AI-06幻灯片.pptVIP

人工智慧與專家系統 曾憲雄、黃國禎 第六章 知識擷取(Knowledge Acquisition)的挑戰 知識擷取的目標是將專業領域的知識轉換成知識庫或是其他電腦化的表達形式 知識擷取的方式 藉由有經驗的知識工程師(knowledge engineer)對專家進行晤談。 機器學習（Machine learning）：直接從專家提供的訓練範例（Training cases）中歸納出推論規則。 知識擷取系統：專家在接受短時間（通常為15-30分鐘）的說明後，即可透過知識擷取系統對專家進行晤談。 使用知識擷取系統的好處 不需要依賴訓練案例的提供 可對專家提供的知識進行即時的分析，包括知識的完整性及一致性 可與專家系建構工具整合，自動產生知識庫，減少人為的疏失 知識擷取系統的種類 表象知識（Substantive Knowledge）： 用以分辨所處的狀態 “Am I in danger of being attacked” 策略知識（Strategic Knowledge）： 決定下一步的行動 “Climb to 30000 feet” 表象知識的擷取 知識表格法(Repertory Grid-Oriented Methods,或稱凱利方格)： 元素（Elements）：可能的決策、答案或選項；例如天花、麻疹、水痘 配對屬性組（Constructs）：可用以分辦一組元的一對屬性；例如發燒（正屬性、Trait)與未發燒（反向屬性、Opposite)的配對即為一個Construct 連接機制（Linking mechanism）：記錄元素與屬性之間的關係；例如 “麻疹傾向會發燒” 知識表格法的連接機制 1：該元素具備相當程度的正向屬性特徵。 2：該元素具備些許傾向正向屬性特徵。 3：該元素不傾向正反向屬性。 4：該元素具備些許傾向反正向屬性特徵。 5：該該元素具備相當程度的反向屬性特徵。 知識表格法的進行步驟(1/5) 步驟一：由專家擷取出所有的元素，並將所有的元素（即「麻疹」、「德國麻疹」、「登革熱」、「天花」與「水痘」）置放在表格的上方列，如表6.1所示。 知識表格法的進行步驟(2/5) 步驟二：由專家擷取出配對屬性組（正向屬性及其反向屬性），每次皆選擇三個元素，並區別出其中兩個元素與另一個元素的差別。 例如系統可能問專家：「舉出一個屬性，是麻疹、德國麻、疹登革熱其中二者具有，而另一個不具有的」。專家可能提出「發高燒」的屬性；接著系統將詢問「發高燒的反義是什麼」？專家可能回答「未發高燒」。 知識表格法的進行步驟(3/5) 步驟三：填入表格中[元素，屬性]的等級，如表6.3所示。 知識表格法的進行步驟(4/5) 步驟四：從知識表格產生推論圖 (Implication graph)，以針對已獲得的知識內容下達結論。例如我們可以發現，只要是「頭痛」值偏左（即1或2），則相對的「出紅疹」值也偏左；因此可以提出推論「頭痛的人必定出紅疹」。 修改後的知識表格 知識表格法的進行步驟(5/5) 步驟五：從最終修正的知識表格產生推論規則。以第一列為例，將產生以下的推論規則： IF 發高燒 且 出紅疹 且 有紫斑 且無頭痛 THEN 診斷為　麻疹 知識表格的優點 容易分析一致化格式的知識內容： 配對屬性組的相似度分析. 元素間的相似度分析. 找出遺漏的配對屬性組或元素. 偵查出邏輯上的矛盾或發現新的關係. 多資料型態的知識表格- Acquisition Table Acquisition Table的資料型態 單值：包括數值或字串，例如20、High、2.1等。 集合：一組單值的集合，代表集合的任一個單值都可能是推至該目標的屬性值，例如{9,10,12}。 數值範圍：例如13 A1 ? 16。 布林值(Boolean)：包括YES和NO。 X：代表目標Object-i與屬性Aj無關。 U：代表目標Object-i與屬性Aj關係無法決定。 隱含知識的擷取 隱含知識意指在知識擷取專過程中，因擷取技術或知識表示法的因素，而在最終產生規則時被遺漏的知識 例如醫師在描述感冒時，提出「感冒的症狀有咳嗽、疲倦、流鼻涕」，產生的推論規則是 IF 咳嗽 且 疲倦 且 有紫斑 且 流鼻涕 THEN 診斷為 感冒 病人的症狀必須很『完整』才能推論出 隱含知識的意義 實專家的真正意思是「如果一個人感冒，他可能的症狀有咳嗽、疲倦、流鼻涕，但未必要所有的症狀都具備，才稱為感冒」。 同樣的，是否要發高燒、出紅疹、有紫斑且無頭痛四個條件同時具備，才是麻疹的病患，或是有些症狀沒有出現，仍可能是麻疹？ 隱含知識的擷取技術─EMCUD（Embedded Meanin