69
PRIMENA METODA INŽENJERSTVA ZNANJA	INFORMATICA 4/89
U OBRAZOVANJU
Keywords: method, knowledge engineering, artificial intelligence, education
Ljubomir Jerinič, Zoran Budimac, Dura Paunič i Mirjana Ivanovič
U radu su opisane metode inienjerstva znanja kao podoblasti veStačke intejigencije, i mogučnosti prlmene tih metoda u obrazovanju. Kao najpogodnija metoda reprezentaciJe znanja za potrebe obratovanja izabran Je sistem okvira Marvina Minskog. Na osnovu takvog pristupa razvijen Je programski sistem OSOF za prikupijanje, internu reprezentaciju i koriščenje znanja u svim vidovima i nivoima obrazovanja.
1. uvod
Prema ti), veStačka i ntel i genci ja <VI> je deo ratunarskih nauka u koj ima se projektuJu inteligentni računarski sistemi, koj i se ponaSaju na način siitan inteligene ij i u ljudskom ponaSanJu, za razumevanje prirodnih jezika, učenje, rezonovanje, reSavanje problema i si. VI Je interdisciplinarna nauka i potekla je iz istraiivanja iz domena simboličke obrade podataka i dela psihologije o rasudivanju. VI istražuje simboliCku obradu i heurističke procese zaključivanja i rezonovanja, kao i predstavljanje znanja u obliku pogodnom za zaključi vanje uz pomoi računara (2) .
Osnovni pravci istraiivanja u okviru VI su: razumevanje prirodnog govora, maSinsko učenje,, automatsko program iranje, računarska vizija, inteligentna robotika, inženjerstvo znanja itd.
Razvojem raiunarske tehnologije i metoda VI u zadnjih deset godina, približavanjeis računara svim uzrastina, kao i uvodenjem računara u Skole, istraživačima VI obrazovanje postaje ¡i nteresantno polje rada. Deo VI, inženjerstvo ananja, po svojoj definiciji, metodama i rezultatima postaje direktno primenljivo i u obrazovanju,	sa	ciljem	krajnje
individualizacije obrazovnog procesa. DavnaSnja težnja da Jedan nastavnik ili profesor obrazuje jednog učenika ovakvim- pristupom postaje realnost, kao i napredovanje svakog učenika prema njegovim sposobnost ima.
U radu se dalje opisuju metode inženjerstva znanja i njihova primena u obrazovanju. Data je definicija	i	klasifikacija	načina
pretstavlJanja	znanja,	prlhvačena	u
inienjerstvu znanja. IskoriSčena je metoda M. Minskog 16) za reaiizaciju univerzalnog programskog paketa OSOF 13J za primenu računara u obrazovanj u.
2. inženjerstvo znanja
U ranom razdoblju istraiivanja u ovoj podoblasti VI, do sredine 70-tih godina, težilo se Cpod uticajem psihologije}, iznalaženJu opatih metoda reSavanja problema "ekspertize" znanja, zasnovanih na opStim principima zaključivanja sa psiholoSkog aspekta. Ovakav pristup se pokazao neefikasnim za Von Neuman-sku oj -snizacij!.' računara i sa milom primeni J ivoSču u praksi. Nedostatak je prevashodno Sto se unular opSteg generalizovalo specifično znanje relativno disjunktnih oblasti.
Krajem sedamdesetih godina se sa paradigme zasnovane na zaključivanju preSlo na novu paradigmu zasnovanu na znanju. Oblast delovanja istraži vača inienjerstva znanja postaje istovetna sa oblastima delovanja stručnjaka iz pojedinih uskih	oblasti:	prikupljanje
specifičnih znanja i iskustava, te potom i njihova primena u reSavanJu odredene grupe problema. Preduslov za ovakvo, heurističko, reSavanje problema Je izbor pogodne reprezentaciJe relevantnog znanja kome inteligentni program može lako da pristupi, dok mehanizam zaključivanja, tj. mehanizam koriščenja tako memorisanog znanja treba da je jednostavan i zasnovan na tom znanju umesto na opStim principima ili nekakvim funkcijama koreplikovanim za izračunavanje.
Ljudsko znanje se kodira odredenim metodama u module koji se u mehanizmu zaključivanja aktiviraju uzorcima:	"sirovi"	podaci,
"obradeni" podaci, parcijalna reSenja, neočekivane situacije, greSke i si. Ovakvi uzoračko vodeni moduli imaju niz prednosti u odnosu	na	nekakav	opStl	algoritam
zaklJ u£ i vanj a:
-predstavljanje znanja u delovima je primereniJ i	načinu memorisanja	znanja
eksperata,
-programiranje sa ovakvim modul ima omogudava razvoje inteligentnih sistema u koracima, programi se lako modifikuju i proSiruju, a greSke unutar znanja se poprav1jajubez izmene koda programa, i si.
Proces konstruisanja Jednog lnteligentnog sistema obuhvata sledečih pet oblasti:
-prikupiJanje	i	sistematizacija
relevantnog znanja: od eksperta ili maSinskim učenjem na primerima,
-reprezentaciJa znanja: izbor pogodnog načina kojim se velika količina znanja može predstaviti poioču simbollčkih struktura podataka unutar računara, pogodnih za zaključivanje. Odabrana struktura treba da omoguči fleksibilne Izmene i dopune memorisanog znanj a,
-primena znanja: planiranje i kontrola reSavanja problema, heurističko zaključivanje, tačnost i efikasnost rada lnteligentnih procesa, koje memorisano znanje predstavlja,
-generisanje objaSnJenJa: interakcija računal—čovek, objaSnjenje zaSto Je problem reSen na jedan a ne na neki drugi način, mogučnost učenja na greSkama i utlcanja čoveka na proces zaklJučivanja,
-obrazovanje: saeSteno znanje se uz izvesne ograde može koristiti i za stvaranje
70
inteligentnih sistema učenja.
3. IN2ENJERSTVO znanja 1 obrazovanje
Računaj- u obrazovanj u sa stanoviSta nastave se može posmatrati kao novo nastavno sredstvo i kao upravijač nastavnog procesa. Za razliku od konvencionalnih nastavnih sredstava Cgrafoskop, diaskop, interna televizija, responderi i dr.) računar u nastavni proces unosi značajnu novinu - mogučnost obostrane komunikacije računar -učenik. Nijedno od konvencionalnih nastavnih sredstava ne može da odgovara na pitanja učenika i da na taj način usmerava nastavni proces. JCao upravijač nastavnog procesa, raCunar u obrazovanju se posmatra kao neposredni izvrSioc nastavnog procesa kreiranog putem programske podrSke i upravljat raznih pomočnih	uredaja	nastavnog	procesa
Claboratorijski urejaj i, responderi i dr.).
Ovako posmatrana primena računara u obrazovnom procesu otvara mogučnost pri mena metoda i tehnika inženjerstva znanja u obrazovanju i otvara novo polje lstraiivanja - projektovanje inteligentnih sistema učenja. Projektovanjo ovakvih sistema učenja zahteva interakciju metoda inženjerstva znanja sa jedne strane i metoda pedagogije, metodike, didaktike i psihologije sa druge.
Pretpostavka da se znanje koje sadrže ekspertni sistemi standardnog tipa nože iskoristiti i u svrhe obučavanja, demantuje se u praksi Jer su takvi inteligentni programi losi učitelji 141. Uzrok je upravo izostav1 janje osnovnih principa pedagogije i metodike pri kreiranju programskih sistema čija je svrha prvenstveno konsultanska pomoč pri reSavanju problema.
Kreiranje posebnih inteligentnih sistema namenjenih obrazovanju, mora reSiti sledeče probleme:
-kako predstaviti znanje koje učenik treba da usvoji,
-kako opisati pojmove koj i se usvajaju, -kako usaglaslti mehanizam koriščenja takvog znanja sa metodički m i pedagoškim principima usvajanja znanja,
-kako iskoristiti dobre osobine svih vrsta konvencionalnih načina prenosenja .1 usvajanja znanja: predavanje, testiranje, eksperiment, opažanje, programirana nastava i dr.
4. sistemi reprezentovanja znanja
Znanje se može definisati kao simbolička reprezentacija činjenica i relacija medu njima. Reprezentacija znanja je način predstavljanja znanja, kao i način kako se ono može povezivati sa drugim znanjem, koristiti za reSavanje novih situacija i izvoditi novo znanje.
U ISJ reprezentacija znanja se definiSe kao skup sintaksnih i semantičkih konvencija koje omogučavaju opisivanje stvari. Sintaksa reprezentacije je skup pravila za formiranje, kombinovanje i uredenje izraza u Jeziku reprezentacije.	Semantika reprezentaciJe
odreduje kako se sintaksno valjani izraz koj i reprezentuje znanje interpretira, tj. kako se iz date forme može Izvesti i koristiti znanle.
Reprezentacija znanja je bitan element inJtenjerstva znanja koj 1 omogučava sistematičan način kodiranja znanja stručnjaka o nekom problemu unutar neke Sire kategorije. Ona implicitno obuhvata i organizaciju podataka u raCunaru za memorisanje znanja. Postoji niz notacijskih sistema za predstavljanje znanja u računaru. Zajednička karakteristika svih je da treba da obezbede brz pristup znanju 1 da se znanje može lako koristiti pomoču manje-viSe prirodnih mehanizama zaključivanja ili izvodenja. Programeru nakon odabiranja
notacijskog sistema ostaje da izabere najpogodnlju strukturu podataka koja se implementira zadržavajuči sve dobre osobine izabranog notacijskog sistema.
Važni kriterijumi za izbor notacijskog sistema 1 organizaciju podataka za reprezentaciju znanja su:
-logička dovoljnost tj. da formalizan može na pogodan način da opiše znanje,
-efikasnost pristupa pri obradi znanja, -iskorlstlvost, tj. reprezentovano znanje se može upotrebiti u reSavanju problema za koje su ta znanja dovoljna.
Za reprezentaciJu znanja u primeni inženjerstva znanja se korlste sledeči formalizmi: produkcijska pravila, strukturni objekti 1 predikatska logika.
Svi navedeni formalizmi se implementiraju sami ili u nekoj kombinaciji, u uzoračko vodenim sistemima. Struktura podataka koja pretstavlja unutrafinju reprezentaciju izabranih formalizaría pretstav1 janja znanja Je lavisna od problema koj i se reSava, sistema zaključivanja, interpretatora mehanizma procesiranja znanja, računara na kome se implementira i programskog Jezika Izabranog za realizadJu odredenog inteligentnog sistema.
Sistemi koji koriste neki od navedenih formalizama, se sastoje od niza relativno nezavisnih modula koji omogučavaju prikupiJanJe i memorisanje znanja, formiranje odgovarajuče unutraSnje reprezentaciJe znanja, koriščenje prikupljenog znanja i si.
Produkcijska pravila su formal i zam za predstavljanje znanja koji se koristi i u teoriji autómata, formalnim Jezicima i dlzajniranju programskih jezika. Sastoje se od skupa pravila oblika:
if (P, A . . . A p > then CA. A . . . A A ), 1	n	1	m
gde su Pj , 1=1, . . . ,n uslovi, a A j , J»l, . . . ,m
zaklJučci.Uslovi su trojke objekt - atribut -vrednost oblika:
CBor Je_rudnik bakari
dok su zaključci akcije koje se preduzimaju ako su uslovi zadovoljeni.
Koriščenjem ovog formalizma kodiraju se iskustvene veze <asociJaciJe) izmedu uzoraka podataka i akcija koje sistem treba da preduzme kao posledicu zadovoljenosti	uslova.
Produkcijskim pravil ima se kodiraju dva tipa znanja: opSte znanje relevantno za problem koji se opisuje tim znanjem i specifično znanje važno za posebne priraene koje če koristiti to znanje. To specifično znanje se može i reprezentovati	tradicionalnim	tehnikama
pretstavljanja znanja u bazama podataka. Neodredeno znanje koje, se takode može koristiti je pretstavlJeno trojkom:
if CP. A ... A p j then 1	n
CA A . . . A a > with VCO. 7) 1	m
gde je VC0.7) verovatnoča da CP1 A . . . A p^j
izvodi CA. A . . . A A >.
i	m
Predikatska logika, u čijoj osnovi Je propozicioni i predlkatski račun, razvojem logičkog programiranja i logičkih programskih jezika, se koristi i kao sistem predstavljanja znanja. Znanje se predstavlja pomoču formula, kao napr.:
Svako voli nekog <==> <Vx5 <3y> CvoliCx y» Ovakav načina opisivanja znanja se koristi u
71
reprezentacij i opStih člnjenica za raziiku od produkcijskih pravila u koj ima znanje predstavlja iskustvene Cinjenice.
Strukturni objekti su op£tl izraz za bilo koju Senu reprezentacije znanja. Osnovni delovi strukturnih objekata su analogni Cvorovima i vezama u teoriji grafova, otvorima <"slot") i markerima teorije okvira ("fraae"), ili otvorima i puniočima <"flller"5 konvencionalnih struktura podataka tipa slog. Oni obuhvataju sledeče formalizme: semantičke Casoc1jativne nre2e>, okvire, objektno orjentlsane sisteme, strukture konceptualne zavisnosti ili skripte.
Predikatska logika i produkcijski sistemi kao formalizmi predstavljanja znanja se koriste za reprezentovanje razliti tih aspekata oko11ne. Medutlm, u opStem sluCaju, oni ne dozvoljavaju da struktuirarao znanje o toj okolini. Strukturni objekti ukijuftuju noguCnost reprezentovanja strukture znanja, grupisanjem delova znanja u celine i relacija medu znanjem, kao i pokaži vata na akclju koja se preduzima koriščenjem tog znanja. Takode se unutar strukturnih objekata pred v i da rad sa podrazumevanim	<default5	vrednost, ima,
otkrivanje greSalca kao i rad sa nepotpunim znanjem. Sve ove nabrojane osoblne su direktno primenlJive u predstavljanju znanja za obrazovne svrhe.
5. predstavljanje znanja u sistemu osof
Znanje za potrebe obrazovanja se može organizovati u nastavne sekvence <lekcije5 koje se sastoje od skupa medusobno povezanih Clanaka (pojnova). filanak sadrii minimalnu kolieinu zaokruženog znanja koga ucenik treba da savlada u jedinici vremena.
Svaki Clanak se sastoji od naziva, teksta kojim je on opisan, grafiCke ilustracije ili simulacije i prbizvoljnog broja zadataka kojim se može proveriti i utvrditi znanje opisano u Članku.
Zadatak je opisan tekstom, slikom ili simulacijo»!, a odgovor se mo2e eksplicitno uneti, odabrati od niza ponudenih alternativa ili odabrati iz dve grupe ponudenih alternativa, uparlvanjem.
Alternative su opisane tekstom, a svaki moguči odgovor sadrži i informaciju o daljem toku učenj a u slučaju da Je uCenik odgovorlo na odgovarajuCi način ili odabrao odredenu alternativu kao svoj odgovor na postavljeni zadatak.
U sistemu OSOF iskoriSCena Je metoda okvira za pretstavlJanje ovako organizovanog znanja. Okvir se sastoji od skupa imenovanih slotova koji sadrže vrednosti ili pokaživače na druge okvire 153. Struktura podataka koja odgovara navedenoj reprezentaciJ i i organizaciji znanja zapisana u pseudo Jeziku za opis okvira Je:
Beg i n Sekvenca
<	Ime: Niska;
F Početak: Clanak > Begin Članak
<	Pojam: Niska;
Opis:	Niska, Simulacija, Slika;
F Pitanje: Zadatak >
End ;
Begin Zadatak
<	Opis:	Niska, Simulacija, Slika; F Sledeči: Zadatak;
F Odgovor: Alternativa >
End;
Begin Alternativa
<	Opis:	< Izbor, Otvoreni odgovor,
Uparlvanje ); F Akcija: < filanak, Zadatak,
Dopuna_op i sa, Kraj >; F SledeCi: Alternativa >
End;
Begin Kraj
< Ime: Niska; F Akcija: < Sekvenca, Članak, 'Exit* 5 >
End;
U okvirima Sekvenca, Clanak, Zadatak i Kraj "Niska" oznaCava tekst proizvoljne dužine, "Simulacija" proceduru za 'simuliranje nekog procesa, a "Slika" proceduru za grafickl prikaz proizvoljne slike. Unutar okvira Alternativa moguči zadaci koje uCenik treba da IzvrSi su: "Izbor" - na postavljeni zadatak se odgovara izbor jedne od navedenih alternativa, "Otvoreni odgovor" - zahtev za eksplletni upis reienja 1 "Uparivanje odgovora" - postavljeni zadatak se reSava uparlvanjem odgovarajuCih alternnativa iz dva skupa. Na osnovu uCenikovog reSenja zadatka, akcija raCunara se odvija prelaskom na: jedan od okvira filanak, Zadatak i Kraj, ill grupu okvira filanak koji pružaju dodatno objaSnjenje nejasnog opisa ("Dopuna opisa"). Oznaka F ispred imena slota oznaCava da je njegova vrednost pokaživat na okvir.
6. SISTEM OSOF
Sistem OSOF 131 je razvljen u .Institutu za matematiku u Novom Sadu 1 sastoji se iz modula za prikupljanje znanja TEA, njegovu internu reprezentac1Ju po opisanoj Semi i dva modula elementarnog koriščenja za usvajanje znanja: izborom alternativa - LEA i testiranjem - EXA. Realizovan je programom vodenim meniJ ima 1 izuzetno Je Jednostavan za koristenje, te od nastavnika 1 utenika ne zahteva nikakvo znanje o ustrojstvu raCunara - niti	znanje
programiranja. Prlmenom sistema zaključeno Je da Je odabrana. metoda okvira pogodna za prlmenu u obrazovanju.
LITERATURA:
1.	Barr A., Felgenbaum E. A., Handbook of Artificial Intelligence, Stanford University Computer Science Dept, Stanford, <19805, USA
2.	Buchanan B. Q. , Felgenbaum E. A., Dendral and Meta-Dendral: their applications dimension. Artificial Intelligence, 1K1.25, 5-24, <19785, USA.
3.	PaunlC D., JerlnlC LJ. , Budlraac Z., IvanoviC M. , Univerzalni programski paket za primenu raCunara u nastavi, u Stamp1.
4.	Clancey V. J., Methodology for building an intelligent tutoring system, from "Methods and tactics in Cognitive Science", Lawrence Erlbaun Publishers, <19835, USA.
5.	Frost R. , Introduction to Knowledge Based Systems, Collins, London, <19865, Great Britain.
6.	IvanoviC M., JerlniC L J . , Paunič D. , Budimac . Z., On knowledge representation in education, Review of research. Institute of Mathematics, Novi Sad, <19885, <u Stampi5.
7.	Nllsson N. J. , Principles of Artificial Intelligence, Tioga Publishing, Palo Alto, <19805, USA.
8.	Winston P., Artificial Intelligence, Addison - Wesley, Reading, <19770, USA.