Mesterséges intelligenciák

1. Mesterséges intelligenciák Neurális hálózati struktúrájú mesterséges intelligenciák Készítette: Ormos László

2. Felhasznált irodalom • James, William: Psychology (Brief Course), Holt, New York,1890 • Rummelhart, D. E., D. A. Norman: Accreation, tuning and restructuring: three modes of learning, „Semantic Factors in Cognition, (J.W. Cotton and R.I. Klatzky, eds.) Lawrence Erlbraum, Hillsdale, NJ, 1978. • Fodor J.: The Modularity of Mind, MIT Press, Cambridge, MA, 1983 • Michalski, R.S., J.G. Carbonell, T.M. Mitchell (eds.): Machine Learning, (An Arificial Intelligence Approach), Vol II, Morgan Kaufmann Publ., Los Altos, CA, 1986 • Carbonell, J., P. Langley: „Machine Learning” in Encyclopedia of Artificial Intelligence, (Saphiro, ed.), Vol. I, John Wiley, 1987

3. Felhasznált irodalom • Yoshiaki Shirai, Jun-Ichi Tsujii: Mesterséges intelligencia, Novotrade Rt., Budapest, 1987 • Robert J. Schalkoff: Artificial Intelligence: An Engineering Approach, McGraw-Hill Inc.,1990 • Dr. Vörös Gábor: Bevezetés a neurális és minősítő számítástechnikába (Alapismeretek a neurális hálókról és a fuzzy logikáról), LSI Oktatóközpont, A Mikroelektronika Alkalmazásának Kultúrájáért Alapítvány, Budapest, 1997 • Roger Miles, Michael Moulton, Max Bramer (eds.):Research and Development in Expert Systems XV, Proceedings of ES98, the Eighteenth Annual International Conference of the British Computer Society Specialist Group on Expert Systemy, Springer, London, 1999

4. Az intelligencia …képesség mesterséges objektumok létrehozására, legfőképpen eszköz új eszközök készítéséhez. Henri Bergson L’Evolution Creatrice (1907)

5. Intelligencia kutatás A mesterséges intelligencia kutatás célja az intelligencia matematikai eszközökkel történő leírása. A matematikai módszereknek azonban szüksége van a valóság valamilyen leírására (numerikus mennyiségként), valamint egy manipulációs eljárásra. A leírás (reprezentáció) és a manipuláció a mesterséges intelligencia tudományának kulcsai.

6. Intelligencia kutatás Az intelligencia kutatás elért egy olyan szintre, ahol már láthatjuk, hogy az általános problémák nagyon nagyok, és emiatt csak a jól meghatározott, alkalmazás-orientált feladatokat tudjuk megoldani. Az elméleti kutatás az intelligencia alapvető kérdéseire koncentrál, az alkalmazott kutatás pedig az új területeket keresi a kutatás számára.

7. A mesterséges intelligencia A mesterséges intelligencia az a tudományterület, amely matematikai módszerekre alapozva keresi az intelligens viselkedés lényegét és fejlődését.

8. A mesterséges intelligencia A mesterséges intelligencia módszertana fejlődésben van. Sok más szakterület kapcsolatrendszerére támaszkodik : a logikára, a neurális hálózatokra, objektum-orientált programozásra, formális leírásra és még sorolhatnánk.

9. A mesterséges intelligencia A mesterséges intelligencia nem csupán matematika, számítógép tudomány, műszaki vagy pszichológiai szakterület, sokkal inkább ezeknek a diszciplináknak potenciális alkotó része. A mesterséges intelligencia a kognitív tudomány műszaki tudományra vetített másolata. A kognitív tudomány a filozófia, a nyelvészet és a pszichológia keveréke.

10. A mesterséges intelligencia fogalma a műszaki tudományokban A mesterséges intelligencia azoknak a mesterségesen létrehozott ábrázolásoknak és eljárásoknak az összessége, amelyek automatikusan megoldanak olyan problémákat, melyeket mindezideig emberek oldottak meg.

11. A műszaki tudomány és a kognitív tudomány A műszaki tudomány megközelítésében a mesterséges intelligencia létrehozásához szükség van programok fejlesztésére, azaz algoritmusokra és adatbázisokra, amelyek kifejezik és leírják az intelligens viselkedést.

12. A műszaki tudomány és a kognitív tudomány Mivel az intelligens viselkedést mint autonóm képességet a fejlett számítástudomány fogalmazta meg, ezt a gépi intelligenciaegy alternatív leírási módjának tekinthetjük, ami megerősíti korábban tett megállapításainkat, hogy • az intelligencia gépesítése magába foglalja egy kifejező és kvantitatív leírás szükségességét, • a megfogalmazott szakértői ismeret az intelligencia kifejezése.

13. A műszaki tudomány és a kognitív tudomány Intelligens viselkedés emulálása (a legfőb célkitűzés) útvonal egy kép leírása keresése vizuális adatok alapján egy „mondat” egy elmélet értelmezése bizonyítása Intelligens viselkedési formák, amelyek nem igénylik az intelligencia általános meghatározását vagy jellemzését

14. A három legfontosabb kérdés Műszaki szempontból a mesterséges intelligencia fejlesztés alapja a jól meghatározott és átfogó tudásbázis, valamint a megfelelő hatékonyságú, sokrétű és gyakorlatias manipulációs stratégia. Eszerint meg kell határozni, • mi a tudás, • hogyan lehet megjeleníteni, • hogyan lehet manipulálni?

15. Mesterséges intelligencia alkalmazások Robottechnika • útvonal és mozdulat tervezés, • alakfelismerés, • gyártásirányítás (CAM), • gyártás-diagnosztikai rendszerek, • gyártás ütemezés.

16. Mesterséges intelligencia alkalmazások Szakértői rendszerek • gyógyászati diagnosztika (MYCIN), • harcászati irányítás, • geológiai kutatás (PROSPECTOR), • számítógép konfigurálás (XCON), • energetikai rendszerek irányítása, • gyártástervezés és ütemezés, • tervezés.

17. Mesterséges intelligencia alkalmazások Játékok Természetes nyelvek értelmezése Tétel bizonyítás Számítógéppel segített oktatás/tanulás (CAE) Automatizált döntés Automatizált programkészítés

18. A pszichológusok nézőpontja A pszichlógusok Aristoteles óta figyelik az emberi döntés és viselkedés folyamatait. William James (Psychology, 1890) észrevette, hogy a biológiai döntéshozó rendszerek - beleértve az emberi agyat is, - nem az absztrakt gondolkodás, hanem a túlélési lehetőség felismerésének céljából fejlődtek ki.

19. A pszichológusok nézőpontja A viselkedést, a döntés folyamatát mentális szempontból abban az összefüggésben és abban a sajátos környezetben kell tanulmányozni, ahol a döntés születeik. Eszerint • a döntési folyamat nem fejlődhet a semmiben, • a döntési folyamat a megelőző stratégiák adaptációja lehet, • a döntési folyamat gyakran alkalmazásfüggő.

20. A pszichológusok nézőpontja James feltételezte, hogy a diszkrimináció és asszociáció elve egyformán fontos az emberi agy döntési folyamatában, amely elv a lebontás és felépítés koncepcióját tartalmazza. E felismerés a mesterséges intelligencia kutatásban a tudásbázis fejlesztés egyik alapvető stratégiai elve.

21. A pszichológusok nézőpontja Az előbbiek alapján • ajánlja a hierarchikus struktúrák alkalmazását, • felhasználja a gondolatok összefüggésének vagy asszociációjának elvét. Az emberi intelligencia nemcsak a változtathatatlan eseményekre, vagy igazságokra és a logikára épül, hanem a tapasztalat és az intuíció is fontos szerepet játszik.

22. Mesterséges intelligencia alkalmazások • tudásreprezentáció, • struktúra, • „értelem”, • ismeret szerzés.

23. Mesterséges intelligencia alkalmazások Egyéb alapvető és kapcsolódó témák: • következtetési és irányítási (manipulációs) stratégiák, • tanulási és adaptációs képesség (kísérletekből, példákból, vagy egy „tanártól”), • bizonytalanság és befejezetlen döntési folyamat megjelenítése, • keresési és illesztési technkák, • egyesítés és felbontás,

24. Mesterséges intelligencia alkalmazások • nem-monoton döntési folyamat (következtetések visszavonása ellenőrzött információk alapján), • tapasztalat szerzés („generálás és ellenőrzés”), • probléma dekompozíció, vagy elsődleges célok redukálása részfeladatokká, • döntésformák (pl. dedukció, indukció, józan ész), • a „jó” elfogadása az optimális megoldással szemben, • célszerű programozási és leíró nyelvek.

25. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Tételezzük fel, hogy az x és y változók közötti kapcsolat szimbólumokkal, számokkal, műveletekkel vagy fogalmakkal leírható, mint például az x objektum R tulajdonságának értéke y Ez alapján x és R az ƒy függvény argumentumai, melyek az y értékét határozzák meg: y = ƒy(x, R)

26. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Ha x és R véges halmazok, a kapcsolat a következő hármassal írható le: (R, x, y ), mely megfelel a (attribútum, objektum, érték) formátumnak, amit úgy olvasunk, hogy „az objektum attribútuma az érték”, vagy „x és y relációja R”. Grafikusan R x  y

27. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Relációk és példák Ha A és B halmazok, akkor A és B relációja az A X B részhalmaz. Az összefüggés felfogható bináris relációként is, mert csak két halmazt tartalmaz, és a halmazok elemeinek egyfajta „összekapcsolását” eredményezi. A halmazok összekapcsolódásának módja, az összekapcsolódás tulajdonságai vagy viszonya az, ami fontos.

28. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Relációk és tulajdonságok • reflexív:R reflexív, ha minden a  A esetén (a,a) R, • szimmetrikus: R szimmetrikus, ha minden (a,b)  R esetén (b,a) R igaz, • tranzitív: R tranzitív, ha minden (a,b)  R és (b,c) R esetén (a,c)  R igaz.

29. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Harmadrendű (és magasabb rendű) relációk és kényszerek A bináris relációk a párba rendezett objektumok (objektum-párok) közötti kapcsolatrendszert írják le. De vannak relációk (és természetesen kényszerek is) objetktum-hármasok, objektum-négyesek, stb. között is.

30. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Az A, B, C halmazhármas objektumai közötti relációt definiálja a két részhalmazra bontott (A X B) X C összefüggés, amelyet az ((a,b),c) hármassal lehet leírni. Hasonló módon az A, B, C, D halmaznégyes is definiálható részhalmazokkal az (((A X B) X C) X D) összefüggés szerint, amely a (((a,b),c),d) négyessel írható le.

31. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Relációs táblázatok A bináris és magasabb (harmad-, negyed-) rendű relációkat kényelmesebben lehet leírni relációs táblázatok felhasználásával. Ezek a táblázatok n-ed rendű relációkat sorolnak fel táblázatos formában. A következő ábrán egy relációs táblázat látható.

32. Matematikai alapok: tárolt tudás, leírás és kapcsolatok Relációs táblázatok

33. Matematikai alapok: tárolt tudás, leírás és kapcsolatok A szemantikus hálózat objektumok, fogalmak, szituációk vagy műveletek összefüggéseinek (és tulajdonságainak) leírására szolgáló gráf. A koncepcionális gráf a szemantikus hálózatokhoz hasonlóan elképzelések, műveletek és szituációk koncepcionális kapcsolatait szemlélteti a „ki mit csinál, kinek” meghatározás szerint.

34. Matematikai alapok: tárolt tudás, leírás és kapcsolatok A szemantikus hálózat objektumokat és relációkat tartalmaz, és a „valós világ” ábrázolása elég bonyolult. Néhány észrevétel ezzel kapcsolatban: 1. A szemantikus háló gyakran több különböző relációt is tartalmaz, mint „ez egy...”, „a tulajdonsága,hogy...”, „arra alkalmas, hogy...”, „hasonlít…”, stb. 2. A szemantikus háló tartalmazhat redundáns vagy „leszármaztatható” információt, mint „a tőle balra…”, vagy „tőle jobbra…”, stb.

35. Matematikai alapok: tárolt tudás, leírás és kapcsolatok 3. Megjegyzendő, hogy célunk a szemantikus hálózat információ tartalmának redukálása egyszerűen kezelhető szimbólikus reprezentációvá. 4. A szemantikus hálózatok egyszerűbbé tételéhez operátorokat használhatunk, melyekkel az állapotok közötti átmenetek megváltoztathatók, ezáltal egyszerűsödik a szemantikus hálózat.

36. A tudásreprezentáció szerepe és számítógépes modellje A „szűk keresztmetszet” modell Nem mindig lehet felállítani egy explicit modellt a mesterséges intelligencia fejlesztésekor. Ennek oka az alkalmazás szükségleteihez képest túlméretezett tudás, beleértve a be/kimeneti adatokat vagy az ok-okozati összefüggéseket, az „a priori” információkat, a heurisztikát, és így tovább...

37. A tudásreprezentáció szerepe és számítógépes modellje Mesterséges intelligencia modell fejlesztésének szintjei Modell fejlesztési szintek: • koncepcionális (M), • reprezentációs (R), • implementációs (I).

38. A tudásreprezentáció szerepe és számítógépes modellje Modell bázisú döntési folyamat (MBR) A modell bázisú döntési folyamatokban az első művelet a diagnózis felállítása, a második pediga probléma megértése, értelmezése. „Intelligens” válasz a válaszadás alapjául szolgáló megértés szintjeinek variálásával keletkezik.

39. A tudásreprezentáció szerepe és számítógépes modellje Intuitív döntési folyamat ...Az emberek általában elkerülik az összeütközést a környezetükben lévő tárgyakkal… Ez egy intelligens válaszadás a környezeti jellemzőkre, - de ami ennél fontosabb, - nem modell-bázisú válaszadás.

40. A tudásreprezentáció szerepe és számítógépes modellje Mesterséges intelligencia mint reprezentáció és manipuláció A (tudás)reprezentáció olyan eljárás vagy eszköz, amely összekapcsolja egy problémakör alapvető elemeit. A manipulálható reprezentáció megkönnyíti a számítást, mert a manipulálható reprezentációkban az információ más probléma megoldó objektumok számára is elérhető, melyek a reprezentációt a számítás részeként kezelik.

41. A tudásreprezentáció szerepe és számítógépes modellje Az intelligens viselkedéshez felhasználható tudásreprezentációt és algoritmikus stratégiákat tartalmazó modell felépítésének módszertana a következő kérdéseket veti fel: • könnyen kiterjeszthető-e a modell az adott alkalmazásra vagy bármely másikra? • hol vannak a modell korlátai?

42. A tudásreprezentáció szerepe és számítógépes modellje • a modell hatékonyan tárolja a kívánt információkat? • az ember számára érthető és könnyen kezelhető a modell? • tartalmaz a modell ellentmondást vagy oda nem illő információt?

43. A tudásreprezentáció szerepe és számítógépes modellje Tudás reprezentáció osztályozás • Megerősítő tudás a másodlagos jelentésnek, az absztrakt jelentésnek vagy egy koncepció felhasználásának az ismerete. • Kiterjesztett tudás a koncepció által kifejezett dolgok halmazának ismerete. • Meta-tudás ismeret a tudásról.

44. A tudásreprezentáció szerepe és számítógépes modellje • Környezetfüggő tudás a speciális probléma megoldására vonatkozó (koncepciókat és relációkat tartalmazó) körülmények és eljárások ismerete. • Környezetfüggetlen tudás több általános, a problémától független körülménynek és eljárásnak az ismerete. • Hierarchikus reprezentáció lehetővé teszi állapotok közötti struktúrák és komplex összefüggések modellezését.

45. A tudásreprezentáció szerepe és számítógépes modellje A reprezentáció korlátai A kognitív tudományban sok filozófikus kérdés, mint amilyen az emberi viselkedés teljes emulációja elérhetőségének kérdése, még megválaszolatlan. Magától értetődik, hogy a természetben működő pszichológiai folyamatok tipikusan számítógépre vihetők, és ezért a megismerés számítógépes modellje felhasználható az emberi viselkedés emulálására (Fodor 1983).

46. A tudásreprezentáció szerepe és számítógépes modellje A felvetődő kérdések: • Egy komplex tudásbázissal összekapcsolt, viszonylag egyszerű irányítási stratégia elérheti-e ugyanazt a teljesítményt, mint amit egy kifinomult irányítási stratégia és egy egyszerűbb tudásbázis? • Hogyan lehet egy kezdeti reprezentációt és irányítási stratégiát szisztematikusan finomítani új ismeretek,tanulás és természetesen hibák felismerése alapján?

47. A tudásreprezentáció szerepe és számítógépes modellje A megfigyelt adatok értelmezése A reprezentáció egyik legfontosabb feladata a megfigyelések értelmezése, vagy a megfigyelt adatok egyesítése egy vagy több reprezentációval. Egy alternatív, mintavételezésen alapuló nézőpont alapján keressük a választ arra, melyik az a reprezentáció, amellyel a legjobban értelmezhetők a megfigyelt adatok.

48. A tudásreprezentáció szerepe és számítógépes modellje A reprezentáció jellemzői • Koncepció mint a teljes rendszer logikai felosztása alrendszerekre, • Lét mint individuális komponens, vagy mint objektumhoz rendelt összetevő, • Tulajdonságok, attribútumok és értékek mint például egy objektum színe, egy alrendszer funkciója, egy érzékelő jele, stb.

49. A tudásreprezentáció szerepe és számítógépes modellje • Kényszerek és összefüggések az objektumok között, mint relációk és oksági kapcsolatok. • Alkalmazhatóság, mely szerint a reprezentáció pontosan jellemző a rendszerre vagy a környezetre. • Teljesség, amely szerinta reprezentáció széles körben és átfogóan jellemzi a rendszert. • Rugalmasság és bővíthetőség, mely szerint a model vagy a reprezentáció általában alkalmazható a egy szituációban.

50. A tudásreprezentáció szerepe és számítógépes modellje • Konzisztencia, mely szerint a reprezentáció nem támogatja a konfliktus feloldását, és nem használja a tudásbázist sem. • Rugalmasság és manipulálhatóság, mely szerint a reprezentáció kizárja a tudásnak a cél elérése érdekében végzett manipulálását. • Integrálhatóság a megfigyelhető környezet adataival. • Gyakorlatiasság - ez a legnehezebben teljesíthető követelmény.