Znalostní a expertní systémy, seznámení se s předmětem a náplní dle osnovy.

I. Znalostní systémy

Dříve než se budeme věnovat historii znalostních systémů, uvedeme si několik definic, které znalostní systémy charakterizují. Znalostní systém je

o Počítačový systém hledající řešení problému v rozsahu určitého souboru tvrzení nebo jistého seskupení znalostí, které byly formulovány experty pro danou specifickou oblast.

o Systém založený na reprezentaci poznatků expertů, které využívá při řešení zadaných úloh.

o Systém kooperujících programů na řešení vymezené třídy úloh, v jednotlivých problémových oblastech obyčejně řešené experty.

o Počítačový systém vybavený znalostmi odborníka (experta) ze specifické oblasti, v rozsahu kterých je schopen učinit rozhodnutí rychlostí a kvalitou vyrovnávající se přinejmenším průměrnému specialistovi.

Každá z definic charakterizuje znalostní systémy z trošku jiného pohledu. V následujícím textu se pokusíme objasnit nejen tyto definice.  

Další informace a podrobnosti naleznete v oporách pro tento předmět.

Historie 

• 50 léta – počátky umělé inteligence

• Snaha o vytvoření myslících počítačů

• Vznik McCulloch – Pitsova neuron 

• Newell Simon – GPS – General Problem Solver 

• Počátek 70 let o Stanfordská univerzita – Feigenbaum a spol.

Interpolace hmotových spektrogramů vznikajících při analýze struktur složitých molekul neznámých chemických látek

Cíl – odvodit strukturální vzorec zkoumaných neznámých molekul 

Netriviální praktický problém

Všeobecné metody GPS jsou nedostatečné. Bylo nutné implementovat • Specifické používání znalostí a vědomostí expertem pro řešení konkrétní oblasti problémů, často velmi těžko zdůvodnitelné nebo vůbec nezdůvodnitelné • Znalosti a jejich používání získané praxí • Lidskou schopnost efektivně používat specifické znalosti reprezentované samostatnými strukturami údajů
Vznikl DENDRAL (Feigenbaum, 1971) • Jeden z prototypů ES • Systém programů a údajových struktur • Významná pomůcka pro odborníky z chemie • Systém nezřídka překonával očekávání i vlastní schopnosti interpretace spektrogramů
Význam – aplikace specifických problémově zaměřených poznatků při řešení problémů počítačem. o ES v medicíně
Velmi přitažlivé téma
Mezi nejvýznamnější patří MYCIN (Shortliffe, 1976) • Diagnostika a doporučení léčby krevních infekcí
University of Pittsburgh - INTERNIST (Miller et al., 1974) • ES z rozličných oblastí mají společné to, že jejich činnost je založena na heuristických, kvalitativních, zkušenostmi získaných znalostech • Znalostní / Expertní systém je o Počítačový systém hledající řešení problému v rozsahu určitého souboru tvrzení nebo jistého seskupení znalostí, které byly formulovány experty pro danou specifickou oblast o Systém založený na reprezentaci poznatků expertů, které využívá při řešení zadaných úloh o Systém kooperujících programů na řešení vymezené třídy úloh, v jednotlivých problémových oblastech obyčejně řešené experty o Počítačový systém vybavený znalostmi odborníka (experta) ze specifické oblasti, v rozsahu kterých je schopen učinit rozhodnutí rychlostí a kvalitou vyrovnávající se přinejmenším průměrnému specialistovi.

Další informace naleznete v oporách pro tento předmět 

Poznatky a znalosti

Snahy o pochopení lidské mysli se datuje přinejmenším do doby helénistické. Už Platón či Aristoteles se snažili pochopit a popsat lidské poznání. 

Než se začneme věnovat znalostním systémům, objasněme si pojmy poznatek a znalost a způsoby reprezentace poznatků.

Co je poznatek?

Poznatek je reprodukce určité vymezené části objektivního světa včetně zákonitostí, které v něm platí, je to produkt pracovní, společenské a myšlenkové činnosti lidí, jehož charakteristickou vlastností je komunikovatelnost, čili vyjádřitelnost v jisté jazykové podobě. 

Co je znalost?

Znalost definujeme jako vzájemně provázané (měnitelné, doplnitelné) struktury souvisejících poznatků. Znalost něčeho znamená vlastnit tomu odpovídající reprezentaci v podobě dostatečně věrného a přesného kognitivního modelu včetně schopnosti vykonávat s touto reprezentací různé kognitivní operace.

Rozdíl mezi poznatkem a znalostí je velký. Vlastnit soubor poznatků o něčem ještě neznamená tuto oblast znát. Nejeden čtenář si jistě pamatuje na některé své spolužáky, kteří měli, nejčastěji matematiku, chemii či fyziku „našprtanou“, aniž by byli schopni dané poznatky použít.

 Takový spolužák má zcela jistě o dané problematice spoustu poznatků, kterým však nerozumí, není schopen je aplikovat a tudíž lze těžko říct, že danou problematiku zná. 

Podrobněji naleznete zde 

Reprezentace poznatků

Už jsme si řekli, že poznatek je reprodukce vymezené části objektivního světa a jeho charakteristickou vlastností je komu-nikovatelnost. Nejčastěji poznatky a znalosti čerpáme z časopisů, knih, či internetu, zkrátka v „tištěné“ podobě, nebo z kurzů či přednášek v podobě mluveného slova. Lidský mozek je schopen vstřebat psané, či mluvené slovo, případně nákres či rys a tyto vědomosti si uložit a později použít.

•  Jakým způsobem ale tyto poznatky mozek uchovává?
•  Jak jsou poznatky v mozku reprezentovány?

Představte si, že se nás turista zeptá na cestu. Nebuďme nevlídní, odpusťme si odpověď typu „promiňte, nejsem odsud“ a snažme se turistovi cestu popsat a soustřeďme se na to, co se děje v našem vlastním mozku, když popisujeme trasu, kterou musí turista urazit, aby se dostal ke svému vytouženému cíli. Mnohým se „před očima“ zobrazí mapa části města, jiní zase tuto trasu „virtuálně projdou“. Psychologové a filozofové se snaží tyto reprezentace popsat. Nám jejich snaha dává poměrně silný nástroj pro reprezentaci a práci s poznatky v IT. Uvedeme si šest základních reprezentací. 

 I. Formální logika 

Zakladatelem formální logiky byl řecký filozof Aristoteles (386-322 př.n.l.). Z formální logiky vychází řada základních myšlenek o reprezentacích a výpočtu. Aristoteles se systematicky věnoval postupům usuzování. Logika je výkonný nástroj pro výzkum reprezentací i výpočtů. Složitější typy logiky, jako např. propoziční a predikátový kalkul umožňují vyjádřit mnohé složité druhy znalostí. Mnohé soudy se dají pochopit v pojmech logických dedukcí s odvozovacími pravidly typu modus ponens, nebo modus tollens. Modus ponens: p -> q p Tudíž q Modus tollens: p -> q non q 12 Tudíž non p. Pravidla predikátové logiky umožňují pracovat s kvantifikátory. Pomocí logické dedukce lze řešit celou řadu problémů. Logika například umožňuje plánovat. Nevýhodou je, že i ty nejjednodušší plány potřebují velké množství inferencí a klasická logika nebere v potaz pravděpodobnost a neurčitost.

II.Konekcionistické sítě

Základy konekcionistického přístupu položili McCulloch a Pitts. Konekcionistický přístup k reprezentaci poznatků čerpá inspiraci ze struktury lidského mozku. Spočívá v propojování jednoduchých uzlů. Neuron Formální neuron má k obecně reálných vstupních hodnot x1 … xk, které reprezentují vstupní signály z dendritů. Každý vstup xi má přiřazenou odpovídající hodnotu váhy synapse wi . Tyto váhy reprezentují permeabilitu synaptického spojení. Váhy jsou obecně reálné a mohou nabývat i záporných hodnot, což odpovídá inhibičním vlastnostem synapse. Práh excitace neuronu je reprezentován váhou w0 společně se vstupní hodnotou x0 = -1. Vnitřní potenciál neuronu je roven sumě součinů vstupních signálů a jim odpovídajících vah
 ∑    . Výstup z neuronu nebo též výstupní potenciál je dán aktivační funkcí  
. 13 Formální neuron Propojováním těchto jednoduchých umělých neuronů vznikají umělé neuronové sítě. Vědomosti takovýchto sítí jsou reprezentovány váhami neuronů. Umělé neuronové sítě mají schopnost se učit. Učení spočívá v adaptaci vah neuronů. Umělé neuronové sítě mají schopnost predikce, klasifikace, aproximace.

III. Představy

Co jsou představy?

Jak sám pojem napovídá, představy jsou obrazové reprezentace vizuální a prostorové informace. Obrazová reprezentace je v některých případech mnohem použitelnější než opis, pro, například CAD systémy zcela nezbytná. Těžko si představit, kterak projektant slovně popisuje projekt rodinného domu. S obrazy lze provádět operace jako je prohlížení, vyhledávání, rotace, transformace. Jsou ovšem znalosti, které pomocí představ vyjádřit nelze, jako například abstraktní výroky, nebo obecně platné věty. 

IV. Analogie

Značnou část problémů řešíme pomocí analogií. Uvažování v analogiích je uvažovaní založené na příkladech. Zvládání nových situací založené na přizpůsobení si situace podobné, kterou již známe. Analogie je vhodné použít tam, kde nemáme k řešení problému k dispozici 14 pojmosloví a neznáme pravidla. Analogie se používají při rozhodování. Výběr alternativ je založen na předešlých případech – causy. Tyto případy pak slouží jako precedenty. Precedentní právo je například v USA. Učení je založené

 1) na ukládání všech souvisejících případů na předchozí zkušenosti do paměti,

 2) přizpůsobení předchozího případu k řešení nové situace,

 3) zobecnění předešlých analogů a vytvoření analogického schéma.

 V.Pojmy – koncepty

Pojmy se zabýval už Platón. Pojem je charakterizován souborem typických vlastností. Například pojem „fretka“ lze charakterizovat jako obratlovce, čtyřnohého suchozemského masožravého savce, tchořovitou šelmu. To, co je pro fretku typické představuje schéma pojmu fretka. Z této charakteristiky lze vyčíst i základní vlastnosti pojmů. Možnost hierarchizace a dědičnost. Každá fretka je savec, ale ne každý savec je fretka. Pojem savec je nadřazený pojmu fretka a naopak pojem fretka je podřazený pojmu savec. Každá fretka dědí vlastnosti savců. Pojmy jsou vhodným doplňkem pravidel.

 VI. Pravidla

Pravidla neboli struktury jestliže-pak se skládají ze dvou částí.

 1. část je předpoklad, podmínka, neboli antecedent,

 2. část tvoří důsledek, konsekvent. Pokud je podmínka splněna, pak platí důsledek. Podmínková část může obsahovat i podmínky složené, čili spojené logickými spojkami AND nebo OR. Důsledková část může obsahovat spojky AND. Pravidla nás provází na každém kroku. Pokaždé, když chceme přejít silnici, použijeme několik pravidel: 1. JESTLIŽE chci přejít silnici PAK se musím rozhlédnout na obě strany 2. JESTLIŽE jede auto PAK musím počkat až přejede 3. JESTLIŽE nejede žádné auto PAK můžu přejít Čtenář jistě cítí možnost úpravu těchto pravidel s ohledem na vzdálenost a rychlost jedoucího auta ve vztahu k možnosti přecházení. Jako další příklad z běžného života můžeme uvést pravidlo JESTLIŽE je venku pod nulou PAK zamrzne rybník. I toto pravidlo lze doplnit o další údaje, jako je např. závislost teploty na rychlosti zamrzání rybníka. Na příkladech je vidět, že pomocí pravidel můžeme reprezentovat informaci o světě a informaci jak se chovat 15 ve světě. Dále mohou pravidla reprezentovat vyvozovací pravidla typu modus ponens nebo modus tollens. Pravidla mohou utvářet i rozvité struktury.

Řešení problémů pomocí pravidel spočívá v prohledávání prostoru možností – stavového prostoru. Pro složitější problémy je charakteristické velké množství možností, čili velmi rozsáhlý stavový prostor. V těchto případech je mnohdy nemožné projít všechny možnosti a nalézt řešení. Takovéto stavové prostory prohledáváme s využitím heuristik. K prohledávání stavového prostoru používáme dva způsoby, zpětné a dopředné prohledávání stavového prostoru. Při zpětném prohledávání stavového prostoru, neboli cílem řízeném odvozování máme předem stanovený cíl a hledáme předpoklady potřebné pro dosažení tohoto cíle. Slouží k potvrzení nebo vyvrácení hypotézy, či zodpovězení dané otázky. Při dopředném prohledávání stavového prostoru, neboli fakty (údaji) řízeném odvození určujeme řešení, které vyplývá z určitého objemu známých dat (faktů, údajů), které je zapotřebí interpretovat. Stanovujeme, co z daných faktů vyplývá a k jakým důsledkům je z nich možno dospět. Při dopředném odvozování vycházíme z daných údajů, které se v průběhu interpretace mohou doplňovat. 

Determinismus a nedeterminismus

Při strojovém řešení problémů klasickým imperativním programováním je nutné, aby byl řešený problém algoritmizovatelný, čili řešitelný deterministicky. V každém kroku řešení problému je předem dané, jaké kroky budou následovat. Jedná se o tzv. reproduktivní řešící postupy. Oproti tomu v případě nedeterministických, produktivních řešících postupů problémů není zřejmé, jaký krok bude následovat v daném kroku. Výběr dalšího kroku řešení je závislý na výsledku testování podmínky, o které nelze s určitostí říct, zda je či není splněná. Ze samotné formulace problému ani z průběhu jeho řešení není zřejmý další krok řešení. V Jednotlivých krocích řešení můžeme volit z množiny kroků, které budou následovat. Volba následného kroku je tak závislá na hádání, odhadování, volbě či jiném nedeterministickém výběru jednoho z alternativních možností řešení. Čtenář si jistě vzpomene na definici nedeterministického Turingova stroje a jistě si i pamatuje, že nedeterministický TS přijímá slovo, pokud existuje alespoň jedna posloupnost konfigurací končící v koncovém / akceptačním stavu. Formulace „alespoň jedna posloupnost“ říká, že při řešení můžeme dojít do slepé cesty, můžeme se dostat na konfliktu, může existovat jiný, lepší, kratší postup řešení. Volba následujícího kroku tedy není závazná. Můžeme po revizi řešení od současného řešení odstoupit od současného řešení a pokračovat v jiné vhodnější variantě. 

Pro příklad se podívejme na definici TS.

Turingův stroj (TS) je teoretický stroj, který se skládá: • z řídicí jednotky, která se vždy nachází v jednom z konečného množství stavů • ze zleva omezené nekonečné pásky rozdělené na políčka. V každém políčku je zapsán jeden symbol. • z čtecí/zapisovací hlavy, která je vždy umístěna nad jedním políčkem pásky, viz obr.2.1.

 Program Turingova stroje lze chápat jako množinu elementárních instrukcí ve tvaru: „Pokud je řídicí jednotka ve stavu q a čtecí/zapisovací hlava čte symbol a, tak změň stav řídicí jednotky na q 0 , na pásku zapiš a 0 a posuň čtecí/zapisovací hlavu o jedno políčko směrem d.“ Takovou instrukci nazývat přechod. Celý program, tedy množinu takovýchto instrukcí, pak nazýváme přechodovou funkcí Turingova stroje. 

Znalostní systémy

Jedna z definic říká, že znalostní systém je počítač vybavený programy umožňujícími řešit problémy na základě poznatků produktivními postupy - systém vybavené jistou znalostí. Znalostní systémy jsou tedy vybaveny znalostmi a jejich úkolem je řešit netriviální problémy z různých oblastí lidské činnosti. Znalostní systémy jsou nasazovány tam, kde potřeba znalostí experta a z různých důvodů nelze využít jeho služeb. Slouží k řešení problémů, které nejsou jednoduše, nebo nejsou vůbec algoritmizovatelné. Důvody k nasazení systému na místo člověka mohou být například ekonomické. Zavedení znalostního systému je finančně výhodnější a dostačující, než placení experta. Podpůrné rozhodovací systémy (DSS – Decision Support Systems) mohou být nápomocny méně zkušeným pracovníkům, nebo pracovníkům s nižším vzděláním v dané oblasti. DSS mohou nebo poskytovat alternativy pro experty. V neposlední řadě mohou expertní systémy sloužit k výuce (viz. INTERNIST-I). Znalostní systémy jsou nasazovány i v prostředích, kde je třeba okamžitého rozhodnutí v řádu vteřin i méně. V prostředích, kde je třeba zpracovat stovky, či tisíce údajů, provádět složité výpočty a reagovat v časech, které jsou pro člověka nedosažitelné. Podle Matouška (Microsoft Word - Tvorba_ZS1_w (zcu.cz)) je obecná architektura systému na obr.

V dalších kapitolách si podrobně popíšeme jednotlivé moduly.

Expertní systémy

Expertní systém definujeme jako počítačový systém hledající řešení problému v rozsahu určitého souboru tvrzení nebo jistého seskupení znalostí, které byly formulovány experty pro danou specifickou oblast, systém založený na reprezentaci poznatků expertů, které využívá při řešení zadaných úloh, systém kooperujících programů na řešení vymezené třídy úloh, v jednotlivých problémových oblastech obyčejně řešené experty počítačový systém vybavený znalostmi odborníka (experta) ze specifické oblasti, v rozsahu kterých je schopen učinit rozhodnutí rychlostí a kvalitou vyrovnávající se přinejmenším průměrnému specialistovi. Většina těchto specifikací je shodná či velmi podobná specifikacím znalostních systémů. Expertní systémy jsou podtřídou znalostních systémů. Vytváří se pro řešení problémů, kterými se obvykle zabývají odborníci. Na rozdíl od znalostních systémů jsou schopny na základě znalostí vysvětlit a zdůvodnit postupy řešení. Tato velmi významná vlastnost umožňuje uživateli posoudit úroveň expertízy, řešení předložené systémem přijmou, modifikovat nebo odmítnout. Taktéž umožňuje uživateli odpovědět na otázky typu, proč, jak, co kdyby, co když ne, atp. 

Podle Maříka lze modulově obecně uvést viz obr. architektury ES. Důležité je znát rozdíl mezi expertním a znalostním systémem.

Důležité je znát rozdíl mezi expertním a znalostním systémem. Podrobněji v oporách.

Základní moduly znalostních systémů

V předešlé přednášce jsme věnovali pozornost architektuře znalostních systémů. Uvedli jsme čtyři základní moduly. V následujícím textu se budeme podrobně věnovat bázi znalostí a bázi faktů a okrajově popíšeme inferenční mechanismus, kterému se budeme věnovat v samostatné přednášce. Tyto tři moduly tvoří jádro znalostních systémů. Inferenční mechanismus na základě dat z báze faktů a znalostí z báze znalostí hledá řešení zadaného problému. Zřejmou podmínkou, aby tyto tři moduly mohli spolu komunikovat je, aby pracovaly se stejnou reprezentací poznatků. 

Podle zdroje [1]   Provazník, I., Kozumplík, J. (1999): “Expert Systems”, VUT Brno, 101 p., ISBN 80-214-1486-3.

Další informace lze nalézt ve výukových oporách.

Vývoj znalostního inženýrství

S vývojem znalostních systémů, hromaděním zkušeností s vývojem znalostních systémů a zkušeností spolupráce s experty vzniká v IT nový obor – znalostní inženýrství, které se zabývá problematikou efektivní tvorby ZS. První období rozvoje spadá do druhé třetiny 70. let do poloviny 80. let 20. století. V tomto období dochází především k vytváření programátorských technik tvorby znalostních systémů. Ustaluje se architektonické členění na bázi znalostí, bázi faktů, inferenční mechanismus, komunikační modul atd., což umožňuje systematizovat postupy tvorby a dekompozici na podproblémy, které je třeba vyřešit. V souvislosti s tvorbou báze znalostí dochází do jisté míry ke kodifikaci reprezentace poznatků, a to především pomocí produkčních pravidel a rámců. Dochází taktéž ke standardizaci cílem a fakty řízeného odvození, jako postupů inference. Při získávání poznatků od expertů se v prvním období uplatňuje bezprostřední převod znalostí do reprezentačních schémat. Tento postup je využíván i dnes, a to v případě projektů menšího rozsahu, které obsahují pouze několik stovek poznatků, a nejedná se o investiční charakter projektu. Tento postup nazýváme prototypové řešení, protože bezprostředně po zakódování poznatků je de facto vytvořen prototyp.

Viz obrázek.

Podrobněji naleznete též zde: Znalostní technologie I. (uhk.cz)

Životní cyklus ZS

Tvorba znalostního systému, stejně jako tvorba jakéhokoliv jiného informačního systému by se měla držet jasného explicitního rámce. V dnešní době existuje řada metod a metodik tvorby informačních systémů. Drtivá většina má společné tři hlavní fáze, analýzu, vývoj a provoz a údržbu. My uvedeme schéma KLIC – Knowledge-based System Life Cycle (viz. Giovany Guida, Carlo Tasso: Design and Development of Knowledge-Based Systems, John Wiley & Sons, New York, 1994). KLIC se skládá ze tří makrofází a šesti fází. Životní cyklus projektu znalostního systému představuje úplný popis jednotlivých fází tvorby znalostního systému – od úvodní analýzy až po reálné používání. Musí mít jasnou strukturu postavenou na principu hierarchické dekompozice problému.

Chápeme jej ve dvou rovinách:

 • vyšší úroveň abstrakce – fáze 

 • nižší úroveň abstrakce – úlohy. 

Podívejme se na obrázek spirálového modelu.

Obrázek byl převzat s Boehm 1988 a též Sochor 2003.

Základy teorie fuzzy logiky a fuzzy množin

Fuzzy

• marked by or giving a suggestion of fuzz 

• lacking in clarity or definition 

• being, relating to, or invoking pleasant and usually sentimental emotions 

• nejasný, mlhavý, chmýřovitý, neurčitý, chomáčkovitý, chlupatý, zmatený, konfuzní, konfúzní, kučeravý, kudrnatý, mající dlouhé chlupy, nakadeřený, nalíznutý, nehomogenní, neostrý, rozmazaný, roztřepaný

 Jak je vidět, slovo fuzzy má mnoho významů. 

Co je tedy fuzzy množina jinak? (např. podle wikipedie)

Fuzzy množina [fazi] nebo neostrá množina je množina prvků, jejichž příslušnost k této množině je odstupňovaná. V klasické booleovské teorii množin se pracuje pouze s dvouhodnotovými vstupy – příslušnost může nabývat jen dvě hodnoty, 0 a 1. Klasické množiny jsou tedy speciálním případem fuzzy množin, kde může příslušnost nabývat libovolnou hodnotu z reálného intervalu [0,1]. V teorii fuzzy množin lze analogicky zavést operace (doplněk, průnik, sjednocení), jak jsou známy z klasické teorie množin.

Podrobněji též viz opory doporučené ke studiu.

Fuzzy expertní systémy

Jak jsme uvedli na začátku přednášky, neurčitost, vágnost je součástí každodenního života. Navíc je to charakteristický rys mnohých systémů. Data získaná z těchto systémů potřebná pro řešení problému jsou nekonzistentní, nepřesná, mnohá jsou nedostupná, nespolehlivá atd. Navíc mohou být i znalosti potřebné pro řešení takovýchto problémů vágně definovány nebo mohou platit pouze v některých (vágně určených) případech. Velmi názorným příkladem vágně definovaných znalostí je schopnost onkologa odhalit na rentgenu nádor. Ve škále šedi nalezne místo, které je méně, nebo jinak šedé. Vágní pojmy, které se navíc vztahují ke konkrétnímu snímku. Jinak exponovaný snímek, byť jen nepatrně, může mít škálovatelnost odlišnou. V úvodu kapitoly jsme definovali rozdíl mezi klasickou a fuzzy množinou. Při použití klasického množinového přístupu bychom byli nuceni buďto přesně definovat hranice toho, co ještě nádor není a co už nádor je, nebo použít pravděpodobnostních či statistických metod, jako je např. Bayesovský přístup, kde je neurčitost závěru H v závislosti na předpokladu E být kvantifikována pomocí podmíněné pravděpodobnosti P(H | E). Další možností je využití fuzzy přístupu. V příkladu s karcinomem se nám dokonce přímo vnucuje použití fuzzy pravidel typu Takagi-Sugeno.  

Přístup na bázi Fuzzy logiky viz obr. dle zdroje (zav_prace_soubor_verejne.php (vut.cz))

Kvalita expertních systémů

Stanovení kvality SW je problematické. Obecně lze říct, že kvalitu software stanovuje zákazník na základě naplnění jeho požadavků, kvalitě dokumentace a poskytnutém servisu. Pro stanovení kvality nicméně máme k dispozici dva nástroje:

 • Ověřování – proces, ve kterém se určuje, zda produkt určité fáze vývoje splňuje požadavky stanovené v předchozí fázi.

 • Hodnocení – proces, ve kterém se zjišťuje stupeň splnění specifikovaných požadavků na software na konci vývojového procesu.

 Zákazník, tedy budoucí uživatel hodnotí systém z pohledu otázek:

 • Splňuje předkládaný systém požadavky uživatele? 

 • Řeší skutečné problémy, které řešit má“?

 Zákazníka teda zajímá použitelnost, kompetence, chování a spolehlivost systému. 

Podrobněji viz opory