Sztuczna inteligencja

Wykładowca:

Zbigniew Kokosińskizk@pk.edu.pl

POLITECHNIKA KRAKOWSKA – WIEiK

KATEDRA AUTOMATYKI I TECHNIK INFORMACYJNYCH

www.pk.edu.pl/~zk/SI_HP.html

Wykład 1: Wprowadzenie do sztucznejinteligencji

• Definicje inteligencji i sztucznej inteligencji

• Inteligentne programy komputerowe

• Test Turinga

• Systemy sztucznej inteligencji

- Systemy ekspertowe

- Robotyka

- Przetwarzanie mowy i języka naturalnego

- Przetwarzanie obrazów

- Wyszukiwanie wzorców i strategie wyszukiwań

- Gry (szachy, go)

- Optymalizacja i metaheurystyki

- Kognitywistyka

- Sztuczne życie

Definicja inteligencji

System autonomiczny

Definicja sztucznej inteligencji

Komputery w służbie sztucznej inteligencji

Charles Babbage (1791-1871)

koncepcja komputera mechanicznego - „maszyny analitycznej”

Ada Lovelace (1815-1852)

pierwszy program komputerowy -obliczanie liczb Bernoulliego w maszynie Babbage’a

Model komputera von Neumanna, a sztuczna inteligencja

John von Neumann (1903-1957)

W modelu komputera von Neumanna komunikacja pomiędzy pamiecią danych a wejściem i wyjściem komputera zachodzi przy pomocy (wąskie gardło). Tymczasem w systemach sztucznej inteligencji wiele obliczeń może mieć charakter równoległy lub współbieżny, np. w sieciach neuronowych, przetwarzaniu obrazów, równoległych metaheurystykach itp.

Dualizm programowo-sprzętowy

Systemy komputerowe składają się ze sprzętu (hardware) i oprogramowania (software).

Komputery ogólnego przeznaczenia posiadają procesory z ustaloną listą rozkazów.

W procesorach RISC (Reduced Instruction Set) lista rozkazów jest uproszczona do minimum. Powoduje to w konsekwencji konieczność budowy bardziej złożonych programów.

W procesorach CISC (Complex Instruction Set) lista rozkazów jest rozbudowana. Powoduje to w konsekwencji skrócenie i uproszczenie programów.

To, co w komputerach ogólnego przeznaczenia może być zrealizowane programowo, może też być zrealizowane sprzętowo (np. przez szybkie procesory grafiki, procesoryrównoległe, akceleratory sprzętowe itp.). Dotyczy to również SI, np. sztucznych sieci neuronowych implementowanych programowo i w układach FPGA.

Testy Turinga i Lema Alan Turing zaproponował w 1950 r. test, polegający na serii pytań

zadawanych komputerowi i innemu człowiekowi. Jeżeli w tejkomunikacji za pomocą klawiatury i monitora udzielone odpowiedzinie pozwolą na rozróżnienie partnerów rozmowy, to znaczy, żeprogram komputerowy jest inteligentny.

Komentarz: podejście Turinga jest naiwne w tym sensie, że inteligentnyczłowiek ma nieporównanie większy „bagaż kulturowy” niżjakikolwiek komputer i możliwość nieprzewidywalnych skojarzeńposiadanych informacji, które może przetwarzać w sposóbniepowtarzalny (poczucie humoru, ironia, gry słów, zdrobnienia,archaizmy, synonimy, przedrzeźnianie, cytowanie, przysłowia,„półsłówka”, wzorce językowe dominujące w danym okresie czasu).

Według Stanisława Lema decydującym kryterium, które dowodziłobypowstania sztucznej inteligencji, byłaby rozmowa z maszyną:„mój nieczłowieczy partner miałby za zadanie opowiedzieć własnymisłowami jakąś przedstawioną mu anegdotę lub historię, zachowującprzy tym cały sens mojej opowieści. Dla ostrożności należałoby tegorodzaju test powtórzyć kilkakrotnie”.

Chiński pokój i krytyka SI przez Searla

John Searl stwierdził, że komputery nie mogą być inteligentne, boprzetwarzając słowa (symbole) według pewnych zasad nie rozumiejąich znaczenia. Istnieje zatem różnica między myśleniem asymulowaniem procesów myślowych. Jest to argument przeciwkotzw. „silnej sztucznej inteligencji”.

Do chińskiego pokoju dostarczane są dane wejściowe (symbole językachińskiego), które są przetwarzane przez człowieka nie znającegotego języka, który udziela sensownych odpowiedzi posługując sięksiążką z regułami przetwarzania wejścia w wyjście. Na wyjściu jegopostępowanie uznawane jest za „inteligentne”.

Systemy sztucznej inteligencji

• Systemy ekspertowe (systemy z niepełną lub niepewną informacją)

• Robotyka (imitacja zachowania)

• Przetwarzanie mowy i języka naturalnego

• Przetwarzanie obrazów

• Wyszukiwanie wzorców i strategie wyszukiwań

• Gry (szachy, go)

• Optymalizacja i metaheurystyki

• Kognitywistyka

• Sztuczne życie

Systemy ekspertowe

• systemy z niepełną lub niepewną informacją

• wspierają proces decyzyjny

• wskazują najbardziej prawdopodobne rozwiązanie/

rozwiązania (diagnozę, prognozę, zalecenie itp.)

• w oparciu o dostępną wiedzę i reguły wniosko-wania umożliwiają pozyskanie nowej wiedzy

• system ekspertowy = baza wiedzy (fakty i reguły) + maszyna wnioskująca + interfejs użytkownika

• szkieletowy system ekspertowy : pusta baza wiedzy + interfejs z edytorem reguł

• konstruowanie s.e. należy do inżynierii wiedzy

• problem minimalnego zbioru atrybutów

Robotyka• manipulatory, roboty autonomiczne, roboty

humanoidalne itp.

• systemy robotów : automatyzacja produkcji samochodów (automotive), elektroniki, montaż z części, obróbka

mechaniczna, paletyzacja, gry kolektywne – turniej RoboCup itp.

• roboty humanoidalne (Asimo - Honda, Violin PlayingRobot – Toyota, roboty asystenci/pielęgniarze) - złożone

zagadnienia komunikacji, kinematyki, ekspresji (wyrażanie „uczuć”) – serwis, konsultacje, pomoc w

domu, opieka nad chorymi/starszymi osobami

• roboty specjalistyczne: nanorobotyka, wykonywanie

operacji medycznych itp.

Robot – skrzypek (Toyota)

Przetwarzanie mowy i języka naturalnego

• synteza mowy (tekst -> mowa)

• rozumienie słowa mówionego (np. zapis mowy, przyjmowanie poleceń, rozpoznawanie nadawcy)

przykład : Dragon Dictate, Angora

• rozumienie języka naturalnego (analiza tekstu, rozkład zdań, badanie części mowy i relacji pomiędzy nimi, wydobywanie wiedzy z danej dziadziny nauki/techniki)

• tłumaczenie maszynowe tekstów i mowy –

T. Higuchi, 1994 – komputer IMX2 do translacji

rozmów telefonicznych on-line (równoległa

architektura asocjacyjna)

Optymalizacja

• problemy decyzyjne – klasy złożoności P i NP

• teorie NP-zupełności i P-zupełności

• problemy optymalizacyjne i ich rozwiązywanie

dokładne i przybliżone

• teoria aproksymowalności

• kompromis : dokładność – czas obliczeń

• klasy złożoności PO, NPO, APX, PTAS, FPTAS

• nieaproksymowalność problemów – dowodzenie za pomocą techniki szczeliny

• problem komiwojażera (TSP) jako najtrudniejszy w klasie NPO

Metaheurystyki

• klasa algorytmów iteracyjnych

• ogólne metody dokładnego lub przybliżonego rozwiązywania problemów

• Podstawowe metody:

Genetic Programming (EA) (Smith 1980, Koza 1988)

SA (Kickpatrick 1983),

TS (Glover 1986, użycie słowa metaheurystyka),

ACO (Dorigo 1995)

GA (Holland 1995)

PSO (Kennedy, Eberhardt 1995)

• https://en.m.wikipedia.org/wiki/Talk:Metaheuristic/List_of_MetaheuristicsKennedy

Literatura