Chapter 13

1. Chapter 13 ADVANCED INTELLIGENT SYSTEMS

2. Learning Objectives • ทำความเข้าใจเกี่ยวกับแนวความคิดของการเรียนรู้ของเครื่องจักร (machine-learning) • เรียนรู้ถึงแนวความคิดและการประยุกต์ใช้ของ case-based systems • ทำความเข้าใจแนวความคิดและการประยุกต์ใช้ของ genetic algorithms • ทำความเข้าใจ fuzzy set theories และการประยุกต์ใช้ในการออกแบบ intelligent systems • ทำความเข้าใจแนวความคิดและการประยุกต์ใช้ของ natural language processing (NLP) • เรียนรู้เกี่ยวกับแนวความคิด ข้อได้เปรียบ และข้อจำกัดของ voice technologies • เรียนรู้เกี่ยวกับ integrated intelligent support systems

3. Machine-Learning Techniques • นิยามและแนวความคิดของ Machine-learning • Machine learning กระบวนการที่ซึ่งคอมพิวเตอร์เรียนรู้จากประสบการณ์ (เช่น การใช้โปรแกรมที่สามารถเรียนรู้จากกรณีต่าง ๆ จากอดีต (historical cases))

4. Machine-Learning Techniques • การเรียนรู้ของมนุษย์เป็นการรวมกันของกระบวนการรู้จำที่ซับซ้อนหลาย ๆ กระบวนการเข้าด้วยกัน อันได้แก่: • Induction (การยอมรับเรื่องทั่ว ๆ ไป โดยเอาเรื่องเฉพาะมาอ้าง) • Deduction (การยอมรับเรื่องเฉพาะใด ๆ โดยยกเรื่องทั่ว ๆ ไปมาอ้าง) • Analogy (การเทียบเคียง) • การบวนการพิเศษอื่น ๆ ที่สัมพันธ์กับการสังเกตุหรือตัวอย่างจากการวิเคราห์

5. Machine-Learning Techniques • การเรียนรู้สัมพันธ์กับ intelligent system อย่างไร • ระบบการเรียนรู้แสดงถึงพฤติกรรมในการเรียนรู้ในเรื่องที่สนใจ • AI ไม่สามารถเรียนรู้ได้ดีเช่นเดียวกับมนุษย์ หรือ ในแนวทางเดียวกับมนุษย์ • Machine learning ไม่สามารถใช้ได้กับแนวทางความคิดสร้างสรรค์ แม้ว่าระบบเหล่านั้นจะสามารถจัดการกับกรณีต่างๆ ที่ไม่เคยจัดการมาก่อนได้ก็ตาม • มันยังไม่ชัดเจนว่าทำไม learning systems จึงประสบความสำเร็หรือล้มเหลว • อุปสรรคที่เหมือน ๆ กันของการใช้แนวทางของ AI ไปเพื่อการเรียนรู้ก็คือ มันดำเนินการบนสัญลักษณ์ (symbols) แทนที่จะเป็นสารสนเทศเชิงตัวเลข

6. Machine-Learning Techniques • วิธีการเรียนรู้ของเครื่องจักร • Supervised learning วิธีการเรียนสอน artificial neural networks โดยใช้กรณีตัวอย่างป้อนเข้าไปที่อินพุตของโครงข่ายแล้วมันจะทำการปรับค่าถ่วงน้ำหนักเพื่อทำให้ค่าความผิดพลาดที่เอาต์พุตของมันลดลงให้เหลือน้อยที่สุด • Unsupervised learning วิธีในการสอน artificial neural networks โดยการป้อนอินพุตให้โครงข่ายต่อเนื่องกันไป แล้วโครงข่ายจะจัดระเบียบตัวเอง (self-organizing)

7. Machine-Learning Techniques

8. Inductive learning Case-based reasoning Neural computing Genetic algorithms Natural language processing (NLP) Cluster analysis Statistical methods Explanation-based learning A machine learning approach that assumes that there is enough existing theory to rationalize why one instance is or is not a prototypical member of a class Machine-Learning Techniques Machine-learning methods and algorithms

9. Case-Based Reasoning (CBR) • Case-based reasoning (CBR) กรรรมวิธีที่ซึ่งองค์ความมรู้และ/หรือการอนุมานได้มาจากกรณีที่เกิดขึ้นมาในอดีต(historical cases) • Analogical reasoning การหา outcome ของปัญหาโดยการใช้การเทียบเคียง เป็นนแวทางสำหรับหาข้อสรุปของปัญหาโดยการใช้ประสบการณ์ที่ผ่านมา (past experience) • Inductive learning แนวทางการเรียนรู้ของเครื่องจักรโดยการสรุปเป็นกฎจากการอาศัยความจริงหรือข้อมูล)

10. Case-Based Reasoning (CBR) • แนวความคิดพื้นฐานและกระบวนการของ CBR • มีสี่กระบวนการ คือ • Retrieve (นำออกมา) • Reuse (ปรับใช้) • Revise (แก้ไขให้เมาะสม) • Retain (เก็บ)

11. Case-Based Reasoning (CBR) • นิยามและแนวความคิดของ cases ใน CBR • Ossified cases(harden cases) Case ที่ถูกวิเคราะห์แล้วและไม่มี further value • Paradigmatic cases Case ที่มีลักษณะเป็น unique ซึ่งสามารถทำการก่อให้เกิดความรู้ใหม่ขึ้นมาในอนาคตได้ • Stories Cases ที่มีสารสนเทศและองค์ประกอบมากมาย อาจก่อให้เกิดบทเรียนขึ้นมาจาก case เหล่านี้

12. Case-Based Reasoning (CBR)

13. Case-Based Reasoning (CBR) • ข้อดีของการใช้ CBR • การรวบรวมความรู้ได้รับการปรับปรุง • การพัฒนาระบบทำได้เร็วขึ้น • องค์ความรู้และข้อมูลถูกนำมาใช้งานมากขึ้น • ไม่จำเป็นต้องใช้ Complete formalized domain knowledge • ผู้ชำนาญรู้สึกดีกว่าในการถกแถลงในเรื่องที่เป็น concrete cases • การอธิบายทำได้ง่ายขึ้น • การรวบรวม case ใหม่ ๆ ง่ายขึ้น • การเรียนรู้เกิดขึ้นทั้งทางด้านที่มีความสำเร็จและล้มเหลว

14. Case-Based Reasoning (CBR)

15. Case-Based Reasoning (CBR) • การใช้งาน เรื่องที่เกี่ยวข้อง และการประยุกต์ใช้ของ CBR • การประยุกต์ใช้ • CBR in electronic commerce • WWW and information search • Planning and control • Design • Reuse • Diagnosis • Reasoning

16. Case-Based Reasoning (CBR) • เรื่องเกี่ยวกับการประยุกต์ใช้สำหรับผู้ออกแบบ • อะไรคือสิ่งที่สร้าง case หนึ่ง ๆ ขึ้นมา? เราจะใส case เข้าไปในหน่วยความจำอย่างไร? • กฏเกณฑ์การปรับตัวแบบอัตโนมัติ (automatic case-adaptation rules) จะเป็นเรื่องที่มีความซับซ้อนมาก • จะจัดรูปแบบหน่วยความจำอย่างไร? อะไรคือ indexing rules? • คุณภาพของผลลัพธ์จะขึ้นกับ index ที่นำมาใช้เป็นอย่างมาก • ฟังก์ชันของหน่วยความจำจะเกี่ยวข้องกับการดึงสารสนเทสออกไปใช้งานอย่างไร ? • จะดำเนินการค้นหา case อย่างมีประสิทธิภาพได้อย่างไร (เช่น knowledge navigation)?

17. Case-Based Reasoning (CBR) • เราจะจัดระเบียบ case ทั้งหลายได้อย่างไร? • เราจะออกแบบ distributed storage ของ case ทั้งหลายได้อย่างไร? • เราจะปรับปรุงคำตอบเดิม ๆ ที่มีอยู่แล้วเข้ากับปัญหาใหม่ ๆ ได้อย่างไร? เราสามารถที่จะทำการปรับปรุงหน่วยความจำง่าย ๆ สำหรับ efficient querying โดยขึ้นกับ context ได้หรือไม่? อะไรคือตัววัดที่เหมือน ๆ กันและสามารถใช้ไปแก้ไข rule ต่าง ๆ ได้? • เราจะสามารถ factor errors ออกจาก original cases ได้อย่างไร? • เราสามารถจะเรียนรู้จากความผิดพลาดของเราได้อย่างไร? นั่นคือเราจะซ่อมแซมและปรับปรุง case base ให้ทันสมัยได้อย่างไร?

18. Case-Based Reasoning (CBR) • Case base อาจต้องการขยายออกในเชิงเกี่ยวข้องกับ model ในขอบเขตใดขอบเขตหนึ่ง ซึ่งการวิเคราะห์ต่าง ๆ ในขอบเขตนั้น ๆ เกิดความล่าช้า • เราจะรวม CBR เข้ากับ knowledge representations และ inferencing mechanisms อื่น ๆ ได้อย่างไร? • จะมีกรรมวิธีทำ pattern-matching ที่ดีกว่าที่เราใช้ในปัจจุบันได้อย่างไร? • จะมี retrieval system อื่น ๆ อันเป็นทางเลือกที่ match กับ CBR schema หรือไม่?

19. Case-Based Reasoning (CBR) • แฟกเตอร์ที่ทำให้ CBR system ประสบความสำเร็จ • ช่วยค้นหาเป้าประสงค์ทางธุรกิจที่เฉพาะเจาะจง • ช่วยให้เข้าใจ end users และ customers • ทำการออกแบบระบบได้อย่างเหมาะสม • ช่วยวางแผนกระบวนการจัดการความรู้ที่กำลังเกิดขึ้น • ช่วยให้บรรลุ returns on investment (ROI) และตัววัดต่าง ๆ • ช่วยวางแผนและดำเนินการ customer-access strategy • ขยายการสร้างความรู้และเข้าถึงได้ทั่วทั้งองค์กร

20. Genetic Algorithm Fundamentals • Genetic algorithms (GAs) โปรแกรมที่เรียนรู้การวิวัฒนาการในลักษณะเดียวกับแนวทางวิวัฒนาการของสิ่งมีชีวิต

21. Genetic Algorithm Fundamentals • Genetic algorithm process and terminology • Chromosome คำตอบที่คาดหวังที่จะได้จาก genetic algorithm • Reproduction การสร้างสายพันธุ์ใหม่ (new generations) ซึ่งเป็นคำตอบที่ถูกปรับปรุงโดยการใช้ genetic algorithm

22. Genetic Algorithm Fundamentals • Crossover (การสลับสายพันธ์) การรวมส่วนต่าง ๆ ของ two superior solutions โดยใช้ genetic algorithm เพื่อสร้างคำตอบที่ดีกว่าเดิม

23. Mutation (การกลายพันธุ์) การดำเนินการทางพันธุกรรมที่ก่อให้เกิด random change ใน potential solution

24. Genetic Algorithm Fundamentals

25. Genetic Algorithm Fundamentals

26. Genetic Algorithm Fundamentals • ตัวแปรที่ต้องกำหนดให้กับ genetic algorithm • Number of initial solutions to generate • Number of offspring to generate • Number of parents and offspring to keep for the next generation • Mutation probability (very low) • Probability distribution of crossover point occurrence

27. Genetic Algorithm Fundamentals • ข้อจำกัดของ genetic algorithms • ไม่ใช่ทุก ๆ ปัญหาจะสามารถกำหนดออกมาโดยใช้คณิตศาสตร์ตามที่ genetic algorithms ต้องการได้ • การพัฒนา genetic algorithm และ การตีความผลลัพธ์ที่ได้ ต้องการผู้ชำนาญการซึ่งเป็นทั้งการเขียนโปรแกรมและมีทักษะทางด้านสถิติ/คณิตศาสตร์ตรงตามที่ genetic algorithm technology ต้องการใช้ • ในบางสถานการณ์ “genes”จาก few comparatively highly fit (but not optimal) individuals may come to dominate the population, ทำให้มันเกิดการ converge ไปสู่ local maximum

28. Genetic Algorithm Fundamentals • genetic algorithms ทั้งหมดจะขึ้นกับ random number generators ที่สร้างผลลัพธ์ที่แตกต่างกันออกไปในแต่ละครั้งที่รัน model • การกำหนดตัวแปรที่ดีซึ่งใช้งานได้เหมาะสมกับปัญหาที่เฉพาะเจาะจงเป็นเรื่องที่ยุ่งยาก • การเลือกกรรมวิธีซึ่งก่อให้เกิดการวิวัฒนาการ ระบบต้องผ่านการคิดและทำการประเมินอย่างรอบคอบ

29. Dynamic process control Induction of optimization of rules Discovery of new connectivity topologies (e.g., neural computing connections, i.e., neural network design) Simulation of biological models of behavior and evolution Complex design of engineering structures Pattern recognition Scheduling Transportation and routing Layout and circuit design Telecommunication Graph-based problems Developing Genetic Algorithm Applications Applications of GAs include:

30. Fuzzy Logic Fundamentals • Fuzzy logic แนวทางความเป็นเหตุเป็นผลที่สอดคล้องกันทางตรรกะที่สามารถรับมือกับสารสนเทศที่ไม่แน่นอนหรือแยกเป็นส่วน ๆ; คุณลักษณะการคิดของมนุษย์และ –ของ expert system หลาย ๆ ระบบ • Fuzzy sets แนวทางการใช้ทฤษฏีเซ็ตในการกำหนดว่ากลุ่มของสมาชิกใดมีความพอดีน้อยกว่าการมีวัตถุประสงค์ที่ชัดแจ้งภายในหรือภายนอกกลุ่ม

31. Fuzzy Logic Fundamentals

32. Fuzzy Logic Fundamentals • การประยุกต์ใช้ Fuzzy logic ในการผลิตและการจัดการ • การเลือกซื้อหุ้น (เช่น Japanese Nikkei stock exchange) • การดึงข้อมูลมาใช้ (เพราะว่า fuzzy logic สามารถค้นหาข้อมูลได้เร็ว) • การตรวจสอบกระป๋องเบียร์เพื่อดูข้อบกพร่องในการพิมพ์ • การจับคู่ไม้ตีกอล์ฟกับวงสวิงของลูกค้า • การประเมินความเสี่ยง • การควบคุมปริมาณของออกซิเจนในเตาเผาซีเมนต์ • การเพิ่มความแม่นยำและความเร็วในการประยุกต์ทางด้านควบคุมคุณภาพในโรงงานอุตสาหกรรม • การเรียงปัญหา (Sorting problems) ใน multidimensional spaces

33. Fuzzy Logic Fundamentals • ทำให้ตัวแบบต่าง ๆ ที่เกียวกับการเข้าคิวดีขึ้น (เช่น แถวคอย (waiting lines)) • ประยุกต์ใช้กับการสนับสนุนการตัดสินใจทางด้านบริหาร • การเลือกโครงการ (Project selection) • การควบคุมสภาพแวดล้อมในอาคาร • การควบคุมการเคลื่อนที่ของรถไฟ • การผลิตแผ่นกระดาษโดยอัตโนมัติ • วงโคจรของกระสวยอวกาศ • การควบคุมอุณหภูมิของที่หัวฝักบัว

34. Natural Language Processing (NLP) • การประมวลผลโดยใช้ภาษาธรรมชาติ (Natural language processing (NLP)) การใช้ตัวประมวลผลภาษาธรรมชาติเพื่อเชื่อมต่อกับระบบที่ใช้คอมพิวเตอร์เป็นฐาน • NLP มีสองประเภท คือ • การเข้าใจภาษาธรรมชาติ (Natural language understanding) • การสร้างภาษาธรรมชาติ (Natural language generation)

35. Natural Language Processing (NLP) • ปัญหาบางประการที่ทำให้ NLP มีความยุ่งยาก • การตรวจจับขอบเขตของคำ • นัยของคำมีความกำกวม • การสังเคราะห์มีความคลุมเครือ • อินพุตไม่สมบูรณ์ หรือ อยู่นอกกฏเกณฑ์ • จังหวะคำพูดและแบบแผนการพูด

36. Natural Language Processing (NLP) • เทคโนโลยีของ NLP ในปัจจุบัน • การค้นหาและการดึงสารสนเทศมาใช้งาน • คนป้อนข้อความ คำ หรือ ประโยคหนึ่งเข้าไปค้นหาในอินเตอร์เน็ตหรือฐานข้อมูล แล้วมีการใช้ NLP สร้างคำตอบโต้ที่เป็นไปได้ขึ้นมา

37. Natural Language Processing (NLP) • การประยุกต์ใช้ NLP • การเชื่อมต่อระหว่าง มนุษย์กับคอมพิวเตอร์ • Abstracting and summarizing text • การวิเคราะห์หลักภาษา (Analyzing grammar) • การเข้าใจคำพูด (Understanding speech) • เป็นส่วนหน้าของ software package อื่น ๆ เช่น การ query ฐานข้อมูลซึ่งยอมให้ผู้ใช้ใช้ applications programs ด้วยภาษาที่ใช้ทุก ๆ วัน • Text mining • FAQs และ query answering

38. Natural Language Processing (NLP) • เครื่องแปลภาษา (Machine translation) • ทำการแปลเนื้อหาจากภาษาหนึ่งไปเป็นอีกภาษาหนึ่ง • หลักเกณฑ์ที่ใช้ประเมิน machine translation • ความฉลาด (Intelligibility) • ความถูกต้อง (Accuracy) • ความเร็ว (Speed)

39. Voice Technologies • เทคโนโลยีของเสียงสามารถแบ่งได้เป็นสามแบบกว้าง ๆ คือ: • การรู้จำเสียง (หรือคำพูด) (Voice (or speech) recognition) • การเข้าใจเสียง (หรือคำพูด) (Voice (or speech) understanding) • Text-to-voice (หรือ การสังเคราะห์เสียง (or voice synthesis))

40. Voice Technologies • Voice (speech) recognition การแปลเสียงมนุษย์ไปเป็นคำ ๆ และประโยคซึ่งคอมพิวเตอร์เข้าใจได้ • Speech understanding ด้านหนึ่งของการวิจัยที่เกี่ยวข้องกับ AI เจตนาก็เพื่อให้คอมพิวเตอร์รู้จำคำหรือข้อความอันเป็นคำพูดของมนุษย์

41. Voice Technologies • ข้อได้เปรียบของ voice technologies • ง่ายต่อการเข้าถึง (Ease of access) • มีความเร็ว • ไม่ต้องใช้มือป้อนข้อมูล (Manual freedom) • Remote access • มีความแม่นยำ • สื่อสารได้แม้ขณะขับรถ • ทำการเลือกได้อย่างรวดเร็ว (Quick selection) • มีความปลอดภัย (Security) • ได้ประโยชน์ทางด้านต้นทุน (Cost benefit)

42. Voice Technologies • ข้อจำกัดของ speech recognition และ speech understanding • ไม่สามารถรู้จำประโยคยาว ๆ หรือ ใช้เวลายาวนานเกินไปกว่าจะพูดจบจึงได้ใจความหรือเข้าใจ • ต้นทุนสูง • คำพูดที่ใช้อาจต้องใช้ร่วมกับแป้นพิมพ์ ก่อให้เกิดความล่าช้าในการสื่อสาร

43. Voice Technologies • Voice synthesis เทคโนโลยีที่คอมพิวเตอร์เปลี่ยนข้อความให้เป็นเสียงพูด (text-to-speech) • ระบบ text-to-speech ประกอบไปด้วยสองส่วนคือ: • ส่วนหน้าที่รับอินพุตในรูปแบบของตัวอักษรแล้วเปลี่ยนเป็นเอาต์พุตในรูปแบบ symbolic linguistic representation • ส่วนหลังที่รับ symbolic linguistic representation เข้ามาแล้วเปลี่ยนให้เป็นเอาต์พุตในรูปแบบรูปคลื่นเสียงที่สังเคราะห์ขึ้นมา

44. Voice Technologies • Voice technology applications • Call center • Contact of customer care center • Computer/telephone integration (CTI) • Interactive voice response (IVR) • Voice portal • Voice over IP (VoIP)

45. Voice Technologies • Voice portals Web sites, usually portals, with audio interfaces

46. Developing Integrated Advanced Systems • Fuzzy neural networks • Fuzzification A process that converts an accurate number into a fuzzy description, such as converting from an exact age into young or old • Defuzzification Creating a crisp solution from a fuzzy logic solution

47. Developing Integrated Advanced Systems

48. Developing Integrated Advanced Systems

49. Developing Integrated Advanced Systems • Genetic algorithms and neural networks • The genetic learning method can perform rule discovery in large databases, with the rules fed into a conventional ES or some other intelligent system • To integrate genetic algorithms with neural network models use a genetic algorithm to search for potential weights associated with network connections • A good genetic learning method can significantly reduce the time and effort needed to find the optimal neural network model

50. จบหัวข้อ 13 • คำถาม ………..