Kepintaran Buatan [English]

Kemungkinan-kemungkinan rujukan:

Rich & Knight, Artificial Intelligence (McGraw-Hill)
Lauriere, Problem Solving and Artificial Intelligence (Prentice Hall)
Luger & Stubblefield, Artificial Intelligence. Structures and Strategies for Complex Problem Solving (Benjamin/Cummings)
Turban, Expert Systems and Applied Artificial Intelligence (Macmillan)

Objektif topik:Pelajar harus memahami kepintaran buatan sebagai suatu gelintaran ruang keadaan, dan strategi untuk gelintaran ini. Pelajar juga harus biasa dengan beberapa cara perwakilan pengetahuan, dan menguasai asas-asas logik predikat. Kebiasaan dengan konsep dan struktur sistem pakar juga disasarkan.

Kepintaran buatan = kepintaran + buatan

Beberapa definisi kepintaran buatan (AI):

AI adalah proses dengan mana peranti-peranti mekanik dapat melakukan tugas-tugas yang, jika dilakukan manusia, memerlukan pemikiran
Mana-mana masalah yang tiada mempunyai penyelesaian beralgoritma yang diketahui (yang boleh dijalankan dalam tempoh yang sesuai), adalah masalah dalam AI
AI boleh didefinisikan sebagai bahagian sains komputer yang terbabit dalam mengautomatikkan telatah pintar
AI adalah kumpulan masalah dan kaedah yang dikaji oleh penyelidik-penyelidik AI
AI adalah kajian bagaimana untuk menjadikan komputer melakukan perkara-perkara yang, pada masa ini, dibuat dengan lebih baik oleh manusia
AI adalah telatah suatu mesin yang, jika ditunjuki oleh manusia, akan dipanggil pintar

Beberapa telatah pintar:

- belajar atau faham dari pengalaman

- memahami perutusan-perutusan kabur dan berkontradiksi

- tindakbalas dengan cepat dan berjaya kepada keadaan baharu (sambutan-sambutan berlainan, menyesuaikan)

- guna pemikiran dalam penyelesaian masalah

- peroleh dan gunakan pengetahuan

- dll

Ujian Turing:

Suatu komputer itu pintar jika apabila seorang itu berbicara dengan komputer tersebut tanpa melihatnya, dan dengan seorang manusia tanpa melihatnya, dia tidak dapat menentukan yang mana yang mana.

Ciri-ciri sistem AI: pemprosesan simbol (yang mewakili konsep-konsep dalam masalah) lebih daripada pemprosesan nombor, berheuristik (‘hukum ibujari’) lebih daripada beralgoritma, inferens dari fakta dan hukum, pemadanan pola (perihal objek, peristiwa, proses dalam sebutan ciri-ciri kualitatif dan hubungan logik dan komputeran mereka)

Kepintaran buatan boleh dilihat sebagai strategi bagi menggelintar ruang keadaan sesuatu masalah dalam mencari penyelesaiannya.

AI sebagai penyelesaian masalah

Ruang masalah – ruang keadaan – keadaan-keadaan yang dibolehkan diwakili oleh nod-nod, dan pergerakan-pergerakan yang dibolehkan di antara keadaan-keadaan ini diwakili oleh pautan berarah di antara nod-nod berkenaan

Penyelesaian masalah sebagai penggelintaran – nod keadaan akhir yang dikehendaki dicari menerusi penggelintaran ruang keadaan

proses penggelintaran boleh dirajahkan sebagai pepohon (pepohon gelintaran), yang nod-nodnya ialah keadaan-keadaan, dan nod dedaun dari sesuatu nod itu merupakan keadaan-keadaan yang boleh digerakkan daripada keadaan yang diwakili nod ibu itu

nod akar pepohon gelintaran ialah keadaan awal dalam masalah; nod yang mewakili keadaan penyelesaian atau akhir ialah nod yang dicari

bagi masalah tipikal, ruang keadaan terlalu luas – oleh itu tulis hukum-hukum umum untuk mewakili pergerakan-pergerakan yang dibolehkan; dahan-dahan pepohon gelintaran dijana apabila diperlukan, menggunakan hukum-hukum ini

pepohon gelintaran bagi masalah tipikal biasanya terlalu besar – oleh itu perlukan strategi atau cara untuk melakukan gelintaran supaya mencapai penyelesaian dengan cepat dan cekap; cara penggelintaran dilakukan mencerminkan kepintaran sistem

Kaedah-kaedah gelintaran

	gelintaran buta penyenaraian gelintaran lengkap separa		heuristik (kekunci, intuisi,penilaian, hukum ibu jari, inspirasi…)	pengoptimuman (analisis)
proses gelintaran	semak semua penyelesaian yang mungkin	semak beberapa kemungkinan, buangkan yang tak baik	hanya gerakan-gerakan yang berpotensi dipertimbangkan	jana keadaan lebih baik secara analisis / dapatkan penyelesaian terbaik secara terus
ujian	bandingan. berhenti bila semua disemak	bandingkan semasa	berhenti bila penyelesaian sudah memuaskan	berhenti bila tiada pembaikian lagi
penyelesaian	terbaik	terbaik di kalangan yang disemak	memuaskan	hampir terbaik / terbaik

Sesuatu strategi gelintaran seharusnya:

♦ mengakibatkan pergerakan (jangan misalnya tertangkap di dalam kitaran)

♦ bersistem (jangan misalnya mempertimbangkan suatu keadaan tertentu berbilang kali)

Dua hala gelintaran –

• dipacu data – perantaian ke hadapan: mula dengan fakta-fakta (keadaan awal) → dapatkan fakta-fakta/keadaan baharu dan seterusnya sehingga penyelesaian (keadaan akhir) tercapai.

• dipacu sasaran – perantaian ke belakang: mula dengan keadaan sasaran → dapatkan subsasaran-subsasaran dan seterusnya sehingga dapat ditunjuk bahawa sasaran adalah hasil daripada keadaan awal yang diberikan.

dipacu sasaran lebih cekap jika:

1. sasaran mudah diformulasikan misalnya dalam pembuktian teorem, diagnosis perubatan

2. hukum-hukum yang boleh dipakai (gerakan-gerakan dibenarkan) untuk fakta-fakta berbilangan besar berbanding hukum-hukum yang boleh menghasilkan sasaran misalnya pembuktian teorem

3. kesemua atau sebahagian data tidak diberikan – perlu diperolehi oleh penyelesai masalah misalnya dianosis perubatan

dan sebaliknya untuk dipacu data

Kaedah-kaedah gelintaran buta

Gelintaran penuh – semak seluruh pepohon

- sesuai untuk masalah kecil

Gelintaran separa:

dua arah asas dalam gelintaran suatu pepohon – kelebaran dahulu dan kedalaman dahulu

Algoritma:

Awalkan SENARAI_NOD
Sehingga keadaan sasaran dijumpai atau SENARAI_NOD kosong, lakukan:

I. Buang unsur pertama daripada SENARAI_NOD dan namakan E

II. Untuk setiap hukum yang padan dengan E, lakukan:

i. Kenakan hukum untuk perolehi keadaan baharu, F

ii. Jika F keadaan sasaran, keluar, dan kembalikan F

iii. Jika tidak, tambah F ke hujung SENARAI_NOD

Algoritma:

Jika keadaan awal keadaan sasaran, keluar dan kembalikan kejayaan
Jika tidak, lakukan yang berikut sehingga kejayaan atau kegagalan dicapai:

I. Jana E, keadaan keturunan kepada keadaan awal. Jika tiada (lagi), kembalikan kegagalan

II. Panggil Gelintaran_Kedalaman_Dahulu dengan E sebagai keadaan awal

III. Jika perolehi kejayaan, kembalikan kejayaan. Jika tidak, teruskan dalam gelung ini

Kelebihan:

Tidak terperangkap di jalan mati. Berkelebihan terutama jika

ada kitar
pepohon tidak dalam

Penyelesaian dijumpai jika ada. Jika beberapa penyelesaian wujud, yang memerlukan pergerakan yang sedikit dijumpai (bila kedalaman penyelesaian berbeza-beza)

Kelebihan:

Kurang ingatan diperlukan – hanya nod di atas jejak semasa yang distor.
Mungkin jumpai penyelesaian tanpa banyak gelintaran terutama jika

keadaan keturunan diatur
beberapa penyelesaian wujud

Kaedah-kaedah heuristik

contoh: masalah jurujual jalanan – kekompleksan (N-1)! ~ O(exp N) – misalan heuristik:

• cabang-dan-hadkan: berhenti mencuba gelintaran sesuatu keadaan bila jejak jurujual (dalam pembinaan) semasa melebihi sesuatu had

• heuristik jiran terdekat: dari sesuatu kota itu, pergi ke kota terdekat yang belum dilawati (kekompleksan O(N²), jawaban memuaskan)

Beberapa kaedah heuristik:

♦ Jana dan uji – jana suatu keadaan akhir yang berpotensi; uji samada penyelesaian; ulang jika tidak

♦ Gelintaran terbaik dahulu – pilih nod yang terbaik (diukur oleh suatu ‘fungsi heuristik’) dahulu, tak kira samada ke tepi atau ke dalam

♦ Panjatan bukit – jana dan uji mengikut kebagusan (yang diberikan oleh suatu fungsi heuristik)

- panjatan bukit mudah: pilih keadaan yang dihasilkan jika lebih baik dari yang semasa

- panjatan bukit tercuram: pertimbangkan semua keadaan yang boleh dihasilkan daripada keadaan semasa dan pilih yang terbaik

♦ Analisis jalan-tujuan – (campuran rantaian ke hadapan dan rantaian ke belakang) lihat perbezaan di antara keadaan semasa dan keadaan sasaran semasa dan cuba kurangkan → submasalah

Kaedah analisis

Kualiti keadaan diberi secara analisis. Penyelesaian didapati menerusi penyelesaian terus secara analisis, atau suatu algoritma yang meningkatkan kualiti keadaan sehingga ke nilai maksimum.

contoh: rangkaian neuron bersimetri (Hopfield)

cara pengetahuan disimpan penting untuk kepintaran buatan

Perwakilan pengetahuan

- storan pengetahuan: “pangkalan pengetahuan”

- tangani kekompleksan dengan peringkasan: banyak keadaan, gerakan, hubungan,dsb diwakilkan oleh sedikit simbol

- kekangan dari rekabentuk mesin dan perisian ke atas struktur perwakilan pengetahuan

keterungkapan – (perwakilan) boleh mewakilkan semua bentuk pengetahuan yang diperlukan dan (inferens) boleh memanipulasi struktur-struktur perwakilan untuk menghasilkan pengetahuan baharu
kecekapan – lebih mudah biasanya apabila skema perwakilan berstruktur semulajadi

jenis pengetahuan: pengetahuan hubungan – hubungan antara objek

pengetahuan warisan – warisan ciri

pengetahuan inferens – hubungan logik

pengetahuan tatacaraan – apa nak dibuat bila

4(+1) kategori kasar skema perwakilan pengetahuan:

Logik – gunakan logik formal

contoh: hujan ∧ tiada_payung → basah logik usulan

burung(X) ← terbang(X), berparuh(X) logik predikat

Tatacaraan – set arahan untuk selesaikan masalah

contoh: JIKA hujan MAKA gunakan_payung sistem berdasarkan hukum

buka_pintu → pusing_tombol, tarik sistem pengeluaran

Rangkaian – guna graf

contoh: jaring semantik:

Berstruktur – struktur data kompleks

contoh: skrip – memerihalkan jujukan peristiwa yang stereotaip, mis.

Skrip Restoran Makanan Segera

Pelakon-pelakon: Pelanggan (C)

Pelayan (S)

Prop-prop: Kaunter

Dulang

Makanan

Duit

Setangan

Garam/Lada hitam/Sos/Penyedut

Keadaan masuk: C lapar

C ada duit

Adegan 1: Masuk

C letak kereta
C masuk restoran
C beratur
C baca menu di dinding dan buat tempahan

Adegan 2: Tempahan

C beri tempahan kepada S

…..

Hasil:

C kenyang
C kurang duit
C puas hati*
C tak puas hati*
C terlampau kenyang*
C sakit perut* *pilihan

bingkai – seperti rangkaian semantik, tapi nod kompleks – berbentuk slot dan pengisi, mis.

(Subsimbol)

contoh: rangkaian neuron – rangkaian unsur-unsur komputeran mudah

yang berganding; pola keseluruhan mewakili objek/konsep

Logik merupakan satu cara perwakilan pengetahuan dan juga memberikan satu cara gelintaran yang cocok dengan takulan tabii insani

Logik

Logik usulan:

Sistem formal dengan:

abjad – huruf-huruf usulan p, q, r, …

operator-operator logik ¬ (‘bukan’),

⊃ (atau →) (‘babatkan’)

kurungan-kurungan (, )

perkataan – apa-apa huruf usulan;

jika w perkataan, (w) juga perkataan;

jika w perkataan,¬ w juga perkataan;

jika w₁, w₂ perkataan, w₁⊃w₂ juga perkataan.

aksiom – A1: (w₁⊃(w₂⊃w₁))

A2: (w₁⊃(w₂⊃w₃))⊃((w₁⊃w₂)⊃(w₁⊃w₃))

A3: (¬w₂⊃¬w₁)⊃(w₁⊃w₂)

hukum – hukum pemisahan / modus ponens :

(w₁) & (w₁⊃w₂) → (w₂)

operator logik lain: DAN (w₁∧w₂) sama dgn ¬(w₁⊃¬w₂)

ATAU (w₁∨w₂) sama dgn ¬(¬w₁∧¬w₂)

IDENTITI (w₁≡w₂) sama dgn (w₁⊃w₂)∧ (w₂⊃w₁)

Tafsiran berlandaskan

{0,1} : 0 – ‘PALSU’, 1 – ‘BENAR’

& fungsi pelengkap C(x)=1-x

& fungsi kebenaran T(x,y)=0 jika (x=1, y=0), 1 jika tidak

⇒ algebra Boole

sepadan dgn logik tabii

Logik usulan tak bertentangan (F dan ¬F tak boleh dibuktikan serentak)
Logik usulan lengkap
Logik usulan sahih
Logik usulan bolehputus

Sistem formal – set barang-barang data niskala, yang mendefinisikan hukum-hukum sintaks dengan mana satu set simbol-simbol niskala boleh dimanipulasi

mengandungi

1. suatu abjad terhad simbol-simbol

(“perbendaharaan kata”)

2. suatu tatacara utk membentuk perkataan

(“nahu”/ “tatabahasa”)

3. suatu set aksiom (semuanya perkataan)

4. suatu set terhad hukum deduksi (dgn mana suatu set perkataan tambahan boleh dideduksi drp suatu set yg diberi)

u₁ & u₂ & … & u_p → w₁ & w₂ & … & w_n

Bukti – jujukan terhad perkataan-perkataan

M₁ , M₂ , … , M_r di mana M_i samada aksiom atau M_j → M_i, j < i.

Teorem – perkataan t yg mana wujud bukti dgn M_r ≡ t. (∴semua aksiom adalah teorem)

Kebolehputusan – diberi suatu perkataan, bolehkah ia dibuktikan sebagai teorem atau dibuktikan sebagai bukan teorem (dlm bil. langkah terhad)?

Tafsiran (semantik) – hubungan antara sistem formal dan dunia luar (makna kpd simbol-simbol)

- boleh ada nilai benar/palsu : cari tafsiran di mana setiap teorem → ayat benar

Lengkap & Sahih

Sistem lengkap jika semua perkataan sah (ayat benar) adalah teorem.

Sistem sahih jika semua teorem adalah sah.

Kalkulus Predikat

adakan pembolehubah utk ayat-ayat umum:

huruf usulan diganti A(x₁, x₂,…, x_k) predikat A dgn ariti k

abjad: pemalar; fungsi; pembolehubah; predikat; pengkuantiti semesta ∀ (‘untuk semua’)

perkataan: spt logik usulan + predikat & pengkuantiti semesta

aksiom: spt logik usulan + A4: ((∀t)B(t))⊃B(u)

A5: ((∀t)(w₁⊃w₂))⊃(w₁⊃(∀t)w₂) dgn t bukan pembolehubah bebas dlm w₁

hukum: modus ponens + w₁→ ((∀t)w₁) dgn t pembolehubah bebas dlm w₁ (penyeluruhan)

pengkuantiti wujudan ∃ : (∃x)B(x) ≡ ¬((∀x)¬B(x))

logik peringkat pertama kerana ∀,∃ bertindak ke atas pembolehubah, bukan ke atas predikat

tafsiran: pemalar, pembolehubah, fungsi → domain D

predikat → {BENAR,PALSU}

∀- benar utk semua nilai pembolehubah

∃ - benar jika benar utk sesuatu nilai pembolehubah

(jika D tak terhad – kalkulus predikat tak bolehputus)

Resolusi

Gelintaran dipacu sasaran bagi penyelesaian suatu sistem logik, menggunakan reductio ad absurdum menerusi modus tollens.

- Penyelesaian sistem logik: mencari tafsiran logik (pemetaan usulan/predikat ke nilai kebenaran) yg sahih (logik usulan ⇒ menentukan sesuatu perkataan itu teorem/benar atau sebaliknya)

- reductio ad absurdum: tunjukkan S benar dgn menunjukkan ¬S tidak benar

- modus tollens: ¬Q & (P⊃Q) → ¬P

contoh: diberi (1) p

(2) q⊃r

(3) (p∧r)⊃s

(4) q

Buktikan s.

katakan ¬s benar

⇒ ¬(p∧r) dari (3), modus tollens

⇒ ¬p∨¬r

⇒ ¬r dari (1)

⇒ ¬q dari (2), modus tollens

bertentangan dgn (4)

jadi s benar menerusi reductio ad absurdum

utk kalkulus predikat perlukan penyatuan:

penggantian-penggantian pembolehubah yg paling umum supaya 2 ungkapan kalkulus predikat padan

contoh: foo(X,a,goo(Y)) padan dgn foo(fred,a,goo(Z)) dgn ikatan-ikatan {X/fred,Z/Y}

padan dgn foo(W,Z,goo(jack)) dgn ikatan-ikatan {X/W,Z/a,Y/jack}

padan dgn foo(Z,a,goo(moo(Z))) dgn ikatan-ikatan {Z/X,Y/moo(Z)}

tak padan dgn foo(fred,b,goo(Z)) dan sebagainya

contoh: diberi: (1) anak(ahmad,abdullah)

(2) anak(abdullah,sulaiman)

(3) (∀X ∀Y ∀Z)(anak(X,Y)∧anak(Y,Z) ⊃ cucu(X,Z))

cucu(ahmad,sulaiman)? andaikan ¬cucu(ahmad,sulaiman)

(tunjukan) ↓

padan dgn cucu dlm (3) dgn {X/ahmad,Z/sulaiman}

↓

⇒ ¬(∀Y)(anak(ahmad,Y)∧anak(Y,sulaiman))

↓

⇒ ¬(∀Y)(anak(ahmad,Y))∨ ¬(∀Y)(anak(Y,sulaiman))

↓

padan dgn (1) dgn {…}∪{Y/abdullah} gabung dgn ikatan tadi

↓

⇒ ¬anak(abdullah,sulaiman)

↓

padan dgn (2)

↓

percanggahan

⇒ cucu(ahmad,sulaiman) benar

juga, carian: cucu(ahmad,X)? andaikan ¬cucu(ahmad,X)

↓

padan dgn cucu dlm (3) dgn {X₍₃₎/ahmad,Z₍₃₎/X}

↓

⇒ ¬(∀Y₍₃₎)(anak(ahmad,Y₍₃₎)∧anak(Y₍₃₎,X))

↓

⇒ ¬(∀Y₍₃₎)(anak(ahmad,Y₍₃₎))∨ ¬(∀Y₍₃₎)(anak(Y₍₃₎,X))

↓

padan dgn (1) dgn {…}∪{Y₍₃₎/abdullah}

↓

⇒ ¬anak(abdullah,X)

↓

padan dgn (2) dgn {X₍₃₎/ahmad,Z₍₃₎/X,Y₍₃₎/abdullah}∪{X/sulaiman}

↓

percanggahan

⇒ cucu(ahmad,X) benar utk X=sulaiman

Pengaturcaraan Logik

gunakan subset kalkulus predikat – bentuk-bentuk klausa Horn:

A(x₁, x₂,…, x_k) ← B₁(…),B₂(…),…,B_n(…).

satu kepala shj ⊂ ∧

‘hukum’

kalau n sifar, penerapan, yakni A(…) benar

dan resolusi

∀ diandaikan utk pembolehubah-pembolehubah

∃ ditangani dgn pengskoleman – gantikan dgn fungsi (f. Skolem)

contoh: (∀X)(∃Y)(ibu(X,Y)) jadi ibu(X,mak(X))

gelintaran ruang bukti

- sasaran → subsasaran - dahan ‘DAN’

- mungkin perlu cuba beberapa hukum yg mempunyai kepala yg sama - dahan ‘ATAU’

- mungkin perlu cuba beberapa penggantian (ikatan)

contoh:

sasaran: ← sukahati(john).

hukum-hukum: sukahati(X) ← kaya(X).

sukahati(X) ← suka(mary,X).

suka(mary,X) ← suka(X,mary),baik(X).

suka(mary,X) ← segak(X),gagah(X).

suka(john,X) ← cantik(X).

penerapan-penerapan: cantik(mary) ←.

baik(john) ←.

segak(john) ←.

gagah(john) ←.

pepohon dan-atau:

bandingkan pepohon gelintaran biasa:

Aturcara logik: penerapan-penerapan, hukum-hukum, sasaran

\ pangkalan pengetahuan /

- pengaturcaraan isytiharan

juga, tafsiran tatacaraan: predikat kepala klausa memanggil predikat/’fungsi’ di ekor klausa

misalnya, faktorial(0,1)←.

faktorial(X,Y)←faktorial(X1,Y1),darab(X,Y1,Y),tolak(X,1,X1).

\ fungsi-fungsi terkandung /

Sistem pakar ialah sistem takulan dalam domain terhad, dan terdiri daripada pangkalan pengetahuan dan enjin inferens.

Sistem Pakar

Sistem-sistem taakulan dengan domain terhad

sistem pakar = pengetahuan + inferens

domain terhad
perlukan pakar (pakar domain) utk memberi pengetahuan
peralihan pengetahuan (pakar → sistem) beransur-ansur
fakta-fakta dan mekanisme inferens boleh diasingkan
takulan dgn ketakpastian
mekanisme penerangan
keluaran berbentuk nasihat, bukan data, rajah dsb
kebanyakannya boleh dipasarkan

contoh:

DENDRAL [Buchanan dll, 1960an] – struktur molekul organik

MYCIN [Shortliffe, 1976] – diagnosis perubatan, takulan dgn ketakpastian, berdasarkan hukum

PROSPECTOR [Duda dll, 1979; Hart dll, 1978] – perlombongan, 2 anggaran keyakinan (kecukupan & keperluan) utk hukum-hukum

EMYCIN [Buchanan & Shortliffe 1984] – petala (penterjemah) – enjin inferens

TERESIAS-MYCIN [Davis] – mekanisme penerangan, antaramuka bahasa tabii

DLL.

Contoh drp MYCIN:

hukum…

HUKUM 85: JIKA lokasi kultur adalah darah & organisme itu gram-negatif & organisme berbentuk panjang & pesakit adalah perumah yang dibahayakan MAKA adalah mungkin (0.6) organisme itu pseudomonas aeruginosa.

…

HUKUM 217: JIKA organisme itu bakteroid & lokasi kultur adalah steril MAKA terapi harus dipilih daripada berikut: chloramphenicol, clindamycine, tetracycline, lindomycine, gentamycine.

metahukum…

METAHUKUM 2: JIKA pesakit adalah perumah yang dibahayakan & ada hukum yang menyebut pseudomonas di antara premisnya & ada hukum yang menyebut klebsiellas di antara premisnya MAKA dengan kebarangkalian 0.4 gunakan yang pertama sebelum yang kedua.

…

METAHUKUM 25: JIKA lokasi kultur tidak steril & ada hukum yang menyebut dalam premisnya organisme yang telah dijumpai dalam pesakit dan yang mungkin sama dengan yang dicari MAKA adalah mungkin (kebarangkalian 1) bahawa tiada daripada hukum-hukum ini berguna.

Interaksi…

@mycin

mycin 26-mac-96

arahan-arahan? (Y atau T)

26_mac 10:42

--- PESAKIT-1 --- ingatan bekerja - pangkalan

(1) Nama pesakit: pengetahuan dinamik

Sammy Welly

(2) Umur?

(3) Jantina?

mengapa (mengapa soalan ini ditanya)

[i.e., Mengapa penting mengetahui jantina PESAKIT-1?]

[1.0] Jantina pesakit adalah satu daripada empat parameter piawai untuk mengenali pesakit. Ini mungkin berguna kemudian…

[balik ke soalan 3 …]

lelaki

(4) Bangsa?

Afrika

(5) Wujudkah apa-apa kultur bagi Sammy Welly yang mungkin berkaitan dengan penyakit sekarang, dan yang mana organisme-organisme telah berjaya dihasilkan dalam makmal?

tak

(6) Wujudkah kultur bagi Sammy Welly yang menunggu?

--- KULTUR-1 ---

(7) Dari lokasi manakah spesimen bagi KULTUR-1 diperolehi?

CSF

(8) Sila berikan tarikh dan masa bila kultur CSF didapati?

26-Mac-7:00

(9) Adakah calitan diperiksa semasa spesimen diambil?

(10) Adakah apa-apa kultur dilihat di atas calitan spesimen?

tak

(11) Adakah lagi kultur-kultur yang menunggu?

tak

…

(16) Adakah Sammy Welly menunjukkan gejala-gejala sakit kepala yang memanjang atau lain-lain gejala neurologi abnormal (pening, letih, dsb) kebelakangan ini?

(17) Adakah Sammy Welly punyai bukti objektif bagi tanda-tanda neurologi abnormal (keketatan muka, koma, serangan, dsb) kebelakangan ini yang dicatit doktor?

(cuba meningitis – rantaian ke belakang utk mengenal organisme)

Kultur CSF akan dipertimbangkan sebagai berkait dengan MENINGITIS.

(18) Sila beri tarikh bukti klinikal (gejala, tanda atau ujian makmal) untuk meningitis mula-mula didapati.

25 Mac 10:00

…

(36)Pernahkah Sammy Welly menjalani neurosurgeri?

mengapa

[i.e., Mengapa penting ditentukan samada PESAKIT-1 telah menjalani neurosurgeri?]

[6.0] Ini akan menolong menentukan organisme (selain daripada yang dilihat di atas kultur atau calitan) yang mungkin menyebabkan jangkitan.

Telah didapati bahawa

[6.1] kultur yang memerlukan terapi adalah meningitis, dan

[6.2] organisme tidak dilihat di kultur CSF (KULTUR-1), dan

[6.3] jenis jangkitan adalah bakteria

maka, jika

[6.4] Sammy Welly telah menjalani neurosurgeri, dan

Apa pakar?

Pakar biasanya bisa: kenalpasti dan rumus masalah

selesai masalah cepat dan baik

terangkan penyelesaian

belajar dari pengalaman

bentuk semula pengetahuan

langgar hukum bila sesuai

tentukan kaitan

gagal secara beransur (tak terus gagal kerana kesilapan kecil)

Apa kepakaran?

- fakta berkenaan bidang

- teori berkenaan bidang

- hukum & tatacara berkenaan bidang

- heuristik berkenaan bidang

- strategi kasar bagi penyelesaian masalah berkenaan bidang

- metapengetahuan berkenaan bidang

Kategori masalah ditangani sistem pakar:

Tafsiran inferens perihal keadaan drp pemerhatian-pemerhatian mis. pemahaman pertuturan, analisis imej, dsb

Ramalan inferens keadaan-keadaan mungkin yg terhasil drp keadaan yg diberi mis. ramalan ekonomi, ramalan lalulintas, anggaran hasil tanaman, dsb

Diagnosis inferens kerosakan sistem drp pemerhatian-pemerhatian mis. diagnosis perubatan, diagnosis perisian, diagnosis elektronik, dsb

Rekabentuk tatarajah objek-objek dgn kekangan mis. bentangan litar, rekabentuk bangunan, dsb

Perencanaan membina rencana utk mencapai sasaran(-sasaran) mis. pentadbiran projek, perencanaan kewangan, dsb

Pengawasan banding pemerhatian kpd rencana, beritahu ketentangan mis. pengawasan lalulintas udara, pengawasan kewangan, dsb

Nyahpepijatan saran pembaikian bagi kerosakan yg telah didiagnosis

Pembaikian jalankan rencana utk pembaikian bagi kerosakan yg telah didiagnosis

Pengajaran diagnosis, nyahpepijat, betulkan kecapaian pelajar

Kawalan tafsiran, ramalan, pembaikian dan pengawasan telatah sistem

Struktur sistem pakar

komponen-komponen:

♠ pangkalan pengetahuan – fakta, hukum, strategi (metahukum), dll

♠ enjin inferens – pengawal: cara takulan mungkin termasuk ketakpastian

♠ ingatan kerja / papanhitam

♠ modul pemerolehan pengetahuan (mis. masukan terus; buat & belajar; atau drp misalan) – perlu masukan, pemeliharaan kekonsistenan, tentukan lengkap

♠ modul penerangan – terangkan telatah sistem

♠ antaramuka pengguna mis. bahasa tabii, menu, grafik, dsb

♠ (penghalus pengetahuan – analisis pencapaian sendiri, belajar drp itu, baiki)

menangani ketakpastian:

- sumber ketakpastian: maklumat tak lengkap, tak boleh dipercayai sepenuhnya, penghampiran/anggaran dan/atau drp sumber-sumber berlainan dan bertentangan, bahasa perwakilan mempunyai ketakpastian tersirat, dan/atau ada hubungan sebab-musabbab yg tak mutlak

- beberapa pendekatan: kebarangkalian, faktor kepastian, teori bukti Dempster-Shafer, logik kabur

Memilih masalah untuk sistem pakar

◊ masalah berbentuk diagnosis, dsb – tiada penyelesaian terus menggunakan kaedah komputer tradisi

◊ tiada teori yg diterima yg boleh digunakan utk penyelesaian terus

◊ data berketakpastian

◊ pakar bagi masalah berkenaan jarang/susah didapati

◊ ada pakar yg boleh berkerjasama dan berkebolehan utk membina pangkalan pengetahuan

◊ keperluan penyelesaian mempatutkan pembinaan sistem pakar

◊ masalah tidak memerlukan selain inferens bersimbol utk penyelesaian (mis. tidak kebolehan fizikal)

◊ domain terstruktur elok, tidak perlukan inferens akalbudi

◊ masalah punyai skop dan saiz yg sesuai

Kelebihan sistem pakar

menambahkan pengeluaran dan produktiviti
menambahkan kualiti – kurangkan kadar ralat
mengurangkan masa mati, menerusi diagnosis dan pembaikian
menangkap kepakaran yang jarang terdapat
menawarkan perkhidmatan bolehlentur
membolehkan penggunaan kelengkapan dgn mudah
menghapuskan keperluan kelengkapan mahal mis. utk pengawasan
operasi dlm keadaan merbahaya
menjadikan pengetahuan dan nasihat mudah dicapai
dapat dipercayai – tak mis. letih, beremosi, dsb
tambahkan kebolehan sistem-sistem berkomputer lain – dlm sistem bersepadu
paduan pendapat-pendapat beberapa pakar
kebolehan bekerja dgn maklumat tak lengkap atau tak pasti
boleh memberi latihan
meningkatkan penyelesaian masalah – menerusi paduan pakar, penerangan, sistem pakar khas
kebolehan menyelesaikan masalah kompleks – yg tak boleh dselesaikan oleh manusia (?)
pindahan pengetahuan – ke lokasi-lokasi jauh

Kekurangan sistem pakar

rapuh – tak boleh berpatah kpd pengetahuan umum / akalbudi – tak mudahlentur
kekurangan metapengetahuan – tak tahu kebolehan sendiri
masalah pemerolehan pengetahuan: pengetahuan tak sentiasa ada; kepakaran susah nak didapati drp pakar; pendekatan seseorang pakar berbeza-beza
domain terhad
penentusahan – banding dgn pakar (tapi pakar juga tiada cara bebas menguji rumusan-rumusan mereka)
laras bahasa, istilah yg tak difahami umum
kadangkala perlu pertolongan drp pakar, yg susah didapati
kepercayaan diperlukan drp pengguna
pemindahan pengetahuan – boleh berprasangka
boleh jadi sistem tak dapat buat keputusan (!)

Pembelajaran ialah satu ciri sistem pintar.

Pembelajaran menghasilkan penambahan pengetahuan.

Pembelajaran

pembelajaran - mencakupi masalah-masalah dengan lebih luas (keadaan baharu; itlakan)

- memberi jawaban-jawaban lebih tepat

- mencapai jawaban dengan kos lebih rendah

- meringkaskan pengetahuan terstor

tahap-tahap:

– diaturcarakan – pengaturcaraan
– penghafalan – stor segenap keadaan mungkin & tindakan berkenaan
– statistikan – spt 2 tapi guna statistik → kelas-kelas
– pembelajaran dari misalan – diberi misalan-misalan → itlakan (dgn guru)
– pembelajaran menerusi penemuan – itlak keadaan, hipotesis, konsep baharu (tanpa guru)

belajar – parameter, jejak gelintaran, hukum, rencana, ciri, konsep, heuristik, …

beberapa kaedah:

gelintaran gelintar ruang konsep dsb yang mungkin, mis. gelintar ruang hukum-hukum yang mungkin yang memerihalkan data yang diberi

menerusi misalan, misalan tentangan & hampir kena sertakan misalan ke dalam konsep menerusi penyeluruhan, singkirkan misalan tentangan dan terutamanya hampir kena menerusi pengkhususan

pepohon keputusan bina pepohon keputusan drp data – guna sebahagian data (‘tingkap’) utk bina pepohon paling mudah dan cuba utk semua, besarkan tingkap jika tidak memerihal semua data

pembelajaran berdasarkan penerangan cuba terangkan misalan → penyeluruhan (‘penerangan’ bagaimana misalan adalah pengseketikaan konsep sasaran – cantas aspek-aspek tak penting dlm misalan menggunakan pengetahuan domain)

penemuan tanpa guru; gunakan heuristik dipacu teori atau dipacu data. Juga, penggugusan konsepan (ukuran keserupaan antara objek, algoritma penggugusan; taksonomi)

analogi analogi transformasian – selesai masalah baharu dgn ubahsuaian kaedah penyelesaian-penyelesaian lama

neuronan rangkaian neuron – pembelajaran Hebb; rambatan balik ralat (rangkaian neuron berlapisan)

genan algoritma genan – tiru evolusi – kemandirian yg tercocok: perubahan (mutasi, pindah silang) & pemilihan