(On-line using of inductive expert systems)

Szent István Egyetem, Gödöllõ, Gazdaság- és Társadalomtudományi Kar,
Gazdasági Informatika Tanszék

Abstract: On the base of the WAM (Weight and Activity Model) it is possible to create a special cover with public (IF/THEN) structure, which can pass the complex or secret black box systems to 3^rd person (user). The WAM makes possible to generate hidden connection between primer dependent and independent data series, too. The WAM can be defined as a inductive (hybrid) expert system or as a simple neuronal network, which may be used in online version. The simplest WAM version can be programmed as a series of EXCEL commands. The results of complex data mining processes can be passed to any of the project partners in on-line form without licence problems.

Az on-line tudástranszfer fogalmának magyarázatakor az idegenül hangzó on-line és transzfer fogalmakat lecserélve ezek magyar megfelelõjére, eljuthatunk a hálózaton keresztüli tudásátadás kifejezéshez, mely már talán közérthetõbben hangzik, de ezen meghatározás egyben elveszíti a magyar nyelvérzék szerint nem feltétlenül hátrányos kissé misztikus, tudományoskodó és nemzetközi jellegét.

A "magyarított" címben szereplõ tudás kifejezés azonban még további magyarázatokra szorul. A tudás - általános megközelítés szerint - az adatok információvá alakulását befolyásoló tartós, önmagára visszaható emberi képesség. Ezen belül az alapvetõen problémamegoldó (vezérlõ, irányító) szubjektív tudás képes a problémaszituáció elemeinek, a lehetséges cselekvési alternatívák és a célfüggvény-komponensek számának, tartalmának intuitív, heurisztikus meghatározására (szûkítésére). Az objektív tudás ezzel szemben a szubjektív tudás által feldolgozásra kijelölt objektum - attribútum - érték (/érzés) sorok alapján képessé teszi az embert a jövõben várható állapotváltozások irányának és mértékének többé-kevésbé pontos elõrejelzésére. Amennyiben hálózaton keresztül szeretnénk a valahol, valaki által felhalmozott szubjektív tudást más valakinek átadni (vö. szaktanácsadás), akkor világosan látható, hogy csak heurisztikus (azaz már tudatosult, operacionalizálható) tudáselemekrõl lehet szó, intuitív, asszociatív képességekrõl nem, (hacsak a call center fogalmát nem soroljuk az on-line tudástranszfer körébe.). Az objektív tudás esetében magától értetõdõ, hogy itt már csak operacionalizálható elemek (modellek) léteznek. Az on-line tudástranszfer tehát strukturált ismeret átadást jelent. Példát keresve a magyarázathoz, a szubjektív tudás esetében nem kell másra gondolni, mint arra, hogyan lehetne egy tetszõleges probléma (vö. búza hozamok elõrejelzése) kapcsán szakmailag felmerülõ, potenciális befolyásoló tényezõk halmazából szituáció-specifikus szûkítéseket végezni. Józan megfontolások alapján eddig ilyen kérdéseket volt nem szokás feltenni (vö. Miért kellene ugyanis éppen az NPK-adagokat az idõjárási és a talajtulajdonságokkal szemben preferálni?). Kivéve, ha a szûkítés lényege a potenciális befolyásoló tényezõk hátterében felhasználni kívánt adatok létezése, vagy hiánya. Modellezõi szempontból azonban mindig annyi adatból kell dolgozni, amennyi éppen van. Megjegyzendõ, hogy a jelenlegi krónikus adathiányra alapozó koncepciót már most is érzékelhetõen felváltja a nagy adatbázisok rendelkezésre állása esetén jogosnak tûnõ heurisztikus szûkítés igénye (vö. data mining, fuzzy logic control, STOCKNET), s ez a jelenség már az objektív tudás átadhatóságának/generálhatóságának (vö. GPS) lehetõségét feszegeti.

Az on-line tudástranszfer lényege tehát a valahol (lokálisan, vagy hálózaton - vö. közhasznúság) rendelkezésre álló adatok feldolgozni tudása hálózaton elérhetõ algoritmusokon keresztül.

Az on-line tudástranszfer témakörében három (egymástól nem feltétlenül egyértelmûen megkülönböztethetõ) szolgáltatást érdemes megemlíteni.

• On-line önjavító tesztek
• On-line tõzsdei elõrejelzés
• On-line szakértõi rendszerek

Az önjavító tesztek keretrendszerének kialakítására a GATE Humán Erõforrás Menedzser képzés honlapját PFP támogatással kialakító projekt keretében került sor. A megoldás magától értetõdõ: web-es ûrlapokon keresztül feltett kérdésekre kapott válaszokat kell valamilyen szerver-oldali (a kiértékelés szabályait magában foglaló) algoritmussal (pl. cgi) feldolgozni (vö. https://miau.my-x.hu/hem).

Az on-line tõzsdei elõrejelzések készítésének sémája is hasonló, vagyis a szerver-oldalon rendelkezésre álló adatbázist és feldolgozó algoritmusokat lehet a kliens-oldali (Internet-kommunikációra képes) szoftveren keresztül beállított adatbázis-lekérdezés és algoritmus-paraméterezés keretében testre szabottan használni. Így az adatok, s a különben védett algoritmusok nem mozognak, csak a végeredmény jut vissza a klienshez (vö. STOCKNET, http://www.ecocontrol.hu).

A cím értelmezéséhez érdemes a szakértõi rendszerek kétszintû definíciójából kiindulni: A szakértõi rendszer (mint minden modell) egy olyan eljárás, mely lehetõvé teszi tetszõleges tényezõk kapcsolataihoz (állapotkombinációk) tartozó következmények (állapotváltozások) összefüggésrendszerének számítógépes formában történõ kezelését. A szakértõi rendszer a kombinatorikailag lehetséges összefüggések közül alapvetõen szabályelvû, azaz alapvetõen logikai mûveletekre támaszkodik, s alapvetõen nem metrikus skálákon ábrázolt (skálákra transzformált, absztrahált) adatokat dolgoz fel. Az alapvetõen szócska világosan jelzi azonban, hogy nem célszerû éles lehatárolást tenni a csak logikai és a zömmel logikai mûveletek, ill. a klasszikusan csak nem metrikus skálán felvehetõ és az oda úm. letranszformált adatok feldolgozása között. Azokat a szakértõi rendszereket, melyekben metrikus adatok és ezeket feldolgozó numerikus mûveletek is megjelennek célszerû hibrid rendszereknek nevezni. A szakértõi rendszerek más közelítésben a "mi lesz/van, akkor ha" típuskérdés megválaszolását támogatják alapvetõen kevés kérdésre zárt opciólistákból kijelölhetõ válaszok kiértékelésén keresztül. Így a problémák egyben felfoghatók kombinatorikai kérdésfelvetésként is. Az attribútumonkénti opciók szorzata adja a kombinatorikai tér maximumát, s ezen potenciális esethez (szituáció + következménye) kell olyan összefüggést találni, mely az ismert eseteket nagy pontossággal képes visszatükrözni úgy, hogy az ismeretlen következményû szituációkból várható állapotváltozások mértékét és irányát illetõen levonható következtetések szakmai és számszerû helyessége is magas szintû kell, hogy legyen. Az összefüggések megalkothatók ad hoc jelleggel, vagyis az emberi érzések/tapasztalatok szabályokká érlelése révén, ill. kerestethetõk automatikusan (kézi vezérléssel) esetgyûjtemények alapján. Ez utóbbi szokás induktív szakértõi rendszernek, ill. gépi tanulásnak nevezni. Amennyiben egy összefüggés nem túl bonyolult ahhoz, hogy web-rõl érkezõ inputok feldolgozására szerver-oldalon megprogramozható legyen, úgy joggal vetõdik fel a tudás közkinccsé tétele érdekében ennek on-line típusú kiajánlása a felhasználók számára. Hiszen a lokális szakértõi rendszerek is azzal kecsegtették a potenciális felhasználókat, hogy a valahol felhalmozott tudás ezen technikán keresztül válhat közkinccsé. A köztudatba való bekerülésnek, ill. az egyszerû hozzáférésnek és alkalmazásnak pedig egyre perspektivikusabb módja a hálózaton keresztüli hozzáférés. A jogosultságok, az ellentételezés rendszerének kialakítása már a termék (SZR) marketingjéhez tartozik (vö. elektronikus kereskedelem).

Az elmúlt években az agrár- és vidékfejlesztési jellegû problémák kezelésének átgondolásakor egyre világosabbá vált, hogy egy jól mûködõ információs rendszer nélkül ez nem lehetséges. Eltekintve e helyen az információs rendszerek építésével kapcsolatos általános elvek ismertetésétõl, érdemes mégis kiemelni, azt, hogy egy ilyen egyszerre kormányzati és össztársadalmi jellegû információs rendszert sem kell / lehet másként építeni, mint egy klasszikus nagyvállalati rendszert, ill. a rendszertõl annál nagyobb információs többletérték várható el, minél inkább közhasznú, vagyis minél több felhasználó minél kevesebb korlátozással használhatja. A sok felhasználót alapvetõen on-line jelleget feltételez, a korlátozások mibenléte pedig leginkább politikai kérdés. Egy ilyen típusú rendszer fontos modulja a primer adatokon elérhetõségének biztosításán túl, a már valahol kinyert (pl. elõrejelzõ, hasonlóság-elemzõ) összefüggések (vö. szakértõi rendszerek) on-line felkínálása.

Az adatfeldolgozásnak, vagyis a primer adatoktól a sûrített, a leginkább információként kezelhetõ, elemzett adatokig való eljutásnak alapvetõen két típusát érdemes megkülönböztetni:

• az elõre ismert, többnyire egyszerû képletekre alapuló mutatószámképzést (melyek önmagukban csak ritkán segítenek konkrét döntéseket hozni, pl. egy fõre jutó nemzeti jövedelem alapján érdemes-e egy országba beruházni) és
• az elõre nem ismert, de célfüggvénnyel többé-kevésbé körülírható jellemzõkkel bíró, rejtett összefüggések megtalálását (= data mining).

Ahhoz, hogy viszonylag olcsón, relatíve nagy mennyiségû és hatékonyan alkalmazható rejtett összefüggésre bukkanhassunk, vagy

• a GPS (General Problem Solver) univerzális programváltozatát kell megalkotni, vagy
• legalább sok viszonylag széles spektrumú (context free, de gyakran black box) eljárást (mesterséges intelligenciát, pl. neuronális hálók, genetikus algoritmusok, stb.) kell megalkotni, és/vagy
• olyan keretrendszerekkel kell rendelkezni, melyek átláthatóak (white box) és mégis lehetõvé teszik az emberi hipotézisek hatékony forráskóddá alakítását (vö. WAM).

A Weight and Activity Model (WAM) egy olyan context free módszertan, mely szoftveres formájában Excel felületen, makrók és modulok nélkül is képessé teszi az embert arra, hogy tetszõleges modellépítést végezzen (így bármely ismert modellt több-kevesebb pontossággal, reprodukálja, leegyszerûsítse, ismert szerkezetûvé tegye, ill. helyességben felülmúlja), ill. nagy mennyiségû inputváltozó alapján ezeket csak részlegesen tartalmazó, de nagy helyességgel bíró modelleket (egyszerû neuronális hálókat, hibrid szakértõi rendszereket) alkosson. Ebben a folyamatban csak korlátozott (véletlenszerû) gépi tanulásról lehet beszélni (pl. a küszöbértékek számának, a küszöbértékenkénti súlyoknak és egyéb paramétereknek, beállítása ill. az inputváltozók számának variálása révén). Az ember + gép szimbiózisára azonban korlátlan lehetõség kínálkozik, vagyis nem kell általános formájú forráskódba önteni a célfüggvényt támogató és összefüggés-módosító elveket, elegendõ ezeket csak néhány Excel parancson keresztül visszatükröztetni. A WAM legegyszerûbb eredménye:

• a beválasztott (hatásosnak ítélt) magyarázó változók listája,
• az ezekre vonatkozó küszöbértékek (vö. logikai transzformáció) nagysága,
• a küszöbértékek által kijelölt tartományok (aktivitások) fontossága (súlya), ill.
• a súlyok eredõjét képzõ, immár numerikus függvény.

Ezen eredmények alapján magától értetõdõn alkothatók meg szerver oldali (ill. Java) forráskódok, melyek kapcsolódva egy HTML-kérdõívhez, az itt kapott válaszokat képesek feldolgozni és a végeredményt a felhasználónak HTML formában közölni.

Az OTKA F 030664 kutatási téma keretében az EUROSTAT SPEL (Sektorales Produktions- und Einkommensmodell der Landwirtschaft) adatbázisának (EU-tagországok évenkénti mezõgazdasági termékekre/termelésre vonatkozó hozamai és ráfordításai naturális, monetáris adatok formájában) feldolgozása nyomán pl. a következõ kérdésekre kaphatunk választ:

• adott küszöbérték (vö. fedezeti pont) alatt vagy felett várható adott évben adott technológia (NPK, mész, energia-felhasználás) hatására adott növény hozama, ill.
• növekvõ vagy csökkenõ trenddel kell-e számolni az utolsó ismert termésátlaghoz képest adott év (1, 2, 3, stb.) elteltével, valamint
• mely intervallumba várható a keresett hozam, ill.
• mely ismert ország, év objektumokhoz és következményeihez hasonlít a legjobban egy adott szituáció.

Az eredmények, ill. az alkalmazás sajátosságai a https://miau.my-x.hu/oszr/index.html oldalon követhetõk.

Amennyiben a vizsgált jelenségek gazdasági jelentõséggel bírnak és az Internetes hozzáférés lehetõségei, költségei jelentõsen továbbcsökkennek, úgy elvárható, hogy a klasszikus szakirodalmi és beszélgetésre alapuló informális csatornák helyett (pl. a tervezésben, a szaktanácsadásban) a felhasználók egyre nagyobb számban veszik majd igénybe a valahol rendelkezésre álló (közhasznú, ill. olcsó elõfizetésû) adatbázisokat és az ezekre alapuló összefüggéseket saját helyzetük pontosabb megítélése érdekében. Így a ma divatos WAP technológia kevés, fontos adatot hozzáférhetõvé tevõ technológiai fejlesztésének érvrendszere kibõvülhet azzal, hogy nem csak konkrét adattartalmak érhetõk el bármikor, bárhonnan, hanem szerver-oldali elemzések is indíthatók, melyek már csak egy-két adatban megnyilvánuló eredménye jut vissza a felhasználóhoz. Így a lokális szoftvertelepítés és licence-vásárlás helyett / mellett (melyek kiküszöbölhetetlenül vezetnek a fekete piachoz) kialakulhat a hálózati erõforrások (adat, módszertan, s gépkapacitás) hatékonyabb használati rendje. Ez által a data mining nem a "multik" játékszere, hanem az információs társadalom alapvetõ elemzõ (tudásközvetítõ) eszköze lehet.

1. Bunkóczi László (1998/b): Mesterséges intelligencia alapú prognosztikai modulok adaptálása a EU/SPEL-Hungary rendszerhez az alapadatbázisok konzisztenciájának egyidejû ellenõrzésével, PhD keretterv, Gödöllõ - miau.my-x.hu/miau/04/blaci.html
2. Bunkóczi László, Pitlik László (1999): A DEA-módszer alkalmazási lehetõségei üzemhatékonyságok méréséhez Agrárinformatika 1999 konferencia kiadványa, ISBN 963 7177 94 9, Debrecen, pp. 313-328. - miau.my-x.hu/miau/13/szept.html
3. Bunkóczi László, Pásztor Márta, Pitlik László, Popovics Attila (2000): HOM-E/O-MINING, Magyar Informatikusok II. világtalálkozója – miau.my-x.hu/miau/18/februar.html
4. Kapronczai István (1998): A Piaci Információs Rendszer Magyarországon és az Európai Unióban, elõadás, Gödöllõ 1998 október 13. - miau.my-x.hu/miau/03/fvmeumis.html
5. Pásztor Márta Zsuzsanna (1998/b): Mesterséges intelligencia kutatások hasznosítása az elõrejelzés készítésében, in: Magyarország az ezredforduló után (V. Magyar Jövõkutatási Konferencia anyaga) Budapest, ISBN 963 508 150 2 - miau.my-x.hu/miau/04/dec11.html, tartalmi összefoglaló a használt prognosztikai módszertanról
6. Pásztor Márta Zsuzsanna, Popovics Attila (1999): Agrárinformáció-kínálat az Interneten, Agrárinformatika 1999 konferencia kiadványa, Debrecen, ISBN 963 7177 94 9, pp. 180-184. - miau.my-x.hu/miau/13/szept.html
7. Pitlik László (1993): Automatisierte Generierung problemspezifischer Prognosefunktionen zur Entscheidungsunterstützung, Dissertation, JLU, Wissenschaftlicher Fachverlag, Giessen, ISBN 3-928563-60-2, O.1-194
8. Pitlik László (1994): Elõrejelzések információértéke döntési stratégiák összehasonlítása alapján, In: IV. Agrárökonómiai Tudományos Napok, Gyöngyös, ISBN 963 814025 9, ISBN 963 814026 7, O.599-608, ill. 629-632.
9. Pitlik László (1996): Alternative Methods of Neural Networks, ICCTA poszter - miau.my-x.hu/miau/04/wfx.html
10. Pitlik László, Bunkóczi László (1998): STOCKNET avagy hasonlósági függvények elemzési célokra - miau.my-x.hu/miau/08/stockbase.doc
11. Pitlik László (1999/a): STOCKNET, avagy mesterséges intelligenciák az Interneten és a felsõ oktatásban, Informatika a felsõoktatásban 1999 konferencia kiadványa, Debrecen, ISBN 963 03 8985 1, pp. 131-134. - miau.my-x.hu/miau/06/if99.doc
12. Pitlik László (1999/b): Mesterséges intelligenciák a tõzsdén Magyar Tudomány Napi rendezvény a MTA-n, Budapest - miau.my-x.hu/miau/16/december.html
13. Pitlik László (1999/c): Mezõgazdasági döntéshozók magatartásmintái az informatikai törvényszerûségek tükrében, FKFP-kutatási jelentés - miau.my-x.hu/miau/16/fkfp.doc
14. Pitlik László (1999/d): Magyarországi Integrált Terület- és Vidékfejlesztési Információs rendszer (MITIR), VISION 2000 II, GATE GTK konferencia kiadványa pp. 148-157., Gödöllõ - miau.my-x.hu/miau/09/vision.htm
15. Pitlik László, Bunkóczi László (1999): Comparativity function for analysing EFITA konferencia, Bonn, Németország - miau.my-x.hu/miau/04/blaci.html, miau.my-x.hu/miau/08/aprilis.html
16. Pitlik László, Pásztor Márta Zsuzsanna, Popovics Attila (1999): Újdonságok az Internetes tartalomszolgáltatásban a GATE Gazdasági Informatika Tanszékén, Networkshop '99 Konferencia - miau.my-x.hu/miau/06/networkfull.rtf
17. Volker Mothes, Karl Wendt, Pitlik László (1999): TRANS-FRAM, online information system for enterprises EFITA konferencia, Bonn, Németország - miau.my-x.hu/miau/04/iamo99.html, miau.my-x.hu/miau/09/majus.html
18. Pitlik László, Bunkóczi László, Pásztor Márta Zsuzsanna, Popovics Attila (2000): OTKA jelentés - miau.my-x.hu/miau/19/otkastudy.doc