Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Intelligens Rendszerek I.Alkalmazási területek
2007/2008. tanév, I. félévDr. Kovács Szilveszter
E-mail: [email protected] Egyetem
Informatikai Intézet 106. sz. szobaTel: (46) 565-111 / 21-06 mellék
Dr. Kovács Szilveszter © M.I. 2. / 2.
Mesterséges intelligencia alkalmazási területek • logikai játékok (logical games)• tételbizonyítás (theorem proving)• szimbolikus számítás (symbolic algebraic computation)• robotika (robotics)• látás, képfeldolgozás (vision)• beszédfelismerés (voice recognition)• természetes nyelvek feldolgozása (natural language
processing)• korlátozás kielégítés (constraint satisfaction)• cselekvési tervek generálása (planning)• adatbányászat (data mining)• mesterséges neurális hálózatok (artificial neural nets)• szakértőrendszerek (expert systems)• automatikus programozás (automated programming)• ágensek, multi-ágensek (agents, multi-agents).
Dr. Kovács Szilveszter © M.I. 2. / 3.
Logikai játékok (logical games)
• Ellenérdekű résztvevők felváltva érvényesített stratégiái a végső nyerés érdekében
Pl: Sakk:• Kempelen Farkas: sakkautomatája,
a Török 1769• Leonardo Torres y Quevedo: működő
mechanikus sakk-végjátékautomata1890!!
• Nemes Tihamér: cikk sakkozó gépről, 1949
• Alan Turing: sakkalgoritmus, 1951
Dr. Kovács Szilveszter © M.I. 2. / 4.
Kétszemélyes zérusösszegű játékok
• Egyik nyer, másik veszít, egyes játékokban döntetlen is lehet.• MAX, MIN, a két játékos elnevezése• Teljes információjú: mindkét játékos számára ugyanazok az
információk állnak rendelkezésre a játékról– táblás játékok: igen– kártyajátékok: nem
• Diszkrét: a játékban az állapotok véges számú előfordulása létezik
• Végteszt: nyert-e valamelyik? Döntetlen?• Nyerő stratégia: kényszerítve nyer• Tökéletes definiáltság és kevés szabály miatt ideális MI
tesztterületnek
Dr. Kovács Szilveszter © M.I. 2. / 5.
A játék szemléltetése• Irányított gráffal
– Hálós gráf: egyféle állás – ugyanazon csomópont
– Fagráf: ugyanazon állásnak több csomópont felel meg (leggyakoribb, jól kezelhető)
– ÉS/VAGY gráf : az egyik játékos szemszögéből. Saját lépések között : VAGY– elég ha egy is nyer Az ellenfél lépései között: ÉS– mindegyiknél (bármelyiknél) nyerni kell
S
A B C
G GG
S
A B C
G
S
A B CVAGY
ÉS ÉS ÉS
Dr. Kovács Szilveszter © M.I. 2. / 6.
Gráfjellemzők
• Csomópont ↔ játékállás• Élek ↔ lehetséges lépések• Fagráf-jellemzők:
– Gyökér csomópont ↔ a kiértékelésre kerülő állás– Szintek, mélység, (depth, d) váltakozva MAX, MIN,
gyökér: d=0– Levél csomópontok: az egyes játszmák vége, valaki
nyer, vagy döntetlen; nyereségérték.• Elágazási tényező: a csomópontnak megfelelő
állásból tehető engedélyezett lépések száma, branching factor (b)
S
A B C
G GG
Dr. Kovács Szilveszter © M.I. 2. / 7.
Pl: Aki az utolsót húzza, az veszít
• Minimum egyet,maximum hár-mat kell húzni
• két játékos (MAX és MIN)• diszkrét és teljes információjú játék• Stratégia: rekurzív MINIMAX algoritmus
(Neumann János 1928) • ismertetés: MAX szemszögéből
Dr. Kovács Szilveszter © M.I. 2. / 8.
Az állás értéke• Az állás értéke: A teljes játékfára elvégzett minimax
algoritmus eredménye. Egyértelműen megmondja, a kezdő játékos nyeri-e a játékot hibátlan lépésvezetés esetén, és ha igen, azt milyen lépések választásával teheti meg. A nyerés független az ellenérdekű játékos lépéseitől ilyenkor. Ez az algoritmus NEM épít a játékosok szerencséjére, azaz az ellenfél hibázására.
• A játék teljes fája és a játék értéke csak kis egyszerű játékok (pl. TicTacToe) esetén határozható meg a gyakorlatban.
• Gond: a játék állásainak száma a mélységgel (d)exponenciálisan nő, közelítőleg bd
• Kombinatorikus robbanás: sok a lehetőség, illetve kis teljesítményű a fa kiértékelése.
Dr. Kovács Szilveszter © M.I. 2. / 9.
Az aktuális állapot értékének meghatározásaMINIMAX algoritmussal
• Input: az aktuálisan kézben lévő pálcák száma és a lépésben következő játékos neve (MAX, vagy MIN)
• az aktuális állapotból kiinduló játékfa kifejtése• érték hozzárendelése a 0 végállapotokhoz:
– +1, ha MAX-nak maradt 0 (MIN húzta az utolsót)– -1, ha MIN-nek maradt 0 (MAX húzta az utolsót)– más játékban más érték-hozzárendelés is elképzelhető
• lentről felfelé haladva az egyes csomópontok értékeinek meghatározása: a közvetlenül alatta levő és hozzá kapcsolódó értékek:– Maximuma, ha a vizsgált szinten MAX következik a játékban– Minimuma, ha a vizsgált szinten MIN következik a játékban
• Output: a jelenlegi állapot értéke = a legfelső szinten levő "gyökér csomópont" értéke
• Értelmezés:– ha az eredmény -1, akkor MAX csak MIN hibázása esetén nyerhet– ha az eredmény +1, akkor MAX biztosan nyerhet
Dr. Kovács Szilveszter © M.I. 2. / 10.
Feladat – értékek felterjesztése a fán
• érték hozzárendelése a 0 végállapotokhoz:– +1, ha MAX-nak maradt 0 (MIN húzta az utolsót)– -1, ha MIN-nek maradt 0 (MAX húzta az utolsót)
• ha az eredmény – -1, akkor MAX csak MIN hibázása esetén nyerhet– +1, akkor MAX biztosan nyerhet
+1
+1 +1 +1
-1 -1 -1+1
+1 -1 -1
+1-1
-1
+1
Dr. Kovács Szilveszter © M.I. 2. / 11.
Feladat – értékek felterjesztése a fán
• A fenti ábra alján láthatóak a HKF (heurisztikus kiértékelő függvény) által előállított értékek a horizonton.
• Határozzuk meg az aktuális állapot (gyökér) értékét az alap MiniMax algoritmussal
Max
Min
Max
Min
8 3 11 7 3 9 6 6
3 3 6
6
Dr. Kovács Szilveszter © M.I. 2. / 12.
Kombinatorikus robbanás • A lehetséges helyzetek száma a játék szintjeinek
(lépéseinek) számával hatványozottan nő(exponential explosion).
• Sakk esetén a teljes játékfa játékhelyzeteinek száma 10120 nagyságrendű, azaz ha szekvenciálisan minden µsec-ben ki lehetne elemezni egy helyzetet, akkor 3 * 10106 évet kellene várni az első lépésre
• A MINIMAX algoritmus összetettebb játékok fájának kielemzésére csak elvileg alkalmas, gyakorlatilag kivitelezhetetlen az elemzés
Dr. Kovács Szilveszter © M.I. 2. / 13.
A MiniMax algoritmus hatékonyságának növelése
• Alfa-béta nyesés• Heurisztikus kiértékelő függvény
(heuristic evaluation function)• Az elemzés mélységének egy adott szintre
korlátozása• Iteratív mélyítés• …(bővebben a kereséseknél)
Dr. Kovács Szilveszter © M.I. 2. / 14.
A MiniMax algoritmus hatékonyságának növelése: Alfa-béta nyesés
• a fa egyes ágainak levágása• csökkenti a számításigényt• mélyebb fa elemezhető ki,
még jobb ha a játékfa rendezett• alfa: a MIN alatt nyesünk• béta: a MAX alatt nyesünk• a gyakorlatban sokszor még ez is kevés
Dr. Kovács Szilveszter © M.I. 2. / 15.
Alfa-béta nyesés
• alfa: a MIN alatt nyesünk• béta: a MAX alatt nyesünk
Max
Min
Max
Min1 4 9 1 2
Dr. Kovács Szilveszter © M.I. 2. / 16.
Az elemzett lépések számának korlátozása egy adott számra, adott mélységre
• Gyakorlati megoldás összetett játékok esetében• Gond: a játéklefolyások teljességükben
ismeretlenek, a végződések nincsenek kiértékelve, nincs a MiniMax algoritmussal felterjeszthető érték
• Megoldás (közelítő, nem ad feltétlenül azonos eredményt, mint a MiniMax):– az elvágással keletkezett leveleknek megfelelő
állásokhoz tapasztalati nyerési esélyértékekrendelése heurisztikus kiértékelő függvények(HKF) révén
Dr. Kovács Szilveszter © M.I. 2. / 17.
Heurisztikus kiértékelő függvény
• Tapasztalati úton meghatározott függvény, mely az állás jellemzőiből számít egy, az állás jóságát megítélő értéket
• A MiniMax algoritmus (és az alfa-béta nyesés) alkalmazása a HKF értékekre alapozva
• A kapott játékérték (a játékfa gyökér csomópontjához rendelt érték), annyira közelíti a teljes fa esetére adódó pontos értéket, amennyire jó, kifinomult a HKF
• Probléma a fa elvágása miatt:– Horizont effektus: az elvágás alatti részen bekövetkező
kedvező, vagy kedvezőtlen hatások nem látszanak (pl. sakk esetén sorozatos sakkadással lemehetünk a horizont alá, és nem láthatjuk, hogy a játék a sakkot kapó számára esetleg kedvezőbb állású)
Dr. Kovács Szilveszter © M.I. 2. / 18.
Horizont effektus
Dr. Kovács Szilveszter © M.I. 2. / 19.
Heurisztikus kiértékelő függvény
• Pl: Amőba
X XX O X X O O O
OX O
Dr. Kovács Szilveszter © M.I. 2. / 20.
Mesterséges intelligencia alkalmazási területek • logikai játékok (logical games)• tételbizonyítás (theorem proving)• szimbolikus számítás (symbolic algebraic computation)• robotika (robotics)• látás, képfeldolgozás (vision)• beszédfelismerés (voice recognition)• természetes nyelvek feldolgozása (natural language
processing)• korlátozás kielégítés (constraint satisfaction)• cselekvési tervek generálása (planning)• adatbányászat (data mining)• mesterséges neurális hálózatok (artificial neural nets)• szakértőrendszerek (expert systems)• automatikus programozás (automated programming)• ágensek, multi-ágensek (agents, multi-agents).
Dr. Kovács Szilveszter © M.I. 2. / 21.
Tételbizonyítás• Matematikai tételek bizonyítása az alapaxiómákból
kiindulva, pl. kijelentés (propozíciós, nulladrendűpredikátum-) kalkulust, illetve elsőrendű predikátumkalkulust használó MI programokkal, a rezolúció módszerével
• Rezolúció: lássuk be, hogy a tényekből, szabályállításokból és a bizonyítandó állítás negáltjábólálló halmaz kielégíthetetlen, ellentmondásos. Ha sikerül, akkor a bizonyítandó állítás csak igaz lehet.
• Nem csak az állítás helyességét bizonyítja, hanem megadja a megoldás menetét is
• Konkrét alkalmazások: QA1, QA2, QA3 programnyelvek, a QA4 programnyelv procedúrálisreprezentációt is alkalmaz
Dr. Kovács Szilveszter © M.I. 2. / 22.
Szimbolikus számítás
• Matematikai levezetések, algebrai manipulációk, deriválás, integrálás azonosságainak, trigonometrikus, logaritmikus, stb. azonosságoknak az alkalmazása szimbolikus alakban adott feladatok megoldására.
• Ismertebb szimbolikus algebrai szoftverek: MACSYMA, REDUCE, CAMAL, LAM, ALTRAN, FORMAC, SYMBOL, MATHEMATICA
Dr. Kovács Szilveszter © M.I. 2. / 23.
RobotikaRobotok érzékelő rendszereinek,
beavatkozó szerveinek, tanítási lehetőségeinek, adaptív képességeinek fejlesztése tartozik ide, szoros kapcsolatban a mesterséges látással
• a robot témakör azért fontos a MI számára, mert a robot rendelkezik az ágenstől is elvárt érzékelés, beavatkozás képességekkel a szenzorai, manipulátor-karjai, kezei révén.
• Boilerplate, mechanikus robot, 1879 • Sprawlita
– lépegető bogár-robot 6 lábbal– három testhossz/másodperc sebességgel
mászik, akár akadályokon át is
Dr. Kovács Szilveszter © M.I. 2. / 24.
• Boadicea: Kisméretű pneumatikus mászó robot, hat lába egyenként három szabadságfokú
Dr. Kovács Szilveszter © M.I. 2. / 25.
Autonóm jármű– A vezető ébrenlétének figyelése– Automatikus útkövetés– Automatikus akadályérzékelés és kikerülés– Autonóm vezérlés egy úttalan vidéken
Dr. Kovács Szilveszter © M.I. 2. / 26.
CONRO• miniatűr újrakonfigurálható robot• azonos modulokból áll, amelyeket arra lehet programozni, hogy
megváltoztassák a topológiájukat a környezetben adódó olyan kihívásokhoz, mint például egy akadály
• az alaptopológia egyszerű kígyó alak, de a rendszer képes újrakonfigurálni magát hogy lábakat növesszen, vagy egyéb speciális nyúlványokat
• minden egyes modul tartalmaz egy CPU-t, memóriát, elemet, micro-motort és változatos szenzorokat és képességeket, köztük látást, huzalnélküli kapcsolatot és a dokkolás szenzorait
Dr. Kovács Szilveszter © M.I. 2. / 27.
A HONDA humanoid robot• igen fejlett
mozgásképességek• humanoid robotok
labdarúgó világbajnoksága
Dr. Kovács Szilveszter © M.I. 2. / 28.
Bűvös kocka kitekerő robot• Lego robot alkatrészekből készült• maximum 40 lépésből megoldja a feladatot
Dr. Kovács Szilveszter © M.I. 2. / 29.
Gépi látás, képfeldolgozásFeladat: adott egy kétdimenziós bittérkép, ebből
kiindulva meg kell adni a kép leírását, beleértve az alakzatok, méretek, színek, helyzetek paramétereit; a nagyon alacsony szintű vizuális adatból egy magas szintű absztrakciót kell elérni, mely megfelel a képen látható objektumoknak
• A képfeldolgozás lépései:– élek detektálása– mélység meghatározása– alak meghatározása az árnyékoltságból– vonalak címkézése– objektum beazonosítás, helyzet meghatározás
• Eredmények:– neurális hálók (pl. PERCEPTRON, Rosenblatt kísérlete;
karakterfelismerő programok)– elektronikus recehártya, mely a recehártya sok funkcióját,
köztük a látvány elsődleges feldolgozását is modellezi; létrehozása megkönnyíti a mesterséges neurális hálózatok bemenőjeleinek előállítását
Dr. Kovács Szilveszter © M.I. 2. / 30.
BeszédfelismerésCél: az emberi beszéd gép által kezelhető, szöveges
formára alakítása, végső célként, a nyelvfeldolgozással egyesítve a beszélt nyelv gépi megértése céljából
(Beszélő felismerés – a beszélőkre jellemző paraméterek kinyerése és azonosítása)
• Kezdeti eredmények: szűk szókincs, vagy ugyanazon beszélő esetén nagyobb szókincs felismerése.
• Az emberi nyelvek kb. 50 fonémát, beszédhangot különböztetnek meg.
• Nehézségek:– a beszéd szavai egybefolynak– a fonémák és a szavak leírására használt betűk között nincs
teljesen egyértelmű megfeleltetés
Dr. Kovács Szilveszter © M.I. 2. / 31.
A hangjel feldolgozásaCél: az információ csökkentése és a jellemzők kiemelése• Lépések:
– mintavételezés, kvantálás– jellemzők kinyerése, keretekben, azonos
időintervallumokban– vektorkvantálás: a keretek jellemzővektorait a jellemzők
hiperterének régióihoz rendelik• A szavak egyértelmű felismeréséhez további
statisztikai, valószínűségi adatok szükségesek• Ezeket általában betanítással adják meg• A legjobb rendszerek a szavak több mint 95%-át jól
ismerik fel
Dr. Kovács Szilveszter © M.I. 2. / 32.
Természetes nyelvek feldolgozása• Cél: az emberi nyelv (írott formájának) megértése• Természetes nyelvű interfészek
– számítógépes alkalmazások kezelése szavakkal, mondatokkal– jól strukturált adatbázisokhoz, szimulációs modellekhez, szakértői
rendszerekhez, helybiztosító rendszerekhez és szöveges adatbázisokhoz (Pl. Telefonon, telefonkönyv - hívás szavakkal)
• Gépi fordítás– ELIZA (Joseph Weizenbaum, MIT, 1966)
• a program egy pszichológust utánoz, aki megpróbálja megérteni azember problémáit
• az ember válaszainak kulcsszavait érzékelve típusszöveget, egyszerű mintaillesztésen alapuló szövegrész-cserét alkalmaz
• csak szintaktikai szinten értette a páciens válaszait – SHRDLU (Terry Winograd, 1972)
• egy mértani testekből (kockák, gúlák, stb.) álló mikrovilág, melynek elemeit egy robot az ember írásos parancsainak megfelelően manipulálhatta
Dr. Kovács Szilveszter © M.I. 2. / 33.
Eliza – egyszerű mintaillesztés• Orvos: Hogyan tudnék segíteni?• Páciens: Nem tudom.• Orvos: Próbáljon mondani róla valamit!• Páciens: Nem tudok.• Orvos: Ki tudná ezt fejteni részletesebben?• Páciens: Beteg vagyok és fáradt.• Orvos: Van elképzelése, hogy miért?• Páciens: Igen, öreg vagyok.• Orvos: Folytassa, kérem!• Páciens: Úgy érzem, elvesztettem minden
érdeklődésemet.• Orvos: Mondjon többet ezekről az érzésekről!• Páciens: Van arról is elképzelésem, miért érzek így.• Orvos: Biztosan van.
Dr. Kovács Szilveszter © M.I. 2. / 34.
SHRDLU – erősen korlátozott „kocka mikrovilág”
• Ember: "Keress egy hasábot, amelyik magasabb, mint az, amelyiket a dobozba raktál!"
• Robot: "Rendben."• Ember: "Megérintettél egy gúlát, mielőtt a zöld
hasábot a kis kockára tetted ?"• Robot: "Igen, a piros színűt."
Dr. Kovács Szilveszter © M.I. 2. / 35.
Természetes nyelvek feldolgozásaLoebner - díj• Hugh Loebner 1990-ben 100 000 $-os díjat és egy arany
medált tűzött ki annak a nyertesnek, akinek a beszélgető-programja elsőként teljesíti a Turing tesztet.
• Egy 2 000 $-os kisebb díjat és egy bronz medált minden évben elnyer az a program, amely a legszínvonalasabb párbeszédet folytatja emberrel.
• chat-robot
Magyarnyelvű fordítóprogram fejlesztése:• Morphologic
(ők írták az MS Windows magyar nyelvi elemzőjét is)
Dr. Kovács Szilveszter © M.I. 2. / 36.
Egy mondat értelmezésének 4 szintje
• Szintaktikai (formailag) • Szemantikai (tartalmilag)• Pragmatikus (valóságosan)• Intencionális (szándékoltan)pl.• Éva: Tudod, hogy Viktor ugyanúgy dohányzott,
mint te?• Imre: Nem. Miért, mi van vele?• Éva: Tüdőrák. Feldobta a bocskorát.• Imre: Szomorúan hallom.
Dr. Kovács Szilveszter © M.I. 2. / 37.
"Feldobta a bocskorát"
• Szintaktikailag (formailag) egy múlt idejű állítmány és egy tárgy
• Szemantikailag (tartalmilag): felhajította a lábbelijét
• Pragmatikusan (valóságosan): meghalt • Intencionálisan (szándékoltan): célja a
szövegkörnyezettel együtt Imre figyelmét felhívni, hogy ne dohányozzon annyit
Dr. Kovács Szilveszter © M.I. 2. / 38.
A gépi fordítás értékelése• A fordítás minősége szerint:
– tájékozódó fordítás (information acquisition)– tényszerű közlésekre vonatkozó fordítás (denotative
translation)– igényes fordítás (connotative translations).
• Az automatizáltság szintje szerint:– teljesen automatikus (fully automatic machine
translation)– emberi segítséggel készülő (human assisted machine
translation)– gépi segítséggel készülő (machine assisted human
translation)
Dr. Kovács Szilveszter © M.I. 2. / 39.
Korlátozás kielégítésA korlátozás kielégítési feladat a benne szereplő változók
értékeit korlátozza.A korlátok megadhatók az értékek felsorolásával, explicit módon, vagy egy kifejezéssel, implicit módon. A változók által felvehető értékek száma véges.
• Megoldás: a változók olyan értékhalmazát keressük, melyek kielégítik az összes korlátozást
• Jellegzetes feladat Pl: a 8 vezér probléma: úgy helyezzünk el a sakktáblán 8 vezért, hogy ne üssék egymást.
• Megoldó módszer pl. a lehetőségtér állapotait tartalmazó fagráf „mélységben először” technikával történő bejárása
• A megoldáskeresés gyorsítható a korlátozás propagáló, azaz a korlátokon kívül eső, megoldást biztosan nem adó pontok kizárásával
Dr. Kovács Szilveszter © M.I. 2. / 40.
Cselekvési tervek generálásaHatékony célirányos tevékenységsorozat generálása
valamilyen feladat megoldására• A problémától független vagy alkalmazás-specifikus
módszerek közül választhatunk• Megoldási módszerek:
– Keresés - nehezíti a nagy elágazási tényező, s a talált megoldások a cselekvések egyszerű szekvenciái lehetnek csak
– Szituációkalkulus - nehezen irányítható és könnyen adódnak nem megfelelő lépések is (a szituációkalkulus az elsőrendű logika módszerét alkalmazza a világ egy adott állapotára, azaz egy szituációra)
• A cselekvési terv a két módszer együttes alkalmazásával áll elő, a finomító tervezési szakasz előre/hátra láncoló technikájánál a keresés jut szerephez.
• Egy olyan cselekvés együttes jön létre, amely végrehajthatóés a világot a megadott korlátokat kielégítő új állapotba viszi
Dr. Kovács Szilveszter © M.I. 2. / 41.
AdatbányászatRejtett összefüggések, mintázatok után kutat
nagy adathalmazokban (nemcsak új reprezentáció). Pl., segíti a szolgáltató vállalatoknak megtalálni az azonos érdeklődésű vevőket
Alkalmazott módszerek:• Felügyelt
– Regressziós technikák– Legközelebbi szomszéd módszere– Mesterséges neurális hálózatok– Következtető (indukciós) szabályok– Döntési fák
• Felügyelet nélküli– Klaszterezés– Önszervező neurális hálózatok
Dr. Kovács Szilveszter © M.I. 2. / 42.
Mesterséges neurális hálózatok• Az emberi agy neuronjainak (mint építőelemnek) modellezése• Erős párhuzamos működés
Képességek: Alkalmazási példák:• mintafelismerés tengeralattjárók felismerése (sonar)• általánosítás a valós állapot felbecsülése• trendek megjóslása döntés részvényvásárlásról, vagy
eladásról• viselkedés, kimenetel a műtét kimenetelének megjóslása • kiértékelés kölcsönigények elfogadása,
elutasítás• nem pontos adatok elfogadása optikai karakterfelismerés• szűrés videojelek zavarmentesítése• gyors működés robotkar vezérlése• szövevényes viszonylatok felfogása gyógyászati "szakértő rendszer"• optimalizáló képesség repülőjáratok ütemezése• hatalmas adatmennyiség elemzése biztosítási igények összevetése• extrapolálás termelési problémák diagnózisa
Dr. Kovács Szilveszter © M.I. 2. / 43.
Szakértő rendszerProblémaspecifikus ismeret megértésére képes, és intelligensen
használja a tématerület ismeretanyagát egy tevékenység különböző megvalósítási útjainak felvetéséhez
• Nemcsak az ismeretátadás technikáit alkalmazzák, hanem analitikus, elemző eszközöket is az ismeret kiértékelésére, valamint tanulási technikákat
Példák olyan területekre, ahol szakértő rendszert alkalmaznak:• Repülés: repülőgépmotor-diagnosztika: helikopter javítás, Pl.: NAVEX,• Mezőgazdaság: Almáskertek gondozása (POMME),• Kémia: Kémiai reakciók tervezése (SYNCHEM),• Szerkezetértelmezés (DENDRAL),• Számítógépek és kommunikáció: VMS dump fájlok elemzése
rendszerkiakadás után (CDX),• Oktatás: Tervezők oktatása konstrukciós tervezés ellenőrzésére
(DECGUIDE),• Vállalatvezetés: Üzlet hatékonyságelemzése (GURU),• Egészségügy: Fertőző betegségek diagnózisa (MYCIN),• Mérnöki technika, gépészet: Motoralkatrészek tervezése, stb.
Dr. Kovács Szilveszter © M.I. 2. / 44.
Automatikus programozásCél: a szoftverkészítés munkájának
automatizálása, olyan eszközök létrehozásával, melyeknél elegendő a megoldandó feladatot specifikálni, a megoldás algoritmusa és programja automatikusan készül el
• A szoftver specifikációja kisebb és könnyebben megadható, mint maga a program lennevalamilyen programnyelven
Dr. Kovács Szilveszter © M.I. 2. / 45.
Automatikus program-előállítás genetikus algoritmussal
• Véletlenszerűen generált ezernyi ősprogram halmazából indulva, a programok populációja folyamatosan javulva fejlődik sok generáción át.
• Az evolúciós keresés a legrátermettebb és természetesen felbukkanó mintázatokkal rendelkező műveletek túlélésének darwini elméletét alkalmazza, köztük a keresztezést (rekombinációt), a mutációt, génduplikációt, géntörlést, valamint bizonyos fajtáit a fejlődési folyamatnak amelyek által az embriók kifejlett organizmusokká váltak.
Dr. Kovács Szilveszter © M.I. 2. / 46.
Ajánlott irodalom
• Jelen előadás fóliái részben az alábbi források alapján készültek:
Dr. Dudás László: Mesterséges Intelligencia Módszerek, Miskolci Egyetem, Alkalmazott Informatikai Tanszék, http://www.ait.iit.uni-miskolc.hu/~dudas/MIEAok
Stuart J. Russel – Peter Norvig: Mesterséges Intelligencia modern megközelítésben, Panem-Prentice-Hall, Budapest, 2000, ISBN 963 545 241 1