Wprowadzenie do Sztucznej Inteligencjiusers.pja.edu.pl/~msyd/wyk-nai/intro1-pl.pdf · komunikacja(język) planowanie. Wprowadzenie do Sztucznej Inteligencji (c) Marcin Sydow Wstęp

Wprowadzeniedo SztucznejInteligencji

(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Wprowadzenie do Sztucznej Inteligencji

(c) Marcin Sydow


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Sztuczna Inteligencja (AI - Artificial Intelligence)

Jednym z celów AI:

stworzenie maszyn, które potrafią myśleć.

(temat obecny w kulturze długo przed powstaniemkomputerów: Talos (stworzony przez Hefajstosa z brązu strażnikKrety), Golem, etc., “Cyberiada” i “Bajki robotów” StanisławaLema, etc.)

Dzisiaj: AI to szybko rozwijająca się dziedzina o wielupraktycznych zastosowaniach i tematach badawczych(rozumienie tekstu, mowy, obrazu; rozpoznawanie obiektów;wspomaganie decyzji; diagnostyka medyczna; prognozy, etc.)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Plan kursu

WprowadzenieElementy uczenia maszynowego

Podstawy uczenia maszynowego: taksonomiaPerceptron i podstawy sieci neuronowychProblem reprezentacji wiedzyProblem przetrenowania i ewaluacjiNaiwny klasyfikator Bayesa i inne klasyfikatory i regresoryGrupowanie

Elementy optymalizacji dyskretnejdyskretne problemy optymalizacyjnemetoda brute-forcepodejście zachłanneprzeszukiwanie lokalne (HC, SA, etc.)inne podejścia (np. algorytm genetyczny, etc.)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Jakie są cechy inteligencji?

uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)

rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemów

adaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)

wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)

percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)

wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)

uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)

komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)

planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


uczenie się (na przykładach)rozwiązywanie złożonych problemówadaptacja (do zmiennych warunków)wnioskowanie (na podstawie wiedzy i reguł)percepcja (widzenie, słyszenie)wiedza (reprezentacja)uogólnianie (zaobserwowanych przykładów)komunikacja (język)planowanie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Pełne spektrum: (zmysły-myślenie-działanie)

percepcja (sztuczne “zmysły”: systemy “widzące”, rozpoznawaniemowy i pisma, etc.)

wiedza (reprezentacja wiedzy: reguły, tabele decyzyjne, drzewadecyzyjne, ontologie)

“rozumowanie” (logika, automatyczne wyciąganie wniosków,dowodzenie twierdzeń)

uczenie się uczenie maszynowe: (ang. machine learning (ML)): znadzorem (klasyfikacja, regresja), bez nadzoru (np. grupowanie))

komunikacja przetwarzanie języka naturalnego (natural languageprocessing (NLP)): inteligentne wyszukiwanie informacji tekstowej,text mining, odpowiadanie na zapytania, tłumaczenie maszynowe,automatyczne zdobywanie wiedzy

planowanie i rozwiązywanie zadań (przeszukiwanie, heurystyki,systemy wielo-agentowe, ewolucyjne, etc.)

mobilność and manipulacja obiektami fizycznymi, ruch (robotyka)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Uczenie Maszynowe

Stanowi rozwiązanie dla tych intuicyjnych problemów, polega nasprawieniu by komputery:

uczyły się na przykładachstosowały do “rozumienia” świata hierarchię pojęćdefiniowalnych w relacji do innych pojęć

Podejście takie pozwala uniknąć problemu dokładnegospecyfikowania wiedzy.

Termin “głębokie uczenie maszynowe” (ang. deep learning)można rozumieć w uproszczeniu jako ten rodzaj uczeniamaszynowego, gdzie hierarchia pojęć dziedziny jest “głęboka”(tzn. ma wiele warstw abstrakcji).


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Interdyscyplinarność

Bardzo interdyscyplinarna:informatykamatematykalingwistykafilozofia(neuro)psychologiarobotykabiologia


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Narzędzia

logikarachunek prawdopodobieństwaoptymalizacjaekonomia i teoria gier


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Inne aspekty:

filozoficzny (Czy maszyna może “naprawdę” myśleć? itp.)teoretyczny (ograniczenia wynikające np. z twierdzeniaGoedel’a)etyczny (Czy rozwój AI niesie tylko pożytek człowiekowi?Czy może robić krzywdę? Czy może być szkodliwa dlaludzkości? A może już tak częściowo jest?)


(c) MarcinSydow

Wstęp

Ewaluacja

HistoriaPodziały ze względu na:

stosowane podejścia i narzędziarozwiązywane problemy, zastosowania


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Strategie podejścia do AI

1 symboliczne (np. logika, reprezentacja)2 obliczeniowe (np. przeszukiwanie przestrzeni możliwych

rozwiązań)3 statystyczne (dane, Data Science, statystyka i

prawdopodobieństwo)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Przyklady zadań rozwiązywanych przez AI

przewidywanie pogodygrupowanie podobnych obiektówrozpoznawanie komend głosowychwczesne wykrywanie raka w badaniu diagnostycznymidentyfikacja twarzy na fotografii (lub wideo)wyjście z labiryntuułożenie prostej układanki (albo np. kostki Rubika)gra w szachy lub inna gręrozumienie języka, tłumaczenie, streszczanie, etc.autonomiczny robot wykonujący misję badawczą na Marsie


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Jak sprawdzać czy maszyna/algorytm jestinteligentny?

Przykłady:czy potrafi grać i wygrać w grę (np. warcaby, szachy)czy potrafi szybko rozwiązać złożoną łamigłówkęczy potrafi przewidzieć pogodę obserwując warunkiatmosferyczneczy potrafi rozpoznać człowieka po twarzy, lub jegoemocje, etc.?czy potrafi przebyć samodzielnie pewien dystans wprzestrzeni (pustynia, miasto?)czy potrafi udowodnić twierdzenie matematyczne?


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Test Turinga

Jednym z uznanych “testów” jest tzw. Test Turinga

A i B komunikują się w języku naturalnym (tekst)jeden z nich to człowiekdrugi to maszyna udająca człowiekaC obserwuje komunikacjęczy C potrafi rozróżnić człowieka od maszyny?

(oczywiście Test Turinga dotyczy tylko niektórych aspektów inteligencji)

żaden system nie przeszedł testu Turinga (jak dotąd)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Silna i słaba AI

słaba AI (wąskie aspekty, konkretne wybrane problemypraktyczne)

zdolność do rozwiązywania wąskich, specyficznychproblemówadaptacyjnośćuczeniereprezentacja wiedzy z pewnej dziedzinywnioskowanie

silna AI (inteligencja “uniwersalna”)powyższe, oraz:

świadomośćkreatywnośćauto-refleksja (nt. własnych ograniczeń, itp.)ewolucja

Silna AI jest wciąż raczej mrzonką...(i można zapytać jaki byłby cel tworzenia “silnej AI”)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poczatki AI

W poczatkowej fazie AI rozwiązywała problemy trudne dlaczłowieka, ale naturalne dla komputera: np. gra w szachy i innegry o prostych regułach, etc.

Problemy takie można opisać za pomocą niedużego zbioruformalnych/matematycznych reguł.

Prawdziwym wyzwaniem dla AI okazały się problemyintuicyjne/łatwe dla ludzi, ale trudne do ścisłego/formalnegoopisu (np. rozpoznawanie twarzy, mowy, obrazów, etc.)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Początki współczesnej AI

m.in. Alan Turing:teoria obliczeńmaszyna Turinga (programowalna maszyna zdolna douniwersalnych obliczeń manipulująca bitami: 0 i 1)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Początki AI

1956: Konferencja w Darthmouth College, m.in.: JohnMcCarthy, Marvin Minsky, Allen Newell, Arthur Samuel, andHerbert Simon...Zaczęto pisać programy które:

wygrywały w warcabysame udowadniały twierdzenia matematycznekomunikowały się po angielsku (pisemnie)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Historia

1958 perceptron (Rosenblatt)1960-te: DARPA, duże finansowanie1969 Minsky, publikacja "Perceptrons" (odkryto poważneograniczenia...)1970-te: “ochłodzenie” (“AI winter”)1980-te: “odrodzenie” systemy ekspertowe (wspomaganiedecyzji, wiedza ekspercka), backpropagation, sieciHopfielda1990-te: eksploracja danych, “inteligentna” diagnostykamedyczna


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Lub nieco inaczej

prehistoria (przed 1960 - pierwsze “nowoczesne”komputery)romantyzm (60-65) - optymistyczna wiara, że sztucznainteligencja dorówna ludzkiej w 10 lat...ciemność (65-70) - pesymizmrenesans (70-75) - powstają pierwsze praktyczne systemyeksperckiewspółpraca (75-80) - badania interdyscyplinarne: naukiścisłe, przyrodnicze, humanistyczne; środowiskaakademickie i przemysłowekomercjalizacja (80-)Ponowny renesans (głębokie uczenie, etc.) (2000-)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Niektóre spektakularne sukcesy AI

97 deep blue (wygrany pojedynek w szachy zarcymistrzem!)2005 DARPA grand challenge (131 mil pustyni!)2007 DARPA urban challenge (55 mil w mieście,rozpoznając znaki, przechodniów i ruch uliczny!)2011 system “IBM Watson” wygrywa z ludźmi na wizjitele-turniej “Jeopardy!”...


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


97 deep blue (wygrany pojedynek w szachy zarcymistrzem!)

2005 DARPA grand challenge (131 mil pustyni!)2007 DARPA urban challenge (55 mil w mieście,rozpoznając znaki, przechodniów i ruch uliczny!)2011 system “IBM Watson” wygrywa z ludźmi na wizjitele-turniej “Jeopardy!”...


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


97 deep blue (wygrany pojedynek w szachy zarcymistrzem!)2005 DARPA grand challenge (131 mil pustyni!)

2007 DARPA urban challenge (55 mil w mieście,rozpoznając znaki, przechodniów i ruch uliczny!)2011 system “IBM Watson” wygrywa z ludźmi na wizjitele-turniej “Jeopardy!”...


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


97 deep blue (wygrany pojedynek w szachy zarcymistrzem!)2005 DARPA grand challenge (131 mil pustyni!)2007 DARPA urban challenge (55 mil w mieście,rozpoznając znaki, przechodniów i ruch uliczny!)

2011 system “IBM Watson” wygrywa z ludźmi na wizjitele-turniej “Jeopardy!”...


(c) MarcinSydow

Wstęp

Ewaluacja

Historia


97 deep blue (wygrany pojedynek w szachy zarcymistrzem!)2005 DARPA grand challenge (131 mil pustyni!)2007 DARPA urban challenge (55 mil w mieście,rozpoznając znaki, przechodniów i ruch uliczny!)2011 system “IBM Watson” wygrywa z ludźmi na wizjitele-turniej “Jeopardy!”...


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfonywszechobecne kamery monitoringuwyszukiwarki WWWgryinteligentne samochodyinteligentne budynkiinteligentne miastainteligentne przedmioty (internet of things)

gdzie jest kres tego procesu ?Czy proces niekontrolowanego rozwoju AI jest koniecznie dobrydla nas?)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfony

wszechobecne kamery monitoringuwyszukiwarki WWWgryinteligentne samochodyinteligentne budynkiinteligentne miastainteligentne przedmioty (internet of things)



(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfonywszechobecne kamery monitoringu

wyszukiwarki WWWgryinteligentne samochodyinteligentne budynkiinteligentne miastainteligentne przedmioty (internet of things)



(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfonywszechobecne kamery monitoringuwyszukiwarki WWW

gryinteligentne samochodyinteligentne budynkiinteligentne miastainteligentne przedmioty (internet of things)



(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfonywszechobecne kamery monitoringuwyszukiwarki WWWgry

inteligentne samochodyinteligentne budynkiinteligentne miastainteligentne przedmioty (internet of things)



(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfonywszechobecne kamery monitoringuwyszukiwarki WWWgryinteligentne samochody

inteligentne budynkiinteligentne miastainteligentne przedmioty (internet of things)



(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfonywszechobecne kamery monitoringuwyszukiwarki WWWgryinteligentne samochodyinteligentne budynki

inteligentne miastainteligentne przedmioty (internet of things)



(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...

smartfonywszechobecne kamery monitoringuwyszukiwarki WWWgryinteligentne samochodyinteligentne budynkiinteligentne miasta

inteligentne przedmioty (internet of things)



(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...




(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...


gdzie jest kres tego procesu ?

Czy proces niekontrolowanego rozwoju AI jest koniecznie dobrydla nas?)


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Poza tym...




(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Literatura (przykłady)

Ogólnie o AI :G. Luger “Artificial Intelligence”

Sieci neuronowe, systemy ekspertowe, algorytmy genetyczne :M. Negnevitsky “Artificial Intelligence”

Uczenie maszynowe :P. Cichosz “Systemy Uczące się”Witten et al. “Data Mining”

NP-zupełność:Cormen et al. “Introduction to algorithms”

Optimisation :C.Papadimitriou “Combinatorial Optimisation”

Complexity:C.Papadimitriou “Complexity Theory”


(c) MarcinSydow

Wstęp

Ewaluacja

Historia

Przykładowe pytania kontrolne:

wymienić aspekty inteligencjitest Turingasilna AI/słaba AIelementy historiizastosowania współczesne AIpozytywne i negatywne aspekty rozwoju AI dla człowieka


(c) MarcinSydow

Wstęp

Ewaluacja

Historia Dziękuję za uwagę.

Documents

Wprowadzenie do Sztucznej Inteligencjiusers.pja.edu.pl/~msyd/wyk-nai/intro1-pl.pdf · komunikacja(język) planowanie. Wprowadzenie do Sztucznej Inteligencji (c) Marcin Sydow Wstęp