Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Henrik Bulskov Styltsvig
Efterår 2003
Datalogiafdelingen, hus 42.1Roskilde Universitetscenter
Universitetsvej 1 Postboks 2604000 Roskilde
Telefon: 4674 2000Fax: 4674 3072
www.dat.ruc.dk
Introduktion til KI/Intelligente systemer
KIS, efterår 2003
Henrik Bulskov Styltsvig 2Efterår 2003
Kunstig intelligens - vedrører
• Brug af computere til ræsonnering, mønstergenkendelse, indlæring, eller anden form for inferens
• Et fokus på problemer der ikke har konventionelle algoritmiske løsninger, men må angribes ved heuristisk søgning og AI problemløsnings teknikker
• Et fokus på problemløsning ved brug af ikke eksakt, manglende, eller vagt defineret information. Brug af repræsentationsformalismer som tillader programmer at kompensere for dette.
• Et forsøg på at håndtere aspekter af både semantisk viden (mening) og syntaktisk form
• Systemer der kan give svar der hverken er eksakte eller optimale, men i en eller anden forstand tilfredsstillende.
• Brug af omfattende domænespecifik viden i løsning af problemer.
• Brug af metaniveau viden for at opnå bedre kontrol i problemløsnings-strategier
Henrik Bulskov Styltsvig 3Efterår 2003
Intelligente maskiner
• Filosoffer har gennem tiderne forsøgt at afklare hvordan den menneskelige hjerne fungerer og om tankevirksomhed er unikt for mennesker
• Intelligens• evnen til at forstå og lære • evnen til at tænke og forstå i stedet for at handle instinktivt
og automatisk• ...• evnen til at lære og forstå, til at løse problemer og til at
træffe beslutninger
• Kunstig intelligens• at få maskiner til at reagere på en måde som ville kræve
intelligens af et menneske• altså ikke at konstuere maskiner der kopierer mennesker
• kan maskiner tænke?
Henrik Bulskov Styltsvig 4Efterår 2003
Turings banebrydende artikel
• A.M. Turing• Computing machinery and intelligence, Mind, vol
59, pp 433-460, 1950
• kan maskiner tænke? • Er der tanke uden erfaring?• Er der tanke uden kommunikation?• Er der sprog uden liv?• Er der intelligens uden liv?
• Turing foreviste en måde at svare på dette:• Turing test
Henrik Bulskov Styltsvig 5Efterår 2003
Turing test (i varianten Turing Imitation game)• Fase 1:
• En spørger, en mand og en kvinde fordeles i hvert sit rum
• Spørgeren skal finde ud af hvem der er mand og hvem der er kvinde ved at stille spørgsmål til disse
• manden skal forsøge at narre spørgeren til at tro at han er kvinden
• kvinden skal forsøge at overbevise spørgeren om at hun er kvinden
Henrik Bulskov Styltsvig 6Efterår 2003
Turing test
• Fase 2:• Manden erstattes af
en computer, der er programmeret til at narre spørgeren til at tro at den er kvinden
• Resultat:• hvis computeren kan
narre spørgeren ligeså ofte som manden kan, så kan vi sige at computeren har bestået en test for intelligent adfærd
Henrik Bulskov Styltsvig 7Efterår 2003
Turing test
• Turing troede at ved slutningen af det 20'ende århundrede ville det være mulige at programmere en computer til at bestå turing testen
• det holdt ikke stik
• Testen er dog stadig lige relevant til evaluering af et intelligent / vidensbaseret system:
• Evaluering af intelligent program• ved at sammenligne programmets reaktioner med
menneskelige reaktioner
Henrik Bulskov Styltsvig 8Efterår 2003
The Loebner Prize--"The First Turing Test"
• Hugh Loebner ("New York Philanthropist") har i 1990 igangsat en årlig Turing Test konkurrence
• Guld medalje på 100.000 dollars endnu ikke vundet
• To sidste årlige konkurrencer vundet af Richard Wallace med A.L.I.C.E. "chatbot'ten" (Alicebot)
Henrik Bulskov Styltsvig 9Efterår 2003
KI's historie; I begyndelsen
• A.M. Turing• Opfandt "computer science" og afgrænsede KI-området• Turing test, Turing Maskine, ...
• Warren McCulloch & Walter Pits, • 1943: En model for et kunstigt neuralt netværk, • demonstrerede at simple netværk kunne indlære• dannede grundlaget for Neurale Netværk
• Marvin Minsky & Dean Edmonds• 1951: den første Neurale netværkscomputer
• Claude Shannon• Programming a Computer for Playing Chess,''
Philosophical Magazine, Series 7, Vol. 41 (No. 314, March 1950)
Henrik Bulskov Styltsvig 10Efterår 2003
KI's historie: Store forventninger, mange penge• Summer workshop at Dartmouth College (1956) organiseret af
John McCarthy, Marvin Minsky & Claude Shannon• Dannede begrebet "Artificial Intelligence"
• Herefter var området etableret og tiltrak megen opmærksomhed og penge, fokus bl.a. på• arbejdet med McCulloch & Pits Neurale Netværk fortsatte
• Rosenblatt definerede perceptron og viste konvergens teoremet, der demonstrerede at hans inlæringsalgoritme kunne tilpasse vægtene i en perceptron (simpelt neuralt netværk)
• General Problem Solver (GPS) • Albert Newell & Herbert Simon, Carnegie Mellon• Problem defineres i termer af tilstande• "Mean-end" analyse bestemmer forskel imellem aktuel og ønsket
tilskand (måltilstand) for problemet og vælger operatorer for at opnå måltilstanden"Solution plan": sættet af operatorer
• MEN GPS kunne ikke klare komplekse problemer• Weak methods
• forsøg på ny tilgang (alternativ til f.eks. GPS' udtømmende analyse), der benytter general søgemekanisme til at bestemme en løsning på et problem
• baseret på "weak information" om problem-domænet
Henrik Bulskov Styltsvig 11Efterår 2003
KI's historie: Skuffelse og lukkede pengekasser
• (sidst i 60'erne – først i 70'erne)• Vigtigste problemer for AI
• AI forskere udviklede generelle metoder til brede klasser af problemer
• tidlige programmer indeholdt intet eller kun lidt viden om problem-domænet
• AI programmer baserede sig hovedsageligt på gentagne søgning blandt kombinationer af "små skridt imod en løsning"
• brugbart for små problemer • men typisk ikke skalerbart
• Mange problemer der blev tilgået med AI var for komplekse
Henrik Bulskov Styltsvig 12Efterår 2003
KI's historie: Skuffelse
• F.eks Maskinoversættelse – et skuffende projekt• fra starten et stort velfinansieret projekt
(Amerikanske stat)• automatisk oversættelse af russiske
videnskabelige artikler• beregnet på at studere arbejdet med den russiske
satellit Sputnik i 1957• primært omkring ideen om ord-til-ord
oversættelse udfra en elektronisk ordbog• det måtte konstateres at en generel forståelse var
nødvendig for at kunne vælge den korrekte oversættelse – og at en sådan ikke kunne håndteres af programmet
Henrik Bulskov Styltsvig 13Efterår 2003
KI's historie: Skuffelse og konsekvenser
• USA: • alle oversættelsesprojekter støttet af den
amerikanske stat blev stoppet i 1966
• Generelt: Interessen for AI var forsvundet• bevillinger forsvandt• projekter blev lukket
• eneste håndgribelige resultater var "Game playing"• realistiske problemer kunne ikke håndteres
• England: • Den Britiske regering stoppede i 1971 al støtte til AI
forskning• James Lighthill (Hyret af det Britiske
naturvidenskabelige forskningsråd) konkluderede:• ingen afgørende eller vigtige resultater fra AI forskningen• ingen grund til at bevare AI som forskningsområde
Henrik Bulskov Styltsvig 14Efterår 2003
KI's historie: Ekspert systemer
• Vigtig konklusion fra 70'erne• AI forskere havde forventet at
• smarte søgealgoritmer kunne findes, der ville gøre det muligt at emulere generel menneskelignende problemløsning
• søgning kunne foretages i elementære ræsonneringstrin for at finde komplette løsninger og at "weak knowledge" om domænet kunne anvendes
• da denne tilgang fejlede blev erkendelsen at• domænet for intelligente maskiner måtte
snævres ind• detaljeret viden om domænet måtte
repræsenteres i systemet
Henrik Bulskov Styltsvig 15Efterår 2003
Ekspert system
• Dendral• Edward Feigenbaum, Bruce Buchanan, Joshua
Lederberg, Stanford University
• Udviklet som eksperimentelt system for ræsonnering med organisk kemi og bl.a. anvendt til bestemmelse af molekyle-struktur på månens overflade baseret på massespektral-data
• Støttet af NASA
• Feigenbaum inkoorporerede Lederbergs ekspertviden i programmet for at gøre det i stand tiol at svare på spørgsmål som en menneskelig ekspert.
Henrik Bulskov Styltsvig 16Efterår 2003
Ekspert system
• Paradigmeskift• med DENDRAL skete et skift i AI fra generelle
systemer næsten uden viden til domæne-specifikke systemer med en omfattende videnbase
• Målet med DENDRAL var at udvikle et program der kunne nå niveauet for en menneskelig kemisk ekspert.
• Baseret på regler i form af heuristikker (tommelfingerregler) vistes med DENDRAL at systemet kunne måle sig med en ekspert
• Denne type system var hvad senere fik betegnelsen Ekspert system
• og processen at udlede menneskelig viden (know-how) fik betegnelsen "knowledge engineering"
Henrik Bulskov Styltsvig 17Efterår 2003
Ekspert system
• MYCIN• Et regelbaseret ekspert-system til diagnose af infektions-
sygdomme• kan anvise behandlinger (terapeutisk rådgivning) på en
brugervenlig måde• i kontrollerede omgivelser virker MYCIN bedre end mindre
erfarne læger• omfattede ca 450 regler udledt fra eksperter ved interview• videnbasen med reglerne var klart separeret fra
ræsonerings-mekanismen i systemet• dermed kunne systemet viden manipuleres selvstændigt
• EMYCIN ("Essential MYCIN")• MYCIN tømt for regler og udstyret med en grænseflade til
"knowledge engineering"• dermed et domæne-uafhængigt system der er klar til at
modtage nye regler indenfor et andet domæne
Henrik Bulskov Styltsvig 18Efterår 2003
Ekspert system skal
• Ekspert system skal• Som EMYCIN et system der behandler viden i
form af regler indenfor et domæne og dermed fungere som et ekspertsystem
Henrik Bulskov Styltsvig 19Efterår 2003
Ekspert system
• fra midt-80'erne var ekspert systemer en etableret teknologi.
• 1986-oversigt (Waterman): rapporterede 200 systemer primært indenfor medicin
• 1993-oversigt (Dunkin): rapporterede 2500 systemer, handel og produktion havde da fået overtaget (60% iflg. undersøgelsen)
Henrik Bulskov Styltsvig 20Efterår 2003
Ekspert system begrænsninger
• kun brugbare indenfor meget snævre domæner• følsom overfor ændrede forudsætninger
• MYCIN fungerede godt, men var ubrugelig i situationer hvor en patient havde mere end en sygdom
• kan IKKE relatere akkumuleret heuristisk viden (erfaringer)
• dermed heller ikke opnå en dybere forståelse af problemet
• har problemer med forståelse af "egne begrænsninger"• kan derfor kun bruges ved sikkerhed for at grænserne for
domænet er langt væk
• svært ved at identificere ukorrekt, ufuldstændig eller inkonsistent viden
• fordi heuristiske regler er viden på en abstrakt form løsrevet fra en basal forståelse af domænet
• kan ikke lære af erfaringer • de er individuelle for domænet og koster mange ressourcer
at udvikle
Henrik Bulskov Styltsvig 21Efterår 2003
Systemer der kan indlære: Neurale Netværk
• med erkendelsen af begrænsningerne ved ekspert-systemer blev der i midt-80-erne igen fokuseret på indlærende systemer – specielt på Neurale Netværk
• basale ideer og begreber var allerede udviklet år tidligere, men først i 80-erne var der maskiner der var kraftige nok til implementation
• Neurale Netværk blev "genopdaget" og ideerne blev videreudviklet
• Området fik en opblomstring og det er stadigt aktivt
Henrik Bulskov Styltsvig 22Efterår 2003
Neurale netværk begrænsninger
• NN giver mulighed for bedre interaktion med omgivelserne ræsonnering med regler (symbolsk ræsonnering)
• NN kan • indlære, • indfange ændringer i problemområdet,• etablere "mønstre", hvor ingen regler kendes, • arbejde med upræcis og ufuldstændig information.
• men NN • kan ikke forklare svar,• fungerer som en "black box"• kræver et egnet "træningssæt"• træning svært og dyrt• gentræning er problematisk
Henrik Bulskov Styltsvig 23Efterår 2003
Vag, upræcis, usikker viden: Fuzzy logik
• klart problem med de regelbaserede ekspertsystemer • kan kun etableres hvis der kan indfanges sikker og præcis viden i form
af regler• Fuzzy logik
• formalisme netop til håndtering af vag, upræcis, usikker viden• giver bl.a. mulighed for at repræsentere vage ord / begreber som
• høj, god, dygtig, ...• ofte, sjældent, meget, nogengange, ...
• Fuzzy logik / Fuzzy mængde teori• introduceret af Lotfi Zadeh i 1965• har siden (men især i den første periode) været kontroversiel
• nogen mener at dette skyldes at termen "fuzzy" ikke er seriøs nok• andre at det er fordi ideen er så enkel• dog næppe hele forklaringen
• fik særlig opmærksom og interesse i Japan – både i forskning og industri
• bl.a. success med "fuzzy kontrol" i elektroniske apparater: vaskemasiker fjernsyn, fotoapparater, ...
Henrik Bulskov Styltsvig 24Efterår 2003
Fuzzy logik i kognitiv modellering / vidensmodellering
• Fuzzy regelbaserede systemer performer hurtigere end konventionelle ekspert-systemer fordi de kan klare sig med færre regler
• Fuzzy systemer tillader indkodning af viden på en form som bedre svarer til måden eksperterne tænker på – netop fordi repræsentationen tillader vage og upræcise formuleringer – høj/lav, hurtig/langsom, let/tung, ...
• Fuzzy systemer giver mulighed for at opsummere viden hvori der optræder meningsforskelle – f.eks. imellem forskellige eksperter
Henrik Bulskov Styltsvig 25Efterår 2003
Fuzzy logik og indlæring
• typiske fuzzy systemer er afhængige af regler der er udledt fra ekspertviden
• de senere år har vist en række nye tilgange hvor den viden der repræsenteres til et fuzzy system er skabt baseret på • analyse ved neurale netværk
• datamining
• andre "statistiske" metoder
Henrik Bulskov Styltsvig 26Efterår 2003
KI status
• igen et etableret og respekteret område• dog fragmenteret i delområder hvor flere
kun sjældent bruger betegnelsen KI• succesen i dag skyldes nok først og
fremmest øget regnekraft • grundlaget for de fleste teknikker der
fokuseres på i dag er udviklet for år tilbage• MEN, der kommer hele tiden nye resultater
i en spændende udvikling