From Semantic Web to AI. A lecture at JPII University in Lublin
51
Od Sieci Pełnej Znaczeń do Sztucznej Inteligencji Rola Klasycznego Uniwersytetu w Rewolucji Cyfrowej Kognitywistyka KUL, cykl „Lubię mój umysł” Dr Mirek Sopek
Transcript of From Semantic Web to AI. A lecture at JPII University in Lublin
Od Sieci Pełnej Znaczeń
doSztucznej Inteligencji
Rola Klasycznego Uniwersytetu w Rewolucji Cyfrowej
Kognitywistyka KUL, cykl „Lubię mój umysł”Dr Mirek Sopek
Plan wykładu Ewolucja sieci Web:
• Od sieci dokumentów (Web 1.0) poprzez Sieć Relacji i Interakcji (Web 2.0) do Sieci Pełnej Znaczeń (Web 3.0 = Semantic Web)
Łagodne wprowadzenie do Sieci Pełnej Znaczeń Niezwykłe „Dygresje” w Sieci - Blockchain Sztuczna Inteligencja – krótka historia Rozróżnić prawdziwe wartości od szumu:
Ścisła Sztuczna Inteligencja (Narrow AI) a Ogólna Sztuczna Inteligencja (General AI) Czy AI to IV Przemysłowa Rewolucja? Jaką rolę może odegrać Klasyczny Uniwersytet w rewolucji cyfrowej?
2
3
Ewolucja sieci WEB
Narodziny – March 1989 „Information Management: A Proposal”Pierwszy serwer sieci Web – December 1990http://info.cern.ch (CERN)
Sieć WEB ma tylko (aż ?) 10122 dni (27 lat) swojej historii.
Print – 206,700 days*Newspapers – 168,000 daysRadio – 35,140 daysTV – 28,100 days
Inne media:
*1450 –Gutenberg’s Bible1605 – Relation aller Fürnemmen und gedenckwürdigen Historien by Johann Carolus (Strasbourg) https://en.wikipedia.org/wiki/Johann_Carolus1920 (August 31) – by station 8MK in Detroit, Michigan1939 (September)– experimental TV broadcasting by RCA
Source of the picture: Brad Acker Post at: https://plus.google.com/+BradAcker/posts/aB7zmFrmDz7
4
Web 1.0 – Sieć dokumentów1989-2000 - Sieć Dokumentów powiązanych HyperLinkami
5
Web 2.0 – Sieć Relacji i Interakcji2000-2010 - Sieć Sieci Społecznościowych
6
2010-2020(?) - Linked Data Web, Semantic Web
Link
Link
Link
Link
Link
Link
Link
Link
LinkLink
Resource
Resource
Resource
Resource
Resource
Resource
Resource
Resource
hasPeople
humanResources
hasServices
hasProducts
hasPeople
hasPeople
hasProduct
hasProduct
colleaguecolleague
Organization
HR
Services
Products
People
People
Product
Product
Web 3.0 – Web of Data
7
Jak powstała Sieć Pełna Znaczeń?
Sir Tim Berners-Lee Seminal article: „Semantic Web” Scientific American
- May 2001 with James Handler and Ora Lassila
Linked Open Data - 5 STAR Open Datahttp://5stardata.info/en/
The Next Webhttp://www.ted.com/talks/tim_berners_lee_on_the_next_web
8
Dlaczego powstała Sieć Pełna Znaczeń?- czyli co jest nie tak z Web 1.0 oraz 2.0 ?The WEB is BIG*“Between the birth of the world and 2003, there were five exabytes of information created. We [now] create five exabytes every two days. See why it’s so painful to operate in information markets?”Eric Schmidt, CEO, Google, 2010
1 Exabyte = 10 6 Terabytes = 1 gigabyte of gigabytes
31EB
44EB
59EB
77EB
94EB
110EB
2011 2012 2013 2014 2015 2016
Exabytes per MonthSource: Cisco VNI Global Forecast, 2011-2016
*Not a bad thing in itself The problem is we no longer know how to explore/use it !
9
Dlaczego powstała Sieć Pełna Znaczeń?- czyli co jest nie tak z Web 1.0 oraz 2.0 ?The WEB is TOO BIG to KNOW„... the Net can scale that large only because it doesn’t have edges within which knowledge has to squeeze. No edges mean no shape. And no shape means that networked knowledge lacks what we have long taken to be essential to the structure of knowledge: a foundation.”
„On the Net, every fact has an equal and opposite reaction”David Weinberger „Too Big to Know – Rethinking Knowledge Now That the Facts Aren't the Facts, Experts Are Everywhere, and the Smartest Person in the Room Is the Room”
Zbyt wielki aby go znać – Przemyśleć Wiedzę – Zrozumieć że fakty nie są faktami, eksperci są wszędzie a najzdolniejszą osobą na Sali jest sama Sala.
10
Web 2.0 dwells in isolatedSilos
Dlaczego powstała Sieć Pełna Znaczeń?- czyli co jest nie tak z Web 1.0 oraz 2.0 ?
Rozwiązanie?Sieć Pełna Znaczeń
Semantic Web
12
Podstawy Sieci Pełnej Znaczeń
Pojęcie „Semantic” w „Semantic Web” wskazuje na ZNACZENIE danych, a nie na ich składnię, język lub formę zapisu.
„Semantic Web to informacja aktywna (actionable Information) , będącą ewolucją wcześniejszych danych statycznych (...)” (N.Shadbolt,W.Hall,T.Berners-Lee)
Semantic Web to reprezentacja uogólnionych RZECZY (obiektów oraz konceptów) i ich własności w sieci Web, a nie tylko dokumentów.
13
Jak reprezentujemy Rzeczy (Obiekty i Koncepcje) w Sieci Pełnej Znaczeń?
On the Semantic WEB we represent THINGS using elementary ATOMS of data: TRIPLES.
We can create logical and structural relations between elements of the triple, build taxonomies, vocabularies and classes and finally „reason” on large sets of triples.
:RenaultClioSport :VIN_Number „ VF1CRCJ0H42590904”
For example:
Resource Description Framework
hasEngine :2.0_litre_straight_4
The file format we store triples in is called RDF.„RDF is for THINGS as HTML is for DOCUMENTS”
Subject Predicate Object
Thing Property Value
14
W celu jednoznacznej identyfikacji rzeczy (obiektów oraz konceptów) oraz ich własności, Sieć Pełna Znaczeń używa identyfikatorów URI — Universal Resource Identifiers – będących generalizacją zwykłych adresów sieci Web !
Jak identyfikujemy Rzeczy w Sieci Pełnej naczeń?
Renault Clio VIN Number „ VF1CRCJ0H42590904”
http://www.renault.co.uk/cars/model/new-clio/product.aspx
http://purl.org/vso/ns#VIN A number
N.Shadbolt,W.Hall,T.Berners-Lee
15
Natura powiązań (links) w Sieci Pełnej Znaczeń Semantic Web wiąże Rzeczy , a nie tylko dokumenty Powiązania w Semantic Web można kategoryzować: RDF pozwala na jawną deklarację typu powiązań
Store 1 Store 2
COMPANY
gr:Offering
gr:Offering
gr:availableAtOrFrom
gr:hasPOS
gr:offers
gr:hasPOS
gr:offers
gr:availableAtOrFrom
Semantic Web = GGG (Giant Global Graph)
Organization
HR
Services
Products
People
People
Product
Product
hasPeople
humanResources
hasServices
hasProducts
hasPeople
hasPeople
hasProduct
hasProduct
colleaguecolleague
GGG – term coined by Tim Berners Lee in 2007
Ooops… sorry, but it’s BIG
17
Niektóre istniejące wielkie grafy semantyczne
169,772,511 facts
18
Sieć to nie wszystko …
Store 1 Store 2
COMPANY
gr:Offering
gr:Offering
gr:availableAtOrFromgr:hasPOS
gr:offers
gr:hasPOS
gr:offers
gr:availableAtOrFrom
?Typy i własności opisywane są w ontologiach
Gdzie definiujemy klasy i ich własności dla obiektów opisywanych w grafach semantycznych ?
19
Znaczenie Ontologii w Sieciach Semantycznych
“W filozofii, ontologia jest teorią o naturze istnienia (realnego lub możliwego), oraz o typach rzeczy istniejących – ontologia jako dyscyplina filozoficzna zajmuje się studiami nad takimi teoriami. Naukowcy zajmujący się Sztuczną Inteligencją oraz siecią Web adoptowali to pojęciedo własnego żargonu – dla nich Ontologia jest dokumentem lub plikiem jaki formalnie definiuje relacje pomiędzy terminami.Najczęściej występującymi rodzajami ontologii w sieci Web są taksonomie uzupełnione o zestaw reguł wnioskowania”
Tim Berners-Lee, James Hendler and Ora Lassila “The Semantic Web”
20
Praktyczne OntologieMartin Hepp on the scope of practical ontologies: Providing a shared type system that is useful across systems Improving the reliability of type information for entities Providing some rules that hold implicit facts (e.g. transitivity of a property)
21
Gdzie można dziś „widzieć” Semantic Web?Knowledge Graphzbudowany na bazie FreebaseSchema.orgnajważniejszy słownik (niemal ontologia ) w sieci Web
22
Gdzie można dziś „widzieć” Semantic Web?
http://geneontology.org/
23
Gdzie można dziś „widzieć” Semantic Web?
Microsoft Cortana
Używa SATORI– repozytorium grafowego zaimplementowanegoz użyciem Semantycznej Bazy Microsoft TRINITY.
https://www.microsoft.com/en-us/research/project/trinity/
Podobnych technologii używa Apple Siri, Google Now oraz Amazon Alexa
Wrócimy do tych zagadnień podczas omawiania Sztucznej Inteligencji
Niezwykłe „dygresje” w sieci …
? IOT - Internet of Things Wirtualne Światy – (np. Second Life) Całkowita decentralizacja – BLOCKCHAIN
25
Jak narodził się Blockchain? Blockchain został stworzony w roku 2008 i po raz
pierwszy zaimplementowany w roku 2009 jako fundament technologiczny cyfrowej waluty BITCOIN.
BlockChain pozwala na stworzenie struktur danych które są absolutnie nienaruszalne mimo, że są całkowicie i publicznie dostępne dla każdego chętnego.
Blockchain zawdzięcza tę niezwykłą cechę zaawansowanym teoriom matematycznymbędącym podstawą technologii kryptograficznych oraz całkowicie opartej na technologii internetowej metodzie dystrybucji danych (wcześniej używanej przez usługi takie jak BitTorrent).
Blockchain - Metafora
26
Otwarte dane wyryte w kamieniu
Znaczenie Blockchain
27
Całkowicie ZDECENTRALIZOWANE Medium wymiany WARTOŚCI pomiędzy uczestnikami
Nowy, w pełni ZAUFANY sposób zawierania kontraktów nie wymagający pośrednictwa(np. notariuszy lub instytucji nadrzędnych)
Masywnie rozproszona,nienaruszalna baza danych.
Technologia Biznes
Prawo
Jakie dziedziny „dotknie” BlockChain?
28
Bitcoin i inne monety cyfrowe“Praktyczne wdrożenie walut cyfrowych – zmiany w bankowości”
Quotations from: “Blockchain” by Melanie Swan, O'Reilly Media, Inc.
Kontrakty i identyfikacja„Zastosowania biznesowe, finansowe i prawne zmieniające nieodwołalnie sposób funkcjonowania biznesu elektronicznego”
Aplikacje“Powyżej walut i rynków – np. DAO – Zdecentralizowane Autonomiczne Organizacje”
Blockchain3.0
Blockchain2.0
Blockchain1.0
Sztuczna Inteligencja
https://aeon.co/essays/how-close-are-we-to-creating-artificial-intelligence
Jak zdefiniować Sztuczną Inteligencję?
30
Nie mamy dziś ogólnie zaakceptowanej definicji Sztucznej Inteligencji! Mamy bardzo złą „popularną” definicję (wywodzącą się z literatury i filmu Science Fiction)
wyrażoną np. w:„The exciting new effort to make computers think … machines with minds, in the full and literal sense.” (by John Haugeland, autor koncepcji GOFAI - Good Old-Fashioned Artificial Intelligence)
Jeden z najbardziej popularnych podręczników Sztucznej Inteligencji (Russell and Norvig, „Artificial Intelligence: A Modern Approach”) podaje aż cztery definicje:
Systemy, które „myślą” jak ludzie Systemy, które „zachowują się” jak ludzie Systemy, które „myślą” racjonalnie Systemy, które „zachowują się” racjonalnie
Ograniczona a Ogólna Sztuczna Inteligencja
31
Ograniczona Sztuczna Inteligencja (Narrow AI): To dziedzina wiedzy i techniki, która zajmuje się pewnymi SZCZEGÓLNYMI rozwiązaniami, takimi jak:
• Machine Learning (samouczące się oprogramowanie)• automatyczne tłumaczenia oraz analiza języka naturalnego (NLP), syntetyczna mowa, • rozpoznawanie obrazu, • planowanie aktywności ludzi i systemów, • sterowanie pojazdami autonomicznymi, • planowanie podróży i systemy rekomendacyjne, • zautomatyzowana diagnostyka medyczna• Reprezentacja wiedzy (Semantic Web) i systemy eksperckie• wiele innych
Ograniczona a Ogólna Sztuczna Inteligencja Ogólna Sztuczna Inteligencja (General AI, AGI – Artificial General Intelligence): To dziedzina badań odnosząca się do nadal SPEKULATYWNEJ przyszłej Sztucznej Inteligencji, która
charakteryzuje się inteligentnym zachowaniem przynajmniej tak zaawansowanym jak istota ludzkaw bardzo szerokim zakresie funkcji kognitywnych.
Pomiędzy Ograniczoną a Ogólną Sztuczną Inteligencją występuje dziś gigantyczna przepaść. Wszelkie usiłowania aby przejść (ewolucyjnie) od Ograniczonej go Ogólnej Sztucznej Inteligencji
nie przyniosły żadnego efektu mimo dziesięcioleci badań i eksperymentów. Ogólna Sztuczna Inteligencja stała się przedmiotem wielu spekulacji, z których najbardziej znana to
teoria Singularności (Ray Kurzweil) przewidująca eksplozję inteligencji maszynowej oraz możliwości takie jak np. „upload” zawartości umysłu do komputerów.
Ale - czy Ogólna Sztuczna Inteligencja jest w ogóle możliwa ….?
32
Czy Ogólna Sztuczna Inteligencja jest możliwa?
33
Wielu wybitnych naukowców uważa, że NIE!Argumentacja jest bardzo silna:Twierdzenie Turinga i jego konsekwencje„He went on to prove that there was no solution to the decision problem
by first showing that the halting problem for Turing machines is undecidable: It is not possible to decide algorithmically whether a Turing machine will ever halt.” https://en.wikipedia.org/wiki/Alan_Turing
Skoro Wszystkie znane dziś systemy komputerowe SĄ maszynami Turinga Oraz Ludzki umysł posiada zdolność (nie algorytmiczną) rozwiązania „problemu stopu” Wnioskujemy komputery nie mogą mieć zdolności posiadanych przez ludzki umysł
Czy Ogólna Sztuczna Inteligencja jest możliwa?
34
Znaczenie Twierdzenia Gödel’a.
„Gödel's incompleteness theorems are two theorems of mathematical logic that demonstrate the inherent limitations of every formal axiomatic system containing basic arithmetic. (…)The theorems are widely, but not universally, interpreted as showing that Hilbert's program to find a complete and consistent set of axioms for all mathematics is impossible.”https://en.wikipedia.org/wiki/Godels_theorem
Znaczenie Twierdzenia Gödel’a - Argument Lucas-Penrose’a:
„The argument claims that Gödel’s first incompleteness theorem shows that the human mind is not a Turing machine, that is, a computer. The argument has generated a great deal of discussion since then. The influential Computational Theory of Mind, which claims that the human mind is a computer, is false if Lucas’s argument succeeds. Furthermore, if Lucas’s argument is correct, then “strong artificial intelligence,” the view that it is possible at least in principle to construct a machine that has the same cognitive abilities as humans, is false. (http://www.iep.utm.edu/lp-argue/) „
Czy Ogólna Sztuczna Inteligencja jest możliwa?
35
Ponadto: wielu badaczy (w tym sam Penrose) sugerowało, że jeśli poznamy lepiej zjawiska kwantowe zachodzące w mózgu, i odtworzymy je w „kwantowym komputerze” – otworzy to drogę do Sztucznej Inteligencji…Ale …
Czy Ogólna Sztuczna Inteligencja jest możliwa?
36
Pogląd słynnych fizyków …… i psychologów
Czy Ogólna Sztuczna Inteligencja jest możliwa?
37
Najciekawsze argumenty pochodzą z rozważań Davida Deutsch’a:https://aeon.co/essays/how-close-are-we-to-creating-artificial-intelligenceZ jednej strony Deutsch nie akceptuje argumentu opartego na twierdzeniu Turinga:
Ale konkluduje:
A zatem – wróćmy do Narrow AI
Ograniczonej Sztucznej Inteligencji
AI - Czwarta Industrialna Rewolucja !
39
https://www.weforum.org/agenda/2016/01/the-fourth-industrial-revolution-what-it-means-and-how-to-respond/
AI - Czwarta Industrialna Rewolucja !
40
https://www.whitehouse.gov/blog/2016/05/03/preparing-future-artificial-intelligence
Wybrane aplikacje AI
41
Apple’s Siri Google Now Microsoft Cortana Amazon Alexa Google Search Self Driving cars (Olli) MakoLab SESSA
Sieć Pełna Znaczeń a Sztuczna Inteligencja Tim Berners-Lee oraz Jim Handler wyznaczają kierunki (po raz trzeci w historii)Postulują, że jedynie Semantic Web może pomóc w stworzeniu „social machines” –agentów praktycznie pomagających nam w życiu
42
Prawdziwe zagrożenia czy tylko nieuzasadniony lęk?
43
Ostrzeżenie Stephena Hawkinga Lęk Elona Muska Systematyczna wykładnia zagrożeń
przez Nick’a Bostroma (Oxford)
44
Rola Klasycznego Uniwersytetu
w Rewolucji Cyfrowej
Rola ogólnego, klasycznego wykształcenia filozoficznego
45
Budowanie ontologii, systemów i aplikacji semantycznych, repozytoriów wiedzy – wymaga dogłębnej znajomości logiki i klasycznej ontologii.
Dziedziny takie jak epistemologii i metafizyka są również bardzo pomocne.
Klasyczne wykształcenie filozoficzne pobudza zdolność do krytycznego myślenie – niezbędną w pracy w tych dziedzinach.
Rola klasycznego uniwersytetu w rozwoju Ograniczonej Sztucznej Inteligencji (Narrow AI)
46
Nowoczesne kierunki takie jak kognitywistyka pozwalają na kształcenie specjalistów w dziedzinach powiązanych z „Narrow AI”
Informatyka współczesna potrzebuje dziś wsparcia zaawansowanejlogiki i filozofii.
Filozofowie i etycy mogą zaangażować się w tworzenie klimatu społecznej akceptacji dla „Narrow AI”
Rola badań nad językiem
47
Komunikacja z nowoczesnymi inteligentnymi systemami wymaga rozpoznawania i generowania mowy ludzkiej – kompetencje w zakresie NLP (Natural Language Processing) są dziś bardzo potrzebne
Automatyczna analiza tekstów i rozpoznawanie znaczeń jest bardzo ważnym elementem wielu nowoczesnych systemów cyfrowych. Lingwistyka – może odegrać ogromną rolę w tworzeniu takich systemów.
Zagadnienia etyczne Sztucznej Inteligencji (Robo-Ethics)
48
Systemy Sztucznej Inteligencji, w tym systemy „autonomiczne” (w tym np. „self-driving cars”) wymagają bardzo starannego i racjonalnego opracowania zagadnień etycznych.
Niezmierne istotne zagadnienie w rozstrzyganiu odpowiedzialności działań systemów AI !
Racjonalizacja zagadnień etycznych może prowadzić do możliwości reprezentacji etyki za pomocą danych i programów.
Absolwenci etyki mogą odegrać ogromną rolę w tworzeniu regulacji prawnych stosowania AI.
Rola klasycznego uniwersytetu w pracy nad zagadnienia fundamentalnymi rewolucji cyfrowej
49
Cyfrowa rzeczywistość jaka nas otacza już dziś nabiera postaci ECOSYSTEMU.
Niestety, nikt do końca nie rozumie jej istoty.
Istnieje potrzeba badań filozoficznych jakie inspiruje np. Pierre Tielhard de Chardin – por. jego pojęcia NOOSFERA, Punkt OMEGA ?
Image designed by St. Edward’s University graphic design students
Rola klasycznego uniwersytetu w rozumieniu zagadnień „General AI”
50
Badania nad umysłem i naturą inteligencji
https://www.theguardian.com/science/2012/oct/03/philosophy-artificial-intelligence3/10/2012
51
Kontakt
Dominik KuzińskiMakoLab SARzgowska 3093-172 Łódź Poland
Robert TrypuzMakoLab SALublin
Mirek SopekMakoLab SADemokratyczna 4693-430 LodzPoland
+48 600 814 [email protected]
![PreÌ sentation CFCIM(1).pptx [Lecture seule] … · Title: Microsoft PowerPoint - PreÌ sentation CFCIM(1).pptx [Lecture seule] Author: z.benkhadra Created Date: 7/11/2016 2:36:58](https://static.fdocuments.pl/doc/165x107/5f0670b47e708231d4180190/preoe-sentation-cfcim1pptx-lecture-seule-title-microsoft-powerpoint-preoe.jpg)
