Zasady zwijania się

Reguły Ripple-down ( RDR ) to sposób podejścia do zdobywania wiedzy . Nabywanie wiedzy odnosi się do transferu wiedzy od ekspertów do systemów opartych na wiedzy .

Materiał wprowadzający

Reguły „ripple-down” to przyrostowe podejście do zdobywania wiedzy i obejmują rodzinę technik. RDR zostały zaproponowane przez Comptona i Jansen w oparciu o doświadczenia w utrzymywaniu systemu ekspertowego GARVAN-ES1 (Compton i Jansen 1988). Oryginalny GARVAN-ES1 (Horn i in. 1985) wykorzystywał proces zdobywania wiedzy oparty na rozwoju opartym na testach, w którym nowe przypadki, które zostały źle sklasyfikowane przez system, były dodawane do bazy danych, a następnie wykorzystywane do stopniowego udoskonalania bazy wiedzy. Dodane sprawy, których wnioski były sprzeczne z zaleceniami systemu, nazwano „sprawami kluczowymi”. W rezultacie baza danych rosła iteracyjnie wraz z każdym udoskonaleniem wiedzy. Bazę danych można następnie wykorzystać do testowania zmian w wiedzy. Aby znaleźć i zmodyfikować sprzeczne zasady, opracowano narzędzia do zdobywania wiedzy, podobne do tych dostarczonych przez Teiresiasa. Narzędzia wyświetlałyby reguły uruchamiane w każdym przypadku i sugestie „edycji” wiedzy w celu usunięcia konfliktów.

W ramach RDR wiedza eksperta jest nabywana w oparciu o bieżący kontekst i jest dodawana stopniowo. Compton i Jansen argumentowali, że wiedza eksperta jest w pewnym stopniu „zmyślona”, aby uzasadnić, dlaczego miała ona rację, a nie wyjaśnić, w jaki sposób doszła do właściwej interpretacji (lub wniosku). Uzasadnienie opiera się na cechach zidentyfikowanych w bieżącym przypadku. Ekspert tworzy regułę klasyfikacji przypadków odpowiadających danemu kontekstowi. Jest mało prawdopodobne, aby ta reguła klasyfikowała wszystkie przypadki należące do tej klasy. Compton i Jansen twierdzili, że nie jest możliwe stworzenie jednej eleganckiej reguły pozbawionej kontekstu, ponieważ wiedza, którą przekazujemy, jest uzasadnieniem w kontekście. Oznacza to, że nie ma wiedzy absolutnej, która stanowiłaby podstawę innej wiedzy, ponieważ wiedza jest prawdziwa tylko w kontekście (Compton i Jansen 1990).

Metodologia

Reguły ripple składają się ze struktury danych i scenariuszy zdobywania wiedzy. Wiedza ekspertów jest przechowywana w strukturze danych. Wiedza jest kodowana jako zbiór reguł. Proces przenoszenia wiedzy ekspertów do systemów opartych na wiedzy w RDR wyjaśniono w scenariuszu zdobywania wiedzy.

Struktura danych

Istnieją różne struktury reguł ripple-down, na przykład reguły ripple-down pojedynczej klasyfikacji (SCRDR), reguły ripple-down wielokrotnej klasyfikacji (MCRDR), zagnieżdżone reguły ripple-down (NRDR) i wielokrotne wnioskowanie z powtarzaniem -reguły w dół (RIMCRDR). Opisana tutaj struktura danych RDR to SCRDR, która jest najprostszą strukturą.

Struktura danych przypomina drzewo decyzyjne . Każdy węzeł ma regułę; format tej reguły jest następujący: JEŻELI warunek1 ORAZ warunek2 ORAZ ... ORAZ warunek WTEDY wniosek. Warunek1 jest warunkiem (wartością boolowską), na przykład A=1, jestWiększy(A,5) i średni(A,”>”,średni(B)). Każdy węzeł ma dokładnie dwa węzły następcze, te węzły następcze są połączone z węzłem poprzednim za pomocą „ELSE” lub „EXCEPT”.

Przykład drzewa SCRDR (zdefiniowanego rekurencyjnie) pokazano poniżej:

JEŚLI (OutLook = „SŁONECZNIE” ORAZ Temperatura = „CHŁODNO”) WTEDY GRAJ = „TENIS” Z WYJĄTKIEM Dziecka-1 W przeciwnym razie Dziecko-2

gdzie Dziecko-1 i Dziecko-2 są również drzewami SCRDR. Na przykład Dziecko-1 to:

JEŚLI (Wiatr = „WINDY” ORAZ Wilgotność = „WYSOKA”), TO Play="SQUASH" EXCEPT NoChild W przeciwnym razie NoChild

Scenariusz zdobywania wiedzy

Eksperci-ludzi dostarczają sprawę do systemu i dodają nową regułę, aby skorygować klasyfikację błędnie sklasyfikowanej sprawy. Przykładowo dodana została reguła Dziecko-1 w celu poprawnej klasyfikacji przypadku [OutLook="SUNNY", Temperatura="COOL", Wind="WINDY", Humidity="HIGH", ForeCast="STORM", Play="SQUASH" ] Ten przypadek został błędnie sklasyfikowany jako Play="TENIS".

Kiedy reguła jest konstruowana przez ludzkich ekspertów, warunki tej reguły powinny być spełnione przez błędnie sklasyfikowany przypadek, a także NIE powinny być spełnione przez jakiekolwiek wcześniejsze przypadki poprawnie sklasyfikowane przez regułę nadrzędną (która w tym kontekście jest pierwszą regułą).

Wdrożenia

Poniżej znajduje się lista znanych implementacji RDR:

Wersja alfa platformy RDR (MCRDR) została opracowana przez zespół badawczy Uniwersytetu Nowej Południowej Walii (UNSW) i Uniwersytetu Tasmanii (UTAS) i sfinansowana przez ARC. ^{[ wymagana definicja ]}
Klasyfikator dokumentów RDR (MCRDR) został opracowany przez dr Yang Sok Kim, UNSW i AProf. Żegnaj Ho Kang, UTAS.
Erudine Behaviour Engine to komercyjne oprogramowanie, które wykorzystuje RDR jako część swojej metodologii gromadzenia wiedzy i modelowania procesów biznesowych. Jest zaimplementowany w Javie.
Silnik wiedzy przyrostowej Ballarat (BIKE) to kompleksowa implementacja typu open source w języku C++ . Zawiera wtyczki do RDR z pojedynczą i wielokrotną klasyfikacją.
Firma Pacific Knowledge Systems (PKS) korzysta z komercyjnego produktu o nazwie RippleDown Expert, który opiera się na regułach ripple-down obejmujących wiele klasyfikacji.
Oprogramowanie do eksploracji danych Java Weka ma wersję Induct RDR o nazwie Ridor. Uczy się reguł na podstawie zbioru danych, a jego głównym celem jest przewidzenie klasy w zestawie testowym.
Zestaw narzędzi RDRPOSTagger: reguły powielania pojedynczej klasyfikacji dla znakowania części mowy
Zestaw narzędzi RDRsegmenter: Reguły rozkładania pojedynczej klasyfikacji do segmentacji słów

Zobacz też

DQ Nguyen, DQ Nguyen i SB Pham (2017). „Zasady dotyczące odpowiadania na pytania”. Sieć semantyczna , tom. 8, nie. 4, strony 511–532. [.pdf]
DQ Nguyen, DQ Nguyen, DD Pham i SB Pham (2016). „Solidne podejście do uczenia się oparte na transformacji, wykorzystujące reguły Ripple Down do znakowania części mowy”. Komunikacja AI , tom. 29, nie. 3, strony 409–422. [.pdf]
„NAJLEPSZY RDR (Zasady techniki Ripple Down w najlepszym systemie eksperckim)” . Dostępne systemy i publikacje RDR . Źródło 15 lutego 2013 r .
„Silnik wiedzy przyrostowej Ballarat” . Wprowadzenie . Źródło 27 września 2010 r .
R. Dazeley, P.Warner, S. Johnson i P. Vamplew (2010). „Silnik wiedzy przyrostowej Ballarat”. XI Międzynarodowe Warsztaty Zarządzania Wiedzą i Pozyskiwania Wiedzy dla Inteligentnych Systemów i Usług (PKAW 2010) . s. 195–207. doi : 10.1007/978-3-642-15037-1_17 . {{ cite Conference }} : CS1 maint: wiele nazw: lista autorów ( link )
D. Richardsa (2009). „Dwie dekady badań RDR”. Przegląd Inżynierii Wiedzy . 24 (2): 159–184. doi : 10.1017/S0269888909000241 . S2CID 6183087 .
P. Comptona i R. Jansena (1988). „Wiedza w kontekście: strategia utrzymania systemu eksperckiego”. Proc. Druga australijska wspólna konferencja dotycząca sztucznej inteligencji . s. 292–306.
P. Comptona i R. Jansena (1990). „Filozoficzne podstawy zdobywania wiedzy”. Zdobywanie wiedzy . 2 (3): 241–257. CiteSeerX 10.1.1.31.7340 . doi : 10.1016/S1042-8143(05)80017-2 .
K. Horn, L. Lazarus, P. Compton i JR Quinlan (1985). „System ekspercki do interpretacji testów tarczycy w laboratorium klinicznym”. Aust Comp J. 17 : 7–11. {{ cite journal }} : CS1 maint: wiele nazw: lista autorów ( link )

Linki zewnętrzne