Sztuczna inteligencja, metody ekspertowe - Notatki - Systemy i sieci, Notatki z Informatyka

Pobierz Sztuczna inteligencja, metody ekspertowe - Notatki - Systemy i sieci i więcej Notatki w PDF z Informatyka tylko na Docsity! Sztuczna inteligencja, metody ekspertowe Sztuczna inteligencja, metody ekspertowe. Sztuczna inteligencja (ang. Artificial Intelligence AI) to technologia i kierunek badań na styku informatyki, neurologii i psychologii. Jego zadaniem jest konstruowanie maszyn i oprogramowania zdolnego rozwiązywać problemy nie poddające się algorytmizacji w sposób efektywny, w oparciu o modelowanie wiedzy (inaczej: zajmuje się konstruowaniem maszyn, które robią to, co obecnie ludzie robią lepiej). Problemy takie bywają nazywane AI-trudnymi i zalicza się do nich między innymi: analiza (i synteza) języka naturalnego, rozumowanie logiczne, dowodzenie twierdzeń, gry logiczne szachy, warcaby, go, manipulacja wiedzą, systemy doradcze, diagnostyczne. W badaniach nad sztuczną inteligencją wyróżniamy wiele nurtów. Maksymalny program jaki stawia przed sobą ta dziedzina to stworzenie maszyn o inteligencji dorównującej, a nawet przewyższającej ludzką. Program minimalny to stworzenie algorytmów lub maszyn przejawiających tylko jakiś wąski aspekt inteligencji, np. grających w szachy lub rozpoznających obrazy czy automatycznie tworzących streszczenie jakiegoś tekstu.AI jako dział badań naukowych zaczęła się w latach 50. XX wieku kiedy to powstało pierwsze laboratorium AI na Uniwersytecie Carnegie Mellon, założone przez Allana Newella i Herberta Simona i kilka lat później analogiczne laboratorium w Massachusetts Institute of Technology, założone przez Johna McCarthy 'ego. Oba te laboratoria są wciąż wiodącymi ośrodkami AI na świecie. Termin sztuczna inteligencja został po raz pierwszy zaproponowany prawdopodobnie przez Johna McCarthy'ego, który w 1955 r. zdefiniował go jako "konstruowanie maszyn, o których działaniu dałoby się powiedzieć, że są podobne do ludzkich przejawów inteligencji ".Natura to bardzo sprytny proces, wykazuje przewagę nad wieloma sztucznymi systemami. Jest zatem oczywiste, że wielu badaczy czerpało inspirację z natury. Tak zrodziła się dziedzina AI, jako część Informatyki. Próby uczynienia komputera działającym 'jak mózg ludzki ' to początek AI. Dziś sztuczna inteligencja to bardzo szeroka dziedzina. Istnieją dwa różne podejścia do pracy nad AI. Pierwsze to tworzenie całościowych modeli matematycznych analizowanych problemów i implementowanie ich w formie programów komputerowych, mających realizować konkretne cele. Drugie to próby tworzenia struktur i programów "samouczących się ", takich jak modele sieci neuronowych oraz opracowywania procedur rozwiązywania problemów poprzez "uczenie" takich programów, a następnie uzyskiwanie od nich odpowiedzi na "pytania ".W trakcie wieloletniej pracy laboratoriów AI stosujących oba podejścia do problemu, okazało się, że postęp w tej dziedzinie jest i będzie bardzo trudny i powolny. Często mimo niepowodzeń w osiąganiu zaplanowanych celów, laboratoria te wypracowywały nowe techniki informatyczne, które okazywały się użyteczne do zupełnie innych celów. Przykładami takich technik są np. języki programowania LISP i Prolog. Laboratoria AI stały się też "rozsadnikiem " kultury hakerskiej, szczególnie laboratorium AI w Massachusetts Institute of Technology. Praca ta przyniosła też konkretne rezultaty, które znalazły już praktyczne i powszechne zastosowania.Współczesne praktyczne zastosowania AI: technologie oparte na logice rozmytej powszechnie stosowane do np. sterowania przebiegiem procesów technologicznych w fabrykach w warunkach "braku wszystkich danych ", systemy ekspertowe czyli rozbudowane bazy danych z wszczepioną "sztuczną inteligencją" umożliwiającą zadawanie im pytań w języku naturalnym i uzyskiwanie w tym samym języku odpowiedzi; systemy takie stosowane są już w farmacji i medycynie, maszynowe tłumaczenie tekstów systemy takie jak SYSTRANS, jakkolwiek wciąż bardzo ułomne, robią szybkie postępy i zaczynają się nadawać do tłumaczenia tekstów technicznych, sieci neuronowe stosowane z powodzeniem w wielu zastosowaniach łącznie z programowaniem "inteligentnych przeciwników"w grach komputerowych, eksploracja danych - omawia obszary, powiązanie z potrzebami informacyjnymi, pozyskiwaniem wiedzy, stosowane techniki analizy, oczekiwane rezultaty, rozpoznawanie optyczne stosowane są już programy rozpoznające osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie zadane obiekty na zdjęciach satelitarnych, rozpoznawanie mowy (identyfikacja treści wypowiedzi) i rozpoznawanie mówców (identyfikacja osób) stosowane już powszechnie na skalę komercyjną, rozpoznawanie ręcznego pisma stosowane już masowo np. do automatycznego sortowania listów, oraz w elektronicznych notatnikach, sztuczna twórczość istnieją programy automatycznie generujące krótkie formy poetyckie, komponujące, aranżujące i interpretujące utwory muzyczne, które są w stanie skutecznie "zmylić" nawet profesjonalnych artystów, w sensie, że nie rozpoznają oni tych utworów jako sztucznie wygenerowanych, w ekonomii, powszechnie stosuje się systemy automatycznie oceniające m.in. zdolność kredytową, profil najlepszych klientów, czy planujące kampanie medialne. Systemy te poddawane są wcześniej automatycznemu uczeniu na podstawie posiadanych danych (np. klientów banku, którzy regularnie spłacali kredyt i klientów, którzy mieli z tym problemy). Czego nie udało się dotąd osiągnąć mimo wielu wysiłków: programów skutecznie wygrywających w niektórych grach. Jak dotąd nie ma programów skutecznie wygrywających w go, brydża sportowego, i polskie warcaby, mimo że podejmowano próby ich pisania. Trzeba jednak przyznać, że programy do gry w szachy, w które zainwestowano jak dotąd najwięcej Sterowaniakierują zachowaniem systemu; obejmują interpretowanie, predykcję, naprawę i monitorowanie zachowania się obiektu. Poprawianiapodają sposób postępowania w przypadku złego funkcjonowania obiektu, którego te systemy dotyczą. Naprawy harmonogramują czynności przy dokonywaniu napraw uszkodzonych obiektów. Instruowania systemy doskonalenia zawodowego dla studentów. Źródło: Mulawka J.J. Systemy ekspertowe, WNT Warszawa 1996, strona 26Przewidywany jest dalszy wzrost zainteresowania tymi systemami na świecie. W Polsce, według przedstawiciela jednej z polskich firm dystrybucyjnych, zainteresowanie przedsiębiorców rok temu było bardzo niewielkie, co spowodowało wycofanie się tej firmy z sektora systemów ekspertowych. W naszym kraju nadal praca eksperta jest tańsza niż wdrożenie systemu ekspertowego. Mimo to istnieje szansa, że rynek ten w przyszłości rozwinie się również w Polsce. W życiu codziennym co chwila dokonujemy oceny otoczenia i podejmujemy decyzje na podstawie klasyfikacji obserwowanej sytuacji. Czynimy to w oparciu o obserwację otoczenia, napływającą z różnych źródeł informację oraz posiadaną wiedzę i zdolności. Jest to dla nas czynność całkowicie naturalna. Jeżeli jednak zechcemy podobne zadania zlecić systemowi komputerowemu musimy wykonać wiele kroków, które pozwolą przynajmniej w części odwzorować przy pomocy oprogramowania ludzką zdolność do obserwacji, uczenia się, wyciągania wniosków w oparciu o posiadaną wiedzę i osiągania ostatecznej decyzji. Wzrastający rozmiar i poziom komplikacji informacji jaka otacza nas w codziennym życiu wywołał rosnące zapotrzebowanie na systemy przetwarzania danych zdolne do wyuczenia się klasyfikacji prezentowanych im obiektów. Wyzwania jakie stają przed konstruktorami systemów wspomagających klasyfikację stymulowały powstanie i rozwój wielu dziedzin badań. Można wśród nich wymienić sztuczne sieci neuronowe, sytemy maszynowego uczenia (ang. machine learning), systemy ekspertowe (ang. expert systems), drzewa decyzyjne, nowoczesne metody uczenia statystycznego (ang. statistical learning theory), a także niektóre z metod stosowanych w odkrywaniu wiedzy i eksploracji danych (ang. knowledge discovery and data mining).Choć cele dla wielu dziedzin są zbieżne, metody ich osiągania często zasadniczo się różnią między sobą. Następstwem takiej dywersyfikacji są różnice występujące między wynikami uzyskiwanymi dla tych samych zbiorów danych. Jednocześnie postępujące zrozumienie zjawisk występujących przy konstruowaniu różnego rodzaju klasyfikatorów pozwoliło badaczom wyróżnić wiele analogii i współzależności występujących pomiędzy różnymi metodami. Obserwacje te zapoczątkowały rozważania nad łączeniem elementów różnych podejść w systemy zwane hybrydowymi. Systemy takie wykorzystują elementy kilku metodologii do stworzenia klasyfikatora, który przejmie najlepsze cechy systemów wchodzących w jego skład przy jednoczesnym uwolnieniu się (przynajmniej częściowo) od ich ograniczeń. Jedną z dziedzin, która często pojawia się w kontekście systemów hybrydowych są sztuczne sieci neuronowe. Jednocześnie, wykorzystanie wraz z siecią neuronową innych metod takich jak systemy ekspertowe, drzewa decyzyjne, zbiory rozmyte etc., pozwala uwolnić się od głównych niedostatków sieci neuronowych, którymi są: brak efektywnej i uniwersalnej metody wyboru struktury sieci dla zadanego problemu oraz niska przejrzystość (intuicyjna zrozumiałość) uzyskanego modelu klasyfikacji. Systemy ekspertowe są programami, zwykle ograniczonymi do specyficznego zakresu, próbującymi naśladować zachowanie ekspertów - ludzi. Typowe atrybuty ES: wiedza jest zwykle reprezentowana w postaci deklaratywnej, umożliwiającej łatwe odczytywanie i modyfikację. Większość ES wykorzystuje struktury 'jeśli przesłanki to akcje ' (IF- THEN), systemy bazujące na regułach, struktura wiedzy jest klarowna (wyłączając neuronowe ES), reprezentacja wiedzy i mechanizm sterujący są rozdzielone. Często mechanizm sterujący korzysta z reguł, tzw. meta- reguł, ważny z punktu widzenia użytkownika interfejs I/O, pozwala na zadawanie pytań i uzyskiwanie wyjaśnień (praca interaktywna), moduły zdobywania wiedzy i modyfikacji wiedzy są często używane dla rozszerzania systemów ekspertowych.Czynniki pobudzające rozwój systemów ekspertowych to: wiedza eksperta jest zasobem rzadkim i drogim, ES pozwalają większemu gronu ludzi działać jako 'ekspert”. Jest to użyteczne przy szkoleniu itp. Edukacyjna rola ES jest bardzo duża, np. MYCIN (system służący do diagnozowania chorób bakteryjnych) doskonale nadaje się do uczenia studentów medycyny, nie ryzykując zdrowiem pacjenta, połączenie wiedzy kilku ekspertów może spowodować, że ES działa lepiej niż pojedynczy ekspert.Na świecie z powodzeniem pracują systemy ekspertowe (np. MYCIN, PUFF, DENDRAL, PROSPECTOR). Różnice między systemami ekspertowymi pracującymi w czasie rzeczywistym, a konwencjonalnymi ES: tradycyjne systemy ekspertowe najczęściej znajdują zastosowania w zagadnieniach diagnostycznych i konsultacyjnych; w aplikacjach pracujących w czasie rzeczywistym, wnioskowanie odbywa się z uwzględnieniem najczęściej wielu szybko zmieniających się danych (high-input data rates), krytycznym wymogiem jest 'wyprodukowanie ' właściwej odpowiedzi w odpowiednim, krótkim przedziale czasu. Coraz częściej technologie bazujące na systemach ekspertowych znajdują zastosowania w zadaniach czasu rzeczywistego, zwłaszcza w szczególnie ważnych zadaniach (mission- critical applications). Systemy Ekspertowe pracujące w czasie rzeczywistym znajdują zastosowanie w wielu rzeczywistych zadaniach sterowania przebiegiem procesu. Jedną z zalet, jakie daje ich stosowanie to bardzo dobre rezultaty w krótkim czasie. Działanie jest spójne niezależnie od czasu i położenia geograficznego, w których odbywa się proces. Systemy ekspertowe czasu rzeczywistego mogą wykonywać również użyteczne wstępne przetwarzanie danych, z których wyniki wykorzystywane są przez operatorów ludzi; pełnią wtedy bardzo istotną rolę pomocniczą dla pracy operatora. Wynika z tego, że nawet tam, gdzie cała wymagana dla sterowania wiedza nie może być zredukowana do postaci reguł czy innej akceptowanej przez ES, stosowanie systemów ekspertowych może okazać się pożądane dla celów odpowiedniej filtracji wiedzy niezbędnej operatorowi. Ułatwia mu to podejmowanie decyzji i może eliminować zmęczenie lub nudę, co może przyczyniać się do lepszej reakcji operatora w ważnych sytuacjach i zapewnić większe bezpieczeństwo. Innym zyskiem zastosowania systemów ekspertowych pracujących w czasie rzeczywistym w sterowaniu procesami jest ich zdolność do wysokiej jakości przetwarzania często zmieniających się danych poprzez pełniejsze monitorowanie i inicjowanie akcji prewencyjnych. Prace nad zwiększeniem możliwości stosowania ES pracujących w czasie rzeczywistym idą w kierunku przyspieszania działania mechanizmu wnioskującego zarówno poprzez lepsze oprogramowanie jak i również poprzez stosowanie odpowiedniej architektury. Zalety systemów ekspertowych: systemy ekspertowe pracujące w czasie rzeczywistym w siłowniach energetycznych, podczas sterowania skomplikowanych urządzeń i maszyn na pokładach statków kosmicznych rozwiązują specjalistyczne problemy lepiej niż człowiek. Człowiek w takich sytuacjach nie mógłby swoimi zmysłami ogarnąć całej sytuacji, a system ekspertowy wyposażony w olbrzymią ilość danych i odpowiednio zaprogramowany szybko podejmuje właściwą decyzję, systemy ekspertowe mogą rozwiązywać problemy NP - zupełne, które mają opracowane teorie, jednak nie można za pomocą algorytmów ogarnąć wszystkich teoretycznie możliwych przypadków w interesującym użytkownika czasie. System ekspertowy potrafi znacznie ograniczyć ten czas,Graficzna ilustracja powyższej zalety systemu ekspertowego: system ekspertowy może tylko prezentować swoje rozwiązania użytkownikowi, do którego należy ocena ich jakości. Rozwiązania te mogą być odrzucone i wtedy system może wygenerować następne. Użytkownik ogranicza się tylko do wyboru najbardziej odpowiedniego z gotowych rozwiązań, system ekspertowy potrafi pracować w ten sposób, iż otrzymuje problem oraz jego rozwiązanie. Do systemu należy przeprowadzenie analizy i wygenerowanie komentarzy do rozwiązania, system ekspertowy może zgromadzić w jednym systemie wiedzę wielu ekspertów i pracować bardziej efektywnie niż dysponujący tylko swoją wiedzą ekspert z danej dziedziny, system ekspertowy ma ściśle posiada ważną właściwość: może koncentrować uwagę na jednym problemie, uznanym przez system za najważniejszy w danej chwili. Właściwość ta powoduje, iż system mając obszerną bazę wiedzy, może do rozwiązania problemu używać tylko jej części, co znacznie przyspiesza czas reakcji systemu, system ekspertowy może posiadać mechanizmy dedukcyjne. Umożliwiają one przewidywanie przyszłych stanów systemu na podstawie obserwacji, tworzenie pewnych uogólnień na podstawie zaobserwowanych prawidłowości oraz udowadnianie nowych twierdzeń.Wady systemów ekspertowych: nie wszystkie systemy ekspertowe pracują bez nadzoru człowieka w większości przypadków system pełni tylko funkcje wspomagające podejmowanie decyzji przez człowieka, utworzenie nowego systemu ekspertowego wymaga wprowadzenia całej wiedzy posiadanej przez eksperta. Jest to proces bardzo czasochłonny, więc wysiłek włożony w utworzenie systemu ekspertowego jest uzasadniony tylko wtedy, gdy system będzie wykorzystywany przez długi okres czasu i przez dużą liczbę użytkowników, człowiek rozwiązując problem nie zawsze używa sztywnego schematu wnioskowania, często opiera się na intuicji. W przypadku systemu ekspertowego takie działanie jest niemożliwe, komunikacjasystemu ekspertowego z użytkownikiem jest w dużym stopniu ograniczona przez klawiaturę. Do swobodnej komunikacji konieczna by była komunikacja za pomocą głosu, przy tworzeniu systemu ekspertowego, a konkretnie bazy wiedzy ekspert musi być cały czas obecny, gdyż najczęściej wykorzystywaną metodą pozyskiwania wiedzy jest prowadzenie z nim dialogu, system ekspertowy posiada wiedzę tylko z wąskiej dziedziny i nie potrafi skutecznie rozwiązywać problemów, jeżeli nie dotyczą one specyficznej dla niego dziedziny, niektóre systemy ekspertowe potrzebują długiego czasu na wygenerowanie poprawnego wyniku działania. Jeżeli wymagany jest krótszy czas na odpowiedź, niż potrzebuje go system ekspertowy, wtedy jakość wyniku ulega znacznemu pogorszeniu, nieopłacalne jest tworzenie systemu ekspertowego do rozwiązywania mało skomplikowanego problemu w takim wypadku lepiej sprawdzają się zwykłe programy, w przypadku istnienia ścisłych algorytmów rozwiązania, tworzenie systemu ekspertowego jest nieekonomiczne - równie dobrze rozwiąże go zwykły program, specjalnie napisany do tego celu, istnieją dziedziny (np. sterowanie procesem technologicznym o nieznanym modelu matematycznym), które bardzo trudno poddają się opisowi i stworzenie systemu ekspertowego wymaga wiele wysiłku, a człowiek radzi sobie z tymi dziedzinami bardzo dobrze, czasem niemożliwy jest dialog systemu ekspertowego z człowiekiem. Szczególnie jest to widoczne w systemach czasu rzeczywistego, które muszą szybko reagować na zmieniające się warunki, ekspert rozszerza swoją wiedzę o nowe fakty i prawa, system ekspertowy musi zostać albo wyposażony w skomplikowane mechanizmy umożliwiające powiększenie bazy wiedzy lub baza wiedzy musi być ręcznie powiększana przez człowieka, tworzenie systemu ekspertowego jest procesem bardzo złożonym i dlatego wymaga dodatkowych programów (redakcyjnych), bez których stworzenie wydajnego systemu ekspertowego jest bardzo trudne, jeżeli w bazie wiedzy zostaną wykryte błędy uniemożliwiające poprawną pracę, muszą być one poprawione. Powoduje to jednak kolejne komplikacje, gdyż usunięcie jednej pomyłki może spowodować następną. W ten sposób niewielki błąd może uniemożliwić korzystanie z bazy wiedzy i spowodować konieczność jej gruntownej przebudowy, proces automatycznego tworzenia bazy wiedzy, mimo, że jest dostępny w niektórych systemach ekspertowych, to jednak przy dużym szumie informacyjnym (błędnych danych) reguły wnioskowania mogą być fałszywie modyfikowane. Spowoduje to niepoprawne działanie całego systemu, tworzenie systemu ekspertowego jest ułatwione przy pomocy narzędzi programowych, jednak narzędzie należy wybrać bardzo starannie, gdyż nie każde można łatwo zastosować w interesującej twórcę dziedzinie. Wybór niewłaściwego narzędzia może znacznie utrudnić i skomplikować tworzenie nowego systemu ekspertowego, najczęściej obecnie używane systemy ekspertowe, czyli systemy ekspertowe czasu rzeczywistego nie mogą być tworzone za pomocą narzędzi programowych, gdyż wielkie znaczenie ma w nich czas reakcji na szybko zmieniające się dane wejściowe, system ekspertowy, aby pracować niezawodnie musi pracować w sposób ciągły. System przetwarza duże ilości danych, więc szybko powstaje problem niedostatecznej ilości pamięci. Twórca systemu musi zawsze rozwiązywać problem jednoczesnej pracy i zwalniania pamięci, systemy ekspertowe nie posiadają idealnego modelu reprezentacji wiedzy w bazie wiedzy. Cały czas podejmowane są próby jak najlepszego zapisu wiedzy w systemie ekspertowym, jednak nie znaleziono jeszcze wystarczająco dobrego sposobu jej zapisu, pomimo ściśle określonych teoretycznych ram zapisu wiedzy w systemach ekspertowych, nie każdą wiedzę można ująć w te ramy, ekspert może pozyskiwać nową wiedzę ze źródeł różnego typu, jak np. literatura, inni eksperci. System ekspertowy jest całkowicie zależny od swojego operatora i jest on jedynym źródłem, z którego system może pozyskiwać nową wiedzę, niemożliwa jest swobodna komunikacja pomiędzy systemem ekspertowym, a użytkownikiem posługującym się naturalnym, mówionym językiem i ogólnie znanymi faktami, jeżeli nie są one wprowadzone do bazy wiedzy, system ekspertowy jest użyteczny tylko wtedy, gdy posiada odpowiedni interfejs do komunikacji z użytkownikiem. Nawet najlepszy system ekspertowy będzie bezużyteczny. Różnice w stosunku do systemów tradycyjnych:System ekspertowy Program tradycyjny twórca to inżynier wiedzy, korzysta z bazy wiedzy, problemy do rozwiązania przez twórcę to reprezentacja i sposób użycia wiedzy, do rozwiązywania problemów posługuje się heurystykami, system bliski idealnemu to taki, który efektywnie manipuluje dużymi bazami wiedzy, stosowany w dziedzinach, w których nie istnieje matematyczny model algorytmów rozwiązujących zadania z danej dziedziny, potrafi rozwiązać problem NP. zupełny w określonym czasie wymaga pozyskania wiedzy od eksperta, nieopłacalny do stworzenia w przypadku problemów o ściśle określonych algorytmach rozwiązania, zbyt skomplikowany i czasochłonny proces tworzenia i dlatego nieopłacalne jest wykorzystanie systemu ekspertowego do rozwiązywania mało skomplikowanych problemów, może automatycznie rozwijać bazę wiedzy, potrafi rozwiązać problem o dużej złożoności obliczeniowej, symboliczne przetwarzanie posiadanej informacji, zapis wiedzy ma charakter deklaratywny, możliwość istnienia interaktywnego otoczenia programowego, możliwość prowadzenia dialogu w języku zbliżonym do naturalnego, wyposażony w mechanizmy objaśniania, brak praktycznej możliwości pełnego sprawdzenia poprawności działania systemu ekspertowego, rozwój systemu ekspertowego dokonuje się przez tworzenie prototypów i ich ulepszanie podczas wspólnej pracy eksperta oraz inżyniera wiedzy. twórca to programista, analityk systemów, korzysta z bazy danych, problemy do rozwiązania przez twórcę to reprezentacja i sposób użycia danych, do rozwiązywania problemów posługuje się algorytmami, program bliski idealnemu to taki, który efektywnie manipuluje dużymi bazami danych, używany tylko w dziedzinach posiadających jednoznacznie określone algorytmy rozwiązywania zadań, próba rozwiązania problemu NP. zupełnego prowadzi do takiej ilości teoretycznie możliwych przypadków, iż program wykonuje się zbyt długo, żeby móc rozwiązać problem w interesującym użytkownika czasie, używa tylko gotowych algorytmów, przy ściśle określonych algorytmach rozwiązania tworzenie programu jest bardzo szybkie i daje on poprawne wyniki, mało skomplikowane problemy sprawiają, iż program jest tworzony w krótkim okresie czasu i pracuje szybko, nie ma możliwości automatycznego rozwijania bazy danych, zawodzą przy dużej złożoności obliczeniowej problemu, numeryczne przetwarzanie posiadanej informacji, algorytmiczny zapis sposobów rozwiązywania problemów, przetwarzanie wsadowe lub interaktywne, niemożliwy dialog w języku zbliżonym do naturalnego, trudność wprowadzenia mechanizmów objaśniania, istnieje możliwość sprawdzenia poprawności działania programu, rozwój programu tylko na podstawie specyfikacji. Systemy ekspertowe najlepiej nadają się do zastosowania w tych dziedzinach, które