Inteligentni sustavi

1

Prof.dr.sc. Bojana Dalbelo Bašić

Fakultet elektrotehnike i računarstvaZavod za elekroniku, mikroelektroniku, računalne i inteligentne sustave

www.zemris.fer.hr/[email protected]

FER

rujan 2007.

Inteligentni sustavi

© Bojana Dalbelo Bašić

Inteligentni sustavi ak.god. 2007/08

Predavanja

Prof.dr.sc. Bojana Dalbelo Bašić

Auditorne vježbe

� mr.sc.Jan Šnajder,

Laboratorijske vježbe

� Jan Šnajder, Jure Mijić, Artur Šilić,

Saša Petrović, Matko Bošnjak

Can machine think?

Umjetna inteligencija

Što je inteligencija?

Kako definiramo umjetnu inteligenciju

Testiranje inteligencije

Umjetna inteligencija i spoznajna znanost

Thinking machines today – područje prirodnog jezika

Umjetna inteligencija

Kada su se rodila računala rodila se i želja da reproduciramo inteligenciju računalom.

računala = elektronički mozak

I zaista ... Računalom simuliramo rješavanja problema, donošenje odluka, zaključivanja, prirodni jezik, ...

Can machine think?

Različiti pristupi

� teološki

Can machine think? (Turing, 1950)

� “glava u pijesku”

� matematički

� LadyLavelace

- neinventivnost strojeva

� Argument svijesti

Što je inteligencija? Da li strojevi mogu biti inteligentni?

� Da li su životinje inteligentne?

� Da li je inteligenciju stječemo ili nasljeđujemo?

� U kojoj su mjeri emocije povezane s inteligencijom?

Can machine think?

Što znači svijest i može li netko biti inteligentan i ne svjestan i obrnuto?

Što znači učenje?Kakav je odnos učenja i inteligencije?

2

Umjetna inteligencija i spoznajna znanost

Da bi reproducirali ljudski način zaključivanja moramo ga razumijeti (?)

� Umjetna inteligencija (AI Artificial Intelligence)

� Spoznajna znanost (CS Cognitive Science)

Umjetna inteligencija – UIGrana računarske znanosti:

Izgradnja inteligentnih sustava sa sposobnostima stjecanja znanja i zaključivanja sličnim čovjeku

Umjetna inteligencija Uvod

Područja umjetne inteligencije

� (klasifikacija prema Association of Computing Machinery)

� Ekspertni sustavi� Formalizmi i metode prikaza znanja� Strojno učenje� Razumijevanje i obrada prirodnih i umjetnih jezika� Rješavanje problema i metode pretraživanja prostorastanja

� Robotika� Računalski vid, raspoznavanje uzoraka i analiza scena� Umjetne neuronske mreže, genetski algoritmi i neizrazitalogika

Što je inteligencija ?

� Inteligencija – svojstvo uspješnog snalaženja jedinke u novim situacijama

� Inteligencija – opća sposobnost zaključivanja pri rješavanju problema

� Inteligencija – svrsishodno i prilagodljivo ponašanje u danim okolnostima (Psihologija, grupa autora, ŠK, Zagreb, 1992.)

� Inteligencija se manifestira u odnosu na neki posebni društveni i kulturni kontekst (J. Weizenbaum, 1975.)

Rasprave o nazivu “umjetna inteligencija”

inteligentni strojevi vs. inteligentno ponašanje strojeva

Umjetna inteligencija - J. McCarthy (1956. g.) → naziv za znanstvenu disciplinu koja se bavi izgradnjom računalnih sustava čije se ponašanje može tumačiti kao inteligentno.

Nema opće prihvaćene definicije što je to “umjetna inteligencija”.

“Intelligence can, in principle, be so precisely described that a machine can be made to simulate it."

J. McCarthy

Definicije umjetne inteligencije I

� “Umjetna inteligencija je grana računarske znanosti koja se bavi proučavanjem i oblikovanjem računarskih sustava koji pokazuju neki oblik inteligencije. Takvi sustavi mogu učiti, mogu donositi zaključke o svijetu koji ih okružuje, oni razumiju prirodni jezik te mogu spoznati i tumačiti složene vizualne scene te obavljati druge vrste vještina za koje se zahtijeva čovjekov tip inteligencije.”

(D.W.Paterson, 1990.)

� “Umjetna inteligencija bavi se izučavanjem kako računalo učiniti sposobnim da obavlja poslove koje u ovom času ljudi obavljaju bolje.”

(E. Rich, 1991.)

3


� Alan Turing u članaku Mind u časopisu “ComputingMachinery and Intelligence” (1950) predložio:Pitanje “Can machine think? ” zamijeniti eksperimentom “imitation game”.

� eksperiment uspoređuje performanse pretpostavljenog inteligentnog stroja i čovjeka na temelju nekog skupa upita

Turingov test

Cilj igre C: Postavljanjem pitanja C mora odrediti koji je od dvoje ispitanika muškarac, a tko žena

U igru su uključena tri sudionika A, B i C s različitim ciljevima

Cilj igre A: Uputiti C na pogrešnu identifikacijuCilj igre B: Pomoći ispitivaču C

Turingov test

Hoće li ispitivač C praviti jednak broj pogrešaka kao u igri u kojoj sudjeluju muškarac i žena?

Ako je broj pogrešaka jednak onda je stroj inteligentan

Što će se dogoditi ako stroj preuzme ulogu igrača A?


Očekivane sposobnosti i svojstva (inteligentnog) stroja:

• obrada prirodnog jezika

• prikaz (predstavljanje) znanja

• automatsko zaključivanje, učenje

Ograničenja TT

� Loše oblikovan eksperiment (ovisi o subjektivnosti suca, sredini sudionika, ...)

� Usredotočen na imitaciju

Kineska soba

John Searle- ne može se suditi o inteligenciji sustava, dokaz je eksperiment

nazvan Kineska soba

"Minds, Brains, and Programs," by John R. Searle, from The Behavioral and Brain

Sciences, vol. 3. 1980.

4

Spoznajna znanost – Umjetna inteligencija

Pojmovi u humanističkim znanostima:

� Inteligencija

� Znanje

� Spoznaja

� Učenje

� Govorni (prirodni) jezici

Pojmovi u tehničkim

znanostima:

� Umjetna inteligencija (artificial intelligence)

� Baza znanja (knowledge base)

� Obrada informacija (information processing)

� Strojno učenje (machine learning)

� Obrada prirodnog jezika

(natural language processing)

Tradicionalna spoznajna znanost i simbilčki pravac u umjetnoj inteligenciji

Spoznaja = Obrada informacija (i.e. Razum = Računalo)

� Ljudski razum (human mind) jest kompleksni sustav koji prima, pohranjuje, obrađuje i prosljeđuje informacije (Dawson, 1998)

� Ako je pretpostavka valjana moguće je izgraditi sustav koji funkcionira upravo kao ljudski razum, bez obzira na kompleksnost tog sustava

Primjer....

1997. Računalo Deep Blue (IBM) pobijedilo je svjetskog šahovskog prvaka Garryja Kasparova

Da li je Deep Blue inteligentan?

Deep Blue vs. Garry Kasparov Definicije umjetne inteligencije II

Umjetna inteligencija proučava zamisli koje omogućuju računalima obavljanje zadataka koji se ljudima čine inteligentnim.

(P. H. Winston, 1979.)

Mnoge ljudske aktivnosti kao što su, naprimjer, rješavanje slagaljki i zagonetki, igranje igara, rješavanje matematičkih problema ili, pak, vožnja automobila podrazumijevaju inteligenciju. Ako računala mogu obaviti takve zadatke, tada se pretpostavlja da ta računala (skupa s pripadajućim programima) imaju određen stupanj "umjetne inteligencije“.

(N. J. Nilsson, 1971.).

tremendous sense of feeling and intuition, but can feelfatigue, boredom and loss of concentration.

machine is incapable of feeling or intuition, can never forget, be distracted or feel intimidated.

large amount of chess knowledge and a somewhat smaller amount of calculation ability.

small amount of chess knowledge and an enormous amount of calculation ability.

3 chess positions per second200,000,000 chess positions per second

Pretraživanje velikog broja mogućih kombinacija

ne zahtijeva inteligenciju!

Garry Kasparov is able to determine his next move by selectively searching through the possible positions.

Deep Blue must conduct a very thorough search into the possible positions to determine the most optimal move (which isn't so bad when you can search up to 200 million positions per second).

Garry Kasparov is skilled at evaluating his opponent, sensing their weaknesses, then taking advantage of those weaknesses.

While Deep Blue is quite adept at evaluating chess positions, it cannot evaluate its opponent's weaknesses.

Garry Kasparov can alter the way he plays at any time before, during, and/or after each game.

Any changes in the way Deep Blue plays chess must be performed by the members of the development team between games.

Deep Blue vs. Garry Kasparov

5

Funkcije inteligentnog sustavaFunkcije inteligentnog sustava

� prikupljanje i obrada informacija

� komunikacija s čovjekom i/ili s drugim inteligentnim sustavom

� prikupljanje znanja (učenje),

� rukovanje znanjem i zaključivanje

� planiranje

� međudjelovanje s vanjskim svijetom

Prikupljanje znanja (učenje)

Rukovanje znanjem, obrada,

zaključivanje

Reakcija

Utjecaj na okolinu

Svojstva inteligentnog sustava (Reddy, 1996)Svojstva inteligentnog sustava (Reddy, 1996)

� Prilagodljivo, k cilju usmjereno ponašanje

� Učenje na temelju iskustva

� Uporaba velike količine znanja

� Svjesnost

� Komunikacija prirodnim jezikom i govorom

� Tolerantnost prema pogreškama i nejasnoćama u komunikaciji

� Generiranje odgovora u stvarnom vremenu

ŠŠto je znanje ?to je znanje ?

UUččenjeenje ZakljuZaključčivanjeivanje

Inteligencija Inteligencija ↔↔↔↔↔↔↔↔ Znanje Znanje ↔↔↔↔↔↔↔↔ SpoznajaSpoznaja

Znanje se stječe prepoznavanjem i razumijevanjem objekata, i obrnuto, zaprepoznavanje i razumijevanje nužno je znanje

Temelj inteligentnog ponašanja je znanje

Humanističke znanosti ↔ Umjetna inteligencija

Izučavanje računarstva i umjetne inteligencije povezano je s informacijama koje ljudska bića proizvode i sa načinom na koji čovjekov

um radi.

Zbog toga je neophodno upoznati se sa filozofskim razmišljanjima, sa načinom na koji su se razvijala kao dio našeg kulturnog naslijeđa,

razumjeti ih i produbiti ih.

($agao, 1990)

Što se pod znanjem podrazumijeva u filozofiji?

� Znanje – stvari koje su znane, rezultati dobiveni percepcijom. U užem smislu sistematizacija prosudbi koja je organizirana uniformno po principima koji zahtijevaju objektivnu prosudbu.

(preneseno iz Nagao, 1990)

� Znanje je percepcija koja je pouzdana i dobro utemeljena. Temelj znanja je percepcija.

(Dictionary of Philosophy, Heibonsha)


Inteligencija Inteligencija ↔↔↔↔↔↔↔↔ ZnanjeZnanje ↔↔↔↔↔↔↔↔ SpoznajaSpoznaja

(S filozofske točke gledišta znanje se proučava u odnosu na spoznaju)


� Znanje je povezano s jezikom, idejama, postupcima, pravilima, običajima, asocijacijama; te još sa sposobnošću da se svi ti koncepti koriste u oblikovanju različitih aspekata svijeta.

� Znanje započinje promatranjem objekta, pamćenjem, klasifikacijom i sistematizacijom. To su temeljne aktivnosti svakog proučavanja.

� logika – znanost koja proučava načela valjanog zaključivanja

� spoznaja – znanje u najširem smislu riječi. Uključuje nepropozicijsko razumijevanje (kao što je percepcija, pamćenje, promišljanje) kao i propozicijsko i prosudbeno razumijevanje nepropozicijskog. Zajedno sa voljom i emocijama, spoznaja je temelj svijesti.

Znanje = spoznaja + logika


� epistemiologija (grč. episteme –znanje, spoznaja + logos –govor, riječ) – uz ontologiju jedna od glavnih grana filozofije. Bavi se proučavanjem izvora, strukture i metoda stjecanja znanja.

(Dictionary of Philosophy, Heibonsha)

� «Znanje se stječe kroz proces mentalne spoznaje» →dva temeljna filozofska pravca o izvorima spoznaje: empirizam i racionalizam.

(kraj 16. do sredine 18. st.)

6

Različita filozofska stajališta o izvorima spoznaje

Postoje li prirođene ideje?

E DA

Empirist

«Esse est percipi»Berkeley

Temeljna znanstvena metoda: indukcija

Racionalist

«Cogito ergo sum»Descartes

Temeljna znanstvena metoda: dedukcija


� John Lock (1632.-1704.) – osnivač empirizmanegirao je te izvore. “Nema ničega u razumu štoprije nije bilo u osjetilima!”

� Empirizam� Sva spoznaja potječe iz iskustva. � Prvotno, čovjek je tabula rasa. Svo se znanje stječe kroz iskustvo.

� Temeljne metode: indukcija (klasifikacija, deskripcija)� Iskustvo se sastoji od percepcija i osjećaja, koji čine

jednostavne ideje. Te se jednostavne ideje kombiniraju u složene zamisli. Senzualizam (lat. sensus – osjet, osjećanje) je krajnje empirističko gledište koje uči da je osjetno iskustvo jedini izvor spoznaje.


� Predstavnici empirizma:

� F. Bacon - «Novi organon», 1620. (oslanjanje napromatranje i eksperiment; indukcija: preko pojedinačnih opažanja korak po korak napredujemo do najopćenitijih aksioma), prvi pokušao klasificirati dotadašnje znanje na deskriptivan i sustavan način

� T. Hobbes, G. Berkeley, D. Hume.


� René Descartes (1569.-1650.) – predstavnik racionalizma, tri temeljna izvora spoznaje:

� osjetilne ideje koje dolaze od okoline� imaginarne ideje uma� ideje s kojim se čovjek rađa� «Cogito ergo sum»� 1637. «Rasprava o metodi», temeljna metoda: dedukcija (primjer: matematički aksiomatski sustav)

� Pravila metode:� istinito je ono što se umu pokazuju «jasno i razgovijetno»� analiza� sinteza


� Racionalizam (lat. ratio – razum, um) pravac koji uči da je jedini pravi izvor spoznaje um ili razum, odnosno da do bitnih spoznaja dolazimo umovanjem.

� Racionalizam ne mora odricati vrijednost iskustva i eksperimenta kao elementa i poticaja spoznaje, ali ističe odlučujuću ulogu uma (pojmovnih analiza i logičke dedukcije).

� R. Descartes, B. Spinoza, G.W. Leibnitz, C. Wolff


� Primjer strogog aksiomatskog deduktivnog sustava su Euklidovi Elementi – geometrija ravnog prostora: 23 definicije, 9 aksioma i 5 postulata.

� Na temelju njih se deduktivno izvode svi geometrijski poučci (npr. zbroj kutova u trokutu je 180°) i dokazuju konstrukcije geometrijskih zadaća.

Euklid (oko 300. god. pr.n.e.)

Znameniti 5. postulat «Ako jedan pravac presječen dvama pravcima čini s iste

strane dva unutrašnja kuta čiji je zbroj manji od dva prava

kuta, ta dva pravca, beskonačno produžena sjeći će se s

one strane s koje su ti kutovi manji od dva prava».

7


� Peti postulat nije moguće dokazati! � Ekvivalentan postulatu o paralelama:

� 1823. godine Bolyai i Lobačevski – prva neeuklidska geometrija.

� Konzistentna geometrija u kojoj ne vrijedi 5. postulat (postoji ∞mnogo pravaca u ravnini paralelnih s zadanim pravcem koji prolaze kroz zadanu točku).

� 1854. Riemann: model geometrije u kojoj ne postoje paralele. (Zor: površina kugle; pravci su krivulje koje se dobiju presijecanjem kugle s ravninom koja prolazi kroz središte kulge.)

•

•


� Koja geometrija opisuje stvarni svijet?� K.F. Gauss (1777.-1855.) je mjerio kutove u trokutu koji čine tri planinska vrha i unutar točnosti mjerenja nije našao odstupanje od 180°. Zašto?

� Einstein: svjetlosne zrake se u blizini gravitacijskih polja zakrivljuju.

� 1917. godine – model konačnog, ali neograničenog svemira. U Einsteinovu modelu prostor ima pozitivnu zakrivljenost.

> 0< π> 180°0Riemanna

0π180°1Euklidska

< 0> π< 180°∞Lobačevskog

Zakrivljenost

prostora

Omjer opsega

kružnice i 2r

Zbroj kuteva

u trokutu

Broj

paralela

Geometrija


� Ishod racionalizma i empirizma –PROSVJETITELJSTVO.

� Francuski prosvjetitelji: Montesquieu, Voltaire i Rousseau te francuski enciklopedisti Diderot i D'Alembert.

Sustavna klasifikacija znanja –enciklopedija (1751.-1772.)

J. D'Alembert i D. Diderot


� Kriticizam – kritičko preispitivanje uma i mogućnosti spoznaje: kritička sinteza empirizma i racionalizma.

� Spoznaja je sinteza sadržaja (dolazi od objekta spoznaje) i oblika (dolazi od subjekta spoznaje). Immanuel Kant(1724.-1804.) «Kritika čistog uma»

Koji od ovih pristupa usvojiti u području umjetne

inteligencije ?

Koji od ovih pristupa usvojiti u području umjetne

inteligencije ?

O tom izboru ovisi smjer istraživanja mehanizama prikupljanja znanja, modeliranja sustava i samih alata za

akviziciju znanja.

Vrste znanja

� Znanje treba biti pouzdano i istinito, što često nije slučaj s tvrdnjama iz svakodnevnog života

Uvjerenje → Hipoteza → Činjenica → Znanje

� Uvjerenje (engl. belief) - bilo koja smislena izreka. Može biti istinita ili lažna

� Hipoteza (ili pretpostavka) – uvjerenje poduprto nekim dokazima, ali ne mora biti istinito (U području AI razvijaju se metode za baratanje s nepouzdanim znanjem!)

� Činjenica (engl. fact) – zamisli nazivamo činjenicama kada ih potvrdimo promatranjem

Vrste znanja

� Činjenično znanje nastaje kada više ljudi zna te činjenice (engl. factual knowledge)

� Primjer: “Sanja je rođena 1977.” – je činjenica

� “Immanuel Kant je rođen 1724.” je znanje jer više ljudi (?) zna tu činjenicu

� Pravila ili zakoni – u obliku uvjetnih rečenica “Ako ;onda;”

� Primjer: “Ako se objekt giba jednolikom brzinom po pravcu tada je put koji objekt prevali jednak umnošku brzine i proteklog vremena.”

8

Vrste znanja

� Sve prirodne znanosti promatraju vanjski svijet, prepoznaju ga, objašnjavaju, uobličuju u zakone. Sve takve studije predstavljaju činjenično znanje i pravila

� Znanje zahtjeva objašnjenje. Znanje bez objašnjenja je aksiom

� Znanje u svakodnevnom životu je često neorganizirano, nepouzdano, djelomično pa i kontradiktorno

� Heurističko znanje – iskustveno znanje

Vrste znanja

� Deklarativno znanje - činjenice i pravila o svijetu – sve pasivno znanje

� Primjer: Podaci u bazi podataka� Primjer: PROLOG – rješenje se dobiva opisivanjem problema u obliku deklarativnog znanja!

� Postupkovno ili proceduralno znanje – znanje o postupku ili procesu

� Primjer: riješiti jednadžbu x + a = b� konstantu a prebaciti na desnu stranu jednadžbe i pri tome joj promijeniti predznak tj. x = b - a

� izračunati vrijednost b – a koja predstavlja rješenje problema

� Primjer: svi programi koji rješavaju klasične matematičke probleme napisani su u obliku proceduralnog znanja.

� Najprirodniji način rješavanja problema. (Sličnost s ljudskim zaključivanjem)

Vrste znanja

� Metaznanje – znanje o znanju

� Znanje je generalizirano postupkom apstrakcije

� Klasifikacija na temelju prikupljanja sličnih činjenica iz velike zbirke činjenica vrsta je apstrakcije. Objekti se lako pamte apstrakcijom i zato znanje može biti sistematizirano

� Područje umjetne inteligencije proučava kako radimo apstrakcije i kako se taj proces može automatizirati

Inferencijalno znanje

� Znanje se povećava zaključivanjem (engl. inference)� AI proučava mehanizme zaključivanja, za razliku od golog klasificiranja i sistematiziranja činjeničnog znanja

� Primjer inferencijalnog znanja: � automatsko dokazivanje teorema - iz skupa aksioma, uporabom valjanih pravila zaključivanja izvodimo novo znanje (princip rezolucije!)

� program za igru (program koristi zaključivanje, koje čovjek zna iz iskustva, da bi razvio pozicije u igri – tu je često potrebno koristiti heurističko znanje)


Inteligencija Inteligencija ↔↔↔↔↔↔↔↔ ZnanjeZnanje ↔↔↔↔↔↔↔↔ SpoznajaSpoznaja


� Princip inferencijalnog znanja:

� Implikacija: Ako A onda B

� Kontrapozicija: Ako B nije istinito onda A nije istinito

� Ove forme koristimo kada nema nikakve sumnje u valjanost tvrdnji. U svakodnevnom životu koristimorazličite kompromise temeljene na implikaciji. Te se metode mogu podijeliti na sljedeći način:


� (1) Vjerojatnosno zaključivanje (engl. probabilistic inference)Silogizam A→B , B→C tada A →CA→B s pouzdanošću x%B→C s pouzdanošću y%A→ C s pouzdanošću x⋅y[%]

� (2) Induktivno zaključivanje (engl. inductive inference)� Izjava (propozicija, sud) je istinita kada su mnogi primjeri izjave istiniti.

� Primjer 1, 3, 5, 7, 9 \ Koji je slijedeći element niza?Utvrđivanjem numeričkog odnosa koji vrijedi između dva susjedna broja pretpostavit ćemo da taj odnos vrijedi općenito za sve elemente u nizu i utvrditi ćemo slijedeći element.

� (3) Zdravorazumsko zaključivanje (engl. common-sense reasoning) Svakodnevno, iskustveno, uobičajeno zaključivanje bez posebnih logičkih pravila.

9


� David Israel je 1983. godine opisao zadatak prikaza znanja:

� “Svi učesnici rasprave slažu se da je središnji cilj istraživanja da računala moraju na neki način “naučiti” veliki dio onoga što svako ljudsko biće zna o svijetu i o organizmima, bilo prirodnim bilo umjetnim, koji obitavaju na njemu. Takav fundus znanja –bez sumnje ničim ograničen – naziva se “zdravi razum”. Problem s kojim se suočavamo jest kako robotu predati takvo znanje. To jest, kako projektirati robota s tako moćnim i bogatim kapacitetom zaključivanja da kad mu je predan neki podskup tog znanja, robot bude u stanju generirati dovoljan dio ostatka znanja kako bi se inteligentno prilagodio i iskoristio svoju okolinu? Možemo pretpostaviti da je najveći dio, ako ne i svo, zdravorazumsko znanje općenito, kao što je, na primjer, znanje da svi predmeti padaju ukoliko nisu poduprti, da fizička tijela ne nestaju naprasno, ili da neko može pokisnuti na kiši”.


� Slijedeći jednostavan primjer Minskoga pokazuje kako prikaz znanja nije lak zadatak.“Jedini put kad možete izreći nešto poput “Ako su a i b cijeli brojevi, onda je a + b uvijek jednako b + a”jest u matematici. Razmislite o sudu poput “Ptice mogu letjeti”. Ukoliko mislite da je zdravorazumsko zaključivanje slično logičkom zaključivanju, tada vjerujete da postoje općeniti principi koji kažu “Ako Ivan je ptica i ptice mogu letjeti, onda Ivan može letjeti”. Što je sa istinitošću propozicije ako je Ivan noj ili pingvin? Naravno, možemo aksiomatizirati, pa reći da ako Ivan nije noj ili pingvin, Ivan može letjeti. No, što ako je Ivan mrtav? Ili ako pretpostavimo da su Ivanove noge zabetonirane u pod?”


� (4) Kvalitativno zaključivanje - sposobnost kvalitativnograzumijevanja odnosa uzroka i posljedica raznih prirodnihfenomena i uporaba tih sposobnosti u zaključivanju. U tehnici ili fizici možemo dati točnu kvantitativnuinformaciju, u svakodnevnom životu ne rješavamo npr. diferencijalne jednadžbe

� (5) Zaključivanje analogijom – ili horizontalno zaključivanje. ako su neke relacije istinite u jednom svijetu tada su istinite i u nekom drugom


� Objekt a je u vezi sa objektom A relacijom f, zaključujemo da bi b = f(B) mogao postojati u drugom svijetu. Ako se potvrdi da b postoji, tada možemo zaključiti da je a→ b istinito i u drugom svijetu

� Primjer

� Opći zakon gravitacije

� Coulombov zakon2

21

r

mmF γ=

a → b→

jedan svijet

drugi svijet

f

a f(B) = b

A → B

221

r

QQkF =

Svijet matematike je jedini u kojem rezultat zaključivanja možemo prihvatiti kao istinit bez provjeravanja!


� Inferencijalno znanje

� Različito je od činjeničnog znanja (Važno!)

� Moćno sredstvo, ali zahtjeva verifikaciju u svakodnevnom životu

� Npr. Ako zaključujemo A → B, važno je utvrditi koliko se trenutno stanje slaže s A !

� Raspoznavanje sličnosti temelj je zaključivanja

Znanje

� Nema jedinstvene i precizne definicije znanja

� Bez precizne definicije ne možemo mjeriti znanje, ali za izgradnju inteligentnog sustava ključno je kako ćemo znanje preslikati u neku unutarnju strukturu stroja koja će biti pogodna za rukovanje znanjem

� Možemo li bez precizne definicije pojma znanja ili inteligencije izgraditi inteligentni sustav?

DA

� Niti jedan sustav do sada nije položio Turingov test iako su izgrađeni mnogi sustavi koji pokazuju neki oblik inteligentnog ponašanja

10

Znanje

� Humanističke znanosti ↔ Umjetna inteligencija

�� ŠŠto se misli pod pojmom to se misli pod pojmom ““prikaz znanjaprikaz znanja””??

� Prema (Brachman & H.J. Levesque, 1985) prikaz znanja je zapis, u prirodnom jeziku ili nekom drugom komunikacijskom sredstvu, opisa (slika) koje odgovaraju okolini, odnosno stanju svijeta

Znanje

�� ZaZaššto je prikaz znanja vato je prikaz znanja važžan u inteligentnim an u inteligentnim sustavima?sustavima?

Sustavi za općenito rješavanje problema (general problem solvers)

vs.

Sustavi temeljeni na znanju (knowledge based systems, expert systems)

Znanje

� počeci AI vezani su za pokušaje razvoja sustava za općenito rješavanje problema → pokazalo se da su takvi sustavi preopćeniti da budu uspješni

� bolji se rezultati postižu kada se uključe pravila i činjenice iz određenog specifičnog područja (domain knowledge)→ ta spoznaja dovodi do uspješnog razvoja sustava temeljenih na znanju (primjer: ekspertni sustavi)

Sustavi temeljeni na znanju

Baza znanjaBaza znanja

(Knowledge base)

Stroj za

zaključivanje

(Inference engine)

znanje o znanju (meta-znanje) pravila za rješavanje problema korisna za sustav

znanje o stanjima, akcijama, motivacijama, ciljevima

odnosi među objektima

metode i procedure za rješavanje problema

činjenice

Sustavi temeljeni na znanju

� uspješnost u izgradnji inteligentnog sustava najviše ovisi o metodi za prikaz znanja

� ovakva struktura baza znanja + stroj za zaključivanje omogućava lakše održavanje

� Baza znanja je apstraktna reprezentacija svijeta u kojoj sustav treba riješiti problem

Prikaz znanja

� Znanje je u biološkim organizmima pohranjeno u obliku složenih biokemijskih stanja veza velikog broja (1012) međusobno povezanih neurona

� Uobičajeni način pohrane znanja je uporabom prirodnog jezika u pisanom obliku

� Znanje u računalu je pohranjeno je u obliku stanja napona ili magnetiziranosti djelića površine

11

Prikaz znanja

Primjer različitih oblika (razina) prikaza znanja:

Misaone predodžbe

⇓

Pisani tekst, slikePisani tekst, slike

⇓

Niz znakova

⇓

Binarni nizovi

⇓

Magnetni zapis

Prikaz znanja

� Kako prikazujemo znanje u inteligentnim sustavima?

� Prilikom izgradnje IS nas će zanimati mogućnost pohrane niza znakova, slika, grafova zajedno sa odgovarajućom strukturom koja se koristi za njihovu pohranu

� Odgovarajući način prikaza znanja omogućava stroju danjegovim rukovanjem (izvođenjem zaključaka) dolazi do novih znanja o svojoj okolini

� Izbor načina prikaza znanja ovisi o problemu koji želimoriješiti

Prikaz znanja

� Primjer (1)

Program za igranje neke kartaške igre

Kako prikazati igraće karte?

uređen par :

(<herc, tref, pik, karo>, < as, 2 , 3\10, J, Q, K >)

za bridž

(1, 2, 3, 4\., 10, 11, 12, 13)

za black jack

Prikaz znanja

� Primjer (2)

Hanojski tornjevi

� Premjestiti diskove sa 1. na 3. stupić, ali tako da se u svakom koraku poštuje pravilo da se veći disk ne smije staviti na manji!

� Znanje se prikazuje u obliku prostora stanja – to su sve moguće kombinacije disk-stup

� Rješenje (ciljno stanje) može se doseći iz inicijalnog stanja preko sljedećih slijednih dozvoljenih stanja

Prikaz znanja

� 1. način – uređena trojka brojeva - stanje na stupićimai-ti element trojke predstavlja broj diskova na i-tom stupiću

� (4,0,0) početno stanje, (0,0,4) ciljno stanje

� nedostatak : u prikazu nije ugrađeno pravilo

� 2. način - stanje na stupićima pomoću oznaka a, b, c, d za diskove od najmanjeg prema najvećem

� nedostatak : ispravan, ali nezgrapan prikaz prijelaza iz jednog stanja u drugo

→ (1, 2, 1)(2, 1, 1)Broj diskova

1 2 31 2 3Stupić

→ (1, 2, 1)(2, 1, 1)Broj diskova

1 2 31 2 3Stupić

Prikaz znanja

� 3. način – Uređena četvorka – položaj diskova

� Ukupno ima 34 = 81 mogućih različitih stanja.� Svako je stanje prikazano uređenom četvorkom i svakiprijelaz promjenom samo jednog elementa četvorke

� Pod pretpostavkom da su dozvoljeni samo oni prijelazi u kojem nema većih diskova nad manjim može se pretraživanjem prostora stanja doći od početnog (1, 1, 1, 1) do ciljnog (3, 3, 3, 3)

� Detalji kako se prikazuje stanje problema mogu učiniti pravila za promjenu stanja jednostavnim ili zamršenim, te tako mogu skratiti ili produžiti traženje rješenja

→ (2, 1, 1, 1)(1, 1, 1, 1)stupić

a b c da b c d disk

12

Prikaz znanja

� Pravila:

� Ako se u četvorki ponavlja isti niz brojeva onda možemo mijenjati samo krajnji lijevi (tj. možemo micati samo najmanji disk koji je na vrhu tog stupa)

� Broj u četvorci koji se može mijenjati može postati jednak bilo kojem drugom koji se nalazi iza njega (stavljamo manji disk na veći) ili može postati broj 1, 2 ili 3 ako se taj broj ne pojavljuje u četvorki. (Stavljamo disk na prazan stupić.)

Prikaz znanja

� Za n=3

� Navedeni se problem može definirati za bilo koji n

131

321331231211

131121→

333133→

123→

223→

221→

321 →

311→

111

→

Prikaz znanja

� Temeljni problem u razvoju inteligentnog sustava je nalaženje dovoljno preciznog i djelotvornog zapisa znanja

�� Shema za prikaz znanjaShema za prikaz znanja

Taksonomija sheme za prikaz znanja prema

(J. Mylopoulos, H.J. Levesque)

� SVIJET (world) - skup objekata ili činjenica i skup relacija koje postoje među njima

� STANJE (state) - skup svih objekata i odnosa među njima u danom trenutku

� TRANSFORMACIJE STANJA (State transformations) –uzrokuju stvaranje ili nestanak objekata ili promjenu relacija među njima

Prikaz znanja

� Primjerenost prikaza (representational adequacy)

Koje se znanje, koje je važno za određeno područje, može, a koje ne može prikazati određenom shemom?

� Primjerenost zaključivanja (inferential adequacy)

Sposobnost rukovanja prikupljenim znanjem na takav način da se izvode nove strukture koje odgovaraju novom znanju dobivenom zaključivanjem na temelju starog znanja.

� Djelotvornost zaključivanja (inferential efficiency)

Mogućnost ugradnje dodatne informacije u strukturu znanja koja se može koristiti za usmjeravanje pozornosti mehanizma zaključivanja ka zaključivanju u obećavajućim smjerovima

� Djelotvornost učenja (acquisitional efficiency)

Sposobnost prikupljanja novog znanja

Sheme za prikaz znanja

� Ishodišta za sheme mogu biti:

→ PROCEDURALNE SHEME�transformacije stanja

→ LOGIČKE SHEME�istinitosti izjava o stanjima svijeta

→MREŽNE SHEME �objekti – odnosi među njima


� Osnovni tipovi shema za prikaz znanja (Minsky, 1975)

Jezik CLIPSNETL (Fahlman, 1979)

Nemonotona logika, fuzzy logika

Proceduralne sheme – veći dio znanja predočen kao skup procedura. Omogućuju lako prikazivanje postupaka i može se lako implementirati heurističko znanje

Deklarativne sheme – veći dio znanja predočen kao činjenice kojima su dodane procedure koje dovode do novog znanja. Prednosti su da se svaka činjenica treba pohraniti samo jednom i lako je dodati nove činjenice

Logičko programiranje

KL-ONE (Schmolze and Lipkis, 1983)

PLANNER (Hewitt, 1969)

Propozicijske mreže

Predikatna logika

Okviri (frame)Produkcijski sustaviSemantičke mrežePropozicijska logika

Teorija okviraProceduralne sheme

Mrežne shemeLogičke sheme

13


� Logičke sheme

1) Simbolički jezik čiji simboli imaju vrlo precizna značenja i uporabu

2) Pravila pomoću kojih se rukuje tim simbolima.

� Primjer: (Sergot et al., 1986.)

uporaba logike u opisu Akta o Britanskom državljanstvu iz 1981. pomoću Hornovih klauzula tipa:

A ako B1 i B2 i \..Bn

Primjer takve klauzule je:

(Sokrat je smrtan) ako (Sokrat je čovjek)


� Prvi stavak u Aktu je

(1) Osoba rođena u Ujedinjenom kraljevstvu će nakon donošenja odluke biti britanski državljanin ukoliko su u trenutku rođenja otac ili majka

a) britanski državljani ili

b) imaju prebivalište u Ujedinjenom kraljevstvu

� Stavak (1)(a) je prikazan:

(x je britanski državljanin)

ako je (x rođen u Ujedinjenom kraljevstvu)

i (x je rođen dana y)

i (y je nakon ili na dan potvrde)

i (z je roditelj od x)

i (z je britanski državljanin na dan y)

� Simboli x, y i z su varijable


� Semantičke mreže (engl. Semantic Networks) (Quillian, 1968) – opis značenja koji stoji iza neke riječi i međudjelovanje tih značenja.

� Mreža se sastoji od:čvorova (predstavljaju koncept ili značenje) – KNJIGA, ZELENOveza izmežu čvorova (odnos koncepata) – je obojena

KNJIGA je obojena ZELENO� Semantičke mreže su povezane sa predikatnom logikom.

termi ↔ čvorovi i relacije ↔ usmjereni lukovi� Najčešća veza u semantičkim mrežama pokazuje da je jedan koncept primjer drugog koncepta. Ta veza je engl. IS-A tj.

canary IS-A birdkanarinac je ptica

� Primjer: ERNEST


� Okviri (engl. frames, shemata) (M. Minsky, 1975)

� Nedostatak semantičkih mreža je u mogućnosti različite interpretacije istog čvora, npr. čvor označen sa “pas” može predstavljati klasu svih pasa ili nekog određenog psa. U tom smislu su logički neadekvatne. (u logici ∀, ∃, ¬)

� Okviri predstavljaju način grupiranja informacija u slog (record) u obliku (“slots” ili “fillers”). Slog se može smatrati čvorom u grafu koji u jednom slotu ima ime objekta kojeg opisuje, a u ostalim slotovima vrijednosti zajedničkih atributa povezanih sa tim objektom

� Svojstva (atributi) u slotovima u nižim razinama mogu:

� se naslijediti (engl. inheritance) od okvira iz viših razina (engl. default value)

� biti ispunjeni nekom novom vrijednošću atributa (time se prikazuju iznimke! )


� Produkcijski sustavi (E. Post, 1943.) (engl. Production systems, Rule Based Systems)

� Najčešći način prikaza ljudskog znanja je u obliku AKO –ONDA pravila

� Postoji puno vrlo uspješnih implementacija (medicina, bankarstvo, projektiranje računarskih sustava, geologija\)

� Pokušaj formaliziranja znanja nekog stručnjaka za određeno područje → EKSPERTNI SUSTAVI

� (Primjeri: DENDRAL, MYCIN, R1/XCON)

Strojno učenje

� Definicija (Mitchell, 1997.)

� Za računalski sustav se kaže da stječe znanje (uči) kroz iskustvo I u odnosu na neki skup zadataka Z i s obzirom na neku mjeru uspješnosti M, ako se kroz iskustvo Ipovećava uspješnost obavljanja zadataka Z, mjerena mjerom uspješnosti M

� Primjer:

(primjeri za učenje) - baza podataka rukopisom napisanih riječi sa pripadnom klasifikacijom

Iskustvo I:

postotak ispravno klasificiranih riječiMjera M:

raspoznavanje i klasificiranje riječi pisanih rukopisom

Zadatak Z:

14

Teme današnjeg predavanja

� Inteligentni sustavi

� Znanje kako ga definiraju u filozofiji

� Prikaz znanja u tehničkim sustavima

� Sheme za prikaz znanja

Konektivistički pristup

Pristup suprotan tradicionalnoj spoznajnoj znanosti i klasičnoj umjetnoj inteligenciji

� Mozak nije digitalno računalo! (Mentalne funkcije kao računalni model)

� Klasičan pristup dao je značajne rezultate no ipak nije mogao riješiti neke probleme...

� Mozak ne funkcionira serijski kao računalo već paralelno, može učiti, stjecati znanje kroz iskustvo, neosjetljiv je na pogreške.... Umjetne neuronske mreženajznačajniji su predstavnik konektivističkog pristupa.

Behavior based artificial intelligence andembodied cognitive science

� Nastala je krajem 80tih, � Rodney Brooks (MIT, AI Lab) Pitanje “Can machine think?”zamijeniti “Kako nastaje inteligentno ponašanje?”

� Inteligentno ponašanje postiže se povezivanjem jednostavnih procesnih elemenata koji rade paralelno (UNM). Inteligencija je utjelovljena. Inteligencija je rezultat intereakcije “organizma” sa sredinom.

� Inteligenciju možemo razumjeti gradnjom artifakta

Rogerian pscihotherapy

� Men are all alike

� In what ways?

� They are always bugging us about something or other

� Can you think of specific example?

� Well, may boyfriend made me come here

� Your boyfriend made you come here?

� He says I am depresed much of the time

� I am sorry that you are depressed.

� Its true, I am unhappy

� Do you think comming here will help you not to be unhappy?

� I need some help that much seems certain

� What would it mean to you if you got some help?

� Perhaps I could learn to get along with my mother

� Tell me more about your familiy

“Thinking machines” danas – obrada prirodnog jezika

� Chatbots: ELIZA (Weizenbaum, 1966) !!!� 270 linija koda, zamjena stringova, odgovori na temellju ključnih riječi, odgovor na pitanje pitanjemProgram daje iluziju inteligencije navodeći pacijenta da govori o sebi i svom životu.

� ALICE, MegaHAL, ...

� Područje: obrada prirodnog jezika – različite teorije kako obrada prirodnoj jezika funkcionira u ljudskom mozgu

� Noam Chomsky: “osnovne jezične strukture i pravila prirođeni su – univerzalna gramatika”

� Ako bi ta pretpostavka bila istinita ....

“Thinking machines” koje postoje danas – obrada prirodnoj jezika

• Loebnerovo takmičenje – realizacija Turingovogtesta

• Programi za automatsko prevodjenje

� Većina programa rezultat su klasičnog pristupa, program koji samo slijedi pravila prema kojima je programiran i ne može se prilagođavati (“učiti”) nije inteligentan.

15

Garry Kasparov is highly intelligent. He has authored three books, speaks a variety of languages.

Deep Blue is stunningly effective at solving chess problems, but it is less "intelligent" than even the stupidest human.

Garry Kasparov is able to learn and adapt very quickly from his own successes and mistakes.

Deep Blue, as it stands today, is not a "learning system." It is therefore not capable of utilizing artificial intelligence to either learn from its opponent or "think" about the current position of the chessboard.

Deep Blue vs. Garry Kasparov Pitanje: Odnos učenja i inteligencije?

• Učenje čini suštinu inteligentnog ponašanja

� CILJ: Izgraditi sustav koji može stjecati znanje na temelju iskustva (“učiti”), direktno iz “podataka” upravo onako

� kako to čini ljudski mozak.

NEURONSKE MREŽE - model koji može učiti

Konvencionalno programiranje vs. učenje

Učenje omogućava rješavanje problema koje do sada nismo znali rješiti na konvencionalni način

Primjeri...

Backgammon

Učenje igranjabackgammon-a na razinisvjetskog prvaka

� Najbolji svjetski program TD-GAMMON (Tesauro, 1992, 1995) temelji se na UNM

� Program je naučio strategiju igranja (na svjetskoj razini) na temelju više od 106 odigranih partija protiv samog sebe

� Bitna razlika od načina na koji je Deep blue

igrao šah!!!

Računalom upravljano vozilo

Bioinformatika Umjetna neuronska mreža za klasifikaciju novčanica

Autori: Marko Ćupić

Jan Šnajder

Rad nagrađen Rektorovom nagradom

za ak. god. 2001/02

16

Primjer: Klasifikacija novčanica

� UNM parametri� aciklička, potpuno povezana, višeslojnaunaprijedna mreža 990 x 3 x 4

• Rezultat klasifikacije odgovara neuronu čiji je izlaz najveći

Documents

Inteligentni sustavi