ĐẶT VẤN ĐỀ Nghiên cứu, xây dựng các hệ xử lý thông minh nói chung và các hệ chuyên gia nói riêng cho các ngành kinh tế, khoa học, kỹ thuật,… đã và đang đƣợc quan tâm trong các năm gần đây. Đặc biệt là xây dựng hệ chuyên gia, ứng dụng trong y học cổ truyền đang đƣợc đặt ra với mức độ cao đối với các nhà khoa học về công nghệ thông tin và các chuyên gia ngành y. Chúng ta biết rằng để đào tạo một bác sỹ phải mất một khoảng thời gian tƣơng đối dài (5 năm) nhƣng chỉ đƣợc có một ông bác sỹ thôi. Xây dựng một hệ chuyên gia cho ngành y sẽ rất khó nhƣng đổi lại hệ thống sẽ làm việc 24/24 trong một ngày và có thể nhân ra hàng vạn vạn phiên bản làm việc trên nhiều máy tính khác nhau.
Ứng dụng công nghệ thông tin cho các ngành kinh tế, xã hội đã và đang ngày càng cần thiết và hiệu quả cao. Đặc biệt là ứng dụng có hiệu quả trong quá trình nghiên cứu khám, chữa bệnh. Y học cổ truyền Việt Nam rất phong phú và đa dạng. Có rất nhiều gia đình chữa khỏi bệnh cho nhiều bệnh nhân theo phƣơng pháp gia truyền, chữa bệnh theo kinh nghiệm đƣợc tích tụ từ đời này qua đời khác là một phƣơng pháp truyền thống, lâu đời.
ý của thầy hƣớng dẫn em mạnh dạt đề tài tốt nghiệp cao học về “ xây dựng hệ chuyên gia cho chẩn đoán các chứng cam của trẻ em ” để có thể ứng dụng những thành tựu của công nghệ thông tin vào thực tế cuộc sống. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.vn/ 12 Chƣơng 1: Tổng quan trí tuệ nhân tạo 1. Tổng quan về các hệ thông minh AI là một bộ phận của khoa học máy tính liên quan đến việc thiết kế các hệ thống máy tính thông minh, nghĩa là các hệ thống thể hiện các đặc trƣng mà chúng ta thấy gắn với trí thông minh trong các hành vi của con ngƣời, nhƣ hiểu ngôn ngữ, học, suy luận, giải quyết vấn đề,… Những công cụ thuộc lĩnh vực Trí tuệ nhân tạo đƣợc xem nhƣ các hệ thống thông minh nhằm giúp giải quyết rất nhiều bài toán mà trƣớc đây đƣợc xem là quá khó, và giúp giải quyết nhiều bài toán theo cách hiệu quả hơn. Hệ chuyên gia 1.
Khái niệm: Hệ chuyên gia (HCG ) là một chƣơng trình ứng dụng (CTƢD) khai thác cơ sở tri thức (CSTT) thu nạp từ nguồn tri thức chuyên môn dựa trên việc sử dụng cơ chế suy diễn để giải quyết các bài toán tƣ vấn KHÓ đạt trình độ cỡ nhƣ một CHUYÊN GIA LÂU NĂM LÀNH NGHỀ Một chƣơng trình ứng dụng đƣợc xây dựng dựa trên CSTT và (MTSD) mô tơ suy diễn. Trong đó CSTT đƣợc lấy từ nguồn tri thức. Có hai loại là xin ý kiến từ các chuyên gia trong lĩnh vực đó, cũng có thể lấy theo cách thứ hai đó là tổng hợp từ các tài liệu chuyên môn. Còn MTSD phụ thuộc vào ngƣời dùng do ngƣời dùng đƣa ra.
Xây dựng hệ chuyên gia Xây dựng hệ chuyên gia dự đoán tƣơng đƣơng với việc đƣa các tri thức dự đoán vào trong máy tính. Việc này bao gồm các bƣớc: Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.vn/ 13 + Biểu diễn tri thức dự đoán vào trong máy tính + Sử dụng các tri thức vào trong dự đoán Chúng ta có thể viết một chƣơng trình máy tính bình thƣờng với các thao tác dòng lệnh để thực hiện chức năng trên, nhƣng hạn chế của một chƣơng trình bình thƣờng là khó thay đổi, bổ xung các tri thức mới. Vì vậy ở đây sẽ xây dựng một hệ chuyên gia dự đoán trên nền tảng là một hệ cơ sở tri thức, chính xác hơn là một cơ sở tri thức dựa vào luật. Với cách này có sự kết hợp và nỗ lực giũa các chuyên gia, các kĩ sƣ tri thức và các lập trình viên.
Họ làm việc cùng nhau và kết quả là xây dựng một hệ chuyên gia. Những thành phần cơ bản của hệ chuyên gia - Cơ sở tri thức ( KB): Gồm các phần tử (hay đơn vị) tri thức, thông thƣờng đƣợc gọi là luật (rule), đƣợc tổ chức nhƣ một cơ sở dữ liệu. - Máy duy diễn (inference engine): Công cụ (chƣơng trình, hay bộ xử lý) tạo ra sự suy luận bằng cách quyết định xem những luật nào sẽ làm thỏa mãn các sự kiện, các đối tƣợng. , chọn ƣu tiên các luật thỏa mãn, thực hiện các luật có tính ƣu tiên cao nhất.
- Bộ nhớ làm việc (working memory): Cơ sở dữ liệu toàn cục chứa các sự kiện phục vụ cho các luật. - Khả năng giải thích (explanation facility): Giải nghĩa cách lập luận của hệ thống cho ngƣời sử dụng. - Giao diện người sử dụng (user interface): Là nơi ngƣời sử dụng và hệ chuyên gia trao đổi với nhau. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.
Hệ hỗ trợ ra quyết định 1. Khái niệm: Vào thập niên 1970, Scott Morton đƣa ra những khái niệm đầu tiên về Hệ hỗ trợ ra quyết định (Decision Support System – DSS). Ông định nghĩa DSS nhƣ là hệ thống máy tính tƣơng tác nhằm giúp những ngƣời sử dụng dữ liệu và mô hình để giải quyết các vấn đề không cấu trúc. Các thành phần của hệ thống hỗ trợ ra quyết định: - Data management subsystem: Gồm một cơ sở dữ liệu (database) chứa các dữ liệu cần thiết của tình huống và đƣợc quản lý bởi một hệ quản trị cơ sở dữ liệu (DBMS – data base management system).
Phần hệ này có thể đƣợc kết nối với nhà kho dữ liệu (data warehouse)- là kho chứa dữ liệu có liên đới đến vấn đề ra quyết định. - Model management subsystem: Còn đƣợc gọi là hệ quản trị cơ sở mô hình (MBMS – model base management system) là gói phần mềm gồm các thành phần về thống kê, tài chính, khoa học quản lý hay các phƣơng pháp định lƣợng nhằm trang bị cho hệ thống năng lực phân tích, các ngôn ngữ mô hình hóa. Thành phần này có thể kết nối với các kho chứa mô hình của tổ chức. - User interface subsystem: Giúp ngƣời sử dụng giao tiếp và ra lệnh cho hệ thống.
Hệ điều khiển thông minh Thuật ngữ “điều khiển thông minh” đã đƣợc giới thiệu trong khoảng hơn ba thập niên trở lại đây với các phƣơng pháp điều khiển có mục tiêu tham vọng hơn so với các hệ thống truyền thống. Hệ thống điều khiển thông minh có thể điều Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.vn/ 15 khiển một cách tự chủ các hệ thống phức tạp, các quá trình sẽ đƣợc tự động quyết định về mục tiêu điều khiển phù hợp. Hệ thống này còn hoạt động đƣợc khi hệ thống có sự thay đổi về tham số hay môi trƣờng điều khiển, thông qua quá trình học từ kinh nghiệm, tiếp thu và tổ chức kiến thức về môi trƣờng xung quanh và hành vi sắp tới của hệ thống. Trong một số trƣờng hợp các kỹ thuật này đã thực sự đóng góp cho hệ thống một số khả năng thông minh, còn các trƣờng hợp khác thì chỉ đơn thuần là phƣơng tiện biểu diễn các luật điều khiển phi tuyến, mô hình của quá trình điều khiển hay các yếu tố bất định.
Trƣờng hợp sau tuy không đóng góp một cách rõ ràng vào mức độ thông minh của hệ thống, nhƣng các phƣơng pháp trên vẫn rất hữu ích. Chúng đã làm phong phú hõa lĩnh vực điều khiển thông qua các sơ đồ biểu diễn khác nhằm có đƣợc các thông tin đặc thù từ đối tƣợng điều khiển mà các phƣơng pháp truyền thống không thể có đƣợc trên cơ sở của hệ phƣơng trình vi phân và sai phân 1.1 Khái niệm Trong nhiều tình huống, tri thức là không có sẵn. Phần lớn ngƣời lập trình không có đủ kiến thức thuộc về lĩnh vực chuyên môn của phần mềm nên không biết cách mô tả các luật trong từng lĩnh vực cụ thể. Do thiếu tri thức nên bài toán không đƣợc biểu diễn tƣờng minh theo luật, sự kiện hay các quan hệ.
Vì vậy cần xây dựng các hệ thống học có khả năng thu nhận kiến thức từ các chuyên gia và học tập từ các ví dụ do chuyên gia cung cấp. Máy học (Machine Learning) là các hệ chƣơng trình có khả năng thực thi công việc dựa trên kinh nghiệm, tự khám phá tri thức bằng các cấu trúc dữ liệu Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.vn/ 16 và thuật giải đặc biệt. Có hai tiếp cận cho hệ thống học là học từ ký hiệu và học từ dữ liệu số. Học từ ký hiệu bao gồm việc hình thức hóa, sửa chữa các luật tƣờng minh, sự kiện và các quan hệ.
Học từ dữ liệu số áp dụng cho các hệ thống sử dụng các mô hình có liên quan đến các kỹ thuật tối ƣu các tham số. Các hệ học có ƣu điểm: Xử lý dữ liệu với khối lƣợng lớn. Hỗ trợ các kỹ thuật phân tích, xử lý, trích chọn và chi tiết hóa dữ liệu Các hệ học có hai giai đoạn cơ bản: học dữ liệu và xử lý dữ liệu. Học dữ liệu là quá trình phân tích và tìm ra những điểm tƣơng đồng trong dữ liệu để sản sinh luật.
Giai đoạn xử lý ƣớc lƣợng đặc tính dữ liệu mới dựa trên luật đã đƣợc phát sinh ở giai đoạn học. Có thể chia các quá trình học thành hai dạng chính: học có giám sát (suppervised learning) và học không giám sát (unsuppervised learning). Học giám sát Quá trình học giám sát đƣợc tiến hành trên một tập dữ liệu mẫu với giá trị đƣợc phân loại (gán nhãn) sẵn. Tập dữ liệu luyện gồm: S = {xi, cj | i = 1,…, M; j = 1,…, C} Trong đó xi là vectơ n chiều (gọi là đặc trƣng của dữ liệu) cj là số lớp biết trƣớc.
Thuật toán học sẽ tìm kiếm trên không gian giả thuyết giải pháp tốt nhất cho ánh xạ f với c = f(x). Kết quả tìm đƣợc phản ánh đặc trƣng của mẫu dữ liệu. Các thuật toán học tìm cách phát sinh một tập giả thuyết bằng cách tìm ra các đặc trƣng và giá trị tƣơng ứng với mẫu dữ liệu của mỗi lớp. Sau đó áp dụng các tập giả thuyết tìm đƣợc để phân loại (classification) các mẫu dữ liệu mới vào các lớp tƣơng ứng.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www. Học không giám sát Thay vì có mục tiêu tƣờng minh, hệ tìm kiếm quy luật hình thành các mẫu và khám phá mối quan hệ của dữ liệu. Các bài toán gom cụm dữ liệu (clustering) đều thuộc dạng này. Trong mô hình học có giám sát, số các lớp là biết trƣớc.
