana projekta,

• organizovanje projektantskog tima,

• organizovanje više uzastopnih sastanaka sa ekspertom i korisnicima, sa posebnim naglaskom

na interakciji ekspert - korisnik.

Rukovodilac projekta mora odgovarajuću pažnju posvetiti problemu softvera I hardvera, koji su

potrebni za razvoj sistema. Komunikacija između članova projektantskog tima je važna i u

mnogome presudna za dalje faze rada.

Zadaci projektantskog tima

u ovoj fazi razvoja ekspertnog sistema su:

• doprinos preciznom definisanju domena,

• upoznavanje sa konkretnim zadacima i analiza tih zadataka,

• intervjuisanje eksperata,

Zlatana Kurt

Ekspertni sistemi

5.5. SREDSTVA ZA IZGRADNJU EKSPERTNIH SISTEMA

5.5.1. Opšte o sredstvima za izgradnju ES

Složenost i obim računarskih programa ES može da bude različita: demonstracioni prototipovi

sadrže obično 50 do 100 pravila, dok pojedini komercijalni sistemi sadrže i nekoliko hiljada

pravila. Izgradnja ES nije nimalo lak posao i u pojedinim slučajevima ga je skoro nemoguće

obaviti ukoliko se ne raspolaže inteligentnim alatima i posebnim sredstvima, koji će taj posao

olakšati i skratiti njegovo vremensko trajanje. Najšire posmatrano, sredstva koja su u funkciji

izgradnje ES, se mogu podijeliti u sljedeće grupe:

(1) Programski jezici za razvoj ES;

(2) Jezici inženjeringa znanja;

Programski jezici, bilo da su problemski orijentisani (FORTRAN, Pascal, C, itd.), objektno

orijentisani (C++, Java, itd.) ili jezici za rad sa simbolima (LISP, PROLOG, itd.), pružaju najveću

slobodu pri izgradnji ES, ali nisu pogodni za predstavljanje znanja ili pristup bazi znanja. Zbog

određenih svojstava, za izgradnju ES najčešće se primjenjuje jezik PROLOG.

5.6. RAZVOJ EKSPERTNOG SISTEMA

5.6.1. Mehanizam logičkog zaključivanja

U narednom izlaganju biće razmotren način funkcionisanja mehanizma za zaključivanje, koji

obavlja proces logičkog rasuđivanja nad

bazom znanja

, predstavljenom u obliku produkcionih

pravila, i

bazom činjenica

koja opisuje stanje sistema.

Da bi mehanizam za zaključivanje mogao da započne postupak logičkog rasuđivanja, potrebno

je prvo postaviti cilj rasuđivanja i inicijalizirati sve činjenice potrebne za testiranje uslova,

odnosno izvršavanje odgovarajućih akcija. Inicijalizacija se vrši uz pomoć vrijednosti, koje se

nalaze u bazi činjenica, ili se može raditi

interaktivno

, s tim što tada mehanizam zaključivanja

Zlatana Kurt

Ekspertni sistemi

postavlja pitanja korisniku tokom postupka korištenja ekspertnog sistema. Za efikasnu realizaciju

dijaloga sa korisnikom, potrebno je da mehanizam zaključivanja ponudi korisniku i skup legalnih

odgovora, koji su dozvoljeni za inicijalizaciju pojedinih činjenica, i na taj način vodi korisnika u

pravcu da daje odgovore koje sistem razumije.

Mehanizam zaključivanja treba, također, da sadrži i takozvana meta znanja, koja ustvari

predstavljaju pravila, meta pravila, koja upravljaju postupkom logičkog rasuđivanja u smislu

njegove optimizacije. Ova meta pravila se, prije svega, odnose na grupisanje, odnosno

utvrđivanje pravila i način njihovog pretraživanja, da bi se obezbijedilo minimalno moguće

vrijeme pretraživanja pravila.

S obzirom na postavljeni cilj logičkog rasuđivanja, odnosno cilj konsultacije koja se očekuje od

ekspertnog sistema, moguća su dva opšta pristupa:

• direktno rasuđivanje (sistem sa olančavanjem unaprijed),

• inverzno rasuđivanje (sistem sa olančavanjem unazad).

ZAKLJUČAK

Posljednjih godina oblast vještačke inteligencije i unutar nje ES, doživljavaju nagli uspon, kako u
istraživanju tako i u sferi komercijalne primjene. Spoj računarske tehnike i pokušaja spoznaje ljudske
inteligencije putem njene formalizacije stvorili su jednu multidisciplinarnu oblast određene klase
programa koja još evoluira. Riječ je o računarskim programima za rješavanje određenih problema koji
mogu da dostignu nivo neuporediv sa nivoom eksperata u nekoj specijalizovanoj oblasti.

ES se prvenstveno koriste u multinacionalnim kompanijama (85%) u funkciji tehnoloških predviđanja, u
cilju anticipiranja razvoja novih tehnologija i procesa na osnovu stručnih ekspertiza, tj.upotrebom
heurističkog znanja. Pretpostavlja se da će ES u skorijoj budućnosti biti upotrebljavani u MIS preduzećima
a zatim i u svim ostalim oblicima privrednih subjekata.