Remiantis ankstesnių darbų analize, pasirinkau panašių atvejų paieškos žinių vaizdavimo modelį, toliau vadinamą CBR (CBR – Case Base Reasoning). Žemiau pateiktoje analizėje, mėginsiu pagrįsti savo pasirinkimo tikslingumą bei plačiau apibrėžti panašių atvejų paieškos moelio principą .
Analitinė dalis
Detalus Atvejais besiremiančių programų aiškinimas
Pagrindinė CBR programų taikymo idėja – panaudoti problemos sprendimo patirtį, kuri buvo saugoma kaip atskiras atvejis atvejų bazėje, pritaikyti ir pakartotinai ją panaudoti naujos problemos sprendimui ir, nesėkmės atveju, pasimokyti iš klaidos.
CBR procesas abstrakčiame lygyje gali būti apibrėžtas keturiais pagrindiniais žingsniais:
1. Išgauti panašiausią atvejį.
2. Pakartotinai panaudoti atvejį (-us), bandant jį pritaikyti naujos problemos sprendimui.
3. Jei būtina, pakeisti siūlomą sprendimą.
4. Įsiminti naują sprendimą, kaip naujo atvejo dalį.
Išgaunant panašiausią atvejį ar atvejus iš atvejų bazės, jie yra apibrėžiami remiantis naujos problemos aprašymu.
Pakartotinai naudojant informaciją ir žinias išgautuose atvejuose – jos yra naudojammos naujos problemos sprendimui. Tam, kad suformuoti sprendžiamą atvejį, naujos problemos aprašymas yra suderinamas su informacija, esama sename atvejyje.
Peržiūrint siūlomo sprendimo tinkamumą, jis yra įvertinamas realiame laike. Jei būtina, ir įmanoma, siūlomas atvejis turi būti pritaikomas.
Jei atvejo sprendimas sugeneruotas pakeitimo fazėje, tuomet jis turi būti saugomas būsimų problemų sprendimui – tai reiškia, kad atvejų bazė yra atnaujinama, įsimenant naują atvejį.
Žinių panaudojimas naudojant CBR nėra kažkas, ką būtų galima padaryti vienu ypu. Procesas turi būti nukreiptas parametrams, kurie yra naudojami sprendimų priėmimui, kaupti, atvejų, kurie yra aprašomi remiantis tais parametrais, aprašymo kokybiškumui pasiekti bei atvejų bazės nuolatinei kokybei palaikyti.
kaip organizuojama panašių atvejų paieška?
Išskirtinė CBR sistemų savybė – panašių atvejų paieška atvejų bazėje. CBR sistemos suvienodina užklausų ir atvejų skaičiavimus. Naudojama savybė yra vadinama artimiausio kaimyno suradimas.
Globalus panašumas tarp atvejų gali būti surandamas, pavyzdžiui, kaip lokalaus panašumo svorinė suma, kuri yra paskaičiuota kiekvienai savybei naudojamai aprašytą atvejį.
Lokalaus panašumo skaičiavimui, kiekvienai individualiai savybei, remiantis jos duomenų tipu (skaičiai, simboliai ir t.t.) gali būti naudojamos skirtingos metrikos.
Kiekviena savybė gali turėti svorį, susijusį su ja, kuris didina arba mažina visą tos savybės svarbą. Jeigu atvejų bazė yra labai didelė, ji turi būti suindeksuota. Tinka įvairūs indeksavimo būdai. Didelių atvejų bazių indeksavimui gali būti naudojami medžiai. Sprendimų medis – tai hierarchinė saugomų atvejų struktūra, besiremianti savybių reikšmėmis. Šaknies viršūnėas apima visus atvejus, o žemesni viršūnėai – palaipsniui padalina atvejus į poaibius.
Kaip vaizduojamos žinios?
Pirmas žingsnis, rašant atvejais-besiremiančias programas, tai sprendimas, kaip atvaizduoti atvejį kompiuteryje. Tai priklausys nuo to, kokiu būdu atvejai saugomi (t.y duomenų bazėje, binariniame faile, elektroninėje dokumentų formoje), kaip veiks CBR išgavimo variklis. Komercinėse sistemose naudojami skirtingi atvejų vaizdavimo būdai, ir , priklausomai nuo to, skirtingos CBR savybės: tekstinis CBR taikymas, diskusinis CBR taikymas, ir struktūrinis CBR taikymas.
Tekstiniame CBR taikyme, atvejai vaizduojami laisva teksto forma.
Diskusiniame CBR taikyme – atvejai yra klausimų-atsakymų sąrašai. Kiekvienam atvejui gali būti skirtingi klausimai.
Struktūriniame CBR taikyme, programuotojas, priimdamas sprendimus, kurie remiansi atvejais, pirma laiko nusprendžia, kokios savybės bus tinkamos, nusakant atvejį ir remdamasis tuo saugo atvejus. Realioms programoms, šios savybės gali būti tokios, kaip kaina, kambarių skaičius, kvadratinių metrų skaičius ir t.t. Rezultatas gali būti specifinis butas, kuris yra parduodamas arba išnuomuojamas. Taigi, struktūriniame CBR taikyme yra įvertinamos savybės, kurios gali apibrėžti atvejį.
Sistemos kūrimo išvados
Atvejais besiremiančios sistemos nėra tokios sistemos, kurios būtų pasiruošusios daryti sprendimus; atvejai yra skirtingi kiekvienai programai: atvejis, techninio palaikymo programoje, kuris nusako lėktuvo variklio gedimą skiriasi nuo atvejo, pardavimui skirtoje programoje, nusakančioje produktą, kuris gali būti nupirktas.
Bendras programos rašymo procesas būtų toks:
– sukurti ir palaikyti atvejų bazę;
– pritaikyti vartojimui vartotojo interfeisą;
– nustatyti būda, kuriuo dirbs informacinė sistema.
Pavyzdžiui, sistemos kūrėjas gali nustatyti, kaip apskaičiuoti duotų savybių, nusakančių atvejį, panašumą, kaip atveju bazė yra organizuojama kompiuterio atmintyje, ir/arba kaip atskiri atvejai, juos išgavus, yra pakartotinai panaudojami.
Jeigu atvejų bazė laikui bėgant pilnėja (vystosi), organizacija ir atitinkami procesai turi būti tam pritaikyti. Egzistuojanti organizacija turi būti pritaikyta palaikyti atvejų rinkinį ir kontroliuoti jų kokybę.
CBR kūrimo sistemos išvados būtų tokios:
– Atvejų atvaizdavimas, atspindint jų tikrąją reikšmę;
– Atvejų indeksavimas, greitesniam jų išgavimui;
– Panašumo tarp esamo atvejo ir išgaunamo atvejo nustatymas;
– Seno sprendimo, kuris tinka naujai problemai spręsti, pritaikymas;
– CBR integravimas į organizaciją;
Palyginimas su kitom technologijom
Statistika
Statistika ir CBR yra viena kitą papildančios savybės daugumoje problemų-sprendimų procesų. Statistika gerai dirba su dideliu kiekiu standartizuotų duomenų, tikrinant žinomas hipotezes. Tačiau dauguma statistikinių metodų nėra tinkami tiriamajai analizei (t.y. kai nėra žinomos visos hipotezės).
Naudojant statistikinius metodus sunku yra paversti skaičiais bendros prasmės žinias. CBR gali naudoti ir tokias žinias, kadangi ji integruoja ir skaitines ir simbolines savybes.
Informacijos išgavimas
CBR ir Informacijos Išgavimas (IR) koncentruojasi ties informacijos išgavimu iš duomenų bazėje (atvejų bazės) sukauptų duomenų, leidžiant lanksčią duomenų bazės užklausų politiką, kur rezultatas – tinkami, bet ne tikslūs atitikmenys.
Šių technologijų esminiai skirtumai yra šie:
– IR metodai operuoja tekstiniais duomenimis, kai tuo tarpu CBR metodai operuoja maišytais tipais, t.y. įvairiais pagrindiniais duomenų tipais, tokiais kaip Realus, Sveikas, Simbolinis, Loginis, Eilute ir t.t.
– IR metodai gali apdoroti didelį duomenų kiekį, gali vykdyti paiešką tūkstantyje dokumentų, kuomet CBR sistemos yra labiau ribotos.
– IR sistemos atskirai sprendžia vartotojų problemos sprendimo uždavinius. IR užtikrina indeksavimą ir informacijos išgavimą, kas gali būti taikoma plačiai užduočių klasei – tačiau į atitinkamą užklausą yra ribotas tikslumas. CBR sistemos, problemos sprendimo procese, efektyviai indeksuoja žinias, tokiu būdu, kaip k-d medžiai ir stengiasi užtikrinti kuo didesnį tikslumą.
– CBR sistemos tiksliai atvaizduoja tas žinias, kurias jos naudoja, kai tuo tarpu IR sistemos – ne.
– Sprendžiant sudėtingus-struktūrinius uždavinius, kuriems reikia skirtingų, intensyvių problemų sprendimų žinių ir aiškinimosi metodų, labai išryškėja skirtumai tarp CBR ir IR sistemų.
Taisyklėmis besiremiančios sistemos
Sukurti taisyklėmis besiremiančią ekspertinę sistemą, skirtą sudėtingoms realaus pasaulio problemoms spręsti yra labai sudėtingas uždavinys. Vienas iš pagrindinių trūkumų yra tas, kad taisyklės turi būti pateikiamos tinkamo eksperto-žmogaus ir šie ekspertai, kad ir kokie būtų geri sprendžiant praktines problemas, nėra tokie puikūs aiškinant, kaip jie tas problemas išsprendė. Taip pat jie patiria daug sunkumų norėdami aiškiai atvaizduoti šias žinias naudodamiesi loginėmis taisyklėmis, kurios gali būti aprašytos tik formalia kalba. CBR numato priemones, skirtas programų kūrimui, patvirtinimui ir palaikymui. Ekspertai gali kalbėtis apie savo sritį pateikdami pavyzdžius, vietoj taisyklių rašymo.
CBR labai tinka tais atvejais, kuomet problemos nėra pilnai suprantamos (silpni modeliai su nedideliu žinių bagažu) ir kuomet taisyklė turi daug išimčių. Tokiose situacijose taisyklėmis besiremiančių programų taikymas yra nepakankamas.
Atvejais besiremiantys metodai yra augantys, t.y. jie gali mokytis iš patirties ir pildyti savo žinias, kurias pildo dirbantieji savo kasdiene patirtimi. Šis palaikymo uždavinys yra daug sudėtingesnis taisyklėmis-besiremiančiose sistemose, kadangi tam tikros srities naujos mažesnės dalys, turi būtinai būti aprašytos taisyklėmis. Tai sąlygoja produktyvumo mažėjimą, taisyklių bazės palaikymo sudėtingumą ir veda prie problemos apimties neužbaigtumą.
Klasikinis mašininis mokymas
Mašininis mokymas ir CBR tyrinėjimo srityje turi daug bendro. Mašininio mokymo savybės labai atskiria mokymasi ir problemų sprendimą. Į mokymąsi įeina pratimų analizė, t.y. atitinkamų funkcijų ar taisyklių ištraukimas; problemų sprendimas apima šių funkcijų taikymą naujoms problemoms. CBR šitų dviejų užduočių neišskiria.
Mašininis mokymas labiau koncentruojasi ties mokymosi algoritmais, nei ties sistemos problemų sprendimų aspektais. CBR aiškiai įtraukia atminties sąvoką, kuri palengvina praktinių problemų sprendimą.
Svarbus skirtumas tarp atvejų bazių ir simbolinių klasifikavimo algoritmų yra mokymosi sąvokos vaizdavimas. Simbolinis taikymas atitinka kompiliavimo proceso rūšį, kuomet atvejų bazės programos gali būti interpretuojama einamuoju metu.
Neuroniniai tinklai
Geriau nei CBR tinka Neuroniniai tinklai (NN) tuomet, kai duomenys negali būti atvaizduojami simboliškai, pvz. Radaro signalo atpažinimas. Neroninių tinklų sritis taip pat apima pavyzdžių atpažinimą, kuomet yra daug duomenų požiūrio taškų , kaip pvz. Regėjimo, kalbos ar vaizdų apdorojime.
NN nėra tinkami tuomet, kai nagrinėjamos pagrindinės srities žinios. Neuroniniai tinklai negali susidoroti su sudėtingom struktūrom ir tam, kad apimtų sritį turi būti išsamus mokymosi fazėje.
Neuroniniai tinklai veikia „juodos dėžės” principu. Sistemos sprendimų tinkamumas negali būti patikrintos, kadangi dėl vidinio veikimo principo prigimties, tinklo išėjimas yra svorinių vektorių funkcija, kuri priklauso nuo tinklo architektūros.
Atvejų klasifikacija
Šiuolaikinėse mokslinėse ir komercinėse CBR sistemose, atvejai dažniausiai atvaizduojami objektiškai-orientuotu būdu. Atvejai yra objektų rinkiniai, kurių kiekvienas yra aprašomas atributų reikšmių porų aibėmis. Objekto struktūra yra aprašoma objektų klasės, kuri apibrėžia atributų aibę kartu su kiekvieno atributo tipu (galimų reikšmių aibę). Įprastai panašumas tarp užklausos ir atvejo iš atvejų bazės yra apskaičiuojamas iš apačios į viršų būdu: kiekvienam atributui, vietinis panašumo matas nustato panašumą tarp dviejų atributo reikšmių ir kiekvienam objektui (ir atvejui) globalus panašumo matas nustato panašumą tarp dviejų objektų (arba tarp atvejo ir užklausos), remiantis jiems priklausančių atributų lokaliais panašumais.
Klasifikacija yra plačiai naudojami atributų tipų (galimų atributų reikšmių aibių) nustatymui. Klasifikacija – tai n-viršūnių medis, kur viršūnės atvaizduoja simbolines reikšmes. Simboliai kiekvienoje medžio viršūnėje gali būti naudojami, kaip atributo reikšmė atvejyje arba užklausoje. Kitaip nei paprastas simbolinis tipas, kuris tik išvardina galimas atributo reikšmes, klasifikacija per jų vietą klasifikacijų-medyje, atvaizduoja papildomus ryšius tarp simbolių. Šie ryšiai išreiškia žinias apie klasifikacijos simbolių panašumą. Atvejų atvaizdavimo kalba (case representation language) CASUEL (Manago, bergmann, et al. 1994) turi šiuos klasifikacijos tipus, kurie dažnai naudojami CBR programų modeliavime. Pavyzdžiui PC konfigūracijos sritis turi PC komponentų klasifikaciją.
Žinios įeinančios į klasifikavimo sistemas
Toliau bus analizuojamos žinios, kurios naudojamos klasifikacijose. Taip pat bus pademonstruota, kad įvertinimo sistemos naudoja du skirtingus žinių tipus:
1. Žinias apie objektų klases1 (vaizduojamos vidinėmis viršūnėmis)
2. Žinios apie panašumą tarp kabančių viršūnių.
Pagrindinės sąvokos
Toliau bus apibrėžtos kelios sąvokos, naudojamos tolimesnėje analizėje (žr. Pav.2). Tegul K bus vidinė klasifikacijos viršūnė, tuomet LK nusakys visų kabančių viršūnių aibę iš sub-medžio, pradedant nuo K. Toliau, K1 < K2, reiškia, kad K1 yra K2 atšaka. Žymėjimas < K3,K4> yra prie viršūnės, kuri yra arčiausias bendro K3 ir K4 pirmtako, t.y. < K3,K4> ≥ K3 ir < K3,K4> ≥ K4 ir neegzistuoja viršūnė K’ <
Klasifikacijos viršūnių semantika
Kabančios viršūnės ir vidinės viršūnės sąvokos iš esmės skiriasi. Kabanti viršūnė atspindi realaus pasaulio konkrečius objektus1, pvz. egzistuojančias grafines kortas (žr. Pav.3).
3pav. Grafinių plokščių klasifikacija
Vidinės viršūnės, nusako realaus pasaulio objektų klases. Vidinė viršūnė K vaizduoja klasę su aiškiom savybėm, kurias turi visi konkretūs objektai iš kabančių LK viršūnių. Skirtingai objektiškai-orientuotų klasių sampratai, klasės, kurios yra vaizduojamos klasifikacijoje vidinių viršūnių, aprašomos ne savybių aibės, bet konkrečių objektų, kurie priklauso klasei, aibės LK. Taigi, vidinis viršūnė K atitinka realaus pasaulio objektų aibę LK.
Klasifikacijoje Pav. 3, kabanti viršūnė atspindi egzistuojančias grafines kortas, o vidiniės viršūnės atvaizduoja grafinių kortų klases. Pvz. S3Virge tinka visoms kortoms turinčioms S3 Virge mikroschemą, t.y. kortų {Elsa 2000, Stealth 3D 2000} aibei.
Viršūnių panašumas
Be objektų klasių apibrėžimo, klasifikacija taip pat saugo kai kurias žinias apie realaus pasaulio objektų panašumą, t.y. žinias apie klasifikuojamų viršūnių panašumą. Vidinės viršūnės apima realaus pasaulio objektus, kurie turi panašias savybes. Kuo giliau einame klasifikacijos medžiu, tuo daugiau bendrų savybių turi objektai. Pvz., visi realaus pasaulio objektai (kabančios viršūnės) iš Pav. 3 hierarchijos turi vieną bendrą savybę – jie visi yra grafinės kortos. Žemiau esantys objektai S3graphics card viršūnės turi tokią bendrą savybę, kad visos žemiau esančios kortos naudoja S3 mikroschemą, ir žemiau esančio objekto S3 Trio viršūnės apibendrinta savybė – visi žemiau esantys objektai naudoja specifinę S3Trio mikroschemą. Dabar galime apibrėžti lokalų panašumą, kaip lyginamų tarpusavyje objektų bendrų savybių kiekio matą. Kuo daugiau savybių sutampa, tuo didesnis panašumas. Pvz. panašumas tarp Elsa 2000 ir tealth 3D200 yra didesnis nei panašumas tarp Elsa 2000 ir VGA V64. Iš čia galima būtų išvesti lokalaus panašumo mato formulę:
Ji rodo, kad panašumas tarp viršūnių K ir K1 yra mažesnis už panašumą tarp viršūnių K ir K 2, jei artimiausias bendras K ir K1 pirmtakas yra žemiau artimiausio bendro K ir K2 pirmtako. Ji nieko nesako apie santykį tarp sim(K1,K2) ir sim(K3,K4), išskyrus K1=K3. Ši lygtis nusako eilinį panašumo matą, t.y. jei K reikšmė yra duota užklausoje, tuomet yra įtraukiama visų atvejų dalinė tvarka.
Panašumo reikšmių nustatymas viršūnėse
Klasifikacijos medis neapibrėžia skaitmeninės panašumo reikšmės tarp dviejų viršūnių. Kai kurie panašumo skaičiavimo modeliai reikalauja skaitmeninės reikšmės (pvz. iš intervalo [0..1]) tam, kad išreikšti lokalinį panašumą, kadangi ši reikšmė toliau bus naudojama globalaus panašumo apskaičiavimui. Šiam tikslui klasifikaciją reikia papildyti žiniomis. Toliau bus pristatomas gan paprastas, bet labai veiskmingas taikymo būdas.
Kiekvienam vidinės viršūnės kintamajam Ki priskiriama panašumo reikšmė SiЄ[0..1], tokia, kad būtų tenkinamos šios sąlygos: jei K1> K2 tada S1 ≤ S2. Kuo giliau viršūnė yra hierarchijoje, tuo didesnė panašumo reikšmė. Panašumo reikšmės semantika yra tokia:
Si reikšmė atspindi dviejų objektų iš aibės Lki žemutinę panašumo ribą. Formaliai tai užrašoma taip:
Bet kurie du objektai iš Lki yra panašūs vienas į kita reikšme Si, tačiau jų panašumas gali būti ir didesnis. Priskirta viršūnei panašumo reikšmė turi būti patvirtinta. Tačiau objektas, priklausantis vienai klasei, gali priklausyti ir kitai, esančiai žemiau. Tai reiškia, kad šie objektai turi dar daugiau savybių ir tikriausiai turi dar didesnį panašumo laipsnį. Tuomet panašumą tarp dviejų objektų apibrėšime taip:
Čia S{K1,K2} nurodo panašumo reikšmę priskirtą viršūnėui
Vidinių viršūnių panašumas ir semantika
Toliau apibrėšime lokalaus panašumo reikšmę tarp užklausos Q ir atvejo C, t.y. SIM(Q,C), kurių kiekviena gali būti kabanti viršūnė, vidinė viršūnė su „bet kokia reikšme” arba vidinė viršūnė su „neapibrėžta reikšme”. Tai veda prie 9 galimų atvejų, kurie yra parodyti 1 lentelėje. Septynios iš 9 kombinacijų lentelėje yra pažymėtos romėniškais skaičiais, kurie yra naudojami, kaip nuoroda tolimesniame aprašyme į formules panašumo skaičiavimui. Tai dažniausiai sutinkami atvejai.
sim(q,c) nusako panašumą tarp dviejų viršūnių, q iš užklausos ir c iš atvejo. Tai gali būti skaičiuojama, kaip (2) formulėje.
I. Šiuo atveju skaičiuojamas panašumas tik tarp viršūnių, taigi SIM(Q,C)=sim(Q,C).
II. Užklausa turi viršūnės reikšmę, o atvejis turi vidinę viršūnę, nusakančią reikšmių aibę, kurių kiekviena yra teisinga atvejui. Kadangi mums reikalingas panašiausias atvejis iš atvejų bazės, tai panašumas tarp užklausos ir mūsųs atvejo, turinčio vidinę viršūnę, yra lygus didžiausiam panašumui tarp užklausos ir vienos aibės reikšmės. Taigi:
III. Šiuo atveju, naudojamos kelios užklausos, kiekvienai reikšmei iš aibės, kurią atvaizduoja viršūnė. Šiuo atveju taip pat mus domina panašiausias atvejis, taigi galime vėl iš aibės parinkti panašiausią atributo reikšmę. Taigi:
IV. Tai II ir III atvejo kombinacija. Ieškome didžiausią galimą panašumą tarp dviejų objektų iš dviejų aibių, kol abi, užklausa ir atvejis, pateiks labiausiai tinkamas alternatyvas (tokias, kurios labiausiai sutaps). Taigi:
V. Atvejis turi vidinę viršūnę, kuri atvaizduoja reikšmių aibę iš kurių tik viena yra tinkama atvejui, bet mes nežinome kuri. Taigi, mūsų panašumo matas turi atspindėti šį informacijos trūkumą. Yra trys įmanomi variantai: panašumą galima nustatyti pesimistiniu, optimistiniu arba tarpiniu būdu.
Pesimistinis variantas. Panašumą tarp žinomo objekto (užklausoje) ir dalinai nežinomo objekto (atvejyje) nustatome apskaičiuodami žemiausią sutapimo ribą sekančiu būdu:
Optimistinis variantas. Panašumą tarp žinomo objekto (užklausoje) ir dalinai nežinomo objekto (atvejyje) nustatome apskaičiuodami aukščiausią sutapimo ribą, kas buvo padaryta III dalyje.
Tarpinis variantas. Panašumą tarp žinomo objekto (užklausoje) ir dalinai nežinomo objekto (atvejyje) nustatome apskaičiuodami tikimybinę reikšmę sekančiu būdu:
Kur P(c) – tai tikymybė, kad atributas įgyja reikšmę c, tokią, kuri cЄLc ir kuri pateikia žinomą informaciją apie esamą atvejį. Kadangi P(c) sunku apskaičiuoti, mes galime ją įvertinti taip: 1/|Lc|, sakant, kad visos atributo reikšmės vienodai pasiskirsčiusios ir kad visi atributai nepriklauso vienas nuo kito.
VI. Užklausoje pateikiama neapibrėžta informacija; atvejyje informacija yra apibrėžta. Šis atvejis labai panašus į V atvejį, t.y. mes vėl galime naudoti pesimistinį, optimistinį arba tarpinį variantą. Vienintelis pasikeitimas formulėse panašumo skaičiavimui yra tas, kad minimum, maximum ir sum operacijos atliekamos užklausos LQ elementams.
VII. Neapibrėžta informacija naudojama tiek užklausoje, tiek atvejyje. Panašumas skaičiuojamas taip:
Pesimistinis variantas:
Optimistinis variantas:
Tarpinis variantas:
Taigi, matome, kad visais atvejais (išskyrus neapibrėžtam atvejui tarpinis variantas), panašumas tarp vidinių viršūnių gali būti suskaičiuojamas labai panašiai, nustatant užklausos ir atvejo reikšmės klasifikaciją ir surandant panašiausią reikšmę artimiausioje klasifikacijos viršūnėje. Tai įgalina klasifikacijos sistemą naudoti CBR.
Eksperimentinis modelis
Šiame tyrimo etape buvo bandoma sukurti realų eksperimentinį modelį, ištirti jo privalumus ir trūkumus, bei remiantis jais numatyti sekančio semestro darbą.
Modelis buvo kuriamas organizacijai, kaip pagalbinė-ekspertinė priemonė, tiems atvejams, kuomet sugenda printeris arba kompiuteris. Vartotojas pasirenka atvejį iš galimo sąrašo, ir sistema, atsižvelgdama į tai, pateikia atitinkamus klausimus ir pateikia atitinkamą sprendimą. Atvejai saugomi SQL Serverio bazėje. Vartotojo interfeisas sukurtas VB Script’o priemone. Programos architektūrą galima atvaizduoti taip:
Atvejui surasti naudojamas klausimų-atsakymų medis. Pvz, pasirinkus vartotojui atvejį, ‘sugedo printeris’, būtų toks klausimų atsakymų medis (6 pav.):
Šiai sistemai būtų galima nubraižytį tokį įvykių sekos modelį:
7 pav. Įvykių sekos diagrama eksperimentiniam modeliui.
Išvados:
1. Reikia tobulinti sistemą;
2. Sudaryti galimybę naujo atvejo įtraukimui;
3. Sudaryti galimybę vartotojui pačiam parašyti užklausą – tuomet sistemoje būtų taikomas aukščiau aprašytas panašumo skaičiavimo metodas metodas;
4. Sudaryti galimybę vartotojui tiesiogiai kreiptis į ekspertą;
Atsižvelgiant į šiuos visus trūkumus, tolimesniame etape bus bandoma išspręsti visas šias problemas. Bus koreguojama pati atvejų bazė, t.y. atvejų aprašymui naudojamas klasifikavimo medis. Atvejų suradimui bus naudojamas anksčiau aprašytas panašumo metodas. Bus numatyta naujų atvejų įtraukimo galimybė į atvejų bazę, o taip pat galimybė kreiptis į ekspertą.
Konceptualus modelis
Įvykių sekos diagrama sudarytas pagal CBR modelį:
8 pav. Įvykių sekos diagrama.
Klasių diagrama (konkrečiam atvejui, t.y. pritaikyta sistemai, kuri suteikia vartotojui galimybę pasirinkti norimą produktą iš kompiuterijos srities: t.y. programinę arba aparatūrinę įrangą.
Išvados
Žinių valdymo modeliai plačiai naudojami šiuolaikinėje elektroninės komercijos srityje. Vis labiau žinių valdymas skverbiasi ir į šiuolaikinių įmonių gyvenimas. Tačiau yra viena didelė problema – vienas modelis tinka tin vienai konkrečiai sričiai. Taigi, šio semestro eigoje buvo atlikti šie darbai:
1. Pasirinktas žinių vaizdavimo modelį – CBR;
2. Išspręsti žinių vaizdavimo ir paieškos problemą – tam bus naudojamas klasifikavimo medis ir aukščiau aprašytas paieškos metodas;
3. Sukurtas eksperimentinis modelis. Kitame semestre jis bus tobulinamas, taip, kad:
– vartotojas galėtų išsirinkti norimą atvejį, t.y. suformuoti užklausą iš jam pateiktų variantų;
– neradus norimo atvejo, vartotojas turėtų galimybę kreiptis į ekspertą; tuo būdu atsirastų naujo atvejo įtraukimas į atvejų bazę;
– vartotojas galėtų pats suformuoti užklausą. Užklausos ir atvejo panašumo įvertinimui bus naudojamas anksčiau aprašytas panašumo apskaičiavimo metodas;
– Sukurtas konceptualus žinių modelis;
Literatūra
1. bergmann@informatik.uni-kl.de
2. Bergmann, R., Wilke, W., & Schumacher, J. (1997). Using software process modeling for building a case-based reasoning methodology: Basic approach and case study. In: D. Leake & E.Plaza (eds.) Case-Based Reasoning Research and Development (ICCBR’97). Lecture Notes in AI. Springer, pp. 509-518.
3. Manago, M. Bergmann, R. et al. (1994). CASUEL: A common case representation language. Deliverable D1 of the INRECA Esprit Project.
4. Osborne H. and Bridge,D. (1996). A case base similarity framework. In Smith & Faltings (Eds.) Advances in Case-Based Reasoning. Proceedings of EWCBR’96. Springer.
5. Wess, S. (1995). Fallbasiertes Problemlösen in wissensbasierten Systemen zur Entscheidungs-unterstützung und Diagnostik: Grundlagen, Systeme und Anwendungen. Dissertation, Universität Kaiserslautern, Infix-Verlag.
6. http://www.inreca.org/data/cbr/what/details.html
Atsisiųsti moku.lt_atvejai_kursinis