Berurusan dengan Ketidakpastian

Salah satu kemampuan yang paling penting dari seorang ahli manusia dan salah satu yang paling sulit
untuk setia meniru dalam ES, adalah kemampuan untuk secara efektif menangani informasi yang
tidak tepat, tidak lengkap, dan kadang-kadang tidak pasti.
Ada berbagai jenis ketidakpastian yang umum di domain ahli:
1. Pengetahuan pasti.
Sering ahli hanya akan memiliki pengetahuan heuristik mengenai beberapa aspek dari
domain. Sebagai contoh, ahli mungkin hanya tahu bahwa satu set tertentu dari bukti mungkin
menyiratkan kesimpulan tertentu.
2. Data pasti.
Bahkan ketika kami yakin pengetahuan domain, mungkin masih ada ketidakpastian dalam
data yang menggambarkan lingkungan eksternal. Misalnya, ketika mencoba untuk
menyimpulkan penyebab dari efek yang diamati, kita mungkin harus mengandalkan hasil tes
dipertanyakan.
3. Informasi yang tidak lengkap.
Hal ini sering diperlukan untuk membuat keputusan berdasarkan informasi yang tidak
lengkap. Hal ini dapat terjadi karena beberapa alasan. Sebagai contoh, kita harus membuat
keputusan seperti dalam proses pengolahan informasi secara bertahap diperoleh.
4. Keserampangan.
Beberapa domain secara inheren acak; meskipun pengetahuan dan informasi yang tersedia
lengkap dan pengetahuan yang pasti, domain masih memiliki sifat stokastik.
ES menggunakan teknologi saat ini tidak mampu menangani ketidakpastian seefektif rekan-rekan
manusia mereka, dan hal ini tetap menjadi topik penelitian yang penting. Bagian berikut menjelaskan
beberapa metode untuk menangani ketidakpastian. Meskipun, seperti disebutkan di atas, metode ini
akan tidak sepenuhnya menduplikasi kemampuan manusia, masing-masing telah terbukti berguna
dalam pengembangan sistem yang sebenarnya.
6.1 Penalaran Berdasarkan Informasi Partial
Sistem penalaran berdasarkan logika predikat (seperti yang dijelaskan dalam Bab. 3) secara
konseptual elegan dan intelektual menarik karena mereka tepat dan ketat. Dengan menggunakan
logika formal, kebenaran dapat diberikan atau diturunkan dengan jaminan yang sama. Setelah
didirikan, kebenaran selalu benar. Selain itu, kebenaran berasal tidak akan pernah menghasilkan suatu
kontradiksi, mengingat bahwa tidak ada kontradiksi ada dalam aksioma.

Karena karakteristik ini, logika predikat adalah sistem penalaran monoton. "Monoton," yang berarti
"bergerak dalam satu arah saja," digunakan dalam menggambarkan sistem logika predikat untuk
menyampaikan gagasan proses penalaran yang bergerak dalam satu arah saja-yang terus-menerus
menambahkan kebenaran tambahan.
PRINSIP 6.1: Dalam sistem penalaran monoton jumlah fakta-fakta yang dikenal untuk menjadi
kenyataan pada waktu tertentu selalu meningkat, tidak pernah menurun.
Sayangnya, meskipun mereka memberikan dasar untuk konsisten, inferensi terpercaya, karakteristik
ini juga membatasi sejauh mana sistem logika murni dapat diterapkan di dunia nyata. Seperti yang
diperkenalkan di Sec. 6.1, proses penalaran yang akan diterapkan praktis, masalah yang tidak
terstruktur harus mengakui setidaknya berikut:

Informasi yang tersedia sering tidak lengkap, setidaknya pada setiap titik keputusan yang
diberikan.

Kondisi berubah dari waktu ke waktu.

sering Ada kebutuhan untuk membuat efisien, tetapi mungkin incorr dll, rasa ketika penalaran
mencapai jalan buntu.

6.2 Penalaran nonmonotonic

Dalam berurusan dengan kesulitan-kesulitan ini, pemecah masalah manusia sering menambah
kebenaran mutlak dengan keyakinan yang dapat berubah informasi lebih lanjut yang diberikan subjek.
Keyakinan tentatif umumnya didasarkan pada asumsi default yang dibuat dalam terang kurangnya
bukti ke tem- cont. Sebagai contoh, meskipun keputusan untuk naik pesawat komersial sangat
penting, ketika kita benar-benar membuat keputusan, kita mungkin akan menganggap bahwa pilot
kompeten dan bahwa pesawat laik, kecuali ada sesuatu yang menunjukkan sebaliknya. Sebuah sistem
penalaran nonmonotonic (NMRs) didasarkan pada konsep ini.
PRINSIP 6.2: Sebuah sistem penalaran nonmonotonic melacak satu set tenda keyakinan ative dan
merevisi keyakinan ketika pengetahuan baru diamati atau diturunkan.
Sebuah NMRs biasanya mencakup seperangkat tempat yang dianggap immutably benar (analog ke
aksioma dalam sistem logika predikat). Selain tempat, sistem menyimpan koleksi keyakinan tentatif:
potongan pengetahuan yang secara eksplisit diakui menjadi kuat ially tidak benar karena mereka baik
asumsi atau keyakinan disimpulkan dari asumsi. Untuk setiap keyakinan tentatif sistem
mempertahankan rekor ketergantungan yang melacak keyakinan vs pembenaran: fakta, keyakinan,
dan kesimpulan yang digunakan untuk menghasilkan keyakinan tentatif,

Contoh 6.1 Perhatikan situasi agak dibikin berikut: Seorang wanita yang belum pernah keluar dari
Amerika Serikat terbangun dari ketidaksadaran pada bank sepi dari sungai yang sangat besar di
wilayah asing. Dia ingat (entah bagaimana) hanya itu dia dekat sebuah kota besar dan bahwa kota ini
di mulut sungai, Meskipun gelap, dia bisa merasakan bahwa daerah sekitarnya nya hangat, lembab,
dan tropis.
Mengingat bahwa ia dapat mengingat fakta-fakta di bawah ini (dari studi masa lalu 'geografi dunia)
dan bahwa dia mengasumsikan 8HE adalah di Amerika Serikat (mengingat kurangnya bukti
sebaliknya), menggambarkan seperangkat keyakinan dan pembenaran terkait bahwa dia akan
mungkin berkembang.
Tact 1 Langit biru.
Fact 37 Sungai AmazonSebuah arus dari barat ke timur
B bermuara di Samudra Atlantik Selatan
C berakhir pada Almirim, Brasil
Tact 38 Sebagian besar daerah dekat muara Amazon hangat, lembab, dan
tropis,
Fact 39 Mulut Nil di Mesir.
Tact 40 Sungai ColumbiaSebuah arus dari timur ke barat
B bermuara ke Samudera Pasifik
C berakhir di Astoria, Oregon
Fact 41 Sungai NilSebuah arus dari selatan ke utara
B bermuara di Laut Mediterania
C berakhir di Kairo, Mesir
Fact 42 Sebagian besar daerah dekat muara sungai Nil adalah panas dan kering
dengan vegetasi jarang.
Fact 43 Bahasa mendominasi di Amerika Serikat adalah bahasa Inggris.
Fact 44 Sungai MississippiSebuah arus dari utara ke selatan
B bermuara di Teluk Meksiko
C berakhir di New Orleans. Louisiana
Fact 45 Bahasa dominan di Brazil Portugis.
Fact 46 Sungai Columbia di Amerika Serikat.
Fact 47 Sungai Mississippi adalah di Amerika Serikat.
Fact 48 Bahasa dominan di Mesir adalah bahasa Arab.
Fact 49 Sebagian besar daerah sekitar mulut sungai Columbia
dingin, lembab, dan termasuk konifer besar.

Fact 50 Amazon adalah sungai di Brasil.

Fact 51 Sebagian besar daerah sekitar mulut Mississippi
Sungai hangat, lembab, dan tropis.
Fact N Ini gelap setelah matahari terbenam.
Dengan informasi di atas, wanita itu bisa, menggunakan keyakinan berikut, cukup cukup
menyimpulkan bahwa dia bepergian selatan, menuju New Orleans dan Teluk Meksiko:
Jumlah
Keyakinan
6
5

Keyakinan

Pembenaran

Bepergian ke Selatan

Fact 44A dan belief 3

Bepergian menuju Teluk

Fact 44B dan belief 3

Meksiko
4

Bepergian ke New Orleans

Fact 44C dan belief 3

Sungai Mississippi adalah

Fact 47, fact 51, belief 2, dan

belief 1

Daerah sekitarnya yang hangat,

Pengamatan External

lembab, dan tropis

Asumsi berdasarkan kurangnya
1

Daerah ini di Amerika Serikat

informasi yang bertentangan

Karena sebuah NMRs mencakup pengetahuan tentatif, adalah mungkin untuk menambahkan sepotong
pengetahuan baru yang akan menyebabkan kebenaran tentatif yang diyakini sebelumnya menjadi
palsu.
PRINSIP 6.3: Ketika keyakinan dalam NMRs direvisi, maka setiap keyakinan yang beristirahat di
atasnya, langsung atau tidak langsung, juga harus direvisi.
Bagian revisi keyakinan dari NMRs menyebar pengaruh dari setiap perubahan dalam keyakinan
melalui penggunaan dependensi diarahkan backtracking.
Contoh 6.2: Mengingat situasi dari contoh 6.1, apa keyakinan revisi akan terjadi sebagai akibat dari
menemukan beberapa pemberitahuan publik wanita ditulis dalam Bahasa Portugis?
Setelah mengamati tanda seperti itu, wanita itu akan dipaksa untuk menggantikan asumsi bahwa dia
adalah di Amerika Serikat dengan keyakinan bahwa dia di Brasil. Efek Cascading perubahan ini
diilustrasikan oleh set berikut keyakinan direvisi:

Jumlah

Keyakinan

Pembenaran

Keyakinan
6

bepergian timur

Fact 37A dan belief 3

Bepergian ke Atlantik Selatan

Fact 37B adan belief 3

Bepergian ke Almirim, Brasil

Fact 37C dan belief 3

Sungai Amazon

Fact 38, fact 50, belief 2,dan

belief 1

Daerah sekitarnya hangat,

Pengamatan eksternal

lembab, tropis Daerah ini di

Brasil

Fact 45

Kesimpulan nya, yang berubah secara radikal sebagai hasil dari menambahkan sepotong kecil
pengetahuan, sekarang bahwa dia menuju ke timur di Amazon menuju Almirim dan Samudra Atlantik
Selatan.
PRINSIP 6.4: Penambahan sepotong kecil pengetahuan baru dapat menghasilkan banyak revisi
keyakinan.
Peningkatan kekuatan dan fleksibilitas dari penalaran standar membuat NMRs sangat berguna untuk
domain pemecahan masalah, seperti perencanaan; dan desain, yang membutuhkan sejumlah besar
asumsi tentatif berdasarkan informasi parsial, peningkatan kegunaan ini tidak, bagaimanapun, tanpa
biaya. Secara khusus, sebuah NMRs dapat memerlukan sejumlah besar memori untuk menyimpan
informasi dependensi dan sejumlah besar waktu proses untuk menyebarkan perubahan keyakinan.
Untuk informasi tambahan mengenai penalaran nonmonotonic, Lihat D. McDermott, 1980, Winograd,
1980, dan Davis, 1980.
6.3 Pemeliharaan Sistem Kebenaran
Pemeliharaan Sistem Kebenaran (TMS) merupakan implementasi dari sebuah NMRs [Doyle, 1979a
dan 1979b]. TMS beroperasi sebagai sistem manajemen basis pengetahuan dan disebut setiap kali
sistem penalaran menghasilkan nilai kebenaran baru. TMS, menggunakan revisi keyakinan,
mengambil tindakan apapun yang diperlukan untuk memodifikasi keyakinan tergantung untuk
menjaga konsistensi dalam basis pengetahuan. Peran TMS adalah murni pasif; tidak pernah memulai
generasi kesimpulan.
Dalam TMS node merupakan satu unit pengetahuan: fakta, aturan, menegaskan ion, dll Pada setiap
titik di eksekusi, setiap node di salah satu dari dua kondisi:
IN Saat ini diyakini benar.

OUT Saat diyakini palsu. Sebuah node dapat OUT karena tidak ada kondisi yang mungkin yang akan
membuatnya benar atau karena kondisi yang diperlukan untuk membuatnya benar saat ini tidak DI.
Daftar dukungan pembenaran.
Terkait dengan setiap node yang pembenaran untuk nilai kebenaran node. (Kami akan menganggap
satu pembenaran per node untuk mudahnya.) Untuk setiap simpul yang DI, TMS mencatat dukungan
beralasan: bukti validitas node, mulai dari fakta sistem dan pembenaran.
Bentuk paling sederhana dari pembenaran adalah daftar dukungan (SL), yang memiliki bentuk
berikut:
[SL (in_nodes) (out_nodes)]
mana (in_nodes) :: = daftar semua node yang harus DI untuk node ini untuk menjadi kenyataan
(out_nodes) :: = daftar semua node yang harus OUT untuk node ini untuk menjadi
kenyataan
Contoh 6.3 Mengembangkan set node, dan terkait pembenaran SL, sebagai berikut:
1. Hal ini cerah.
2. Ini adalah siang hari.
3. Hal ini hujan.
4. Ini hangat.
Nomor Node

Pengetahuan

Hari cerah.

Ini adalah siang hari.

Sedang hujan.

Ini hangat.

Justifikasi
[SL (2) (3))
[SLOOI
[SL(1)]
(SL(1)(3))

Isi dari daftar IN dan OUT setiap saat menggambarkan sebuah snapshot dari keyakinan sistem.
Sebagai pelaksanaan sistem hasil, isi dari masing-masing daftar ini berubah oleh TMS untuk
memastikan konsistensi.
Contoh 6.4 Mengingat node dan pembenaran dari contoh 6.3 dan foll karena IN dan OUT daftar:
DI 1,2,4
OUT3

Apa efIect dari sistem penalaran lewat untuk TMS berikut: "Ini hujan."?
Isi dari daftar IN dan OUT akan menjadi:
IN 3,2

OUT 1, 4
Beberapa jenis node dapat dibenarkan dengan daftar dukungan.
Beberapa jenis node dapat dibenarkan dengan daftar dukungan.
Premis. Sebuah premis adalah fakta yang selalu berlaku. Bagian in_list dan out_list dari SL untuk
premis akan selalu kosong. Mengingat bahwa kita mengabaikan waktu hari, simpul 2 dalam Contoh
6.3 adalah sebuah premis.
Pemotongan normal. Pengurangan normal adalah kesimpulan yang terbentuk dalam arti normal dari
sistem monoton. Bagian out_list dari SL untuk pengurang yang normal akan selalu kosong;
kepercayaan pengurangan mengikuti dari keyakinan dalam node yang tercantum di bagian daftar in_
dari SL. Contoh 6.3 dapat diperluas untuk mencakup keyakinan, "Ini adalah Basah," dengan SL dari
[SL (3) () saya yang akan menjadi contoh pengurang normal.
Anggapan. Asumsi adalah keyakinan yang didukung oleh kurangnya informasi yang bertentangan.
Bagian out_list dari SL untuk umption keledai tidak akan pernah kosong. Node yang ada di in_list
dapat dilihat sebagai alasan untuk membuat asumsi, dan node pada out_list adalah node yang
kehadirannya akan memberikan informasi yang bertentangan yang akan membatalkan asumsi.
Asumsi memberikan dasar bagi penalaran default di TMS. Node 1 pada Contoh 6.3 adalah contoh dari
asumsi, pembenaran Its dapat diartikan sebagai, "Asumsikan bahwa itu cerah mengingat bahwa itu
adalah siang hari dan tidak ada yang menunjukkan bahwa hujan."
Pembenaran bukti bersyarat
Sebuah bukti bersyarat (CP) adalah jenis kedua pembenaran yang digunakan untuk mendukung
penalaran hipotetis. Format CP adalah:
{CP (konsekuen) (in_hypothesis)]
(A CP juga termasuk sebuah entri out_hypothesis, tapi hampir selalu kosong dan diabaikan dalam
diskusi ini.) Sebuah CP pembenaran berlaku jika dan hanya jika node konsekuen adalah IN kapan
semua node pada in_hypothesis adalah IN. Kegunaan pembenaran seperti digambarkan dalam bagian
berikut.
Ketergantungan diarahkan backtracking di TMS
Ketika TMS menemukan inkonsistensi di set saat keyakinan, sebagai hasil dari pembenaran baru
ditambahkan, itu memanggil ketergantungan diarahkan mundur untuk mengembalikan konsistensi.
Kegiatan backtracking ini didasarkan pada prinsip berikut:
PRNCIPLE 6.5: Kontradiksi dalam satu set keyakinan terjadi sebagai akibat dari asumsi yang salah.
Untuk mengembalikan konsistensi, TMS harus menarik kembali kepercayaan dalam satu atau lebih

asumsi. Proses ini terdiri dari:

1. Sebuah node ditandai sebagai kontradiksi ketika ditemukan keyakinan bahwa di dalamnya
menyebabkan inkonsistensi. Dukungan baik-didirikan pada kontradiksi tidak dapat diterima, dan,
karena itu, harus terus mundur sampai kontradiksi menjadi OUT.
2. Backtracker Jejak mundur melalui supp ort beralasan untuk kontradiksi, mencoba untuk
menemukan penyebabnya.
Karena semua pemotongan normal benar, penyebab inkonsistensi harus asumsi buruk, dan, oleh
karena itu, Backtracker terlihat hanya untuk asumsi tersebut. Hasil dari kegiatan ini adalah akumulasi
dari himpunan tersangka
S = {A1, A2, A3 ,. .A4}
asumsi dalam mendukung beralasan untuk kontradiksi.
3. Backtracker menciptakan node baru, nogood, yang menunjukkan bahwa Sa tidak konsisten
[misalnya, mewakili kenyataan
~ (A1 ^ ^ A2 A3 ^ ... ..An)]
S, yang kemudian disebut nogood-set.
Pembenaran untuk node nogood umumnya diwakili dengan menggunakan formulir CP:
simpul # nogood [CP (kontradiksi) (Sa) I
Kita tahu bahwa "nogood" harus IN karena, jika semua node di nogood-set Sa yang bersamaan DI,
maka node kontradiksi juga akan DI. Ini menyimpan hubungan antara asumsi dan kontradiksi.
(Penggunaan istilah "Kondisi bukti" untuk bentuk pembenaran sesuai dengan penggunaan ini.
Kebenaran dari node nogood tersirat sebagai hasil dari jenis tertentu dari bukti-teknik yang disebut
bersyarat bukti-kontradiksi dari nogood- yang set [KLENK, 1983].)
4. Backtracker menggunakan informasi dari nogood-set untuk mengidentifikasi asumsi yang harus
ditarik kembali untuk menyelesaikan inkonsistensi dan menghapus kontradiksi tersebut.
Contoh 6.5 Dengan asumsi bahwa setiap fakta dari contoh 6.1 kini direpresentasikan sebagai node
premis (di mana nomor node node ditampilkan dalam daftar ini sesuai dengan angka sebenarnya dari
contoh 6.2), set berikut keyakinan yang IN-selain node 37 untuk 51 (yang tempat):

Nomor Node
6

Pengetahuan
bepergian Selatan

Justifikasi

Bepergian menuju Teluk Meksiko

Bepergian ke New Orleans

Sungai Mississippi adalah

Daerah sekitarnya hangat,

[SL (3 , 44A) () I
[SL (3 ,44B) () J
[SL (3 ,44C) )
[SL (26,2,47,51) ())

lembab, dan tropis

26
21

Daerah ini di Amerika Serikat

Bahasa dominan adalah

[SL (21) ()]

[SL (1(20, 22)]

Node berikut OUT:

24 Daerah ini di Brasil.
25 Daerah ini di Mesir.
20 Bahasa dominan adalah Portugis.
21 Bahasa dominan adalah bahasa Arab.
Setelah pengamatan tanda-tanda Portugis terjadi, kontradiksi akhirnya diamati dan node kontradiksi
ditambahkan:
50 kontradiksi-i [SL (26, 24) () I
Backtracking dipanggil sebagai hasil dari pengakuan kontradiksi. Backtracker terlihat mundur melalui
supp ort beralasan untuk simpul 50 untuk mencari asumsi yang dapat menyebabkan inkonsistensi.
Backtracker menciptakan sebuah node, nogood-1, dengan menggunakan CP pembenaran untuk
mewakili asumsi tidak konsisten:
56 nogood-1 [CP 55 (21,20)]
Node ini dapat diartikan sebagai, "Kontradiksi disebut hasil-kontradiksi i dari asumsi simpul 21."
Untuk menghapus asumsi, yang Backtracker harus bergerak node (dari daftar dari asumsi) E_) OUT
ke IN. Setelah langkah ini terjadi, asumsi yang salah akan dipaksa keluar. Setiap node yang
tergantung pada asumsi yang salah juga akan dipaksa OUT. Dalam hal ini semua daftar IN akan
dihapus (kecuali untuk node 20 dan 2 dan tempat), dan baru IN daftar akan dihasilkan. Charniak 1979,
Martins, 1984, dan Petrie, 1985.) Untuk sejarah perkembangan seperti melihat Doyle, 1980.
6.4 Penalaran Berdasarkan Probabilitas
Teknik teori probabilitas telah banyak digunakan di berbagai disiplin ilmu yang berbeda dalam upaya
untuk mengukur ketidakpastian. Daya tarik probabilitas didasarkan sebagian pada fakta bahwa ia
memiliki dasar matematika kokoh didirikan; teknik untuk menggunakan probabilitas secara luas
dipublikasikan.

P (E) adalah probabilitas bahwa suatu peristiwa E akan terjadi; itu merupakan kuantifikasi
kemungkinan kejadian ini. Dalam kebanyakan kasus nilai P (E) didirikan oleh analisis statistik
(misalnya, mengukur frekuensi terjadinya E dalam serangkaian acak tes).
Probabilitas memiliki nilai dari 0 ke 1, di mana 1 mewakili pengetahuan mutlak E dan 0 mewakili
pengetahuan mutlak bahwa E tidak akan terjadi. Ketika suatu peristiwa yang dianggap memiliki
beberapa hasil yang mungkin (misalnya, bergulir sepasang dadu) probabilitas dikaitkan dengan setiap
hasil. Jumlah dari probabilitas untuk semua hasil yang mungkin untuk sebuah acara harus sama 1.
Probabilitas obyektif adalah probabilitas yang diukur dengan menggunakan teknik rasio frekuensi
yang dijelaskan di atas. Sayangnya, di kebanyakan ES domain tidak mungkin untuk melakukan
pengukuran tersebut. Hal ini jauh lebih umum untuk mencoba untuk mengumpulkan perkiraan nilai
probabilitas, disebut probabilitas subjektif, dengan mewawancarai para ahli.
Ada beberapa masalah yang membuat sulit untuk menggunakan probabilitas untuk menangani
ketidakpastian dalam ES. Sebagai contoh, meskipun seseorang adalah seorang ahli dalam domain, itu
masih sangat sulit bagi orang untuk secara akurat memperkirakan probabilitas.
Karena tindakan sistem pakar biasanya hasil dari piecing bersama banyak fragmen pengetahuan yang
berbeda, masing-masing dengan karakteristik yang berbeda probabilitas, kita harus mampu
menggabungkan probabilitas. Nilai probabilitas dapat dikombinasikan dengan menggunakan banyak
teknik didirikan. Sebagai contoh, formula yang umum digunakan.
P (E1 dan E2,) = P (E1) * P (E
dapat digunakan untuk mencari probabilitas bahwa kedua E, dan E, akan terjadi, mengingat
probabilitas individu E, andE2. Sebagai contoh, jika probabilitas menggambar as sekop dari setumpuk
kartu adalah 1/52, dan probabilitas menggambar berlian apapun dari dek terpisah 13/52, maka
probabilitas menggambar kedua as sekop dan berlian 1/52 * 13/52.
Aturan Bayes digunakan untuk situasi yang lebih rumit. Ini mempekerjakan ketentuan sebagai
berikut:
B :: = keyakinan tertentu
P (B1) :: = probabilitas apriori bahwa B, benar; ini adalah probabilitas bahwa B benar, mengingat
tidak ada bukti spesifik
P (BJE) :: = probabilitas bersyarat bahwa B, benar, mengingat bukti E; ini menunjukkan keyakinan
kami direvisi pada B, setelah menemukan bahwa E adalah benar.
P (BIB1) :: = probabilitas mengamati B, mengingat bahwa B, benar k :: jumlah = total mungkin
keyakinan
- P (EIB1) * P (B1)
PCBJE) - ___________
P (EIB1) * p (B1)
Sebuah penggunaan khas aturan Bayes adalah dalam domain diagnostik. Dalam kasus tersebut, B.
merupakan penyebab efek E. P (BJE) adalah, pada dasarnya, keyakinan disimpulkan bahwa B, adalah
penyebab efek E. Kita dapat menggunakan hubungan ini untuk mengukur sejauh mana kita harus

percaya B , mengingat tersedia bukti B. Untuk alasan ini, aturan Bayes sering disebut sebagai
probabilitas penyebab teorema [Spiegel, 1975].
Teori probabilitas telah berhasil diterapkan di beberapa ES, misalnya, Page-i f [Strandberg, 1985) dan
terutama sistem Prospector [Duda, 1980).
6,5 Kepastian Faktor.
Faktor kepastian (CF) adalah mekanisme yang relatif informal bagi quant ifying sejauh mana,
berdasarkan kehadiran himpunan bukti, kami percaya (atau kafir) kesimpulan yang diberikan.
Kepastian Bahkan ORS telah paling banyak diterapkan untuk domain yang menggunakan bukti secara
bertahap diperoleh.
Konsep CF dikembangkan untuk Mycin [Buchanan, l984a], dan telah digunakan dengan sukses di
banyak sistem lain [Buchanan, 1983]. Untuk Mycin diputuskan, setelah banyak diskusi, menggunakan
teknik baru untuk kepastian kuantifikasi daripada metode probabilistik lebih tradisional, terutama
karena sulitnya akurat memperkirakan apriori dan kondisional probabilitas yang diperlukan untuk
penerapan aturan Bayes. (Lihat Adams, 1984, untuk diskusi tentang penggunaan CF vs probabilitas
formal.)
Deskripsi faktor kepastian
Sebuah CF adalah nilai numerik yang mengungkapkan sejauh mana, berdasarkan himpunan bukti,
kita harus menerima kesimpulan yang diberikan. Sebuah CF dengan nilai 1 menunjukkan jumlah
keyakinan, sedangkan CF dengan nilai
- 1 mengindikasikan percaya total.
Faktor kepastian komponen
Untuk setiap aturan dalam sistem, CF yang ditugaskan oleh ahli domain. Hal ini didasarkan pada
pengetahuan dan pengalaman ahli.
PRINSIP 6.6: Sebuah CF adalah kuantifikasi subjektif dari seorang ahli judgm ent dan intuisi.
Contoh 6.6 berikut aturan sederhana untuk mendiagnosis kegagalan lampu meja
menggambarkan penggunaan CF (dalam hal ini, 0,8).
JIKA meja Lampu dicolokkan ke stop kontak yang,
wadah yang memiliki arus, dan
saklar lampu adalah pada,
KEMUDIAN ada bukti sugestif (0,8) bahwa bola cahaya rusak.
CF yang termasuk dalam aturan adalah faktor kepastian komponen (CF comp), dan itu
menggambarkan kredibilitas kesimpulan, hanya diberikan bukti diwakili oleh prakondisi dari aturan.
Biasanya, dalam sistem berbasis aturan besar, banyak aturan yang berbeda akan berhubungan dengan
kesimpulan yang sama. Prinsip berikut berkaitan kendala penting mengenai ini beberapa aturan:

PRINSIP 6.7: Dalam sistem yang menggunakan CF, aturan harus begitu terstruktur bahwa setiap
aturan yang diberikan baik menambah kepercayaan pada kesimpulan yang diberikan atau menambah
kekafiran.
Ukuran kepercayaan MB [c, e] adalah angka yang menunjukkan sejauh mana keyakinan kami di.
Kesimpulan c meningkat, berdasarkan adanya bukti e. Dengan definisi: 0 MB [c, e] 1.
Demikian pula, ukuran kekafiran, MD [c, e], adalah angka yang menunjukkan sejauh mana inc
percaya kami meningkat, berdasarkan kehadiran e.
Karena pembatasan dijelaskan dalam Prinsip 6,7, untuk setiap aturan diberikan jika MB [c, e]> 0,
maka MD [c, e] = 0, dan jika MD [c, e)> 0, maka MB [c, e ] = 0. Faktor kepastian komponen
sekarang dapat lebih bentuk sekutu digambarkan sebagai:
CF comp [c, e] = MB comp [c, e] - MD comp [c, e]
dimana: c = :: kesimpulan bawah pertimbangan e :: = bukti yang berkaitan dengan c
Perhatikan bahwa baik MB istilah atau istilah MD harus sama dengan nol.
Karena ada banyak aturan yang berhubungan dengan kesimpulan yang diberikan, masing-masing
yang dapat menambah keyakinan kami secara keseluruhan atau percaya dalam kesimpulan, faktor
kepastian kumulatif digunakan untuk menyatakan kepastian kesimpulan, pada titik tertentu dalam
eksekusi, dalam cahaya dari semua bukti yang telah dipertimbangkan sampai saat itu.
Perhitungan faktor kepastian.
Kumulatif faktor kepastian, yang menyediakan sarana menilai kepastian kesimpulan dari sudut
pandang global, dibentuk dengan menggabungkan derajat global keyakinan dan percaya diwakili oleh
ukuran kumulatif keyakinan dan ukuran kumulatif percaya untuk kesimpulan.
Secara khusus, faktor kepastian kumulatif didefinisikan, untuk titik tertentu selama eksekusi sistem,
sebagai berikut:
CF [c, e] = MB [c, e) - MD [c, e0] (6.2)
di mana c = :: kesimpulan yang dipertimbangkan
e, :: = semua bukti yang berhubungan dengan c yang telah kontra idered hingga ditentukan
titik eksekusi
CF [c, e] :: = faktor kepastian kumulatif untuk c diberikan e (kepercayaan bersih dalam kesimpulan,
mengingat bukti saat ini) semua bukti untuk c yang telah dianggap
semua bukti terhadap c yang telah dianggap
MB [c, e,]: ukuran kumulatif keyakinan untuk c diberikan e
MD [c, e0] =: ukuran kumulatif percaya untuk c diberikan e
Definisi di atas menyiratkan perlunya menghitung MB dan MD untuk setiap kemungkinan
kesimpulan dalam sistem. Perhitungan ini dilakukan dengan terlebih dahulu menginisialisasi kedua
istilah ke nol dan kemudian secara bertahap termasuk efek setiap aturan yang berlaku. Setiap kali

aturan tambahan dianggap, sebuah MB baru dan MD dihitung atas dasar efek dari aturan baru
dikombinasikan dengan MB yang ada dan MD.
Menggabungkan fungsi untuk melakukan kegiatan ini didasarkan pada kendala bahwa koleksi bukti
yang dipertimbangkan independen. Sebagai contoh, dalam sebuah sistem diagnostik otomotif, "baterai
rendah" dan "lampu redup" tidak secara individu berkontribusi bukti baru karena mereka secara rutin
terjadi bersama-sama. Semua barang bukti terkait harus terjadi dalam aturan yang sama.
Ukuran keyakinan bahwa hasil dari mempertimbangkan dua sumber bukti dapat dihitung dengan
menggunakan rumus berikut:
MB [c, s1 & s2]
JIKA MD [c, s1 & s2] = 1, MAKA 0
ELSE MB [c, s1] + MB [c, S21 (1 - MB [c, s1])
di mana MB [c, s1 & s2] :: = ukuran kepercayaan berdasarkan sepasang sumber
Dalam kasus SD, dan s2 hanya dua aturan individu r1 dan r2. Secara umum, s1 mungkin merupakan
seperangkat aturan yang kumulatif efek sebelumnya telah dipertimbangkan dan s2 merupakan aturan
baru yang berlaku harus menambah keyakinan kumulatif yang sebelumnya sudah ada. (MD [c, s1 &
s2] adalah ukuran percaya untuk pasangan yang sama dari sumber dan sama dengan 1 jika dan hanya
jika kesimpulannya diketahui palsu dengan jaminan mutlak).
Demikian pula, MD didefinisikan dengan menggunakan
MD [c, s & s2] =
JIKA MB [c, s1 & s2J = 1, MAKA 0
ELSE MD [c, s1] + MD [c, S21 (1 MD [c, s1])
Kewajaran fungsi ini jelas ketika kita mengakui bahwa penambahan bukti baru yang mendukung
kepercayaan kesimpulan meningkat, tetapi tidak benar-benar membangun, kredibilitas kesimpulan.
Sebagai sejumlah besar unsur bukti pendukung digabungkan, secara keseluruhan MB tumbuh
asimtotik menuju kesatuan
Faktor
MB [c, s2] (1 - MB [c, s1J)
Persamaan di. (6.3) menggambarkan kontribusi Mb disediakan oleh bukti baru. Faktor ini dapat
dilihat sebagai ukuran sejauh mana bukti baru meringankan keraguan bahwa tetap setelah bukti
sebelumnya telah dianggap. Tingkat mitigasi adalah, cukup cukup, sebanding dengan kekuatan bukti
baru. Argumen yang sama berlaku untuk MD.

Contoh 6.7 Mengingat bahwa hanya ada empat aturan yang menyarankan kesimpulan c, menemukan
faktor kepastian kumulatif untuk c, mengingat faktor komponen kepastian berikut:
Rule

CF

0.8

0.3

-0.2

0.7

Untuk aturan 1, menggunakan Pers. (6.1) dan (6.2):

MB MB comp = 0,8 MD MD comp = 0
Persamaan (6.2) kemudian digunakan untuk memasukkan efek dari aturan 2:
MB = 0,8 + 0,3 (1-0,8) = 0.86 MD = 0
Setelah mempertimbangkan aturan 3,
MB = 0.86 MD = -0,2
Akhirnya, efek dari aturan 4 termasuk:
MB = 0,86 + 0,7 (1-0,86) = 0,96 MD = -0,2
dan faktor kepastian akhir dikembangkan:
CF = 0,96-0,2 = 0,76.
Rumus berikut digunakan untuk menghitung MB dan MD atas dasar kombinasi kesimpulan terpisah
daripada bukti yang terpisah:
Konjungsi kesimpulan:
MB [c1 atau c2, e] = max (MB [c1, e], MB [c2, e])
MD (c1 atau c2, e] = min (MD [cL, e], MD [c2, e])
mana c1 = kesimpulan 1
c2 = kesimpulan 2
e = semua bukti yang tersedia
Disjunctions kesimpulan:
MBIc1 atau c2, e] = max (MB [C1E], MB [c2, e])
MDc1 atau c2, e] = max (MD [c1, e], MD [c2, e])
Misalnya 6,8 Mengingat bahwa dengan TR, hasil tes diagnostik otomotif, kesimpulan berikut dapat
ditarik, masing-masing dengan CF terkait:
Cl Masalahnya membutuhkan perhatian segera (0,8).
C2 Ada masalah dalam sistem listrik (0,6).
C3 Ada pendek dalam sistem listrik (0,4).
C4 Ada kesalahan di komputer kontrol aliran (0,2).
Cari ukuran keyakinan bahwa ada masalah di sistem kelistrikan yang membutuhkan perhatian segera
dan bahwa masalah ini baik pendek atau kesalahan komputer.

Menggunakan Persamaan. (6,5) dan (6,7):

MB [C1 & C2 & (C3 atau C4), TRJ = min (MB [C1, TR], MB [C2, TR],
MB [C3 atau C4, TR])
= Min (MB [C1, TR], MB [C2, TRI,
max (MB [C3, TRJ, MB [C4, TR]))
= Min (0.8,0.6, max (0.4,0.2))
= Min (0.8,0.6,0.4)
= 0,4
Ahli domain memberikan CF untuk aturan berdasarkan asumsi bahwa semua kondisi di premis yang
diketahui dengan pasti. Jika ada ketidakpastian mengenai kondisi, maka CF biasanya terkait dengan
aturan ini tidak sepenuhnya berlaku. Dalam hal ini, rumus berikut dapat digunakan untuk menghitung
CF direvisi untuk aturan. Perhitungan ini didasarkan pada CF yang menggambarkan tingkat
kepercayaan kami dalam kondisi yang diperlukan (yaitu, bukti aturan).
MB [c, SJ MB '[c, s) * max (0, CF [s, EJ) (6.9)
MD [c, SJ = MD '[c, s] * max (0, CF [s, e]) (6.10)
di mana c = :: kesimpulan dari aturan
s :: bukti yang diperlukan untuk aturan
MB '[c, s] :: = MB dalam kesimpulan, mengingat keyakinan di s
CF [s, e] :: = derajat sebenarnya dari kepercayaan s (yang didirikan oleh beberapa bukti sebelum e)
Situasi yang dijelaskan di atas biasanya terjadi pada salah satu dari dua cara:
1. Ada kurang dari kepercayaan total pada bukti ketika diberikan ke sistem (misalnya, bukti
merupakan kesimpulan dari tes yang memiliki hasil yang beragam).
2. Bukti adalah kesimpulan yang dihasilkan dari eksekusi sebelumnya aturan yang berbeda dengan
yang CF yang dikaitkan.
Kasus kedua sering terjadi selama proses chaining aturan. Untuk menghitung CF untuk kesimpulan
akhir dalam proses chaining, umumnya diperlukan untuk menggunakan kedua fungsi menggabungkan
kekuatan bukti [Pers. (6.9) dan (6.10) dan fungsi menggabungkan untuk conj pengurapan dan
disjungsi dari hipotesis [Pers. (6.7) dan (6.8) 1.
Contoh 6.9 Mengingat aturan berikut dari ES untuk diagnosis masalah listrik:
1. JIKA kesalahan sistem telah dilaporkan dan dewan WPLMI melaporkan tegangan rendah,
KEMUDIAN ada bukti sugestif (0,7) bahwa ada masalah dalam pasokan listrik di papan WPLMI.
2. JIKA ada masalah di power supply ke papan WPLMI, port CPU telah ditutup, dan tegangan di
input ke CPU kurang dari 4,5 1,

KEMUDIAN ada bukti sugestif (0,9) bahwa power supply CPU telah gagal.
3. JIKA CPU tidak merespons ke port perintah dan kesalahan sistem telah
melaporkan,
KEMUDIAN ada bukti sugestif (0,4) bahwa port CPU telah ditutup.
4. JIKA kesalahan sistem telah dilaporkan dan papan WPLMI adalah sumber dari sistem
kesalahan,
KEMUDIAN ada bukti sugestif (0,6) bahwa ada masalah di power supply ke WPLMI.
Mengingat juga pengamatan berikut, yang masing-masing dikenal dengan pasti:
El Sebuah kesalahan sistem telah dilaporkan.
E2 CPU tidak merespon perintah pelabuhan.
E3 Tegangan pada input ke CPU 3.8 V.
E4 The WPLMI papan adalah sumber kesalahan.
menemukan kepastian yang kita dapat menyimpulkan bahwa catu daya CPU telah gagal.
Dari kekuasaan 1, kami menyimpulkan Cl-ada masalah di power supply ke WPLMI papan-dengan CF
0,7. Aturan 4 ini kemudian diterapkan Cl:
CFe1 = 0,7 + 0,6 (1-0,7) = 7,2
Menggunakan aturan 3, kami menyimpulkan C2 -.- port CPU telah ditutup-dengan CF 0,4.
Kita dapat menyimpulkan C3-tegangan di input ke CPU kurang dari 4,5 V-dengan kepastian yang
mutlak, berdasarkan E3. Dengan menggunakan kesimpulan tersebut sebagai bukti aturan 2, aturan,
termasuk CF untuk setiap kondisi, sekarang dapat ditulis sebagai:
JIKA ada masalah di power supply ke papan WPLMI (7,2),
port CPU telah ditutup (0,4), dan
tegangan di input ke CPU kurang dari 4,5 V (1,0),
KEMUDIAN ada bukti sugestif (0,9) bahwa power supply CPU telah gagal.
Ukuran kepercayaan kesimpulan yang diinginkan sekarang dapat dicirikan sebagai:
MB [Cfinal, Cl & C2 & C3]
= MB [Cfinal, Cl & C2 & C3] * max (0, CF [C l & C2 & C3, Ep])
di mana Ep :: = bukti sebelumnya (dalam hal ini, El, E2, E3, E4 dan)
MB [Cfinal, Cl & C2 & C3] = 0,9 * max (0, CF (C1 & C2 & C3, E]) Menggunakan Persamaan (6.5):.
CF [Cl & C2 & C3, Ep] = min (CF [Cl, Ep], CF [C2,], CF [C3, E])
= Min (7.2,0.4, l.0)
= 0,4
MB [cfinal, Cl & C2 & C3] = 0,9 * max (0,0.4)
= 0.36
CF [cfinal, Cl & C2 & C3] = 0,36-0 = 0,36

Penggunaan CF seperti diuraikan dalam bagian ini pada dasarnya adalah teknik untuk melengkapi
proses penalaran yang ada dengan informasi mengenai ketidakpastian.
6.6 Penalaran Fuzzy
Penalaran Fuzzy dirancang khusus untuk menangani inexactness (atau ketidakjelasan) yang hadir
dalam pengetahuan yang digunakan oleh para ahli manusia [Zadeh, 1965].
Dalam matematika konvensional, satu set telah jelas batas-batas yang secara khusus mengidentifikasi
dengan tepat, meskipun berpotensi terbatas, sekelompok elemen (misalnya, himpunan bilangan bulat
lebih besar dari 2 dan lebih kecil dari 10). Mengingat pemahaman yang benar tentang definisi set ini,
adalah mungkin untuk menentukan apakah calon tertentu atau bukan anggota dari himpunan.
Sayangnya, sangat sulit, jika bukan tidak mungkin, untuk mengembangkan set definisi yang tepat
untuk banyak konsep dan mekanisme klasifikasi yang digunakan oleh manusia:
PRINSIP 6.8: Manusia secara rutin dan sadar menempatkan sesuatu ke dalam kelas yang arti dan
makna yang dipahami dengan baik, tetapi yang batas-batas yang tidak didefinisikan dengan baik.
Dalam penalaran kabur konsep himpunan fuzzy sesuai dengan kelas seperti itu. Sebuah himpunan
fuzzy adalah kelas elemen dengan batas-batas yang ditetapkan longgar.
Contoh fuzzy set termasuk set "mobil besar," "kuda cepat," dan "orang-orang kaya." Untuk
mengidentifikasi anggota dari himpunan fuzzy, kita kaitkan kelas keanggotaan dengan setiap elemen
yang berpotensi menjadi anggota. Kelas keanggotaan adalah angka, antara 0 dan 1, yang
menunjukkan sejauh mana suatu unsur adalah anggota dari himpunan. Sebuah kelas 1 menunjukkan
bahwa calon jelas anggota, sedangkan kelas 0 menunjukkan bahwa calon jelas bukan anggota.
Transisi antara ekstrem adalah bertahap daripada yang berbeda.
PRINSIP 6.9: Kelas keanggotaan untuk himpunan fuzzy yang subyektif ditugaskan atas dasar
konteks.
Sebagai contoh, kita mungkin menetapkan nilai 0,2 sebagai kelas keanggotaan untuk mahasiswa baru
28-tahun di set Perhatikan bahwa tidak ada prosedur deterministik untuk membangun validitas nilai
ini "mahasiswa perguruan tinggi muda."; melainkan dapat dilihat sebagai pernyataan intuitif,
menyatakan pada skala 0-1, dari sejauh mana label "muda mahasiswa baru" berlaku untuk orang
subjek. Secara keseluruhan, himpunan fuzzy didefinisikan oleh fungsi keanggotaan yang mengaitkan
kelas keanggotaan dengan setiap elemen kandidat. Sebuah fungsi keanggotaan untuk contoh yang
disebutkan di atas ditunjukkan pada Gambar. 6.1.
Dalam beberapa kasus kelas keanggotaan mungkin sendiri akan yang tidak tepat direpresentasikan
sebagai nomor kabur (misalnya, kelas keanggotaan yang "dekat 0,2" atau "sekitar 0,5"). Sebuah

himpunan fuzzy yang menggunakan nilai-nilai fuzzy dalam fungsi keanggotaan yang disebut set ultrafuzzy. Contoh dari keanggotaan untuk set ultra-fuzzy ditunjukkan pada Gambar. 6.2.

Secara konseptual, nilai keanggotaan tidak dimaksudkan untuk sesuai dengan probabilitas. Daripada
mewakili probabilitas elemen menjadi anggota dari mengingat set-berdasarkan analisis keacakan
dalam data-kelas keanggotaan dimaksudkan untuk mengukur pemahaman intuitif sejauh mana elemen
tertentu kompatibel dengan diberikan konsep.
Manipulasi fuzzy set
Logika fuzzy adalah sistem penalaran yang terdefinisi dengan baik yang didasarkan pada penggunaan
fuzzy set bukan pada nilai-nilai biner yang berhubungan dengan logika bivalen tradisional.
PRINSIP 6.10: Dalam sistem logika fuzzy hanya unsur-unsur yang dimanipulasi adalah kabur; aturan
logika yang didefinisikan dengan baik.
Tugas menerjemahkan ekspresi manusia dalam sistem logika fuzzy relatif sederhana karena manusia
cenderung untuk berkomunikasi ide dan kuantifikasi dengan menggunakan lisan daripada deskripsi
numerik. Ekspresi verbal didasarkan pada penggunaan variabel linguistik seperti besar, tua, dan cepat.
Untuk menerjemahkan nilai-nilai ini dalam sistem logika fuzzy, kita hanya menggambarkan fungsi
keanggotaan yang mewakili mereka. Setelah fungsi keanggotaan dasar telah ditetapkan, pengubah
kabur dapat digunakan untuk memodifikasi fungsi keanggotaan (misalnya, sangat tua). Gambar 6.3
mengilustrasikan penggunaan pengubah "sangat" dan "tidak."

Bilangan fuzzy digunakan untuk mewakili kuantifikasi perkiraan dalam logika fuzzy. Bilangan Fuzzy
sering digunakan untuk disposisi, laporan yang mencakup tersirat kabur kuantifikasi. Misalnya,
pernyataan, "Kuda memiliki ekor," sebenarnya menyiratkan penggunaan quantifier kabur "paling"
(misalnya, "Kebanyakan kuda memiliki ekor").

Sering, perlu untuk menggabungkan bilangan kabur ketika membentuk sebuah kesimpulan. Sebagai
contoh, jika diketahui bahwa "Banyak kejahatan AB Jones adalah perampokan bank" dan bahwa
"Banyak perampokan bank membahayakan orang yang tidak bersalah," maka kita dapat
menyimpulkan bahwa many2 kejahatan AB Jones membahayakan orang yang tidak bersalah. Istilah
"many2", seperti ditunjukkan pada Gambar. 6.4, adalah kuadrat dari quantifier kabur "banyak" dan,
seperti yang diharapkan, itu merupakan kuantifikasi yang fuzzier daripada yang asli "banyak."
(Perhatikan bahwa representasi dari "sangat tua" dalam Gambar. 6.3 setara dengan old2.)
Hal ini juga memungkinkan untuk menggabungkan efek dari fuzzy set independen, seperti yang
digambarkan dalam Contoh 6.9.
Contoh 6.10 Mengingat kondisi berikut / tindakan aturan (untuk domain penerbangan):
Jika tingkat pendakian adalah mendekati nol dan ketinggian agak terlalu tinggi, kemudian membuat
penyesuaian throttle negatif sedikit.
Mengingat juga fungsi keanggotaan sebagai berikut:

Jika tingkat diukur dari pendakian adalah -1,8% / jam dan ketinggian 200 kaki di atas normal,
menemukan penyesuaian throttle yang harus dilakukan.
Pertama kita harus menentukan sejauh mana prasyarat puas. Kami melakukannya dengan mencari
kelas keanggotaan untuk masing-masing prasyarat dengan menggunakan fungsi keanggotaan
diberikan. Dari informasi yang diberikan, kita dapat menentukan bahwa "tingkat pendakian" prasyarat
puas ke tingkat 0,8 dan "ketinggian di atas normal" prasyarat puas ke tingkat 0,6, seperti yang
ditunjukkan pada gambar di atas.
Dengan demikian, nilai dari 0,6 digunakan untuk sejauh keseluruhan mana prasyarat telah dipenuhi.
Hal ini didasarkan pada kenyataan bahwa 0,6 adalah minimum dari nilai prakondisi diamati. Untuk
mengetahui sejauh mana tindakan yang akan diambil, tindakan Model (penyesuaian throttle negatif
sedikit) adalah skala dengan nilai 0,6, seperti yang ditunjukkan pada gambar. Hasil akhir adalah nilai
-0,9.
Untuk informasi lebih lanjut tentang aspek manusia penalaran kabur melihat Bandler, 1983, Gupta,
1982, dan Kandel, 1986. Untuk informasi lebih lanjut tentang perangkat keras yang dikembangkan
untuk penalaran fuzzy, lihat Johnson, 1985.
Bab berikut menjelaskan bagaimana ES menjelaskan proses penalaran nya.