7. Expertní a neuronové systémy

7.1 Umělá inteligence a expertní a neuronové systémy

Oblast expertních a neuronových systémů doznala největšího komerčního úspěchu ze všech ostatních disciplín vědního oboru, který se nazývá umělá inteligence. Podle Minského z Massachusetts Institute of Technology je umělá inteligence "věda, jejímž úkolem je naučit stroje, aby dělaly věci, které vyžadují inteligenci, jsou-li prováděny člověkem". Norma ISO 2382-28:1988 definuje umělou inteligenci jako "schopnost stroje simulovat myšlenkové pochody člověka tím, že vykonává činnosti obvykle spojované s lidskou inteligencí, např. uvažování, učení a sebezdokonalování". Za zrod umělé inteligence je považován rok 1950, kdy britský matematik Alan Turing ve svém článku Computing Machinery and Intelligence uveřejněném v časopise Mind položil provokující otázku "Mohou stroje myslet?". Odpovědět na tuto otázku jednoznačně (ano - ne) patrně není možné, spíše lze říci, že "s určitou platností", "v závislosti na okolnostech" apod. Odráží to také tu skutečnost, že myšlení není založeno pouze na binární logice. Kromě výsledného efektu by se měla posuzovat i inteligence způsobu řešení dané úlohy. V tomto smyslu je i Minského definice umělé inteligence zaměřena příliš jednostranně. Umělá inteligence se rozvíjela paralelně se dvěma příbuznými disciplínami - kybernetikou a teorií informace. V podstatě se dá říci, že se pojmem "umělá inteligence" rozumí schopnost stroje přijímat data (v praktických aplikacích jsou stroje schopny pracovat s obrovským množstvím takovýchto dat, která mohou být nějakým způsobem složitá - strukturovaná, případně neúplná), vyhodnocovat je a činit (doporučovat) rozhodnutí. Umělá inteligence tak nekopíruje inteligenci lidskou - požaduje se od ní, aby dokázala s uživatelem komunikovat a pomáhala mu řešit problémy, které jí předloží.

Expertní systémy jsou programové prostředky určené k řešení takových úloh, které jsou považovány za obtížné a jejichž uspokojivé řešení může provést pouze specialista v daném oboru - expert (Vondrák 1994). Podle Streita (2000) "expertní systém je systém podporující uživatele při řešení problémů, které vyžadují znalosti experta o jisté oblasti". Už zmíněná norma ISO jej definuje jako "heuristický systém, který umožňuje řešení problémů v dané aplikační oblasti vyvozováním závěrů z báze znalostí získané lidskou zkušeností."

Takové inteligentní systémy pomáhají již od 70. let minulého století v geologickém průzkumu při hledání nalezišť nerostů (slavný expertní systém Prospector ), v některých oblastech medicíny, a to jak při určování diagnózy ( Mycin ), tak i při predikci vývoje choroby ( Glaukoma ), při zpracování především obrazových dat v geografických informačních systémech (např. při zjišťování stavu porostů nebo znečištění vod) a v poslední době také při hledání na Internetu (nalezení www stránek s danou tematikou, v elektronickém obchodě apod.). Nejdéle využívaným expertním systémem je systém Dendral (Buchanan - Feigenbaum, 1965), který od roku 1969 využívají stovky odborníků pro analýzu molekulárních struktur na základě záznamů hmotového spektrografu.

Základy vývoje expertních systémů lze vidět v pravidlových systémech, které ve 30. letech minulého století zavedl Post a které ve sféře umělé inteligence znovu připomněli v 50. letech Newell a Simon. Velký rozvoj tvorby expertních systémů nastal v 70. a 80. letech. V polovině 70. let také převládal optimistický názor podpořený úspěchem už zmíněných diagnostických expertních systémů Mycin a Prospector, že je možné vytvořit "instantního experta", který by byl schopen vyřešit i ty nejsložitější úlohy v dané oblasti.

Tato představa narazila na meze samotných systémů (expertní systémy řešily úspěšně spíše rutinní problémy), tak i na skepsi uživatelů ("přece nebudu poslouchat nějaký počítač"). Objevily se také etické a právní otázky používání expertních systémů - především otázka odpovědnosti za případné chybné doporučení expertního systému. Proto se postupně slevuje z pohledu na roli expertního systému v procesu rozhodování. Z původně zamýšlené role experta se přechází k chápání expertního systému jako kolegy uživatele nebo spíše jeho asistenta. Dnes se proto často hovoří o "znalostních systémech", důraz se tedy klade na využívání vhodně zakódovaných speciálních znalostí převzatých od experta. Na význam problematiky získávání znalostí od expertů a jejich formalizace ukazuje vznik nové discipliny - znalostního inženýrství.

Tab. 7.1: Některé expertní systémy a aplikační oblasti

oblast příklady systémů
geologie DIPMETER ADVISOR, FEE Tool, FINDER, GEOPLAY, muPETROL, PROSPECTOR, X-net, XUMA
chemie CRYSALIS, DENDRAL, META-DENDRAL, SECS, SYNCHEM
medicína CADIAG, CASNET/GLAUCOMA, DM, EEG, HEADMED, INTERNIST/CADUCEUS, MEDICO, MYCIN, ONCOCIN, PIP, PROTIS, PUFF, RHEUM, VM
genetika, biologie MOLGEN, SPEX, XCON
průmysl MECHANO, REACTOR, SACON
zemědělství PRO PLANT
matematika AM, EURISKO, MACSYMA, QUIST
právo LEGOL, LRS, MATRIM, TAXMAN
výuka BLAH, GUIDON, SOPHIE, WHY

Umělé neuronové sítě jsou programové prostředky napodobující chování lidského mozku při řešení problémů, které jsou pomocí klasických algoritmických postupů obtížně řešitelné. Uplatňují se všude tam, kde si řešený problém můžeme představit jako "černou skříňku", která má několik nezávislých vstupů a jeden nebo více výstupů. Jsou schopny se "učit" z příkladů a naučené informace vyvolávat.

Základní principy umělých neuronových sítí byly zformulovány už ve 40. letech minulého století (McCulloch a Pitts, 1943) v souvislosti s pokrokem neurologických bádání. V roce 1958 vytvořil Rosenblatt matematický model neuronu a nazval ho perceptron. Ten se stal základem vícevrstevných neuronových sítí.

Umělé neuronové sítě překonaly omezení expertních systémů znalostního typu. V posledních letech jsou využívány samostatně či v hybridních systémech, nebo jsou začleňovány do jiných systémů analýzy geodat, např. do geografických informačních systémů.

7.2 Expertní systémy

Tyto systémy charakterizují podle Berky (1998) následující rysy:

  1. Oddělení znalostí a mechanismu pro jejich využívání.
    Znalosti experta jsou uloženy v bázi znalostí odděleně od inferenčního (odvozovacího) mechanismu na rozdíl od konvenčních programů, kde jsou znalosti experta pevně zakódovány v jednotlivých instrukcích programu, které se aplikují v předem stanoveném pořadí. To umožňuje vytvářet problémově nezávislé (prázdné) expertní systémy, ve kterých jeden inferenční mechanismus může pracovat s různými bázemi znalostí.
  2. Neurčitost v bázi znalostí.
    V bázi znalostí jsou uloženy nejen exaktně dokázané znalosti, ale i zkušenosti experta, které se mu osvědčily v jeho praxi. Mohou se zde pak objevit pojmy jako "většinou", "často", "nevím" apod. Tyto pojmy je nutno kvantifikovat (viz dále použití fuzzy logiky).
  3. Neurčitost v datech.
    Konkrétní data o řešeném případu bývají zatížena neurčitostí způsobenou nepřesně určenými hodnotami nebo subjektivním pohledem uživatele.
  4. Dialogový režim.
    Expertní systémy jsou obvykle vytvářeny jako tzv. konzultační systémy. Uživatel se systémem komunikuje způsobem "dotaz systému - odpověď uživatele" (podobně by komunikoval i s lidským expertem). Z hlediska vnějšího chování je na expertní systémy kladena řada požadavků odvíjejících se z představy, že expertní systém nahrazuje odborníka, poskytujícího konzultaci laikovi či méně zkušenému odborníkovi.
  5. Vysvětlovací činnost.
    Expertní systém by měl poskytnout vysvětlení svého uvažování, aby se zvýšila důvěra uživatelů v přijaté závěry a doporučení. Počítačový expertní systém musí být nejen schopen vést s uživatelem dialog ve formě otázka-odpověď (viz bod d), nýbrž musí být schopen vysvětlit a zdůvodnit dílčí závěry i položit vhodný doplňující dotaz stejně tak, jako být připraven zaměřit své úsilí na řešení podproblémů specifikovaných uživatelem v průběhu konzultace.
  6. Modularita a transparentnost báze znalostí.
    Pro účinnost expertního systému je rozhodující báze znalostí. Znalosti experta nemají statický charakter, nýbrž se postupně vyvíjejí a rozrůstají. Modularita umožňuje snadnou aktualizaci báze znalostí. Báze znalostí musí být též transparentní (tedy čitelná a srozumitelná) jak pro experta (aby ji mohl upravovat a rozšiřovat), tak i pro další odborné pracovníky, kteří z ní mohou čerpat potřebné znalosti. Vytváření báze znalostí probíhá interaktivně konzultacemi experta z dané problémové oblasti s odborníkem na tvorbu bází (znalostním inženýrem). Báze znalostí je tak postupně upravována, až chování expertního systému odpovídá představám experta.

7.2.1 Struktura expertního systému

Obr. 7.1: Hlavní komponenty expertního systému

Jednotlivé části expertního systému tvoří následující subsystémy:

  1. Uživatelské rozhraní.
    Umožňuje komunikaci uživatele a expertního systému prostřednictvím nabídek nebo podobných metod založených na zpracování přirozeného jazyka.
  2. Báze znalostí.
    Reprezentuje obecný model popisu oblasti řešené expertním systémem. Obvykle je tvořena pravidly popisujícími daný problém. Jsou zde nashromážděny znalosti a zkušenosti expertů. Zachycuje celou škálu znalostí od nejobecnějších, učebnicových, až k úzce speciálním, od všeobecně známých až ke znalostem, které expert získal dlouholetou praxí a o nichž pouze ví, že mu často pomáhají při řešení podobných problémů. Ukazuje se, že právě rozsah a kvalita speciálních, mnohdy soukromých, heuristických znalostí odlišují experta od průměrného pracovníka v dané problémové oblasti.
  3. Řídící (inferenční, odvozovací) mechanismus - jádro systému.
    Realizuje proces hledání řešení nad bází znalostí a vstupními informacemi. Inferenční mechanismus je složen ze souboru kooperujících programů zabezpečující procedurální složku činnosti expertního systému. Tím inferenční modul umožňuje v určitém rozsahu napodobovat expertovu schopnost uvažovat. Modul simuluje především ty schopnosti, které souvisí s efektivním využíváním poznatků a zkušeností, získaných na základě asociací, hierarchií, příčinně-důsledkových vazeb, kontextů a spojování poznatků do vhodně souvisejících celků a posloupností. Takto zavedený inferenční mechanismus tedy odpovídá mechanismům všeobecného uvažování, opírajícího se o bázi znalostí, na jejímž základě je možno konkrétní problémy řešit.
  4. Báze dat.
    Reprezentuje konkrétní model odpovídající danému stavu řešení. Data mohou být uspořádána např. ve formě tripletů [pozorování - atribut - hodnota], ve tvaru tabulek apod.

Interakci všech těchto modulů lze charakterizovat jako postup konkretizace obecných znalostí na základě vstupních dat uživatele do formy modelu popisujícího řešený problém.

Programové produkty označované jako "prázdné expertní systémy" obsahují pouze jádro systému a uživatelské rozhraní. Uživatel si vytvoří bázi znalostí sám pro svůj problém. Prázdných expertních systémů existuje velký počet, např. ADS, ART, EXSYS, Nexpert Object, KAS, VP Expert, Expert Choice, G2 Diagnostic Assistent, Mentor, EMYCIN, FEL-EXPERT, AL/X atd.

7.2.2 Typy expertních úloh

Podle charakteru řešených úloh se aplikace dají rozdělit na:

  1. Diagnózu.
    Proces nalezení chyb nebo chybných funkcí živého nebo neživého systému.
    Příklad: MYCIN - expertní systém pro oblast vnitřního lékařství.
  2. Interpretaci.
    Analýza dat s cílem určení jejich významu.
    Příklad: PROSPECTOR - expertní systém pro nalezení rudného ložiska.
  3. Monitorování.
    Průběžná (on-line) interpretace signálů a dat a určení okamžiku, kdy je nutná intervence.
    Příklad: VM - expertní systém, který v reálném čase monitoroval pacienta napojeného na umělé plíce.
  4. Plánování.
    Nalezení posloupnosti akcí vedoucí k dosažení cíle.
    Příklad: MOLGEN - expertní systém pro plánování experimentů v molekulární genetice.
  5. Návrh (design).
    Vytváření konfigurace objektů vyhovujících daným podmínkám.
    Příklad: R1/XCON - expertní systém pro konfigurování sálových počítačů VAX.
  6. Predikce.
    Předpověď běhu budoucích událostí na základě modelu minulosti a současnosti.
    Příklad: GLAUCOMA - expertní systém pro predikci vývoje šedého zákalu.

Při hrubším dělení se expertní úlohy dělí na expertní systémy diagnostické - úlohy ad a) až ad c) - a expertní systémy generativní - úlohy ad d) až ad f). Diagnostické expertní systémy pracují s pevným počtem cílů (diagnóz, hypotéz), z nichž vybírají svá doporučení. Generativní expertní systémy si hypotézy generují dynamicky až v průběhu konzultace.

7.2.3 Reprezentace znalostí

Základní typy modelů bází znalostí jsou:

  1. Sémantické sítě.
    Jsou tvořeny dvěmi základními komponentami - uzly, které reprezentují objekty, koncepty nebo situace a hranami, které vyjadřují relace mezi uzly. Definovanou sémantickou síť lze pak popsat například prostřednictvím faktů v programovacím jazyce PROLOG.
  2. Rámce.
    Hlavní myšlenkou tohoto způsobu je fakt, že celá řada situací nás provázejících je stereotypních a standardizovatelných, vytvářejí tudíž jakýsi rámec pro události a stavy, které lze očekávat, naplánovat či splnit. Rámec představuje také soubor uzlů a relací. Na nejvyšší úrovni rámce se nacházejí atributy, které jsou vždy splněny pro danou situaci, tedy fixovány. Rámce umožňují vyjádřit hierarchii pojmů daného problému (prostřednictvím uvedení nadřazené složky) nebo dekompozici (prostřednictvím uvedení podřízených složek). Vazba mezi rámci se dá znázornit grafem. Rámce pronikly i do programovacích jazyků. Tady se pro ně používá název objekty a příslušný styl programování využívající objekty se nazývá objektově orientované programování (OOP). Základní charakteristiky OOP jsou:
    • zapouzdření - spojení definice datových struktur (vlastností objektu) s procedurami (metodami), které je používají, do jednoho datového typu - objektu,
    • dědičnost - možnost vytvářet hierarchickou strukturu objektů, objekty na nižší úrovni (děti) dědí definice datových typů i metod od objektů na vyšší úrovni (rodiče),
    • polymorfismus - metoda, která se dědí pod stejným jménem v hierarchii objektů, může mít na každé úrovni hierarchie jinou podobu.
    Hierarchie rámců tvořící znalostní popis se tudíž přímo nabízí k řešení prostřednictvím některého z objektově orientovaných jazyků.
  3. Inferenční sítě.
    V tomto případě se znalosti kódují ve formě pravidel. Je to nejrozšířenější technologie vytváření znalostních bází expertních systémů. Obvyklá forma pravidel je
    IF (podmínka) THEN (důsledek) S JISTOTOU (x)
    Podmínková část je tvořena kombinací tvrzení a jejich logickými vztahy pomocí operátorů AND, OR, NOT s vyznačením priorit.
    Příklad (Schejbal 2001): IF (geochemická anomálie je Pb+Zn+Ag AND tektonická zóna je dobrý vodič) THEN (existuje kyzová polymetalická rudní akumulace) S JISTOTOU (0.5).

Báze znalostí je tvořena množinou pravidel, například:

jestliže A a B pak O
jestliže C a (D nebo E) pak P
jestliže F pak Q
jestliže O nebo P pak X
jestliže Q pak Y

Báze znalostí může být reprezentována ve formě grafu - stromu (obr. 7.2), kde fakta A, B, C, D, E, F tvoří jeho listové hypotézy, O, P a Q jsou mezilehlé hypotézy a fakta X a Y tvoří cíle dokazované během konzultace a expertním systémem.

Obr. 7.2: Inferenční síť ve tvaru stromu

Velmi často jsou součástí takovýchto bází znalostí i neurčitosti, které se šíří v procesu odvozování na základě jistot platnosti jednotlivých pravidel a faktů zadávaných z báze dat uživatele. Dva základní přístupy implementace šíření neurčitosti jsou:

7.2.4 Řídící mechanismy

Inferenční mechanizmus určuje, jak a v jakém pořadí aplikovat pravidla na bázi dat. Principiálně lze podle způsobu odvozování cílových hypotéz řídící (inferenční) mechanismy rozdělit na:

7.3 Umělé neuronové sítě

Umělé neuronové sítě jsou inspirovány biologickými neuronovými sítěmi (obr.7.3). Jejich vzorem je uspořádání neuronů v lidském mozku (mozková kůra obsahuje 13-15 miliard neuronů, z nichž každý může být propojen až s 5000 dalšími). Singer (2002) je charakterizuje jako "skupinu metod, které se pokoušejí napodobovat procesy lidské mysli". Využívají distribuované, paralelní zpracování informace při provádění výpočtů. Znalosti jsou ukládány především prostřednictvím síly vazeb mezi jednotlivými neurony. Vazby vedoucí ke správné odpovědi jsou posilovány, vazby vedoucí ke špatné odpovědi jsou oslabovány. Základní vlastností neuronových sítí je učení. Jakým způsobem se budou vstupní data transformovat na data výstupní určuje právě fáze učení. Ta je založena na opakované expozici vzorů (příkladů) - tzv. trénovací (výukové) množině, které popisují řešenou problematiku.

Obr. 7.3: Síť neuronů v mozku

7.3.1 Charakteristické činnosti neuronové sítě

Na obr. 7.4 je zjednodušeně znázorněno propojení biologických neuronů. Dendrity reprezentují vstup signálů do těla neuronu. Tělo buňky na základě vstupních signálů vytváří vnitřní potenciál, jenž je příčinou excitace - vybuzení neuronu. Prostřednictvím axonového vlákna je signál vzniklý vybuzením přenesen k synapsím, což jsou v podstatě výstupní zařízení neuronu. Synapse přijatý signál zesilují nebo zeslabují a takto upravený jej předávají dalším neuronům.

Obr. 7.4: Biologický vzor (Vondrák 1995)

Základní popis architektury neuronových sítí tvoří: Schéma výpočetního elementu - formálního neuronu, který provádí vyhodnocování vstupů a generování výstupníjo signálu, je znázorněn na obr. 7.5.

Obr. 7.5: Schématický model neuronu

x0, x1,..., xn jsou vstupní signály do neuronu (výstupní signály "předcházejících" neuronů v síti),
w0, w1,..., wn jsou synaptické váhy upravující odpovídající signály x0, x1,..., xn,
y=f(∑wixi) je výstupní excitační signál neuronu (f je aktivační funkce neuronu).

Jako aktivační (přenosová) funkce neuronu ( f ) se často používá například sigmoid (obr. 7.6), skoková funkce, lineární funkce, hyperbolická tangenta apod.

Obr. 7.6: Příklad aktivační funkce neuronu

Umělá neuronová síť je v podstatě struktura určená pro distribuované paralelní zpracování dat. Skládá se z obvykle velmi vysokého počtu vzájemně propojených výkonných prvků (neuronů). Každý z nich může současně přijímat libovolný konečný počet různých vstupních signálů. Na další výkonné prvky může předávat libovolný konečný počet shodných informací o stavu svého výstupu (obr.7.7).

Obr. 7.7: Vícevrstvá neuronová síť (Vondrák 1995)

Každý výkonný prvek pak transformuje vstupní data na výstupní podle přenosové funkce. Umělé neuronové sítě pracují ve dvou fázích:

  1. Adaptivní (učící) fáze.

    V adaptivní fázi se síť učí řešit daný problém. Paměť neuronové sítě je nejčastěji reprezentována hodnotami synaptických váhových koeficientů jednotlivých vstupů neuronů. Při učení dochází v neuronové síti ke změnám, které jsou realizovány pomocí změn synaptických váhových vektorů odpovídajícím jednotlivým spojením mezi uzly sítě (neurony). Adaptivní fáze je obvykle iterační proces. Existují však i jednorázové učící algoritmy (například Hopfieldova síť). Neuronové sítě se mohou učit kromě změny synaptických vah také přizpůsobováním přenosové funkce, nebo změnou topologie sítě. V adaptivní fázi se rozlišují dva typy učení:

    • Učení s učitelem, při kterém existuje tzv. trénovací množina vzorů a v síti se nastavují váhy podle toho, jak blízko je výstup danému vzoru. V tomto iteračním procesu se vypočítává rozdíl mezi žádaným a skutečným výstupem a síť se nastavuje podle určitého algoritmu, který zabezpečuje postupné snižování chyby mezi skutečnými a žádanými výstupy.
    • Učení bez učitele (samoorganizace), při kterém síť hledá ve vstupních datech určité vzorky se společnými vlastnostmi. Základním principem jejich funkce je shluková analýza, tj. schopnost učícího algoritmu nalézt určité vlastnosti a závislosti přímo v předkládaných trénovacích datech bez přítomnosti nějaké další vnější informace, jako je tomu v případě učení s učitelem.

  2. Aktivní (vybavovací) fáze.

    V aktivní fázi neuronová síť pracuje podle naučeného algoritmu (část I) pro nová předložená vstupní data. Po jejich předložení ve vstupní vrstvě sítě vznikne nerovnovážný stav. Vlivem ostatních neuronů se začnou v neuronech zapamatované hodnoty měnit až do dosažení rovnovážného - stabilního stavu. Na výstupech sítě pak bude odezva na předložený vstup.

    Tabulka 7.2.: Klasifikace některých typů neuronových sítí

    Učení Rekurentní Dopředné
    Bez učitele Hopfieldova síť - zpětnovazební symetrická neuronová síť s binárními neurony.
    ART - adaptivní rezonanční teorie.
    Obousměrná asociativní paměť - dvouvrstvá síť s binárními neurony a symetrickým propojením (zobecnění Hopfieldovy sítě).     		Lineární asociativní paměť - lineárně pracující síť.
    Kohonenova síť - samoorganizující se síť.
    S učitelem Brain-state-in-a-box - zpětnovazební nelineární síť odvozená z Hopfieldovy sítě. Boltzmannův stroj - symetrická binární zpětnovazební síť se skrytou vrstvou.
    Neocognitron - speciální síť určená pro rozpoznávání znaků.
    Backpropagation - vícevrstvá síť z algoritmem zpětného šíření přepočtu chyby výstupní vrstvy do vrstev předchozích.
    Perceptron - jednoduchá síť bez skrytých vrstev.
    Adaline/Madaline - síť perceptronovského typu s binárními neurony / rozšířená síť Adaline o jednu skrytou vrstvu.
    LVQ (Learning Vector Quantization) - modifikace Kohonenovy sítě s učitelem.

Neuronové sítě lze také dělit na dopředné-nerekurentní (transformace vstupního vektoru na výstupní je nezávislá na kontextu, kdy stejný vstupní stimul dává vždy stejnou odezvu sítě) a rekurentní (odezva sítě není dána pouze aktuálním vstupním stimulem, ale odráží i vliv stimulů, které aktuálnímu předcházely - do sítě se tak implementuje i časový kontext prostřednictvím rekurentních neuronů). V dopředné síti je jednoznačně definován informační tok - neexistují spoje mezi neurony z vyšších vrstev zpět do vrstev nižších ani spoje mezi neurony v téže vrstvě. Klasifikace některých typů neuronových sítí z hlediska informačního toku a metod učení jsou uvedeny v tabulce 7.2.

Umělé neuronové sítě jsou univerzální, neboť jsou schopny provádět nad vstupními daty libovolnou transformaci. Jsou také robustní, neboť obsahují velké množství uzlů (neuronů) a spojení (synapsí) mezi nimi a také informace jsou rozprostřeny v celé síti. Mají rovněž schopnost generalizace a abstrakce, tj. schopnost stejně reagovat na jistou množinu vstupních dat, nejen jen na prvky z trénovací množiny.

Podobně jako u expertních systémů existuje řada komerčních neuronových systémů, např. NEURON-LINE, NEURAL NETWORK TOOLBOX (MATLAB), NEUCOP, NEUREX, NEURAL WORKS PROFESSIONAL aj.

Obr. 7.8: Hopfieldova neuronová síť (Cejnar 2003)

7.3.2 Oblasti využití umělých neuronových sítí

V současné době se neustále rozšiřuje uplatnění umělých neuronových sítí k řešení problémů, které byly obtížně řešitelné klasickými algoritmy. Mezi veliké výhody neuronových sítí patří jejich schopnost učit se a tím se co nejlépe adaptovat k řešení určitého problému. Rozvoj je i patrný v oblasti tvorby softwaru, kdy do známých velkých komerčních programů (např. GIS, v expertních systémech) jsou implementovány moduly neuronových sítí, které lze využít v mnoha praktických úlohách. Základní aplikační oblasti neuronových sítí podle Šnorka a Jiřiny (1998) jsou:

  1. Predikce.
    Předpovídání výstupní hodnoty jisté veličiny na základě jejího průběhu v minulosti.
  2. Rozpoznávání (klasifikace - třídění).
    Rozhodování na základě vstupního vektoru o tom, do které kategorie zařadit předmět popsaný tímto vektorem.
  3. Asociace.
    Umělá neuronová síť se učí na bezchybných datech a klasifikuje data poškozená.
  4. Filtrace.
    Vyhlazuje průběh vstupního signálu. Cílem filtrace je získání úplného, šumem nezatíženého (nezkresleného) výstupního signálu ze signálu vstupního.
  5. Optimalizace.
    Nalezení optimální hodnoty nějaké proměnné, např. minimalizace délky cesty.

Expertní systémy využívající neuronové sítě, se dělí do dvou skupin (Šnorek, Jiřina 1998):

7.4 Expertní a neuronové systémy vyvinuté pro geovědní obory

Pro geovědní obory byla vyvinuta celá řada expertních a neuronových systémů různého typu. Jako příklad lze uvést následující:

7.4.1 Konsultační systém Prospector

byl vyvinut SRI International pro podporu rozhodování a zaměření ložiskového průzkumu (Duda et al. 1978, Duda 1980) a následně modifikován a rozšířen U.S.G.S. (McCammon 1989). PROSPECTOR je expertní systém určený pro podporu vyhledávání skrytých rudních ložisek. Systém se skládá ze souboru pravidel, které vedou řešitele pomocí série dotazů k závěru o perspektivnosti výskytu skryté ložiskové akumulace určitého typu v hodnocené oblasti. Systém porovnává všechna pozorování s ložiskovými modely uloženými v bázi znalostí a zaznamenává podobnosti, rozdíly a chybějící informace. Báze znalostí obsahuje prospekční modely vybraných ložiskových typů (sulfidická ložiska typu Kuroko, Cu porfyrová ložiska, Pb-Zn ložiska typu Mississippi Valley, uranová ložiska pískovcového typu atd.). Modely byly postupně doplňovány na více než dvě desítky typů. Znalosti jsou reprezentovány souborem pravidel v inferenční síti (obr. 7.9).

Obr. 7.9: Ćást inferenční sítě modelu uranových ložisek pískovcového typu v západních státech USA (McCammon 1989, upraveno)

Každé dedukční pravidlo má tvar
[IF (E) THEN (H) v míře (LS, LN),
kde E je tvrzení, H hypotéza, LS míra dostatečnosti a LN míra nutnosti (tyto míry vyjadřují "sílu" pravidla. Jakákoliv hypotéza je buď logickou kombinací dalších tvrzení, nebo je důsledkem jednoho nebo více dedukčních pravidel. Aposteriorní pravděpodobnosti O(H|E) jsou odvozeny násobením apriorních pravděpodobností podle Bayesova vztahu. Řešitel získává v rámci dialogu informaci pro ocenění surovinového potenciálu území. Nejúspěšnější aplikací tohoto systému byla predikce skrytého pokračování velkého Cu-Mo ložiska ve východním Washingtonu (Campbell et al. 1982).

7.4.2 Další expertní a neuronové systémy

Při vyhledávání skrytých ložisek je často vzít do úvahy morfologii, velikost a orientaci hledaných objektů. Singer a Drew (1976) proto vyvinuli metodu založenou na zóně vlivu a Bayesově statistice, která podporuje výběr cílových objektů popsaných jednou nebo více proměnnými a souborem pozorování (Singer, Kouda 1988). Systém využívá geometrickou pravděpodobnost a funkci normálního rozdělení hustoty pravděpodobnosti k integraci informací a zpracování mapy pravděpodobnosti existence cílových objektů. Tento systém byl testován na ložisku typu Kuroko. Pro prospekci epitermálních Au-Ag žilných ložisek na jihozápadě ostrova Kyushu v Japonsku byl použit systém FINDER (Singer, Kouda 1991).

Geologická služba USA rozpracovala znalostní expertní systém GEOPLAY, který umožňuje analyzovat na základě základních charakteristik (strukturní stavba, sedimentární výplň, stratigrafie atd.) vývoj sedimentárních pánví a ocenit geologické podmínky příznivé pro výskyt akumulací ropy a plynu. Systém pomáhá geologovi vymezit nadějné úseky a vytvořit průzkumné modely.

V posledních letech se soustředila pozornost na využití umělých neuronových sítí. Tyto sítě jsou podle Singera (2002) schopny řešit tři typy úloh a to stanovení nebo predikci funkcí, redukci šumu nebo rozpoznávání obrazů a klasifikační problémy.

Při studiu vzniku ložisek Au, Ag, Cu a dalších kovů v Andách použili Bougrain et al. (2002) jako základ vyhledávání nových ložisek mnohovrstevnou neuronovou síť s 25 vstupy (bylo hodnoceno 25 atributů, jako prostorová poloha, typ a stáří ložiskonosných hornin, vzdálenost od zlomových zón atd.). Brown et al. (2002) aplikovali při predikci ložisek zlata v bloku Yilgarn v oblasti Kalgoorlie (Západní Austrálie) neuronové sítě několika typů (perceptronovou, pravděpodobnostní, samoorganizující) s vestavěnou vrstvou s fuzzy hodnotami vazeb mezi akumulacemi zlata a horninami. Singer a Kouda (2002) testovali schopnost pravděpodobnostní neuronové sítě klasifikovat ložiska do typů na základě hmotnosti zásob a průměrných obsahů obsažených kovů. Pro interpretaci oblasti výskytu ložisek zlata typu Carlin v severní Nevadě byl použit expertní systém neuronového typu X-net (Henderson 1997). Rajkumar a Thompson (2002) použili hybridní neuronovou síť optimalizovanou genetickým algoritmem ke studiu hydrodynamických a srážkových poměrů a hodnocení kvality vody v oblasti zátoky San Francisca.

Jak už bylo uvedeno, dochází v současné době k integraci expertních systémů s geografickými informačními systémy. Např. U.S.G.S. v rámci programu ocenění možností výskytu energetických surovin v sedimentárních pánvích U.S.A. využívá GIS a ES integrované do znalostního GIS. Jako pilotní území pro tuto analýzu byla vybrána dobře prozkoumaná pánev San Juan v Novém Mexiku a Coloradu s 26 tisíci průzkumnými a těžebními vrty, která obsahuje významná ložiska ropy, zemního plynu, uhlí a uranu. Podobný systém uvádějí Smith et al. (1987). Integrované technologie GIS a ES U.S.G.S. také využívá pro výstavbu informačního systému o území (LIS). Sturdevant a Kleckner (1984) popisují projekt vývoje federálního surovinového informačního územního systému (FMLIS), další aplikace byly vyvinuty pro ložiska tekutých a plynných kaustobiolitů. S ohledem na značný stupeň neurčitosti byl pro potřeby vyhledávání ropy vyvinut expertní systém FEE Tool (Fuzzy Expert Exploration Tool - Broadhead et al. 2001), který vedle ocenění surovinového potenciálu hodnotí riziko vyhledávacích prací (obr.7.10).

Obr. 7.10: Schéma hybridního expertního systému FEE Tool (Broadhead et al. 2001)

Plymouthská mořská laboratoř ve Velké Británii vyvinula hybridní systém COAMES (Coastal Management Expert System) pro posuzování znečištění příbřežních oblastí např. ropnými skvrnami (Moore et al. 1996). V hybridní geografické databázi jsou uložena jednak rastrová data z dálkového průzkumu a modelování, jednak vektorová data pozorování ze stanic a plaveb. Objektově orientovaná znalostní databáze obsahuje expertní pravidla, která mohou být hierarchicky uspořádána, pomocná data a experty zpracované modely (obr.7.11).

Obr. 7.11: Schéma systému COAMES (Moore et al. 1996)