Ambiguity |
어떤 것이 하나이상으로 해석되는 경우이다. 즉 "배"라고 할때 ship, pear, abdomen 인지 구분이 안된다. 어떤 그림이 젊은 여인의 그림으로 보이기도 하고 노파의 그림으로 보이기도 한다. |
Expert's knowledge error |
전문가는 knowledge source 이다. 그의 지식이 틀릴 경우 개발과정 전체에 영향을 미친다. 그러나 expert system 의 side-benefit 의 하나는 전문가의 잘못된 지식을 detection 해 낼수가 있다는 것이다. 인간의 생명과 관계되는 mission critical project에서 전문가의 지식을 확실히 하는 formal procedure 가 필요하다. 여러명의 system user, domain expert, system developer, manager를 panel로 구성하여 개발의 초기단계에서 정밀조사 (close scrutiny) 하게 한다. errorneous knowledge 가 나중에 발견될수록 비용은 더 많이든다 |
Ignorance error |
모든 개발단계에서 공통적으로 가지는 문제는 system의 무지의 한계 (limit of ignorance) 를 정하는 일이다. 인간은 자신의 지식의 한계를 알기 때문에 모른다고 생각되는 부분에서는 답을 유보할수 있다. 인간은 자기의 결론이 자기가 잘 모를 것같은 경계선상에 있다면 어떤 uncertainty를 부여하는 현명함을 보인다. 그러나 expert system은 uncertainty를 받아들이도록 program 되지 않으면 inference chain and evidence가 약하더라도 계속해서 답변 (answer)을 할것이다. |
Incomplete error |
전문가로부터 얻은 지식 자체의 완전성의 결여이다. 어떤 정보가 상실된( missing ) 경우이거나 지식이 부족한 경우이다. 예를들어 " valve를 돌려라 " 할 경우 어느쪽으로 돌리나가 명시가 안된 경우이다. 있어야할 정보의 결여로 말미암아 정확한 결론을 내릴수 없는 상황일 때 발생한다. Rule에서 condition과 action 사이의 상호관계가 확실히 설정되지 않아서 IF A THEN B에서 A라는 조건일 때 B가 성립된다는 것이 확실히 보장되지 않는 경우이다 1. 전문지식의 부족이나 부실한 지식획득으로써 야기될수 있다. 질병에대한 진단 시 전문의의 자문없이 지식을 만든 경우가 해당된다 2. 문제영역 자체가 이미 불확실성을 내포하고 있는 경우이다 . 즉 부동산 경기 예측이나 주가예측처럼 문제자체가 여러 가지 factor에 의해 결정되기 때문에 완전한 지식을 구축하는 것이 불가능한 경우이다 |
Incorrect error |
정보가 틀린 (wrong) 경우이다 1. Human errors 2. Experiment error a. Wrong output b. Unreliable : 측정 정비가 맞다가 틀리다 한다 (fluctuate). 따라서 데이터는 erratic하다 c. No output 3. False negative : 가설이 true 임에도 그 가설을 reject 하는 것. 통계에서의Type 2 error 에 해당 4. False positive : 가설이 false 임에도 그 가설을 accept 하는 것. 통계에서의 Type 1 error 에 해당 논리적 오류나 전문지식의 부족 등으로 잘못된 지식을 생성하는 경우이다
지식의 일부가 틀렸을 때 발생한다. " 열쇠로 문을 열어라" --> 안 열릴때 A 라는 기계가 그동안 고장이 나지 않았기 때문에 앞으로도 고장이 나지 않으리라고 추론하면 오류가 된다
|
inference chain errpr |
이것은 잘못된 지식, semantic error, inference engine bug, rule 우선순위의 잘못된 적용, rule간의 예기치 않은 상호작용 등에 의해 발생한다. 더욱 복잡한 inference chain error 는 rule 과 evidence 의 uncertainty, inference chain에서 uncertainty의 전파, nonmonotonicity등에 의해 발생한다. uncertainty를 다루는 방법을 선택해서 uncertainty 와 관련된 모든 문제들이 자동적으로 해결되는 것이 아니다. 예를들면 simple Bayesian inference를 선택하기 전에 conditional independence 라는 가정이 성립되는지를 반드시 check 해야한다. |
Inference engine error |
다른 software 처럼 inference engine 도 bug를 가질수 있다. tool 이 release 될 때 common bugs들은 수정되야한다(fix). 그러나 드문 경우,예를 들면 agenda에 몇 번째 rule 이 나타날 때 라든가, 어떤 pattern matching 동작에서만 나타나는 모호한 경우도 있다.대개는 pattern matching, conflict resolution, execution of action에서 나타난다. 이런 bug는 지속적이지 않으면(not consistent) detect 하기가 어렵다. tool error를 가장 쉽게 check하는 방법은 other user 에게 물어보는 것이며 tool vender 는 일련의 customer list를 제공해야 한다. user's group은 가장 훌륭한 정보소스이다. |
Measurement error |
1. Precision : mm ruler 는 cm ruler 보다 10 배 더 정확하게 (precisely) 측정된다. 즉 진리가 얼마나 더 정확하게 알려질수 있는가를 의미한다 2. Accuracy : mm ruler 도 눈금이 부정확하게 측정된다면 부정확하다 (inaccurate). accuracy 는 진리와 동등하다 지식을 실제 사실이나 대상과 결부시킬 때 발생하는 측정이나 적용에서의 오류이다.여기서 지식은 Rule 과 같은 의미이다
숫자로 표시된 사실이 잘못 제시될 때 발생한다. 예를 들면 다음과 같다
|
Random error |
평균값(mean) 근처에서 random fluctuation( 임의로 왔다 갔다함) 결과로 발생하는 error 이다.(statistical fluctuation) 던질 주사위의 나타날 눈은 몇인가. 내일 아침 집을 나설때 왼발부터 내딛나,오른발부터 내딛나, 등의 문제는 애매하다 |
semantic error |
적절한 communication이 되지 않아 지식의 의미가 정확히 전달이 안된 경우이다. knowledge engineer 가 전문가의 대답을 잘못 해석했든가, 반대로 질문이 잘못된 경우이다. "You can extinguish a fire with water"를 "All fires can be extinguished by water" 로 해석할수도 있을 것이다 |
syntax error |
rule or fact 의 부정확한 form이 입력되었을 때 발생한다. 대개 expert system tool은 이러한 error 에 대해 표시(flag)를 해주고 적절한 message를 보인다. |
Systematic error |
ruler 의 눈금이 정상보다 작게 되어 있다면 측정할 때는 더 큰 수치를 나타낸다.이것은 편차(bias) 에 의해서 야기된다 |
Reasoning error |
Inductive errors : specific 으로부터 general을 유도해 낸다.결론은 얻어진 사실로부터 추론된다. "은행나무는 낙엽이 진다. 단풍나무는 낙엽이 진다.⇒ 모든 나무는 낙엽이 진다" : False . "valve 가 이전에 막힌적이 없다 =>valve는 막히지 않는다 ": False Abductive errors : 오류(fallacy) 가 있을수 있다. "P이면 Q이다. Q이다 => 따라서 P 이다" : False일 수 있다 . "valve 가 상태가 좋으면 결과는 정상이다. 결과는 정상이다 => valve 는 상태가 좋다 " : False 일수 있다. valve 가 다른 조건이라면 문제가 발생한다 Deduction : general 로부터 specific을 유도해 낸다." 모든 사람은 죽는다. Socrates 는 사람이다.=> Socrates 는 죽는다 ". 결과는 항상True 이다. 즉 연역에 의한 추론은 항상 옳다. |
|
Vagueness |
한가지 이상으로 해석될 수 있는 문장 이다. 자연어로 지식의 표현이 이루어질 경우 인간이 사용하는 애매한 용어에 의해서 내용이 여러 가지로 해석될 가능성이 있다 "날씨가 흐리면 우산을 준비해라" 에서 " 흐리다 " 는 기준이 무엇인가? "찬물에 시리고 뜨거운 물에는 띵한 통증을 느끼며 간혹 열도있다" 위의 표현에서 "시리고" "뜨거운" "띵한 통증" "열이 있다" 등등은 모두 애매한 표현으로서 물의 온도가 어느정도 라야 뜨거운 것이며,시리고 띵한 통증이란 어느정도 아픈 것을 나타내며,열이있다는 것은 몇도이상을 의미하는가? 애매한 용어탓이기도 하지만 인간의 감각기관의 감수성(sensibility) 이 달라서 같은 통증에대해서도 다른 역치( threshold ) 에 의해서 다르게 반응을 보이게 되기도 한다 1. 큰, 작은, 안정된, 아름다운, 웅장한, 빼어난 등등 과 같은 주관적 판단을 나타내는 형용사가 지식에 포함될 경우 애매함이 증대될수 있다 2. 특히 인체의 경우 사람마다 감각기관의 sensibility 와 통증에 대한 threshold 가 달라서 일반화 하기가 어려운 문제가 있다 |