its-00-osnove inteligencije
Post on 31-Mar-2015
415 Views
Preview:
TRANSCRIPT
InteligencijaSvojstvo uspješnog snalaženja u novim situacijamaUčenje na temelju iskustva Sposobnost razmišljanja pri rješavanju problemaSvrsishodno i prilagodljivo ponašanje u zadanim okolnostimaSposobnost učenja, prilagođavanja, odlučivanja, prepoznavanja, zaključivanja, predviđanja
Umjetna inteligencija - UI
Tehnički sustavi umjetne inteligencije (ITS)- inteligentno ponašanje strojeva
Sposobnost prikupljanja i uporabe znanjaSposobnost postavljanja problemaSposobnost zaključivanjaSposobnost obrade i razmjene znanja
Filozofija (-428 - )Aristotel (-384-322) – silogizmi – algoritmi zaključivanjaRene Decartes (1596 -1650)- dualizam – dio uma izvan utjecaja
zakona fizikeWilhelm Leibniz (1646 – 1716) - um nastaje radom mozga prema
zakonima fizikeFrancis Bacon (1561-1626) ‘Novum Organum’ – empiricizam
Filozofija (-428 - )
David Hume (1711-1776) ‘A Treatise of Human Nature’ – princip indukcijeBertrand Russell (1872-1970) –logički pozitivizamGeorge Boole (1815-1864)– formalni jezik logičkog
zaključivanjaGottlob Frege (1848-1925)– predikatna logika
Matematika (1800 - )
Alfred Tarski (1902-1983)– teorija reprezentacije
Kurt Godel (1906-1978)– dokaz problema neodlučivosti
Alan Turing (1912-1954)– Turing-ov stroj- Church-Turing-ova teza
Psihologija (1879 - )
Herman von Helmholz (1821-1894) i Wilhelm Wundt (1832-1920)– znanstvene metode proučavanja vida
John Watson (1878-1958) i Edward LeeThorndike (1874-1949)- teorija podražaja i odziva
Računalstvo (1940 - )
Alan Turing (1940) Heath Robinson – elektromehanički računski stroj
Konrad Zuse (1941) – programabilno računalo Z-3 - Plankalkül - viši programski jezik John Atanasoff, Clifford Berry (1942)- ABC - elektroničko računalo -Mark I, II i IIIJohn Mauchly, John Eckert (1945) – ENIAC
Lingvsitika (1957 - )
Noam Chomsky (1957) – teorija sintaktičke strukture jezika – generativna gramatika
BiologijaW. McCulloch, W. Pitts (1943) – umjetni neuronDonald Hebb (1949) – učenje neuronskih mreža
Povijest razvoja UI
AI - Artificial Intelligence (Machine Intelligence) – John McCarthy, 1956.Claude Shannon, Allen Newell – program za igranje šaha, 1956.A. Newell, Herbert Simon – Logic Theorist –dokazivanje teorema, 1956.A. Newell, H. Simon – General Problem Solver(GPS) - program za rješavanje problema, 1956.J. McCarthy - programski jezik LISP, 1958.
Povijest razvoja UI
F. Rosenblatt – Perceptron – model neuronske mreže sa sposobnošću učenja, 1958.J. A. Robinson - algoritam za dokazivanje teorema predikatne logike, 1965.Lotfi Zadeh – neizrazita (fuzzy) logika, približno zaključivanje, 1965.Marvin Minsky, Seymour Papert, ‘Perceptron’, oganičenja neuronskih mreža, 1969.Arthur Bryson, Yu Chi Ho, algoritam učenja neuronske mreže povratnim rasprostiranjem pogreške, 1969.
Povijest razvoja UI
Bruce Buchanan, Edward Feigenbaum – DENDRAL ekspertni sustav - podrška u analizi kemijskih stuktura, 1969.M. Minsky – okvir (frame) – shema prikaza znanja, 1975.
A. Colmerauer, R. Kowalski, PROLOG – programiranje u logici, 1972.
B. Buchanan, E. Feigenbaum – MYCIN – model procjenjivanja u neizvjesnim okolnostima, 1976.
Arthur Dempster, Glenn Shafer – teorija zaključivanja u slučaju neizvjesnog, promjenjivog, kolebljivog, dvojbenog znanja, 1976.
Računala 5. generacije - japanska inicijativa, 1981.
David Rumelhart, James McClelland, ‘Parallel Distributed Processing’, 1986 – modeli i rad neuronskih mreža
UI danas
DART – planiranje složenih logističkih zadataka u Zaljevskom ratu, 1991. IBM Deep Blue – Kasparov 3.5:2.5, 1997.ALVINN vidni sustav - NavLab -računalom upravljano vozilo, 1998.PROVERB - rješavanje križaljki, 1999. NASA Remote Agent - samostalno planiranje i raspoređivanje poslova svemirske letjelice, 2000.
Područja umjetne inteligencije
Sustavi za potporu u odlučivanjuInteligentno pretraživanje podatakaEkspertni sustaviFormalizmi i metode prikaza znanjaRješavanje problema i metode pretraživanja Učenje korištenjem primjeraRazumijevanje i obrada prirodnih (i umjetnih) jezikaAutomatsko programiranjeRačunalni vid, raspoznavanje uzoraka i analiza scenePribližno računanje (umjetne neuronske mreže, genetski algoritmi, neizrazita logika)Robotika
Razvoj i područja umjetne inteligencijeObrada prirodnih jezika
Robotika
Prepoznavanje oblika
Sustavi za potporu odlučivanju
Inteligentno izračunavanje (neuronske mreže, genetski algoritmi, neizrazita logika)
Primjenjenaumjetna inteligencija
Formalna logika
Simboličko (nenumeričko) programiranje
Jezici za obrade lista
Razvoj računala
računalstvo
Razvoj programskih okruženja
Mali sustavi
Veliki sustavi za uska područja
Veliki hibridni sustavi
Alati za razvoj ES
Prepoznavanje govora
Ekspertni sustavi
Kognitivna psihologija
Interaktivno
1940 1970 1975 1980 1985 1990 1995
Može li stroj misliti? Turingov test
• Muškarac (A)• Žena (B)• Ispitivač (C) – muškarac ili žena
Cilj igre: Postavljanjem pitanja C mora odrediti koji je od dvoje ispitanika muškarac, a tko ženaCilj igre A: Uputiti C na pogrešnuidentifikacijuCilj igre B: Pomoći ispitivaču C
Turingov test
Što će se dogoditi ako stroj preuzme ulogu igrača A?Hoće li ispitivač C praviti jednak broj pogrešaka kao u igri u kojoj sudjelujumuškarac i žena?Ako je broj pogrešaka jednak onda je stroj inteligentan (A. Turing, "Computing Machinery and Intelligence”, Mind, 59, 433-460, 1950.)
Turingov testOčekivane sposobnosti i svojstva (inteligentnog) stroja:
obrada prirodnog jezikaprikaz (predstavljanje) znanjaautomatsko zaključivanje
Sveobuhvatni Turingov testIspitivač C može ispitivati i sposobnosti percepcije igrača A i BDodatne sposobnosti stroja:
računarski vidrobotika
Model biološkog inteligentnog sustava
SPOZNAJNIPODSUSTAV
Trajnamemorija
OSJETILNIPODSUSTAV
Spoznajniprocesor
Privremenamemorija
OSJETILA Radnamemorija
MOTORIČKIPODSUSTAV
Privremenamemorija
EFEKTORIPOTICAJI ODZIVI
Sustavi umjetne inteligencije
Sustavi koji mogu učiti nove koncepte,sustavi koji mogu zaključivati i donositi uporabnezaključke o svijetu koji ih okružuje, sustavi koji mogu razumijeti prirodni jezik ilispoznati i tumačiti složene vizualne scene, sustavi koji mogu obavljati i druge vrste vještina koje zahtijevaju čovjekovu vrstu inteligencije.
D. W. Patterson, 1990.
Funkcije inteligentnog sustava
1. Interakcija s vanjskim svijetom (radnom okolinom)
2. Prikupljanje i obrada informacija3. Prikupljanje znanja (učenje) 4. Rukovanje znanjem 5. Obrada znanja i zaključivanje6. Planiranje7. Komunikacija s čovjekom i /ili s drugim
inteligentnim sustavima
Model umjetnog inteligentog sustava
NADZOR I ZAKLJUČIVANJE O STANJU SVIJETA I STANJU
SUSTAVA
BAZA PODATAKA BAZA ZNANJA
KORISNIČKO SUČELJEOSJETILA EFEKTORI
ČOVJEK ILI INTELIGENTNI
INFORMACIJSKI SUSTAV
STVARNI SVIJET ILI RADNA OKOLINA
Inteligentni sustav - IS1. Pokazuje prilagodljivo cilju usmjereno ponašanje:
Željeni cilj ili ciljeve predočava podciljevima i koristi znanje o operacijama i postupcima koji prevode željeni cilj u slijedakcija. Ako neki od podciljeva nije ostvariv sustav traži drugiput prema konačnom cilju sustava.
2. Uči na temelju iskustva:
Sustav ima algoritme za automatsku modifikaciju strukture i funkcije na temelju iskustva koja stiče u radu - učenje podrazumijeva prikupljanje, prikazi i upotrebu znanja.
3. Koristi velike količine znanja:
Količina znanja pohranjena u sustavu mora biti slična količini znanja koju posjeduje čovjek da bi riješio isti problem.
Inteligentni sustav - IS
4. Pokazuje svojstva svjesnosti:
Sustav ima sposobnost objašnjavanja svojeg ponašanja, nadgledanja i dijagnoze stanja, te oporavka u slučaju pogreške.
5. Komunicira sa čovjekom prirodnim jezikom i govorom:
Sustav komunicira sa čovjekom i drugim inteligentnim sustavima prirodnim jezikom i govorom. Takva komunikacijapodrazumijeva obradu dvosmislenih i gramatički neispravnih rečenica.
6. Dozvoljava pogreške i nejasnoće u komunikaciji.
7. Odgovara u stvarnom vremenu.
Inteligentni sustav - IS
Pri rješavanju problema koristi znanje zapisano u računalnom programu i problem rješava na način kako ga rješava čovjek koristeći svoju prirodnu inteligenciju
Znanje i podaci
neraspoloživa opažanjaneizvjesna opažanjasubjektivna opažanjanepotpuna opažanjavremenski zavisna opažanjavišestruka rješenja
Moduli inteligentnog sustavaNaredbakorisnika
Odgovorkorisnika Ulaz Izlaz
Korisničko sučelje Sučelje s drugiminteligentnim sustavima
Upravljanje
Metode Znanje Objašnjenje Učenje
Rezultati (baza podataka)
Sučelje s vanjskim svijetom
Senzorni signal (slika, sljed slika, zvuk, govor, dodir i sl.)
Akcija
Predstavljanje znanjaZnanje:
Skup sistematiziranih sudova.Prikuplja se percepcijom.
Znanje: Spoznaja + Logika
Spoznaja – uključuje nepropozicijsko razumijevanje (percepcija, pamćenje,refleks) i propozicijsko razumijevanje te razumijevanje sudova o nepropozicijskom razumijevanju
Logika – znanost koja proučava načela koja vode do ispravnih zaključaka
Baza znanja
Baza znanja – Apstraktni prikaz radne okoline ili svijeta u kojem sustav treba rješavati zadatke.Baza znanja:
Znanje iz problemske domeneZnanje o načinu kako se problem rješava
Baza znanja sadrži
Objekte i relacije među njima
Činjenice i nesigurne činjenice
Pravila svijeta i pravila odlučivanja
Opise motivacije,cilja i stanja sustava
Metode rješavanja problema i heuristiku
Opis ponašanja
Hipoteze
Opise tipičnih situacija
Procese
Ograničenja
Metaznanje
Znanje iz problemske domene
Znanje o načinu kako se problem rješava
Svojstva shema za prikaz znanja
Primjerenost prikaza: Sposobnost prikaza svih raspoloživih vrsta znanja koja su potrebna za određeno područje.Primjerenost zaključivanja: Sposobnost obradeprikaznim strukturama na takav način da se izvode nove strukture koje odgovaraju novom znanju dobivenom zaključivanjem na temelju starog znanja.Djelotvornost zaključivanja: Mogućnost ugradnje dodatne informacije u strukturu znanja, koja se možekoristiti za usmjeravanje pažnje mehanizma zaključivanja prema obećavajućom smjerovima.Djelotvornost učenja: Sposobnost lakogprikupljanja znanja.
Podjela shema za prikaz znanjaSvijet – Skup objekata i/ili činjenica i odnosa koji postoje među njimaStanje svijeta – Skup svih objekata i odnosa među njima u određenom trenutku.Prijelazi stanja – Nastajanje i/ili nestajanje objekata te promjena međusobnih odnosa.
Mrežne sheme za prikaz znanja - Objekti i njihovi međusobni odnosiProceduralne sheme za prikaz znanja - Transformacije stanjaLogičke sheme za prikaz znanja - Istinitost izjava o stanjima
Semantičke mreže
Semantička mreža – čvorovi povezani različitim vrstama asocijativnih veza koje su predočene usmjerenim lukovima u grafu. Ross Quillian, 1966.- modeliranje asocijativne memorije
Semantičke mreže - primjerPLANT =1. Živa struktura
koja nije životinja, obično s lišćem, dobivahranu iz zraka ili vode ili zemlje
2. Oprema i uređaji za neki proces u industriji
3. Posaditi (biljku, sjeme i sl.) u zemlju da raste
Čvorovi i veze semantičke mreže
A neizravno pristupačan čvorA izravno pristupačan čvor
modifikacijska vezaveza odnosa razred - podrazred
BB
A B C
ili i
AB
CA B C
disjunktivna veza konjunktivna vezaveza subjekt objektB = subjekt u odnosu na C (objekt)na način kako je to navedeno relacijom A
Asocijativne veze
"IS-A“ (JEST)dopušta prikaz hijerarhijskih odnosa između čvorova (razred – podrazred)
"INSTANCE-OF“ (JE-PRIMJER)prikaz primjera iz razreda
"IS-A-PART“ (JE DIO)dopušta prikaz građe složenog objekta
A B
E
B C
E
gornja ploha
lijeva ploha
desna ploha
nevidljiva ploha
okvir kocke
gornja ploha
lijeva ploha
desna ploha
nevidljiva ploha
okvir kocke
okvir plohe
E
okvir plohe
A
okvir plohe
B
okvir plohe
C
gibanje kocke u desno
PRIKAZ KOCKE OKVIROM
Teorija okvira
Okvir – zapamćeni predložak (struktura podataka) predočen mrežom čvorova i međusobnih relacija prilagođen stvarnoj(trenutnoj) situaciji - Sustav okvira
Činjenice koje su uvijek istinite u pretpostavljenoj situaciji –okviri više razine
Priključna mjesta (terminali/slotovi) koja se popunjavaju podacima trenutne situacije – okviri niže razine
Podudaranje okvira (Matching) → Prilagođavanje okvira → Zamjena okvira
M. Minsky, 1975. – aktivna organizacija prošlih iskustava i/ili reakcija upotrebljena u novim situacijama
Logičke sheme
Simbolička logika – Hornova logika Programiranje u logici – PROLOGČitljivost – deklarativna semantikaModularnost – modifikacija baze znanjaUgrađen mehanizam zaključivanja
Prikaz znanja
a b c
d
e
d1 d2
d3
d4
d2
d5
Kolika je udaljenost između čvora c i e??- grana(c, e, X).
grana(c, e, d4).
Između kojih čvorova udaljenost iznosi d2?
?- grana(X, Y, d2).grana(a, d, d2),grana(b, c, d2),
grana(a, b, d1).grana(a, d, d2).grana(b, c, d2).grana(c, d, d3).grana(c, e, d4).grana(d, e, d5).
Heurističko znanje – Pronalaženje puta
Ako je čvor X = čvoru Y, onda je popis putova prazan, P = [].
U protivnom slučaju, pronaći put P’ koji počinje u čvoru Z do čvora Y i pronaći put od čvora X do čvora Z, izbjegavajući čvorove koji se već nalaze na putu P’.
put(X, Y, P). član(X, [X | _]).put(X, Y, P) :- član(X, [_ | Y]):-
grana(X, Z, U); grana(Z, X, U)), član(X, Y).not(član(Z, P)),put(Z, Y, [Y | P]).
Logičko modeliranje
ČOVJEK ISKUSTVENA PRAVILA
LOGIČKI PROGRAMSINTEZA LOGIČKOG ISKAZA
a b c
d
e
d1 d2
d3
d4
d2
d5
PODACI
Primjena heurističkog znanja
a b c
d
e
d1 d2
d3
d4
d2
d5
Koji putevi povezuju čvorove a i b?
?- put(a, b, X).
[a, b][a, d, c, b][a, d, e, c, b]....................
Ekspertni sustavi -sustavi zasnovani na znanju
Računalni programi:sadrže znanje o nekoj domenisposobni su donositi odluke izvođenjem zaključakamogu opravdati donešenu odlukuznanje nezavisno od ostatka programa
SUSTAVI ZA POTPORU U ODLUČIVANJU (Decision Support Systems - DSS)
Potreba za potporom u odlučivanju proizlazi iz:• spoznajnih ograničenja• ekonomskih ograničenja• vremenskih ograničenja
DSS je računalni sustav za organizaciju podataka, identifikaciju i dohvat podataka, analizu i transformaciju podataka, izbor modela odlučivanja i analizu dobivenih rezultata
Struktura sustava za potporu u odlučivanju
Donositeljodluke
Korisničko sučelje
Sustav za upravljanje bazom podataka
Sustav za upravljanje bazom modela
Sustav za upravljanje dokumentima
Baze podataka
DokumentiModeli
Inteligentno pretraživanje podataka (data mining)
skup metoda i tehnika za otkrivanje ‘skrivenih’ veza među varijablama u velikim bazama podataka
Koristi:statističke metode (regresiju, faktorsku analizu, diskriminantnu analizu, skupine, ...)metode umjetne inteligencije (ekspertne sustave, neuronske mreže, genetske algoritme, inteligentne agente, ...)
Približno računanje (soft computing)
Metode koje na različite načine dopuštaju:prihvaća se zadovoljavajućerješenje, a ne inzistira se na najboljem mogućem
Nepreciznost
Nesigurnost
Djelomičnu istinitostPodataka, znanja, zaključaka
“U stvari osnovni model približnog izračunavanja jest ljudski mozak. Postaje nam sve jasnije da čudnovata sposobnost ljuskog uma da djelotvorno funkcionira u nepreciznom i nesigurnom okruženju nadmašuje mogućnosti tracionalnih metoda računanja i logičkog zaključivanja.”
Lotfi A. Zadeh
Literatura
S.Russell, P.Norvig, ‘Artificial Intelligence: A Modern Approach’, 2’nPrentice Hall, 2003. http://www.cs.berkeley.edu/~russell/aima.htmlS. Ribarić, B. Dalbelo-Bašić, ‘Umjetna inteligencija’, FER, 2002.Elaine Rich, Kevin Knight, ‘Artificial Intelligence’, McGraw-Hill, 1992. D. Mišljenović, I. Maršić, ‘Umjetna inteligencija’, Školska knjiga, 1991.Zbornici Svjetskih ITS kongresa, CD 1995 -
top related