Sztuczna inteligencja wprowadzenie - Slawomir...

Sztuczna inteligencja

wprowadzenie

Sawomir Samolej

Slajdy zostay przygotowane na podstawie materiaw

opublikowanych na

(http://wazniak.mimuw.edu.pl/

http://wazniak.mimuw.edu.pl/

Leszek Rutkowski

Metody i techniki sztucznej inteligencji

PWN, 2009.

Literatura

Naturalna ludzka inteligencja:

Inteligencja jest zdolnoci do

(poprawnego, sprawnego itd.)

rozwizywania zada intelektualnych, ktre

zazwyczaj uchodz za trudne.

Sztuczna inteligencja:

Sprawne rozwizywanie zada, ktre wedug

powszechnej opinii wymagaj inteligencji,

jeli s wykonywane przez czowieka

Definicje (1)

Koncepcje sztucznej inteligencji

System inteligentny to:

system, ktry myli jak czowiek,

system, ktry myli racjonalnie,

system, ktry zachowuje si jak czowiek,

system, ktry zachowuje si racjonalnie.

Saba sztuczna inteligencja:

rozwizywanie trudnych zada w sposb

umoliwiajcy praktyczne zastosowania.

Mocna sztuczna inteligencja:

zdolno do mylenia w sposb w pewnym

stopniu dajcy si porwnywa z myleniem

ludzkim.

Definicje (2)

Sztuczna inteligencja w sabym rozumieniu

moe by traktowana jako ga informatyki.

Jest zbliona do szeregu innych pokrewnych

dyscyplin, takich jak automatyczne sterowanie,

robotyka czy statystyka. Wanymi rdami

inspiracji dla inteligentnych technik

obliczeniowych s niektre osignicia nauk

nietechnicznych, takich jak biologia i

psychologia.

Sztuczna inteligencja jako

dyscyplina nauk technicznych

Przeszukiwanie -

znajdowanie zadowalajcych rozwiza bez penego

przegldania wszystkich moliwoci, a wic

dokonanie niewyczerpujcego przeszukiwania

przestrzeni rozwiza. Wiele zada praktycznych, dla ktrych naley znale rozwizania

speniajce pewne ustalone kryteria i ograniczenia, mona potraktowa

jako konkretne przypadki oglnego zadania przeszukiwania.

Przeszukiwana przestrze obejmuje potencjalne rozwizania zadania

(take niekompletne, nie speniajce ogranicze, niskiej jakoci) i w

interesujcych praktycznie przypadkach jest zbyt dua, aby przy uyciu

maksymalnych dostpnych obecnie i w wyobraalnej przyszoci mocy

obliczeniowych rozwaenie kadego jej elementu mogo by

przeprowadzone w akceptowalnym czasie.

Zadania sztucznej inteligencji (1)

Wnioskowanie

jest procesem stosowania regu wnioskowania w

sposb skutecznie i efektywnie prowadzcy do

okrelonego celu wnioskowania, ktrym zazwyczaj

jest uzyskania pewnego docelowego stwierdzenia. Wnioskowanie jest procesem przetwarzania wiedzy, w wyniku ktrego na

podstawie pewnego zbioru znanych stwierdze wyprowadza si nowe

stwierdzenia. Wnioskowanie wykonywane przez czowieka moe

przebiega zarwno w sposb formalny, w ktrym wszystkie stwierdzenia

zapisane s w ustalonym precyzyjnym jzyku, wyprowadzanie nowych

stwierdze rzdzi si ustalonymi precyzyjnie reguami, jak i nieformalny,

w ktrym stwierdzenia formuowane s w jzyku naturalnym, a

wyprowadzanie nowych stwierdze odbywa si ze znacznym udziaem

intuicji. SI stosuje wnioskowanie formalne.


Uczenie si -

proces zmiany zachodzcej w systemie na podstawie

dowiadcze, ktra prowadzi do poprawy jego

jakoci dziaania rozumianej jako sprawno

rozwizywania stojcych przed systemem zada. Zdolno do uczenia si jest powszechnie uwaana za jeden z

najwaniejszych przejaww inteligencji. Przez uczenie si rozumiemy, w

najprostszym ujciu, zdobywanie wiedzy lub umiejtnoci (a take

doskonalenie dotychczas posiadanej wiedzy lub umiejtnoci), na

podstawie wspomagajcych informacji, takich jak dowiadczenia czy

przykady...


Ukadanie planu lekcji

Gra w szachy

Dowodzenie twierdze

Sterowanie mobilnym robotem

Diagnostyka medyczna

Przykady zada sztucznej

inteligencji

Wprowadza si alfabet jzyka Symbole staych: oznaczane za pomoc liter a, b, c...

Symbole zmiennych: oznaczane za pomoc liter .x, y, z

Symbole funkcyjne: oznaczane za pomoc liter f, g, h,; kady symbol funkcyjny

ma ustalon liczb argumentw.

Symbole predykatowe: oznaczane za pomoc liter P, Q, R; kady symbol

predykatowy ma ustalon liczb argumentw.

Operatory logiczne: (negacja), (koniunkcja), (alternatywa), (implikacja),

(rwnowano).

Kwantyfikatory: kwantyfikator oglny , kwantyfikator szczegowy .

Nawiasy: (,), w razie potrzeby take inne.

System wnioskowania (1)

Wprowadza si formuy atomowe i zoone

z zastosowaniem symboli predykatowych,

staych, zmiennych i operatorw logiki

Wprowadza si semantyk jzyka logiki

jak przypisa formuom znaczenie


Wprowadza si system wnioskowania - formalny aparat umoliwiajcy prowadzenie procesu

wnioskowania - wyprowadzania nowych formu z pewnego

pocztkowego zbioru znanych formu, nazywanego baz

wiedzy.

Systemy wnioskowania dla jzyka logiki predykatw

obejmuj dwa skadniki.

Aksjomaty: formuy, ktrych prawdziwo przyjmowana

jest bez dowodu.

Reguy wnioskowania: wzorce opisujce dozwolone

sposoby bezporedniego wyprowadzania nowych formu

ze znanych formu.


Wiedza pochodzca od czowieka moe by niedoskonaa.

Stosujc do takiej wiedzy metody zakadajce doskona wiedz

(tradycyjne systemy wnioskowania) jestemy naraeni na

uzyskiwanie wnioskw, ktre nie musz by prawdziwe i o

ktrych prawdziwoci nie potrafimy nic powiedzie. Celowe jest

w zwizku z tym wyposaanie systemw wnioskujcych na

podstawie niedoskonaej wiedzy w specjalne mechanizmy jej

przetwarzania, dziki ktrym bdzie moliwe charakteryzowanie

rodzaju i stopnia niedoskonaoci wiedzy pochodzcej od

czowieka, a take nowej wiedzy wyprowadzonej na jej

podstawie przez system wnioskujcy.

Wnioskowanie na podstawie

niepewnej wiedzy (1)

niepewno: prawdziwo niektrych stwierdze nie jest pewna,

niepeno: niektre prawdziwe stwierdzenia nie s znane, lecz

nie mona z tego powodu zakada ich nieprawdziwoci,

niedokadno: przynaleno do niektrych relacji,

odpowiadajcych predykatom wystpujcym w stwierdzeniach,

nie jest znana dokadnie. W przypadku wiedzy niepewnej mamy do czynienia ze stwierdzeniami , o ktrych w

oglnym przypadku nie mona powiedzie z pewnoci, e s prawdziwe albo

faszywe. Potrzebne s w tym celu jakie metody charakteryzowania stopnia

przekonania o prawdziwoci stwierdze - zarwno nalecych do pocztkowej bazy

wiedzy, jak i uzyskiwanych w wyniku gosowania. Niepeno wiedzy oznacza, e

status prawdziwoci pewnych stwierdze potrzebnych do wnioskowania nie jest znany.

Moe to wymaga zaoenia ich prawdziwoci w celu przeprowadzenia wnioskowania,

lecz z pozostawieniem moliwoci rewizji tego wnioskowania, gdyby nastpnie

pojawia si wiedza zaprzeczajca temu zaoeniu. Niedokadno polega na

niemoliwoci precyzyjnego odrnienia w dziedzinie, na temat ktrej zapisujemy

wiedz, obiektw nalecych do pewnej relacji od obiektw do niej nienalecych.

Rodzaje niedoskonaoci wiedzy

wnioskowanie probabilistyczne: metoda przetwarzania wiedzy niepewnej

oparta na bezporednim wykorzystaniu rachunku prawdopodobiestwa, w

ktrej poszczeglnym stwierdzeniom przypisuje si prawdopodobiestwo ich

prawdziwoci,

stopnie pewnoci: metoda przetwarzania wiedzy niepewnej, w ktrej

poszczeglnym stwierdzeniom przypisuje si liczbowe stopnie pewnoci

wyraajce subiektywne przekonanie czowieka o ich prawdziwoci,

teoria Dempstera-Schaffera: metoda przetwarzania wiedzy niepewnej, w

ktrej prawdopodobiestwa prawdziwoci przypisuje si tylko wybranym

stwierdzeniom bazowym, a ocen wiarygodnoci innych stwierdze

przeprowadza si na podstawie ich zwizkw ze stwierdzeniami bazowymi,

logika rozmyta: metoda przetwarzania wiedzy niedokadnej, w ktrej

rozwaa si czciow przynaleno do relacji,

logiki niemonotoniczne: metody przetwarzania wiedzy niepenej, w ktrych

dopuszcza si, e pojawienie si nowych stwierdze moe anulowa

wyprowadzenie wczeniejszych formu.

Metody przetwarzania niedoskonaej wiedzy

Logika rozmyta

Logika rozmyta zostaa wprowadzona jako metoda reprezentacji i

przetwarzania wiedzy o charakterze jakociowym. Podstawow

zalet logiki rozmytej jest stworzenie cisej interpretacji wiedzy o

charakterze zdroworozsdkowym, ktra bazuje na pojciach

intuicyjnych lub kolokwialnych, takich jak wysoki wzrost,

wysokie dochody, niska cena, dua prdko itp. Pojcia

takie mog by wykorzystane w poczeniu z reguami podobnymi

jak w systemach wnioskowania w tradycyjnej logice.

Punktem wyjcia jest pojcie zbioru rozmytego, ktre jest

uoglnieniem pojcia zbioru. Rozwamy zbir wartoci .

Kady podzbir moe by opisany za pomoc funkcji

charakterystycznej , zdefiniowanej nastpujco:

Z kolei zbir rozmyty A bdcy podzbiorem D ma t cech,

e elementy mog do niego nalee tylko czciowo (w

pewnym stopniu). Odpowiednikiem funkcji charakterystycznej

jest funkcja przynalenoci , przyjmujca wartoci

.Warto 0 funkcji przynalenoci oznacza, e

element nie naley do zbioru , za warto wiksza od zera

oznacza przynaleno do .

Definicja zbioru rozmytego

Wnioskowanie jest procesem polegajcym na

sprawdzaniu moliwoci wyprowadzenia formuy ze

zbioru innych formu, przy znanych reguach.

Wnioskowanie rozmyte przebiega wedug takiego

samego schematu jak wnioskowanie w logice

klasycznej, z tym e definicje regu wnioskowania

ulegaj modyfikacjom uwzgldniajcym konieczno

posugiwania si wartociami prawdziwoci z

zakresu [0,1].

Wnioskowanie rozmyte

Regulator obserwuje liczbowe wartoci wielkoci wejciowe. Wartoci te s

nastpnie poddawane rozmywaniu: s zamieniane na ich jakociowe odpowiedniki

- wartoci lingwistyczne, na przykad may, redni i duy. (Formalnie rzecz

ujmujc, dla kadej wielkoci wejciowej i dla kadej z jej wartoci lingwistycznych

definiujemy opisujc j funkcj zdaniow). Wynikiem rozmywania jest utworzenie

wielu stwierdze, typu x1 jest mae, ktrych stopie prawdziwoci wynika z

wartoci funkcji zdaniowych dla obserwowanych wartoci wejciowych.

Regulator FLC jest wyposaony w zestaw regu, ktrych czci przesankowe s

koniunkcjami stwierdze, za konkluzjami s stwierdzenia (rozmyte) o wielkoci

wyjciowej.

Prosty regulator rozmyty (FLC)

Symulacja FLC sterowanie przyspieszeniem

odlego prdko przyspieszenie

maa Maa due-

rednia Maa mae-

dua Maa mae-

maa rednia due+

rednia rednia mae-

dua rednia mae-

maa Dua mae+

rednia Dua due-

dua Dua mae-

Rozwamy trzy przypadki wielkoci

wejciowych:

odlego prdko

30 50

odlego prdko

100 50

odlego prdko

30 65

1.

2.

3.

Wartoci lingwistyczne s dla tych

przypadkw nastpujce (odczytujemy je z

wykresw funkcji przynalenoci): odlego prdko

maa 0,6 0,3

rednia 0,4 0,7

dua 0 0

odlego prdko

maa 0 0,3

rednia 1 0,7

dua 0 0

odlego prdko

maa 0,6 0

rednia 0,4 1

dua 0 0

1

2

3

Reguy wraz ze stopniem prawdziwoci

konkluzji

odlego prdko przyspieszenie min(odlego,

prdko)

maa Maa due- 0,3

rednia Maa mae- 0,3

maa rednia due+ 0,6

rednia rednia mae- 0,4


prdko)

maa rednia due+ 0,3



prdko)

maa rednia due+ 0,6


1

2

3

Po dokonaniu wyostrzenia przyspieszenie

samochodu w przykadowych przypadkach ma

wynosi:

1 0.15

2 0.14

3 0,305

Sieci Neuronowe

Sieci neuronowe s jedn z wielu moliwych realizacji

aproksymatora regresyjnego. Swoj popularno zawdziczaj

w pewnej mierze analogiom biologicznym mona w nich

upatrywa niezwykle uproszczonych modeli naturalnych

struktur neuronowych. Przykadem sieci neuronowych, chyba

najbardziej rozpowszechnionym, jest perceptron

wielowarstwowy.

Dziaanie sieci neuronowej (1)

Wze grafu sieci odpowiada pojedynczemu neuronowi. Krawd

odpowiada poczeniu midzy neuronami (tzw. poczenie

synaptyczne) jest skierowana od wyjcia jednego do wejcia

drugiego neuronu, co odpowiada jednokierunkowemu

przepywowi danych.

Neuron dziaa w taki sposb, e dokonuje si waonego

sumowania wartoci wej, obliczajc warto hi, zwan

pobudzeniem:

Wyjcie neuronu powstaje w wyniku

podania pobudzenia na funkcj aktywacji :

typowo:

Dziaanie sieci neuronowej (2)

Neurony zgrupowane s w warstwy w taki sposb, e midzy

neuronami tej samej warstwy nie ma pocze, a poczenia

wystpuj jedynie midzy neuronami ssiadujcych warstw.

Wyrnia si warstw neuronw wyjciowych (zwan krtko

warstw wyjciow), ktrych wyjcie jest jednoczenie wyjciem z

sieci. Pozostae warstwy s nazywane ukrytymi, gdy wyjcia

neuronw w nich si znajdujcych nie s widoczne na wyjciu

sieci.

Dla neuronw wyjciowych mona przyj, e funkcja aktywacji

jest funkcj liniow.

Waciwoci sieci neuronowych

Sie neuronowa jest uniwersalnym aproksymatorem.

Moe by nauczona jak ma aproksymowa.

Zastosowania:

Sterowanie

Rozpoznawanie

Inne aparaty matematyczne

sztucznej inteligencji

Zbiory przyblione

Algorytmy ewolucyjne

Systemy neuronowo-rozmyte

Wspczesne praktyczne

zastosowanie SI (1) Technologie oparte na logice rozmytej powszechnie stosowane do np.

sterowania przebiegiem procesw technologicznych w fabrykach w warunkach "braku wszystkich danych".

Systemy ekspertowe systemy wykorzystujce baz wiedzy (zapisan w sposb deklaratywny) i mechanizmy wnioskowania do rozwizywania problemw.

Maszynowe tumaczenie tekstw systemy tumaczce nie dorwnuj czowiekowi, robi intensywne postpy, nadaj si szczeglnie do tumaczenia tekstw technicznych.

Sieci neuronowe stosowane z powodzeniem w wielu zastosowaniach cznie z programowaniem "inteligentnych przeciwnikw" w grach komputerowych.

Uczenie si maszyn dzia sztucznej inteligencji zajmujcy si algorytmami potraficymi uczy si podejmowa decyzje bd nabywa wiedz.

Eksploracja danych omawia obszary, powizanie z potrzebami informacyjnymi, pozyskiwaniem wiedzy, stosowane techniki analizy, oczekiwane rezultaty.

http://pl.wikipedia.org/wiki/Logika_rozmytahttp://pl.wikipedia.org/wiki/Danehttp://pl.wikipedia.org/wiki/System_ekspertowyhttp://pl.wikipedia.org/wiki/T%C5%82umaczenie_automatycznehttp://pl.wikipedia.org/wiki/Sie%C4%87_neuronowahttp://pl.wikipedia.org/wiki/Uczenie_maszynowehttp://pl.wikipedia.org/wiki/Eksploracja_danych

Wspczesne praktyczne

zastosowanie SI (2) Rozpoznawanie obrazw stosowane s ju programy rozpoznajce osoby na

podstawie zdjcia twarzy lub rozpoznajce automatycznie zadane obiekty na zdjciach satelitarnych.

Rozpoznawanie mowy i rozpoznawanie mwcw stosowane ju powszechnie na skal komercyjn.

Rozpoznawanie pisma (OCR) stosowane ju masowo np. do automatycznego sortowania listw, oraz w elektronicznych notatnikach.

Sztuczna twrczo istniej programy automatycznie generujce krtkie formy poetyckie, komponujce, aranujce i interpretujce utwory muzyczne, ktre s w stanie skutecznie "zmyli" nawet profesjonalnych artystw, w sensie, e nie rozpoznaj oni tych utworw jako sztucznie wygenerowanych.

W ekonomii, powszechnie stosuje si systemy automatycznie oceniajce m.in. zdolno kredytow, profil najlepszych klientw, czy planujce kampanie reklamowe. Systemy te poddawane s wczeniej automatycznemu uczeniu na podstawie posiadanych danych (np. klientw banku, ktrzy regularnie spacali kredyt i klientw, ktrzy mieli z tym problemy).

http://pl.wikipedia.org/wiki/Rozpoznawanie_obraz%C3%B3whttp://pl.wikipedia.org/wiki/Rozpoznawanie_mowyhttp://pl.wikipedia.org/w/index.php?title=Rozpoznawanie_m%C3%B3wc%C3%B3w&action=edit&redlink=1http://pl.wikipedia.org/wiki/OCRhttp://pl.wikipedia.org/wiki/Palmtophttp://pl.wikipedia.org/w/index.php?title=Sztuczna_tw%C3%B3rczo%C5%9B%C4%87&action=edit&redlink=1http://pl.wikipedia.org/wiki/Zdolno%C5%9B%C4%87_kredytowa

Poraki SI (1)

Nie udao si zbudowa:

Programw skutecznie wygrywajcych w niektrych grach. Jak dotd nie ma programw skutecznie wygrywajcych w go, bryda sportowego i polskie warcaby, mimo e podejmowano prby ich pisania. Trzeba jednak przyzna, e programy do gry w szachy, w ktre zainwestowano jak dotd najwicej wysiku i czasu spord wszystkich tego rodzaju programw, osigny bardzo wysoki poziom, ogrywajc nawet mistrza wiata Garriego Kasparowa w maju 1997.

Programu, ktry by umia idealnie naladowa czowieka, rozmawiajc przy uyciu tekstu i potrafiby przej test Turinga. Istniej programy do konwersacji z komputerem, ale kady czowiek, ktry mia z nimi wczeniej do czynienia, w krtkim czasie jest w stanie zorientowa si, e rozmawia z maszyn, a nie innym czowiekiem.
http://pl.wikipedia.org/wiki/Gohttp://pl.wikipedia.org/wiki/Bryd%C5%BC_sportowyhttp://pl.wikipedia.org/wiki/Warcaby_polskiehttp://pl.wikipedia.org/wiki/Warcaby_polskiehttp://pl.wikipedia.org/wiki/Szachyhttp://pl.wikipedia.org/wiki/Garri_Kasparowhttp://pl.wikipedia.org/wiki/Garri_Kasparowhttp://pl.wikipedia.org/wiki/1997http://pl.wikipedia.org/wiki/Test_Turingahttp://pl.wikipedia.org/wiki/Chatbothttp://pl.wikipedia.org/wiki/Chatbot

Sztuczna inteligencja wprowadzenie - Slawomir...

Documents

Transcript of Sztuczna inteligencja wprowadzenie - Slawomir...