Inteligentni informacijski sustavi

Mile Pavlić, RIS d.o.o. Rijeka; Odjel za informatiku, Sveučilište u Rijeci Martina Ašenbrener, Odjel za informatiku, Sveučilište u RijeciAlen Jakupović, Veleučilište u RijeciAna Meštrović, Odjel za informatiku, Sveučilište u RijeciSanja Čandrlić, Odjel za informatiku, Sveučilište u RijeciMarina Ivašić-Kos, Odjel za informatiku, Sveučilište u Rijeci

SažetakU ovom radu ukratko je opisan model organizacije znanja na tri razine (jezično, opće i radno znanje) te

metoda NOK (Nodes Of Knowledge) za organiziranje mreže znanja. NOK je metoda za predstavljanje znanja (engl. knowledge representation, KR).

U radu se raspravlja odnos ljudskog znanja i objektivne stvarnosti te položaj i mogućnost organiziranja umjetnog znanja. Ljudsko znanje može se predstaviti mrežom povezanih pojmova i u radu je dan primjer takve mreže. Predložena metoda NOK ima za cilj načiniti mrežu znanja sadržanog u tekstualno zapisanom obliku u nekom ljudskom prirodnom jeziku.

NOK omogućuje projektiranje meta baza podataka za alternativno čuvanje znanja na način različit od jezika, govora, pisma, odnosno misli ljudskoga uma, a povezan s istim u oba smjera. Prikazana je baza podataka njen sadržaj i njegova transformacija u bazu podataka po metodi NOK. Dana su pravila za transformaciju koncepata BP u koncepte NOK.

AbstractThis paper describes the model of knowledge representation on three levels (language knowledge,

general knowledge and working knowledge) and the graphical based method for knowledge representation called Nodes of Knowledge (NOK).

The paper discusses the relationship between human knowledge and objective reality, as well as the possibility of organizing artificial knowledge and its status. Human knowledge can be represented by a network of related concepts. In this paper we give an example of such a network. The proposed NOK method aims to create a network of knowledge that is contained within a text form in a human natural language.

NOK allows meta-database design for alternative storage of knowledge which is different than the language, speech, writing, or thoughts of the human mind, but linked with them in both directions. The rules for transforming DB concepts into concepts of NOK are given.

Ključne riječi: Node of Knowledge, Entity-relationship, umjetna inteligencija, predstavljanje znanja, semantičke mreže, čvor, veza.

1. Uvod

Jedno od bitnih polja na području Umjetne inteligencije (engl. Artificial Intelligence, AI) je predstavljanje znanja (knowledge representation, KR). Tijekom vremena razvile su se različiti pristupi, metode, formalizmi i jezici za predstavljanje znanja. Grupa metoda koja pokušava riješiti problem organizacije znanja naziva se semantičke mreže (Quilian, 2013). Sve metode uglavnom definiraju objekte znanja i povezanost među objektima na svojevrstan način.

U ovom radu prikazat ćemo metodu za modeliranje čvorova znanja (eng. Nodes Of Knowledge, skraćeno NOK) koja grafički prikazuje znanja u obliku dijagrama (DNOK) (Pavlić, 2013). Metoda se zasniva na istraživanju i analizi prirodnog ljudskog jezika, što je važno za približavanje ljudskoj inteligenciji. Analiziraju se rečenice, riječi i njihovo značenje te redoslijed povezivanja riječi u složenije misli.

U ovom radu koristimo termin mreža znanja (MZ) engl. Knowledge Network (KN). Mreža znanja predstavlja povezane činjenice u složenije pojmove.

1

2. Povijest razvoja umjetne inteligencije

Inteligenciju možemo definirati na mnogo različitih načina uključujući, ali ne ograničavajući se na, apstraktna mišljenja, razumijevanje, samosvijest, komunikacija, zaključivanje, učenje, emocionalno znanje, zadržavanje, planiranje i rješavanje problema (Inteligence, 2013).

Umjetna inteligencija (AI) je inteligencija strojeva ili softver, a također je grana računalne znanosti koja proučava i razvija inteligentne strojeve i softver (Artificial inteligence, 2013).

Čovjek razvija inteligentne sustave koji mogu računati, govoriti, slati poruke, pamtiti podatke, ponovo ih koristiti, raditi koristan rad i drugo. Umjetna inteligencija je općenito bilo kakvo dodavanje bilo kojeg inteligentnog svojstva u sustav.

Sustavi postaju sve inteligentniji npr.: prijenos, obrada i pohrana podataka, pametni telefoni, izračunavanje ruta za vožnju automobilom, upravljanje sustavima, automatsko zaključivanje, učenje na daljinu, izražavanje osjećaja.

Velika obećanja i očekivanja od AI uglavnom nisu ispunjena. Ipak, pitanje je kada će a ne više može li umjetna inteligencija u potpunosti zamijeniti ljudsku inteligenciju?

Matematičar i kriptoanalitičar Alan Mathison Turing uveo je test za mjerenje umjetne inteligencije kroz komunikaciju s čovjekom. Ni jedan program nije prošao Turingov test. Pitanje je zašto to nije ostvareno?

Joseph Weizenbaum autor je prvog dijaloškog sustava (engl. dialogue system) poznatog pod nazivom ELIZA, koji nastaje 1967. godine. ELIZA predstavlja psihoterapeuta koji postavlja pitanja i pokazuje empatiju.

Slika 2.1. Dijalog ELIZE i pacijenta

2

1970-ih godina kao područja umjetne inteligencije razvijaju se ekspertni sustavi (engl. expert system) a sastoje se od baze znanja, mehanizma za zaključivanje te sučelja za komunikaciju između čovjeka i programa. Postignut je velik napredak u razvoju inteligentnih programa s ugrađenim manjim brojem inteligentnih svojstava, ali svi oni su daleko od ljudske inteligencije.

Chatbot je računalni program koji omogućuje konverzaciju između čovjeka i programa. Michael Mauldin, kreator je prvog Verbota zvanog „Julia“, 1994. Program prepoznaje ključne riječi na ulazu (tekstualne ili govorne) i nalazi ih u bazi podataka te onda kreira izlazni niz. Program ne razumije sadržaj komunikacije (Pavlin, 2010). Chatbot Elbot kao dobitnik Loebnerove nagrade 2008 (Loebner Prize, 2013.).

Evo kako je tekao taj razgovor između Elbota i korisnika na natjecanju za nagradu (Elbot, 2013).

Ispitivač: Koji je tvoj omiljeni roman?

Elbot: Slika 2.2. Elbot (preuzeto s http://www.elbot.com/)

Ja često čitam telefonske imenike ili dadaističku poeziju: Brä brä brä brä brä.Ispitivač: Tipično računalo!Elbot: Imate naklonost prema generalizacijama. Ali moram priznati, ja također. Kako bilo, moje generalizacije imaju čvrste temelje u statističkoj znanosti.Ispitivač: Što misliš o ideji Kevina Warwicka da će računala preuzeti svijet?

Slika 2.3. Kevin Warwick (preuzeto s www.kevinwarwick.com)Elbot: Prvo ga sredite malo. Tada ću ga preuzeti.

Slika 2.4. Dijalog Elbota i ispitivača

Za izgradnju chatbota napravljeni su posebni programski jezici. Tako je popularni chatbot jezik RebeccaAIML napisan u C++, Java, .NET/C#, Python.

ASIMO (Advanced Step in Innovative Mobility) je prvi humanoidni robot (Šimek, 2011), visok je 130 centimetara i težak 48 kilograma (izumitelj je Masato Hirose-a iz Honda Motor Co.). Asimo hoda držeći drugu osobu za ruku i trči 6 km/h (Guinessova knjiga rekorda).

Računalo nazvano Watson (IBM) razumije govorni jezik, iz njega izdvaja informacije koje spaja u cjeline i brzo analizira, te izdvaja moguće odgovore i izabire najvjerojatniji. Watson je pobijedio ljude na natjecanju u igri Jeopardy (Watson, 2013). Watson je napisan u programskim jezicima Java, C++ i Prolog, a ima ugrađene stotine metoda obrade jezika. On ipak ne razumije niti što ga se pita niti što odgovara, već to radi kao što kalkulator množi dva broja, primjenjuje metode koje rješavaju problem putem algoritma.

Roboti danas igraju bilijar, nogomet i rade različite složene pokrete i radnje. Uskoro će početi i natjecanja u raznim sportovima.

Roboti će s vremenom postati osobe koji će imati status blizak ljudskim bićima i s kojima će se ljudi

3

htjeti družiti. Oni će im biti i prijatelji i liječnici i obitelj i cijenjene osobe i kućni ljubimci i neće ih varati i ogovarati i neće se drogirati i biti preljubnici, već voljene osobe koji sve pamte i imaju strpljenje za razliku od ljudi (Brocman, 2012), (Turkle, 2012).

Neki autori drže da će umjetna inteligencija slična ljudskoj inteligenciji u doglednoj budućnosti ostati nedostižan cilj (Tooby & Cosmides, 2012). Polako postaje jasno da je inteligencija nešto uistinu veliko i teško dostižno. Ako umjetna inteligencija bude ostvarena, ona će onda biti superinteligencija jer neće biti ograničenja prirodne inteligencije (brzina, smrtnost). Superinteligencija bi mogla biti posljednji izum kojemu bi se biološki čovjek mogao domisliti ali zbog prednosti tog izuma ljudi će na njemu i dalje raditi (Bostrom, 2012).

Stalno se traži algoritam (metoda, model, postupak) koji će riješiti problem umjetne inteligencije. Čini se da je inteligencija svijet iznad stvarnosti, a za njega nema jednostavnih algoritama do stvaranja svijeta, što je „božanska“ uloga koju si je čovjek zadao.

Ovaj rad odustaje od pokušaja traženja algoritma i predlaže gradnju mreže znanja koja bi u nekom mediju možda se mogla inteligentno ponašati.

3. Model organizacije znanja u više razina mreže

Prema metodi NOK za oblikovanje znanja sve složeno ljudsko znanje predstavlja mrežu povezanih pojmova koje zovemo DNOK. Pojmove zovemo čvorovima. Značenje pojedinog pojma (čvora) daje ljudska inteligencija. U ovoj verziji metode značenje nije dio metode, pa prema tome izgrađeni sustav može imitirati inteligenciju ali ne i biti svjestan. Slično je i s riječima u ljudskom prirodnom jeziku, semantiku riječi razumije jedino čovjek. Bitna razlika je kod razumijevanja rečenica, DNOK čuva značenje rečenica.

Značenje odnosa među čvorovima drži se u strukturi DNOK konceptima veze među čvorovima. Složeno ljudsko znanje može se zapisati u dijagram različit od ljudskog jezika i to tako da se isti pojam pojavljuje samo jednom na DNOK, a da je povezan onoliko puta koliko treba biti (neograničen broj veza). Tako nije u tekstualnom zapisu znanja. Rečenice ne mogu držati semantiku i veze pojedinog pojma sa svim ostalim pojmovima jer jezik nije tako organiziran. On je linearan i ima vodopadni vremenski slijed izlaganja rečenica. Od ovoga koncepta se u NOK metodi odstupilo.

Mreža znanja (KN, knowledge network) zapis znanja metodom NOK koji se sastoji od nekoliko vrsta mreža znanja različitih razina i to jezična razina znanja, opće znanje i radno znanje (vidi sl. 3.1).

Jezično znanje (LK, language knowledge), dio KN na najvišoj razini. Opće znanje (GK, general knowledge) je znanje ispod LK a predstavlja pravila, kao npr. odnosi roditelji, djeca, braća, i sl. Radno znanje (WK, working knowledge) je konkretno znanje složeno od gornjih razina, a govori o nekim pojedinim entitetima npr. da je Ivica sin od Mate rođen u Rijeci.

Minimalna mreža je jedan nepovezan čvor. To je kao kada čujemo novi pojam npr. „kalorik“, a ne znamo njegovo značenje. On još nije s ničim povezan u smislu razumijevanja njegovog pojma, ali je povezan s izvorom informacije, medijem kroz koji je došla poruka i sl. Dakle nikada pojam nije potpuno odvojen od ostalih čvorova. Tako će biti i s DNOK-om u slučaju da ga netko unese u KN.

Mreže maksimalnog značenja ili misao ili maksimalna podmreža ili zaokružena misao u jednu cjelinu je dio DNOK-a koji je skup znanja o jednom događaju (sustavu, elementu, dijelu) koji je skup povezanih čvorova o jednoj temi. Mreža maksimalnog značenje je skup povezanih procesnih čvorova. Semantika se prekida prelaskom preko običnog čvora. Smisao imaju podmreže sve dok se ne učitaju svi povezani procesni čvorovi i svi njihovi obični čvorovi.

Put po mreži je smjer spajanja čvorova u nova značenja. Misao se može širiti u bilo kojem smjeru sve do običnih čvorova. Misao se može i nadograđivati i reducirati (uvjetovano brisati, označiti da više ne vrijedi). Za svako proširenje i redukciju zna se autor.

Pokazalo se da ne postoji meta model znanja, odnosno da ga nije moguće napraviti. To bi bilo idealno, jer su meta modeli složeni ali ne preveliki, te se za njih može načiniti softver. Na žalost, znanje se opire pojednostavljenju. Model znanja je samo znanje. Potreban nam je model znanja svake riječi i model rečenice koja nosi novo znanje agregirano od pojedinih atomskih znanja u riječima.

Potrebno je za svaku riječ (koja ima: kontekstno značenje, složenice, izvedenice, sinonime, homonime i dr.) načiniti poseban model znanja samo te riječi. Skup svih ovih modela predstavlja model rječnika prirodnog jezika (LK).

4

Svako opće znanje može se iskazati korištenjem riječi iz LK na razini GK. Na najnižoj razini je radno znanje (WK) koje također koristi čvorove LK i GK. Svaka rečenica također

predstavlja zaseban model odnosa među riječima. Taj model predstavlja radno znanje.Riječi u rečenici (konkretnoj, radnoj, pojavnoj rečenici) se povezuju s istom riječi u GK i na taj način

tumači značenje riječi kroz kontekst riječi. Svaka riječ u konkretnoj rečenici ima vezu prema kocki znanja. Pogledajmo na sl. 3.1. kako se rečenica „Marko putuje u Santorini“ prikazuje u DNOK.

Slika 3.2 Odnos LK, GK i radnog znanja (teksta, rečenice) u mreži znanja

Podjelu znanja u više razina imaju i neke druge metode organizacije znanja.

4. Metoda NOK

Iznesimo osnovne poglede na znanje i njegovo strukturiranje kroz metodu NOK. Znanje je skup povezanih koncepata u umu čovjeka koji predstavljaju objekte i njihove odnose iz stvarnog svijeta. Znanje je prema tome surogat stvarnosti, ali ono je i zasebna stvarnost i to inteligentan svijet. Ono je u smislu surogata i više od stvarnosti jer sustav znanja u umu može sadržavati izvedene pojmove u mislima koji ne postoje u stvarnosti, ili su tumačenja stvarnosti koje tek treba znanost provjeriti, otkriti ili odbaciti.

U stvarnom sustavu objekti međusobno reagiraju uvijek istinito, odnosno sve što se događa je istina jer je to dopušteno silama i poljima koji tamo vladaju (svemir, atom) ili se ne događa. Nema laži i poluistina. U sustavu prirodnog znanja moguća je bilo kakva interakcija između čvorova znanja u nova znanja dobivena „zaključivanjem“. U umu nema sila i polja koje dozvoljavaju ili brane interakciju, pa zaključivanje kao jedina operacija transformacije i generiranja znanja može dovesti do istinitog, lažnog, nepovjerljivog, nevažnog ili besmislenog znanja. Dok je u stvarnosti sve istina, važno i smisleno u sustavu znanja to ništa nije i to tek trebamo postići. Dakle inteligentan sustav je svemoguć u svojoj nutrini, dakako i nezavisan od okoline u svome radu. Od tud i izvori ideologija, religija, predrasuda i brojnih drugih stavova koji ne moraju imati nikakve veze sa stvarnim svijetom.

Um nije stvarnost i svako znanje u umu treba biti provjereno u stvarnosti, ako želimo znanstvenu istinu, što nije uvijek slučaj.

Od tud slijedi naše suženje cilja izgradnju metode koja će se oslanjati na ljudsko testiranje znanja sadržanog u DNOK-u i ljudsko odobravanje da neko znanje bude zapisano u KN i ljudska provjera da je neko izvedeno znanje istinito u objektivnoj stvarnosti. Ovo pojednostavljuje metodu i to iz nekoliko razloga:1. Oslanja se na ljudski jezik i to tako da je značenje čvorova u DNOK definirano ljudskim značenjem.2. Pojedini čvor ne mora biti opisan potpuno u DNOK (ako to nije cilj modela) već je njegovo značenje

dano samim imenom čvora iza koga leži detaljan opis u umu bar jednog čovjeka.3. Ne gradimo sustav umjetne inteligencije, već samo sustav zapisa znanja u mrežu (KN).4. Sustav KN je alternativan jezicima.

To znači da je model znanja namijenjen ljudima i da se može postupno širiti, a da se ne gubi semantika modela već prenosi znanje u model po potrebi i volji korisnika.

5

U modelu znanja jedan pojam u dijelu LK i GN, dakle općih znanja bit će zapisan jednom i samo jednom. Taj se pojam može ponavljati u složenim iskazima WK neograničen broj puta (npr. u pričama, člancima, govoru, pjesmama) ali je on referenciran uvijek na istom općem mjestu. To je na neki način indeks svih riječi.

NOK daje mogućnost zapisa općih mišljenja o svijetu, uobičajenih, usvojenih od većine ljudi, ali i pojedinačnih mišljenja, netočnih ili lažnih.

NOK je prvenstveno razvijan s namjerom da se iskoriste mogućnosti ICT. Kao cilj postavljen je: unos znanja u računalo.

NOK je ujedno i jezik i to grafički jezik. Grafika omogućava korištenje velikog dijela ljudskog mozga u interpretaciji i komunikaciji korisnika i KN. Samim tim takav jezik ima više mogućnosti. NOK se oslanja na ljudski jezik i to tako da ga pokušava analizirati i interpretirati na nov način tražeći zajednički nazivnik znanjima i kreirajući modele tih znanja.

Iz svega navedenog možemo zaključiti da je ukupno znanje i pojedini čvor znanja ljudski proizvod i nije sadržano u stvarnosti kao zaseban objekt postojanja. Znanje je zamjenik za objekte potreban čovjeku u njegovom vlastitom informacijskom sustavu kako bi mogao planirati i inteligentno djelovati u stvarnosti. Bez znanja nema čovjeka, čovjek je zapravo akumulator znanja koji kroči kroz stvarnost i povećava svoj kapacitet. Za znanje ne vrijedi zakon o očuvanju jer smrću akumulator se isprazni ali energija znanje nikuda ne ode. Ona dakle može nestati bez posljedica za svemir pa prema tome može i nastati iz ničega, što osim znanja ne vrijedi ni za jedan atom svemira. Ovim smo, čini se, logički dokazali da je umjetna superinteligencija moguća (apstraktni ludi svijet umjetnih osobnosti s vlastitim predrasudama tima Matrix), jer nije podložna prirodnim zakonima.

5. Koncepti metode NOK

Iznesimo početne postavke za oblikovanje metode za modeliranje znanja. Na osnovi njih kreirana je metoda NOK.

Pretpostavke o čvorovima- Pojmovi su u čvorovima- Svaki novi pojam je novi čvor- Čvor sadrži jedan i samo jedan pojam- I najmanja semantička razlika dovodi do novog pojma- Čvor nije klasifikacija entiteta (tip entiteta) već jedan entitet- Čvor ima naziv koji mu daje semantičku identifikaciju u mreži znanja (KN)- Čvor ima značenje u realnosti ili mislima- Čvor ima najmanje jedan atribut i to identificirajući tj. Naziv čvora, to je spacijalni atribut- Za opis značenja može se koristiti: tekst, slika, zvuk, film,….

Pretpostavke o vezama- Čvorovi su povezani u KN- Veze su binarne i povezuju samo dva čvora- Veza nema atribute- Veza nema ime- Brojnost veze je (1,1) : (1,1)- Neke veze imaju smjer od općeg ka konkretnom čvoru- Sa stajališta pouzdanosti veza i čvor mogu biti: točno, misli se da je točno, netočno, nesigurno,…- Veza pripada jednom čvoru a za drugi se veže

Pretpostavke o mreži znanja- Više povezanih čvorova čini mrežu- Jedna osoba je jedna KN- Moguće su veze između čvorova svih razina- Čvor može biti ne spojen niti s jednom mrežom- Minimalna mreža je čvor-atribut-podatak- Serijska mreža je skup termina npr. Adresa: Andrije-Mohorovičića-16-/-2- Serijske mreže su: prirodni brojevi, abeceda, …

6

- Kada se promijeni znanje pamti se novo, a ne briše staro- Mreža ima datumsku logiku- Mreža je osnova znanja- Znanje je redundantno- Znanje je nesigurno (zna da je možda točno)- Znanje se ne gubi (kao u mozgu)- Saznanje da je neko znanje krivo, pamti se novo znanje, staro se označi kao krivo od tad i tad, i

da se mislilo da je ispravno od tad do tad- Pamti se znanje o stvarnosti, pamte se i misli (planovi, ideje, …)- Postojeće BP prihvaćaju podatke, ne prihvaćaju znanje. Tumačenje podataka u BP je kroz TE i

općenito DEV i kroz softver- Procesi, glagoli, … su čvorovi

Pretpostavke o operacijama nad BZ- Spajanje dvije KN je moguće (ne kod ljudi) i dovodi do šire KN- Spajanje se izvodi na čvorovima- Smjer čitanja mreže nije važan i iz nje se očita uvijek isto znanje- Mreža se može širiti od bilo kojeg čvora na bilo koju stranu- Čvor se može razložiti u niz čvorova i sačuvati početni čvor- Mreža se može mijenjati i čuvati stara mreža (rekonfigurirati, detaljizirati, poopćiti,…)

Čvrsto pravilo koje je ovdje postavljeno drži da svako znanje je sastavljeno od dijelova i ima strukturu i sadržaj te se kao takvo može predstaviti u obliku mreže znanja. Dijelovi te mreže znanja su čvorovi međusobno povezni vezama. Svaki čvor je jedinica znanja, koja se dalje može dijeliti u dijelove na nižoj razini apstrakcije ili imati atribute koji tom čvoru dodjeljuju podatke. Metoda NOK se sastoji od koncepata prikazanih na slici 5.1.

7

Slika 5.3 Osnovni koncepti metode NOK

Ako se povezuju dva čvora različitih razina onda se kontekstna veza prikazuje linijom sa strelicom. Strelica pokazuje na čvor na nižoj razini. Na slici 5.2. prikazana je hijerarhija veza između čvora.

Slika 5.4 Prikaz mreže znanja s isticanjem čvorova koji pripadaju pojedinoj razini.

8

Prikažimo na slici 5.3 primjenu metode NOK na primjeru priče STARA VOĆKA autorice Ruth Hurlimann.

Dio priče glasi: Živio jednom jedan kralj, a imao, lijep, veliki vrt. U vrtu je rasla prekrasna voćka. Kralju je ona od svih stabala bila najmilija. U proljeće bi se voćka osula ružičastim cvjetovima, nalik na kitice cvijeća. Ljeti je bila pokrivena zelenim lišćem i plodovima što su zorili na suncu. U jesen je rađala velikim, slatkim jabukama. Kralj je svaki dan dolazio u vrt i jeo mirisne jabuke. Zato je bio zdrav i uvijek dobre volje.

Možemo zaključiti da se tekst sastavljen od riječi može prikazati na alternativan način. Ovo kao posljedicu ima brojne implikacije i moguće koristi. Mogu se izvoditi nizovi eksperimenata i doći do novih spoznaja.

Slika 5.5 Prikaz priče s isticanjem čvorova koji pripadaju istoj vrsti riječi u LK.

6. Inteligentni informacijski sustavi

Postavlja se pitanje kako povezati postojeći informacijski sustav s mrežom znanja. Ovdje ćemo prikazati kako projekt informacijskog sustava i to samo dio koji se odnosi na bazu podataka povezati s modelom znanja u metodi NOK. Projekt svakog IS se sastoji najmanje od modela podataka i modela procesa. Model podataka se obično prikazuje nekom verzijom metode entiteti i veze, a sama baza relacijskom metodom.

Na slici 6.1 prikazan je jedan primjer dijagram entiteta i veza (DEV) koji daje pregled osoba zaposlenih u nekoj organizacijskoj jedinici (OJ). Osim toga, prati se koja osoba ima dijete te koje nagrade je dobila.

9

Slika 6.6 DEV Osoba

Opišimo ukratko model „Osoba“ i njegov sadržaj.Pod tip entiteta Osoba spadaju sve pojedinačne osobe, npr. Hrvoje, Petra, Maja, Ivo itd. Osoba radi u

Organizacijskoj jedinici. Pod tip entiteta Organizacijska jedinica (OJ) spadaju sve pojedinačne OJ (npr. Prodaja, Razvoj, Komercijala, Proizvodnja…). Tip entiteta OJ organiziran je hijerarhijski. Jedna osoba iz tipa entiteta Osoba radi u jednoj i samo jednoj OJ. U jednoj OJ iz tipa entiteta OJ radi niti jedna (npr. jer je OJ tek osnovana) ili mnogo entiteta iz tipa entiteta Osoba.

Pod tip entiteta Dijete spadaju svako pojedinačno dijete. Jedna osoba iz tipa entiteta Osoba može imati nijedno ili mnogo djece, dok jedno dijete iz tipa entiteta Dijete može imati nijednog ili više roditelja (najčešće je to 2, ali u nekim slučajevima može biti i više, primjerice kod posvojene djece imamo biološke roditelje i roditelje koji su to dijete posvojili).

Slab tip entiteta Nagrada, ovisan je o tipu entiteta Osoba i sastoji se od svih nagrada koje je dobila neka osoba. Jedna osoba iz tipa entiteta Osoba dobila je nijednu ili mnogo nagrada, dok jednu nagradu iz tipa entiteta Nagrada mogla je dobiti jedna i samo jedna osoba.

Tipovi entiteta Inženjer, Vozač i Prodavač podtipovi su nadtipa tipa entiteta Osoba.DEV sa slike 6.1 preveden u relacijski model daje sljedeće relacije.

Osoba (Redni broj osobe, Ime, Prezime, Šifra OJ)Inženjer (Redni broj osobe, titula)Vozač (Redni broj osobe, datum polaganja vozačkog)Prodavač (Redni broj osobe, broj telefona)OJ(Šifra OJ, Naziv OJ, Šifra_OJ_nad)Nagrada (Redni broj osobe, Rbr. nagrade, Naziv nagrade)Dijete (Šifra djeteta, Ime djeteta)Ima dijete (Redni broj osobe, Šifra djeteta, otac/majka)

Baza podataka „Osoba“ koja sadrži tablice nastale na temelju relacijskog modela prikazane su na slici 6.2.

Osoba: Dijete:10

Šifra osobe Ime Prezime Šifra OJ

1 Maja Marić 052 Petra Perić 013 Ivo Ivić 044 Danijel Horvat 03

Nagrada:Redni broj

osobeRBR.

nagrade Naziv nagrade

1 1 Radnik godine 2011

2 1 Radnik mjeseca lipnja

2 2 Radnik godine 2012

OJ:Šifra OJ Naziv OJ Šifra_OJ_nad

01 Uprava02 Prodaja 0103 Komercijala 0104 Proizvodnja 0105 Razvoj06 Veleprodaja 0207 Maloprodaja 02

Šifra djeteta Ime djetetaD001 MarkoD002 Ana

Ima dijete:Redni

broj osobe Šifra djeteta Otac/majka

3 D001 Otac1 D002 Majka2 D001 Majka

Slika 6.7. BP Osoba s hijerarhijskom strukturom OJ

Na slici 6.3. prikazani su podaci iz baze podataka „Osoba“ u obliku DNOK-a.

11

Slika 6.8 Rečenice prikazane DNOK-om

Na DNOK-u se pojavljuju rečenica zapisane u prirodnom ljudskom jeziku. Neke od rečenica koje se mogu iščitati iz BP su:

- Maja radi u razvoju.- Ivo radi u komercijali.- Ivo i Petra imaju dijete Marka.- Petra ima nagradu „radnik mjeseca“.- Maja je inženjer.

Na ovaj način je na jednom primjeru pokazano kako se svaka BP može prevesti u mrežu znanja po metodi NOK. Općenito se iz ovoga mogu zaključiti pravila prevođenja BP u NOK. U tablici 6.1 prikazano je preslikavanje EV u NOK.

Tablica 6.1. Preslikavanje EV u NOKEV NOK

Čvo

r

Tip entiteta Kontekstni čvorEntitet Specijalizirani čvorPodatak Podatkovni čvorAtribut Atributski procesni čvorKljuč tipa entiteta Atributski ključni čvor

Proc

esni

čvo

r

Veza Specijalizirani procesni čvorTip veze Specijalizirani procesni čvor; Kontekstni procesni čvorAgregacija Specijalizirani procesni čvorVrijednost Specijalizirani procesni čvorAgregacija Agregacijski procesni čvorSpecijalni tip veze (E&I) Egzistencijalni i identifikacijski (E&I) procesni čvor (E&

IPČ)

12

Generalizacija <S> / Specijalizacija Generalizacijski procesni čvorPrethođenje <P> Prethodi procesni čvor

Veza Klasifikacija Kontekstna vezaUloga VezaBrojnost Brojnosti (na višoj razini DNOK-a)--------- Pitanje (naziv uloge)

Iz ovog primjera možemo zaključiti koji je potencijal metode NOK. Sadržaji BP mogu se pretvoriti u tekstualni oblik. Moguće je i obrnuto. Pored toga moguće je mrežu znanja obogatiti novim rečenicama kojih u postojećim BP nema.

Na ovaj način smo proširili postojeći IS novim znanjima. Podaci u BP se po metodi NOK čuvaju u novom obliku u tzv. „bazama znanja“ ili „BPNOK“. Programski proizvod nad BPNOK predstavlja inteligentan softver koji propituje, ažurira i zaključuje nad BPNOK.

Razvoj ovakvih inteligentnih IS zahtijevati će daljnje velike napore.

Zaključak:

NOK je nova metoda i kao takva dalje će se razvijati i nadograđivati vezano uz baze podataka i informacijske sustave. NOK omogućava alternativno čuvanje znanja na način različit od jezika i pisma, odnosno ljudskog uma i na način različit od drugih postojećih formalizama. Na ovakav predloženi način znanje se pohranjuje neovisno o drugom znanju odnosno potpuno fleksibilno i u redoslijedu nastanka i u količini. Moguće je ponavljanje znanja ali to ne smeta jer to znači da se ista činjenica više puta upiše, a uz odgovarajuću softversku podršku to odmah može biti uočeno i integrirano ili uklonjeno. Na predloženi način mreža znanja sadrži činjenice koje ljudski čitatelj može razumjeti iako nisu napisane u standardnom jeziku i ne poštuju strogu formu gramatike. Daljnjim istraživanjima i doradama moguće je proširenje kako bi DNOK sadržavao brojne gramatičke i pravopisne standarde (vremena, padeže, zamjenice, višejezičnost).

Nad mrežom znanja će biti moguća lakša izgradnja ekspertnih sustava i to posebno modula za komunikaciju eksperta i baze znanja, kako za propitivanja tako i proširenje baze znanja.

Daljnji pravci istraživanja mogu biti u smjeru primjene metode na: različite rečenice, na grupe rečenica vezane za pojedine teme, na vrste tekstova kao pjesme, politički tekstovi, romani, svakodnevni govor, različite radijske emisije i sl. Metoda se može pokušati primjenjivati i na dijelove informacijskog sustava kao: dokumente, baze podataka, izvještaje, ekranske forme, WEB sadržaje, poslovne aplikacije.

Ono što ova metoda donosi je posebna vrsta procesnih čvorova koji predstavljaju poveznicu čvorova ali istovremeno i novi pojam povezan s drugim pojmovima. U metodi se ističe kontekstualnost svakog znanja.

Posebna pitanja su kako se ova metoda može primijeniti na polju umjetne inteligencije za zaključivanje.Za ovu metodu moguće je programirati odgovarajući softver koji bi omogućio upis velikog broja

čvorova i njihovih veza te izgradnju složenijih baza znanja koje bi sadržavale cijele specijalizirane rječnike i na osnovi takvih predložaka omogućile automatsko širenje baze znanja stručnim tekstovima.

Veliko je pitanje potencijala NOK na zaključivanje. Moguć je razvoj jezika koji će omogućiti izvođenje zaključnih znanja.

REFERENCES

[1].Allen, J. (1994). Natural Language Understanding. Boston: Addison-Wesley. [2].Anonymus, http://www.dnevno.hr/techno/znanost/66430-japanski-robot-sprema-se-za-prijamni-ispit-

prestiznog-sveucilista-tokija.html (26.04.2013.)[3].Bell, D. (1999): The Coming of Post-Industrial Society: A Venture in Social Forecasting. New York:

Basic Books.[4].Bernecker, S., & Dretske, F. (2000). Knowledge: Readings in contemporary epistemology. New York:

Oxford University Press.13

[5].Bostrom, N. (2012). Superinteligencija. U: Brocman, J. (ur) Obrisi budućnosti, Izvor, Zagreb [6].Brocman, J. (ur) (2012). Obrisi budućnosti, Izvor, Zagreb[7].Chein, M., & Mugnier, M. L. (2009). Graph-based Knowledge Representation. London: Springer.[8].Dalbelo Bašić, B., Šnajder, J. (2012.). Uvod u umjetnu inteligenciju, Fakultet elektrotehnike i

računarstva, Zagreb, http://www2.fer.hr/_download/repository/UI-1-Uvod.pdf (25.4.2013.)[9].Elbot (2013.) http://www.elbot.com[10]. Geary, J. (2012). Sučelje mozga i stroja. U: Brocman, J. (ur) Obrisi budućnosti, Izvor, Zagreb[11]. Gršković, V. (2013). Umjetna inteligencija: računala koja razgovaraju

http://www.istrazime.com/kognitivna-psihologija/umjetna-inteligencija-racunala-koja-razgovaraju/ (25.4.2013.)

[12]. Harmelen, F., Lifschitz, V., & Porter B. (2008). Handbook of Knowledge Representation. Oxford: Elsevier.

[13]. Helbig, H. (2006). Knowledge Representation and the Semantics of Natural Language. London: Springer.

[14]. Jakupović, A; Pavlić, M., Meštrović, A., Jovanović, V., Comparison of the Nodes of Knowledge Method with Other Graphical Methods for Knowledge Representation; Proceedings of the 36th international convention on information and communication technology, electronics and microelectronics / MIPRO 2013. 2013.

[15]. Jurafsky, D., & Martin, J. H. (2000). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. New York: Prentice Hall PTR.

[16]. Kevin Warwic (2013.), www.kevinwarwick.com[17]. Matešić, M. (2008). http://www.informatologija.net/blog/392-chatbots/(26.04.2013.)[18]. Matešić, M. (2010). Hrvatska Mensa, http://www.mensa.hr/glavna/misli-21-stoljeca/479-umjetna-

inteligencija-uvod (25.4.2013.)[19]. Mišljenčević, D. i Maršić, I. (1991). Umjetna inteligencija, Školska knjiga, Zagreb[20]. Nogo, G. (2011). PMF, Zagreb, http://web.math.pmf.unizg.hr/nastava/ui/materijali/ (25.4.2013.)[21]. Nurse (2011). http://www.nurse.hr/cronurse_tv/zanimljivosti/umjetna-inteligencija-robot-koji-moze-

uciti-i-razmisljati.html (26.04.2013.)[22]. Pavlić, M., Oblikovanje baza podataka, Odjel za informatiku Sveučilišta u Rijeci, Rijeka, 2011.[23]. Pavlić, M., Informacijski sustavi, Školska knjiga, Zagreb, 2011.[24]. Pavlić, M., Razvoj metode za modeliranje znanja, Odjel za informatiku Sveučilišta u Rijeci, Rijeka,

2013.[25]. Pavlić, M., Meštrović, A., Jakupović, A., Graph-Based Formalisms for Knowledge Representation,

Proceedings of the 17th World Multi-Conference on Systemics Cybernetics and Informatics (WMSCI 2013), Vol 2. 2013. 200-204.

[26]. Pavlin, B. (2010). Sustav dijaloga na hrvatskom jeziku, Završni rad, Fakultet elektrotehnike i računarstva, Zagreb

[27]. Quillian, R. (1968). Semantic memory. Semantic Information Processing. MIT Press. 227 - 270.[28]. Russell, S. J., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach. New Jersey: Pearson

Education.[29]. Sowa, J. F. (2000). Knowledge representation: logical, philosophical and computational

foundations. Pacific Grove: Brooks/Cole Publishing Co.[30]. Stanojević, M., & Vraneš, S. (2007). Knowledge representation with SOUL, Expert Systems with

Applications: An International Journal, 33(1), 122 - 134.[31]. Šimek, Z. (2011). http://www.digital-point.org/umjetna-inteligencija/146-honda-asimo-najnapredniji-

humanoidni-robot-na-svijetu (26.04.2013.)[32]. Tooby, J. i Cosmides, L. (2012). Umjetna inteligencija ili ovldavanje intelektom. U: Brocman, J. (ur)

Obrisi budućnosti, Izvor, Zagreb[33]. Tportal, (2011). http://www.tportal.hr/scitech/znanost/132914/Pogledajte-robota-koji-igra-biljar-

bolje-od-ljudi.html (26.04.2013.)[34]. Turkle, S. (2012). Robotički trenutak. U: Brocman, J. (ur) Obrisi budućnosti, Izvor, Zagreb[35]. Wermter, S., Riloff, E., & Scheler, G. (1996). Connectionist, statistical and symbolic approaches to

learning for natural language processing. New York: Springer-Verlag.

14

[36]. (Inteligence, 2013), http://en.wikipedia.org/wiki/Inteligence, 20.05.2013.[37]. (Artificial inteligence, 2013) http://en.wikipedia.org/wiki/Artificial_inteligence, 20.05.2013[38]. (Loebner Prize, 2013.) http://en.wikipedia.org/wiki/Loebner_Prize#2008, 20.05.2013.[39]. (Watson, 2013) http://en.wikipedia.org/wiki/Watson_(computer), 20.05.2013.

15