Ekspertni sustavi su računalni programi, oni sadrže određena specifična
znanja iz jednog ili više određenih područja znanosti. Takvi programi
su komercijalizirani kroz 80-e godine prošlog stoljeća, a razvili
su ih znanstvenici u području umjetne inteligencije u 60-im i 70-im.
Najčešći oblik ekspertnih sustava sastoji se od seta pravila po kojima
se analiziraju informacije o specifičnoj vrsti problema, ali i pružanja
matematičke analize problema. Ovisno o njihovoj izvedbi, pružaju korisniku
određene povratne informacije koje je potrebno poduzeti da bi se riješio
zadani problem.
Ekspertni sustavi najviše pomažu kod organizacija koje imaju visok
nivo iskustva i znanja u direktnom i pravilnom rješavanju problema
koje je teško prenijeti na druge članove te iste organizacije ili
na nekog trećeg. Takvi su sustavi dizajnirani za lakše „prenošenje
inteligencije“, znanja i informacija koje posjeduju stručnjaci prema
drugim članovima organizacije u svrhu rješavanja problema. Oni mogu
naći približno rješenje problema čak i kada podaci o problemu nisu
potpuni te mogu objasniti način na koji su došli do predloženog rješenja.
Ekspertni sustavi kao najzastupljenije područje umjetne inteligencije
definiraju se na različite načine, jedna od najjednostavnijih definicija
je: (Jožef Štefan, Ljubljana) Ekspertni sustavi su sustavi koji oponašaju
znanje eksperta.
Ekspertni sustavi su inteligentni programi na računalima koji koriste
znanja i postupke zaključivanja, kako bi se riješili teški zadaci,
kad oni zahtijevaju znatnu ljudsku stručnost. Kao model znanja nužnog
za tu razinu može se zamisliti sveukupno stručno znanje najboljih
praktičara na nekom polju rada (Lujić, 1993).
2. Što su ekspertni sustavi?
2.1. Osnovne značajke ekspertih sustava
Ekspertni sustavi su računalni programi temeljeni na znanju iz nekog
specijalističkog područja, u kojem oni postižu kvalitetu i učinkovitost
ekspetata te pomažu u rješavanju problema. To su sustavi koji pripadaju
području umjetne inteligncije, grane računarskih znanosti koja se
bavi razvojem programa što oponašaju ljudske umne sposobnosti kao
što su percepcija, komunikacija pomoću jezika i rješavanje problema
Ekspertni sustavi su jedna vrsta inteligentnih sustava, odnosno računarskih
sustava koji koriste znanje za rješavanje problema te mogu učiti,
adaptirati se ili rzumjeti jezik, što kod ljudi povezujemo s inteligencijom.
U inteligentne sustave pripadaju i sustavi koji koriste neuronske
mreže, genetske algoritme i neizrazitu logiku.
Za razliku od tradicionalnih računalnih programa, ekspertni sustavi
zaključuju korištenjem prikaza ljudskog znanja u simboličkom obliku,
mogu naći približno rješenje problema čak i kada podaci o problemu
nisu potpuni te mogu objasniti način na koji su došli do predloženog
rješenja.
Važna značajka ekspertnih sustava jest njihova sposobnost da objašnjavaju
postupak kojim su došli do rješenja problema. Na taj način i znanje
koje oni posjeduju i mehanizam zaključivanja koji koriste postaju
razumljiivi korisniku, pa korisnici mogu provjeriti postupak zaključivanja
koji koristi ekspertni sustav. Ovo svojstvo ekspertnih sustava znatno
doprinosi stvaranju povjerenja u njih te prihvačanju ekspertnih sustava
kao pouzdanog alata za rješavanje problema.
Ekspertiza o području interesa sastoji se od znanja o tom području
te raumijevanja problema i sposobnosti njihova rješavanja. U rješavanju
problema ekspertni sustavi ponajviše se oslanjaju na znanje, a manje
na metode zaključivanja. Jedan od uzroka tome je što znatan dio stvarnih
problema nema rješenje u obliku algoritma, tj. preciznog i jednoznačnog
postupka rješavanja problema. Drugi uzrok je spoznaja da su eksperti
učinkoviti u rješavanju problema zbog znanja koje su akumulirali tijekom
dugog razdoblja.
Ekspertni sustavi pripadaju među sustave potpore odlučivanja jer omogućuju
prikaz problema i nalaženje njihova rješenja za veliku klasu problema
za čije rješavanje ne postoje gotove procedure ili formule, i u kojoj
se koriste nepouzdani ili nepotpuni podaci i nepouzdano znanje. To
su problemi koji se ne mogu modelirati ni riješiti primjenom tradicionalnih
metoda za potporu odlučivanju kao što su npr.optimizacija ili stimulacija.
2.2. Kada koristiti ekspertne sustave?
Prije nego se odlučimo za izgradnju ili korištenje gotovog ekspertnog
sustava potrebno je ispitati jesu li ekspertni sustavi odgovarajući
alat za problem koji rješavamo, odnosno područje u kojem radimo. Odgovor
će ovisiti o nekoliko različitih čimbenika.
Prvo, ekspertni sustav se ne isplati uvoditi ukoliko postoji dovoljno
ekspetata u nekom području. Da bi se ekspertni sustavi mogli izgraditi,
potrebni su eksperti koji žele surađivati i staviti svoje znanje na
raspolaganje drugima. Ekspertni sustavi najprikladniji su za situacije
u kojima nema učinkovitog algoritamskog rješenja, a takve vrste problema
nazivaju se slabo struktuirani problemi. Da bi imalo smisla kreirati
ekspertne sustave potrebno je imati dobro definirano znanje i opis
željene funkcionalnosti ekspertnog sustava. Ako je znanje utemaljeno
na iskustvu, osnosno nesigurno i slabo struktuirano, tada su ekspertni
sustavi prikladan alat za rješavanje problema.
2.3. Osobine ekspertnih sustava
Ekspertni sustavi imaju više poželjnih osobina, od kojih većina predstavlja
prednost pred ljudima ekspertima. Oni su znatno dostupniji od eksperata
jer se mogu koristiti na bilo kojoj lokaciji i u bilo koje doba dana
ili noći. To je vrlo važno jer eksperata nedostaje u mnogim područjima
ljudske aktivnosti i na mnogo geografskih lokacija. Ekspertni sustavi
su također znatno jeftiniji od eksperata.
Ekspertni sustavi imaju i povećanu pouzdanost jer ne zaboravljaju
i ne prave greške zbog umora. Stoga njihova rješenja često služe i
kao potvrda mišljenja čovjeka eksperta, čime ekspertni sustavi također
doprinose pouzdanosti odluka. To su sustavi koji imaju mogućnost brze
reakcije na nastali problem (npr. u slučaju opasnosti). Ekspertni
sustavi daju detaljni opis postupka zaključivanja koje je dovelo do
dobivenog rezultata.
3. Struktura ekspertnih sustava
Ekspertni sustavi rade na sličan način kao eksperti, te koriste činjenice,
znanje i zaključivanje kod rješavanja problema. Struktura ekspertnih
sustava prikazana je na slici 1. funkcije pojedinih elemenata te strukture
su sljedeće.
Slika 1. Struktura ekspertog sustava (Čerić, Varga;
2004.)
• Baza znanja predstavlja izvor znanja o području.
Sadržaj baze znanja je stabilan tijekom dužeg vremena.
• Baza činjenica sadrži činjenice o stanju specifičnog
priblema koji se upravo rješava (npr.financijsko stanje nekog poduzeća
koje ima problema s likvidnošću) te o tijeku rješavanja tog problema
(npr. rezultate dosadašnjih pokušaja prevladavanja nelikvidnosti).
Baza činjenica mijenja sadržaj tijekom vremena kako se mijenja stanje
problema.
• Mehanizam zaključlivanja predstavlja postupak za
traženje rješenja problema. On pritom koristi činjenice i znanje i
određuje redosljed aktiviranja elemenata znanja u bazi znanja u situvacijama
u kojim nekoliko elemenata zadovoljava uvjete aktiviranja.
• Korisničko sučelje omogućeva jednostavno komuniciranje
korisnika s ekspertnim sustavom i sadrži mehanizam objašnjavanja nađenog
rješenja.
4. Proces zaključivnja
Ekspertni sustavi rješavaju postavljene probleme korištenem znanja
i podataka o stanju problema pohranjenih u bazi znanja i bazi činjenica.
Proces začljučivanja može teći u u jednom od dvaju smjerova; od činjenica
prema zaključku (začljučcima) ili od postavljene hipoeze (cilja) prema
činjenicama.
Ta dva osnovna tipa zaključivanja su:
• Zaključivanje prema naprijed i
• Zaključivanje prema natrag
4.1. Zaključivanje prema naprijed
Zaključivanje prema naprijed kreće od činjenica o početnom stanju
problema (npr. simptoma kvara stroja), preko pravila koja te činjenice
aktiviraju, pa do završnog stanja problema (npr. otklanjanja kvara
stroja). Ono se može upotrijebiti za dokazivanje jednog cilja koji
je unaprijed postavljen (npr. neke pretpostavljene bolesti) i za pronaženje
svih mogućih zaključaka koji proistječu iz poznatih činjenica (npr.otkrivanja
više bolesti koje pacijent ima).
Ako se tijekom procesa zaključivanja dokaže istinitost svih svih uvjeta
nekog pravila, tada je dokazan i zaključak tog pravila koji se dodaje
bazi činjenica. Pritom se uvjet pravila može dokazati ako se uspješno
podudara s nekim činjenicama iz baze činjenica. Novostvorene činjenice
(zaključci dokazanih pravila) mogu nadalje i same omogućiti aktiviranje
nekih drugih pravila i time postići dodavanje njihovih zaključaka
bazi znanja. Ovaj proces završava kada se dokaže da je postavljeni
cilj ili kada se pronađu svi zaključci koji slijede iz danih činjenica.
Ukoliko se tijekom procesa zaključivanja pokaže da se u jednom trenutku
može dokazati više od jednog pravila, tada se izbor pravila koje će
se prvo aktivirati rješava tzv. Strategijama rješavanja konflikta.
Nekoliko mogućih strategija rješavanja konflikta:
a) Izabire se samo prvo pravilo po redoslijedu iz baze znanja
koje se podudara s činjenicama iz baze činjenica
b) Izabire se najspecifičnije pravilo koje se podudara s činjenicama,
pri čemu je najspecifičnije pravilo ono čija se pretpostavka sastoji
od najvećeg broja uvjeta
c) Izabire se pravilo koje se podudara sa činjenicama koje su najsvježije
dodane bazi činjenica
4.2. Zaključivanje prema natrag
Zaključivanje prema natrag kreće se od postavljene hipoteze (cilja)
o rješenju problema (npr. pretpostavljenog razloga za kvar stroja),
preko pravila koja ta hipoteza aktivira, pa sve do činjenica koje
potvrđuju istinitost hipoteze (npr. simptoma kvara stroja).
Cilj se uzima kao hipoteza koja se pokušava dokazati, i to tako da
se dokažu pretpostavke onog pravila koje u zaključku imaju zadani
cilj. Te pretpostavke postaju podciljevi koje treba dokazati kako
bi se dokazao originalno postavljani cilj. Podciljevi se dokazuju
na isti način kao i zadani cilj, tako da se pokušavaju dokazati njihove
pretpostavke. Proces zaključivanja završava kada se dokaže postavljeni
cilj ili ekspertni sustav iscrpi sve mogućnosti dokazivanja cilja,
a da ga nije uspio dokazati.
Postupak dokazivanja istinitosti cilja može uključivati i vezivanje
varijabli, što se događa u slučaju općenitih pravila koje sadrže varijable.
Ukoliko je za jedno vezivanje varijable cilj ne može dokazati tada
se izvodi povratak po tragu na akciju kojom je to vazivanje varijable
bilo napravljeno. To vezivanje varijable se poništava i pokušava se
s drugačijim vezivanjem. Ako ni jedno vezivanje varijable ne vodi
dokazivanju cilja, tada se traži drugo pravilo kojim se cilj pokušava
dokazati.
Primjer rada mehanizma zaključivanja prema natrag. Činjenice su sljedeće:
Rab ima čisto more
Opatija ima kino
Cres ima čisto more
Opatija ima sportski centar
Cres je jeftin
i ovakvu bazu pravila:
Pravilo 1
Ljetovat ćemo u 'x'
AKO 'x' ima kino l
'x' je jeftin l
'x' ima sportski centar
Pravilo 2
Ljetovat ćemo u 'x'
AKO 'x' ima čisto more l
'x' je jeftin
Postavljen cilj:
Ljetovat ćemo u 'y'
U cilj je uključena varijabla, što znači da tražimo mjesto u kojem
ćemo ljetovati, a koje odgovara našim preferencijama.
Kada se cilj se ne podudara ni s jednom činjenicom – u suprotnom bi
odmah bila dokazana njegova istinitost i za to ne bi trebao ekspertni
sustav. Ostvarenje podudaranja cilja sa zaključkom pravila 1 je moguće
zato jer zaključak ima isti oblika kao i cilj, a podudaranje se ostvaruje
vazivanjem varijable 'x' na varijablu 'y'. Time se dolazi do sljedećih
uvjeta koje je potrebno ispuniti da bi se dokazalo pravilo 1:
'y' ima kino
'y' je jeftin
'y' ima sportski centar
Prvi uvjet se podudara s činjenicom ˝Opatija ima kino˝, pa se time
u svim uvjetim pravila 1 varijabla 'y' vezuje za vrijednost ˝Opatija˝.
Time preostaje dokazati još dva uvjeta pravila 1:
Opratija je jeftina
Opatija ima sportski centar
Prvi od tih uvjeta nije u bazi činjenica, pa stoga dokazivanje cilja
završava neuspjehom i dolazi do povratka po tragu na mjesto posljednjeg
vezivanja varijable 'y'. Tu se poništava postojeće vezivanje varijable
'y' za vrijednost ˝Opatija˝ i pokušava naći novo vezivanje ostvarenjem
podudaranja uvjeta 'y' ima kino s činjenicama. U vezi činjenica više
nema činjenica koje bi to omogućile.
Dokazivanje zaključka pravila 2 se svodi na dokazivanje uvjeta drugog
pravila:
'y' ima čisto more
'y' je jeftin
Prvi uvjet podudara se s činjenicom ˝Rab ima čisto more˝, čime se
varijabla 'y' vezuje za vrijednost ˝Rab˝. Drugi uvjet sada glasi:
Rab je jeftin
Kako se taj uvjet ne podudara ni s jednom činjenicom iz baze činjenica,
cilj završava neuspjehom. Nakon toga se ponovno izvodi povratak po
tragu do mjessta posljednjeg vezivanja, čime se poništava vezivanje
vatijable 'y' za vrijednost ˝Rab˝. Prvi uvjet drugog pravila se podudara
i sa činjenicom ˝Cres ima čisto more˝, pa se s toga varijabla 'y'
vezuje za vrijednost ˝Cres˝. Time drugi uvjet pravila postaje:
Cres je jeftin
Taj je uvjet istinit jer se podudara s istovjetnom činjenicom. Pa
je time dokazano pravilo 2 uz vezivanje varijable 'y' na vrijednost
˝Cres˝. Na taj način je dokazan i sam cilj, i to u obliku:
Ljetovat ćemo u Cresu.
5. Zaključivanje s nepouzdanim znanjem
Ekspertni sustavi, kao i eksperti, trebaju moći donositi zaključke
na temelju nepouzdanih informacija. Razvijeni su različiti pristupi
zaključivanja s nepouzdanim znanjem.
Prikazivanje specifičnosti zaključivanja s nepouzdanim znamjem korištenjem
faktora pouzdanosti i pravila. Pravila i činjenice mogu biti nepouzdnani.
Oznaka PF je faktor pouzdanosti činjenica i pravila. Faktor pouzdanosti
može imati vrijednosti u intervalu od 0 – 100, gdje vrijednost 0 označava
potpunu neistinitost, a vrijednost 100 potpunu istinitost činjenice
ili pravila. Primjer nepouzdanog pravila koje koristi nepouzdane činjenice.
FP = f
AKO pretpostavka
TADA zaključak
Prije svega treba izračunati nepouzdanost zaključka takvog pravla,
a tu nepouzdanost dobivamo umnoškom nepouzdanosti pretpostavke i zaključka:
FP (zaključak) = FP (pretpostavka) * (f/100)
Ako je npr. pravilo FP = 80 i činjenica FP = 70, pouzdanost zaključka
s tim pravilom i tom činjenicom je 56. Zaključak ima manju pouzdanost
i od pravila i od činjenice, što je logično budući da je nepouzdanost
zaključka posljedica dviju nepouzdnosti.
Ukoliko jedno pravilo ima više uvjeta povezanih logičkim I, tada se
zajednički faktor pouzdanosti obaju uvjeta računa kao:
FP (A i B) = min ( EP(A),EP(B))
što znači da se uzima pouzdanost manje pouzdane činjenice.
Tako će u pravilu:
FP = 80
AKO (A i B)
TADA zaključak
S činjenicama koje imaju pouzdanost
FP (A) = 50
FP (B) = 70
faktor pouzdanosti zaključka je:
FP (zaključka) = FP (A i B) * (FP (pravilo) / 100) =
min (FP(A), FP(B)) * (FP(pravilo) / 100) =
50 * (80/100) = 40
Na kraju je prikazan još jedan slučaj u kojem dva pravila podržavaju
istu hipotezu H (zaključak), i to svako od njih sa svojim faktorom
pouzdanosti. Za ovakav slučaj faktor pouzdanosti je hipoteze (zaključka)
računa se na sljedeći način:
FP (H, PR 1 i PR 2) = FP (H, PR 1) + FP
(H, PR 2) –
FP (H, PR 1) * FP (H, PR 2)
Vrijednost faktora pouzdanosti zaključka koji se temelji na dva pravila
veći je od faktora pouzdanosti zaključka oba pravila. To je ovdje
razumljivo jer oba pravila podržavaju isti zaključak.
Općenito se u ekspertnim sustavima kod postupka zaključivanja s nepouzdanim
zanjem moraju pokušati dokazati sva pravila koja se podudaraju s ciljem,
te se faktor pouzdanosti zaključka izračunava kao kombinirani faktor
pouzdanosti svih tih pravila.
6. Inžinjerstvo znanja
Inžinjerstvo znanja je proces izgradnje inteligentnih sustava koji
uključuje prikupljanje znanja od eksperata i iz drugih izvora, te
kodiranje tog znanja za potrebe inteligentnog sustava.
Proces razvoja ekspertnih sustava obuhvaće sljedeće korake:
1. Identifikaciju problema
2. Analizu zadataka koji ekspertni sustav mora rješavati
3. Razvoj prototipa ekspertnog sustava
4. Razvoj cjelovitog ekspertnog sustava
5. Testiranje ekspertnog sustava
6. Instaliranje ekspertnog sustava u njegovu radnu okolinu
7. Uvježbavanje korisnika
8. Održavanje sustava
Sličan postupak se korist pri razvoju informacijskih sustava. Jedan
od najvažnijih postupaka u razvoju ekspertnih sustava je prikupljanje
znanja koje će se ugraditi u ekspertni sustav. To je znanje koje se
koristi u rješavanju problema, i koje u pravilu nije strukturirano
i sistematizirano, već se najčešće nalazi u glavama eksperata i u
njihovim neformalnim bilješkama.
Znanje se tradicionalno prikuplja dugim intervjuima koje inžinjer
znanja vodi s ekspertom. To je vrlo neučinkovit proces kojim se dnevno
generira svega između tri do pet pravila. Razlozi neučinkovitosti
su prvenstveno problemi u prevođenju jezika eksperata u jezik koji
je svima razumljiv, te problemi pravođenja znanja koje koriste eksperti
u matematičke ili druge formalne oblike modela.
Neučinkovitost intervjua potaknula je razvoj alternativnih načina
prikupljanja znanja, od kojih su najpoznatiji automatizirano prikupljanje
znanja, koje se izvodi na temelju dijaloga između eksperata i računala
i strojno učenje u kojem ekspertni sustavi analiziraju primjere koji
su im zadani i iz njih izvlače znanje.
7. Primjene ekspertnih sustava
Ekspertni sustavi mogu se koristiti na više načina.
Dijagnoza označava zaključivanje pomoću ekspertnih
sustava o uzrocima pogrešnog funkcioniranja sustava.
Otklanjanje kvara traži način na koji se sustav može
dovesti u zadovoljavajuće stanje.
Predviđanje se odnosi na zaključivanje o posljedicama
određenih stanja u sustavu i njegovoj okolini.
Oblikovanje označava konfiguriranje sustava unutar
zadanih ograničenja.
Neke od primjena ekspertnih sustava u poslovanju su u područjima procjene
rizika u osiguranju, davanja financijskih savjeta o projektima, proizvodima
te spajanjima i akvizicijama tvrtki, pomaganje menadžerima portfelja
da odrede ciljeve investiranja svojih klijenata i izabiru portfelje
koji najbolje realiziraju te ciljeve, ili davanja savjeta pri izračunavanju
poreza.
Jedna od tipičnih poslovnih primjena ekspertnih sustava je pomoć pri
odobravanju kredita na prodajnim mjestima s ciljem da se minimaliziraju
gubici kod davanja kredita te onemoguće zloupotrebe kreditinih kartica.
U tu svtrhu ekspertni sustav ispituje ima li vlasnik kartice uvjete
za dobivanje kredita, plaća li redovito svoje račune te je li nabava
u okviru njegove tipične srtukture i dinamike trošenja.
Ekspertni sustavi primjenjuju se i u mnogim drugim područjima. Tako
su npr. vrlo uspješni ekspertni sustavi koji određuju konfiguraciju
složenih računalnih sustava ili oni koji otkrivaju nalazišta rudača
na temelju zračnih snimaka. Ekspertni sustavi pokazali su se uspješnima
i kod prognoziranja vremena, u automatskim alarmnim sustavima ili
detekciji kvarova u telefonskim mrežama.
Zaključak
Ekspertni sustavi su računalni programi, vrsta inteligentnih sustava.
Komercijalizirani su kroz 80-e godine prošlog stoljeća, a razvili
su ih znanstvenici u području umjetne inteligencije u 60-im i 70-im.
Koriste prikaz ljudskog znanja u simboličkom obliku. Mogu naći približno
rješenje problema čak i kada podaci o problemu nisu potpuni i mogu
objasniti način na koji su došli do predloženog rješenja.
Oslanjaju se na znanje i spadaju u sustave potpore odlučivanja. Najprikladniji
su za situacije u kojima nema učinkovitog algoritamskog rješenja.
Imaju prednost pred ljudima ekspertima. Ekspertni sustavi su znatno
dostupniji i znatno jeftiniji od eksperata.Njihova pouzdanost je povećana
zato što ne zaboravljaju i ne prave greške zbog umora i imaju mogućnost
brze reakcije na nastali problem.
Struktura ekspertnih sustava se sastoji od baze činjenica, baze znanja,
mehanizma zaključivanja i korisničkog sučelja.
Proces zaključivanja može teći u u jednom od dvaju smjerova; od činjenica
prema zaključku (začljučcima) - zaključivanje prema naprijed, i od
postavljene hipoeze (cilja) prema činjenicama- zaključivanje prema
nazad.
Pravila i činjenice mogu biti nepouzdnani. Oznaka PF je faktor pouzdanosti
činjenica i pravila. Faktor pouzdanosti može imati vrijednosti u intervalu
od 0 – 100 ( vrijednost 0 - potpunu neistinitost, vrijednost 100 -
potpunu istinitost činjenice ili pravila).
U ekspertnim sustavima kod postupka zaključivanja s nepouzdanim zanjem,
moraju pokušati dokazati sva pravila koja se podudaraju s ciljem.
Inžinjerstvo znanja je proces izgradnje inteligentnih sustava koji
uključuje prikupljanje znanja od eksperata i iz drugih izvora, te
kodiranje tog znanja za potrebe inteligentnog sustava.
Najvažniji postupak u razvoju ekspertnih sustava je prikupljanje znanja
(koje se koristi u rješavanju problema) koje će se ugraditi u ekspertni
sustav. Znanje se tradicionalno prikuplja dugim intervjuima koji su
neučinkoviti pa je to potaknulo razvoj alternativnih načina prikupljanja
znanja, od kojih su najpoznatiji automatizirano prikupljanje znanja.
Mogu se koristiti na više načina, a to su dijagnoza, otklanjanje,
predviđanje i oblikovanje. Jedna od tipičnih poslovnih primjena ekspertnih
sustava je pomoć pri odobravanju kredita na prodajnim mjestima s ciljem
da se minimaliziraju gubici kod davanja kredita te onemoguće zloupotrebe
kreditinih kartica. Pokazali su se uspješnima i kod prognoziranja
vremena, u automatskim alarmnim sustavima ili detekciji kvarova u
telefonskim mrežama.
Literatura:
• Vlatko Čerić, Mladen Varga; Informacijska tehnologija u poslovanju,
Element, Zagreb 2004.
• http://hr.wikipedia.org/wiki/Ekspertni_sustavi
PROČITAJ
/ PREUZMI I DRUGE SEMINARSKE RADOVE IZ OBLASTI:
|
|