第六章智慧型决策支援系统.ppt

第六章 智慧型決策支援系統 本章內容 智慧型DSS的概念 人工智慧與專家系統的概念 專家系統的優缺點 專家系統的架構 智慧型DSS的開發程序與工具 導論 智慧型DSS一般可以分為兩個世代，大約以1993年左右來做區分。 依賴法則式推理。 第一代智慧型DSS。 自1993年以後，案例推理、類神經網路，以及其他多種技術逐漸受到重視。 結合多元技術的系統便稱為第二代智慧型DSS。 表1 兩代IDSS系統的比較 人工智慧的概念(1/2) 「智慧」包括下列的各種能力（此可說是任何一個擁有智慧的生物所需具備的基本能力）： 觀察外界環境的能力 對外界環境做彈性反應 與外界環境或其他事物溝通 瞭解不同因素的相對重要性 擁有內部知識 能夠異中求同或同中求異 設定目標並達成目標 創造力 學習能力 人工智慧的概念(2/2) 人工智慧的定義 實用觀點：AI是電腦科學中的一支，其目的在創造電腦程式來執行以往由人類所進行的工作。 科學觀點：AI是一套方法，其目的在探討許多難解的問題，如人類智慧。 AI的發展可分為幼稚期、方法期、知識期、應用期及整合期等五個階段。 圖1 AI各期重點特色的演變 圖2 AI家族的成員 第一代智慧型DSS 第一代智慧型DSS主要是運用專家系統技術。 專家系統概念 專家 指能夠比其他絕大多數人更有效地解決某些特定問題的人。 專才 專家所賴以解決問題的知識稱為「專才」，通常包括知識與經驗。專才可以說是專家系統的靈魂，它控制了專家系統的決策績效。 經驗經過累積之後，許多類似情況在經過異中求同之後，濃縮成了結合情況與反應的法則 。 專家系統的知識 知識的本質可以分為「表面知識」與「深度知識」。所謂表面知識是指和某個特定問題有關的知識，它只和該問題的解決有關；深度知識則是指和許多問題都有關聯，而且可以加以一般化的知識。通常表面知識都是和某案例有關的既存事實，而深度知識則是事物的根本原理與原則。 對專家系統而言，表面和深度知識都是必要且不可或缺的。 專家系統的要求 專家系統的要求 專才 符號推理 知識深度 自我充實 為何需要專家系統 人類專家有許多令人遺憾的缺點。 專家們的生命有限，且人類知識的轉移速度極慢。 人類專家的知識往往不易被記錄下來，且專家的知識不易預測。 聘請人類專家往往所費不貲。 專家系統特別適用於專家稀少、昂貴、忙碌或不一致等領域。 表2 人類專家與專家系統之優劣 專家系統與傳統DSS之不同 系統目標 系統重心 交談方向 知識表達 決策方法 適用問題 解釋能力 專家系統的應用 專家系統的實例 ExperTax XCON La-Courtier 目前專家系統的應用主要涵蓋下列各領域： 財務 資料處理 製造 行銷 人事 圖3 專家系統的架構圖 專家系統的架構(1/5) 知識＋推理 知識庫 係用來存放相關領域專家提供的專門知識，當知識以IF-THEN的方式表現時，也稱為法則庫。 採用知識庫和推理機獨立的架構有下列優點： 大部分的知識庫採用「IF...THEN...」的法則表達知識，適用於不同領域。 知識法則集中在知識庫內，獨立於程式運作之外，方便知識工程師分析與維護。 採用「IF...THEN...」的法則架構簡單明瞭且各自獨立。 專家系統的架構(2/5) 推理機 向前推理 向前推理是資料導向的推論方法。先從已知的事實出發再依序推論出解答或建議。 向後推理 向後推理是目標導向的推論方法，推理機從結論開始往可能產生該結論的條件去搜尋，並驗證所找出的IF條件是否成立。 用戶介面 專家系統應當具有良好的用戶介面。 像CORVID這種目前市面上有許多設計好推理機與用戶介面功能，但是知識庫中沒有內容的軟體，是很方便的開發工具，稱為專家系統殼，其有助於系統開發。 圖4 知識推論的循環流程 專家系統的架構(3/5) 知識擷取 指將專家腦中的重要知識找出來，並以系統能接受的方式加以表達。透過知識擷取工具、機器學習和更準確的面談工具與方法，對這方面的問題已有很大的改善。 知識擷取過程可以視為是知識由專家到知識庫之間的轉移過程，把內隱的知識與處理的原則，轉換為正式而文件化，並儲存於知識庫中的外顯知識。 專家系統的架構(4/5) 解釋系統 若專家系統無法對它的行為做出具說服力的解釋，而只能夠告訴用戶它使用了哪些法則來得出結論，則往往會影響到其建議的可接受性。例子： 汽車能夠啟動嗎？不行； 引擎有發動聲音嗎？是的； 你聞到汽油味道嗎？是的； 建議：等待5秒鐘，然後再試。 為什麼？ 專家系統的架構(5/5) 為了讓系統具有真正的解釋功能，我們需要比法則具備更多的知識。 一般的專家系統中常用的有以下四種解釋方式： 報告當前的對話進度。 解釋系統是如何得出某個結論的。 解釋為什麼系統向用戶詢問某個問題。 解釋為什麼某個結論不成立。 圖5 專家系