Jan Kusiak

Podstawy Sztucznej

Inteligencji

1

Podstawy Sztucznej

Inteligencji

Wykład 1

Wprowadzenie

Jan Kusiak, [e-mail]

Wykłady: czwartek, godz. 11:15 – 12:45, B4, s.

301

Konsultacje: czwartek, godz. 10:00 – 11:00, B4,

pok. 206

Jan Kusiak

Podstawy Sztucznej

Inteligencji

2

•O czym jest ten przedmiot?

•Do czego nam się to może
przydać?

Podstawy Sztucznej Inteligencji

Jan Kusiak

Podstawy Sztucznej

Inteligencji

3

Co to jest

sztuczna

inteligencja?

Co to jest

inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

5

 Czy inteligencja jest jakąś jedną dziedziną,

czy też jest to nazwa dla zbioru odrębnych
i niepowiązanych zdolności?

 Co zyskujemy w procesie uczenia się?

 Co to jest intuicja?

 Czy inteligencja może być nabyta wskutek

nauki lub obserwacji, czy też jest jakoś
uwarunkowana wewnętrznie?

 Jak wiedza wpływa na wzrost inteligencji?

 Czy inteligencja to szczegółowa wiedza o

jakiejś dziedzinie, czy zbiór związanych ze
sobą różnych zdolności?

Co to jest

inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

6

•Mniej więcej wiemy kogo

można nazywać

inteligentem

•Wiemy też kiedy powiedzieć, że

ktoś zachowuje się

inteligentnie

Co to jest

inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

8

Inteligencję

można interpretować

jako zdolności rozpoznawania
obserwowanego wycinka rzeczywistości,
jego rozumienia, określania właściwych
celów oraz poszukiwania sposobów
osiągnięcia tych celów. Oznacza to
umiejętność rozwiązywania świadomie
określonych zadań.

Inteligencja

oznacza zdolność

rozumienia otaczających sytuacji i
znajdowania na nie właściwych reakcji.

Inteligencja

Jan Kusiak

Podstawy Sztucznej

Inteligencji

9

jest zdolnością do (poprawnego,
sprawnego, itd.) rozwiązywania zadań
intelektualnych, które zazwyczaj
uchodzą za trudne.

Inteligencja

Jan Kusiak

Podstawy Sztucznej

Inteligencji

10

Co to jest

sztuczna inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

11

Przez wiele dziesiątków lat próbowano na
bazie komputerów stworzyć sztuczne
systemy, które w jakimś stopniu byłyby
zdolne odtwarzać w komputerze
przynajmniej niektóre z wymienionych cech
intelektu naturalnego.

Dzięki temu systemy takie wykazywałyby
cechy tzw. „sztucznej inteligencji" -
dziedziny bardzo kontrowersyjnej, która
mimo wielu niepowodzeń ciągle inspiruje
do poszukiwań.

Co to jest

sztuczna inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

12

Definicja 1:

Sztuczna inteligencja

(Artificial

Intelligence, AI) to nauka mająca za zadanie
nauczyć maszyny zachowania podobnego do
ludzkiego.

Definicja 2:

Sztuczna inteligencja

to nauka o

tym, jak spowodować aby komputery robiły
rzeczy, które aktualnie ludzie robią lepiej.

Definicja 3:

Sztuczna inteligencja

to nauka o

obliczeniach, które umożliwiają rozumienie,
wnioskowanie, działanie.

Co to jest

sztuczna inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

14

sprawne rozwiązywanie zadań, które, jeśli są
wykonywane przez człowieka, według
powszechnej opinii wymagają inteligencji

Co to jest

sztuczna inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

16

Sztuczna Inteligencja

“Pasjonujące nowe próby zmuszenia komputerów do
myślenia ...maszyny z głowami, w dosłownym i
przenośnym znaczeniu” (Haugeland, 1985)

“Automatyzacja czynności które kojarzymy z
ludzkim myśleniem, czynności takich jak
podejmowanie decyzji, rozwiązywanie problemów,
uczenie się ...” (Bellman, 1978)

“Poznawanie zdolności mentalnych przez używanie
modeli obliczeniowych” (Charniak and McDermott,
1985)
“Studia nad obliczeniami, które umożliwiają
postrzeganie, rozumienie i działanie” (Winston,
1992)

Jan Kusiak

Podstawy Sztucznej

Inteligencji

17

Sztuczna Inteligencja

“Sztuka tworzenia maszyn wykonujących funkcje,
które wykonywane przez ludzi wymagają
inteligencji” (Kurzweil, 1990)
“Studia nad tym jak zmusić komputery do
wykonywania rzeczy, w których w tej chwili ludzie
są lepsi” (Rich and Knight, 1991)
“Dziedzina badań, która stara się tłumaczyć i
naśladować inteligentne zachowanie w kategoriach
procesów obliczeniowych” (Schalkoff, 1990)
“Gałąź informatyki dotycząca automatyzacji
inteligentnego zachowania” (Luger and Stubblefield,
1993)

Jan Kusiak

Podstawy Sztucznej

Inteligencji

20

rozwiązywanie „trudnych” zadań w sposób
umożliwiający praktyczne zastosowania

„Słaba” i „mocna”

sztuczna inteligencja?

zdolność do myślenia w sposób w pewnym
stopniu dający się porównywać z myśleniem
ludzkim

Słaba

Mocna

Jan Kusiak

Podstawy Sztucznej

Inteligencji

21

rozwiązywanie „trudnych” zadań w sposób
umożliwiający praktyczne zastosowania

Słaba

Gałąź informatyki, wyróżniająca się rodzajem
rozwiązywanych zadań.
Pokrewna automatycznemu sterowaniu,
robotyce, itp..
Inspirowana przez biologię, psychologię,
lingwistykę,...

„Słaba” i „mocna”

sztuczna inteligencja?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

22

Termin

''sztuczna inteligencja''

został po raz

pierwszy użyty przez Marvina Minsky'ego w
1956 roku.

Jedną z pierwszych prac naukowych z tej
dziedziny była praca Alana Turinga (1912-
1954), "Computing machinery and
intelligence", który opracował test na
inteligencję (test Turinga).

Charles Babbage (1792-1871), twórca
protoplasty komputera - maszyny analitycznej -
analizował możliwość wykorzystania jej do gry
w szachy.

Wg Turinga,

maszynę można nazwać

inteligentną

, jeśli przy tych samych

przesłankach, rozumowanie ludzkie i maszyny
są nie do odróżnienia.

Trochę historii

Jan Kusiak

Podstawy Sztucznej

Inteligencji

23

W latach pięćdziesiątych problemy zaliczane do
sztucznej inteligencji próbowano rozwiązać za
pomocą modeli ludzkiego mózgu:
• PERCEPTRON, który stanowił prosty model
siatkówki oka złożony z 400 punktów. System
ten pozwalał na rozpoznawanie pewnej klasy
obrazów i jego idea jest stosowana do dzisiaj.

Ze względu na niski stopień wiedzy z zakresu
fizjologii mózgu jak i prostotę sprzętu
komputerowego, podejście to nie przyniosło
spodziewanych rozwiązań.

Trochę historii

Jan Kusiak

Podstawy Sztucznej

Inteligencji

24

Cechy ludzkie, które chcielibyśmy nadać
obiektom sztucznej inteligencji:

•zdolność abstrakcji i uogólnień,
•możliwość znajdowania analogii,
•zdolność adaptacji do nowych sytuacji,
•zdolność do poprawy działania na
podstawie popełnianych błędów (zdolność
uczenia się).

Jan Kusiak

Podstawy Sztucznej

Inteligencji

25

Zadania

sztucznej inteligencji

Jan Kusiak

Podstawy Sztucznej

Inteligencji

26

Jest procesem stosowania reguł wnioskowania
w sposób skutecznie i efektywnie prowadzący
do określonego celu wnioskowania, którym
zazwyczaj jest uzyskania pewnego docelowego
stwierdzenia

Wnioskowani
e

Jan Kusiak

Podstawy Sztucznej

Inteligencji

27

Proces zmian zachodzących w systemie na
podstawie doświadczeń, który prowadzi do
poprawy jakości działania systemu rozumianej
jako sprawność rozwiązywania stojących przed
nim zadań

Uczenie się

Jan Kusiak

Podstawy Sztucznej

Inteligencji

28

Znajdowanie zadawalających rozwiązań bez
pełnego przeglądania wszystkich możliwości, a
więc jak najbardziej efektywne przeszukiwanie
przestrzeni rozwiązań

Przeszukiwanie przestrzeni jest procesem
stosowania dostępnych operatorów do
przemieszczania się między różnymi stanami
w tej przestrzeni, tak aby ostatecznie trafić ze
stanu początkowego do jednego ze stanów
końcowych

Przeszukiwanie

Jan Kusiak

Podstawy Sztucznej

Inteligencji

29

Przykłady zadań

sztucznej

inteligencji

Jan Kusiak

Podstawy Sztucznej

Inteligencji

30

Układanie planu
zajęć

Sterowanie
robotem

Diagnostyka

Gra w szachy

.....
..

Jan Kusiak

Podstawy Sztucznej

Inteligencji

31

Cele wykładu

Zapoznanie z podstawowymi:

• pojęciami (definicjami) sztucznej inteligencji

• technikami sztucznej inteligencji

• algorytmami sztucznej inteligencji

Przykłady zastosowań

Jan Kusiak

Podstawy Sztucznej

Inteligencji

32

Cel wykładu
Przedstawienie idei sztucznej inteligencji,
narzędzi i przykładów zastosowań

Program wykładu:

Sztuczne sieci neuronowe
Systemy ekspertowe
Algorytmy genetyczne
Systemy agentowe
Przykłady zastosowań sztucznej
inteligencji

Infomacje ogólne

Jan Kusiak

Podstawy Sztucznej

Inteligencji

33

Pozytywne zaliczenie ćwiczeń

Pozytywna ocena z egzaminu

Warunki zaliczenia przedmiotu:

Jan Kusiak

Podstawy Sztucznej

Inteligencji

34

Notatki z wykładów !!!!! (obecność na wykładach)

Internet (z bogactwem materiałów)

Dostępne książki z zakresu:

- sztucznych sieci neuronowych
- systemów ekspertowych
- systemów agentowych

Literatura

Jan Kusiak

Podstawy Sztucznej

Inteligencji

35

• E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT,

Warszawa 1995

• Z. Michalewicz, Algorytmy genetyczne + struktury danych =

programy ewolucyjne, WNT, Warszawa 1996

• L. Rutkowski, Metody i techniki sztucznej inteligencji. PWN,

Warszawa, 2005

• J. J. Mulawka, Systemy ekspertowe, WNT, Warszawa 1996
• J. Żurada, M. Barski, W. Jędruch, Sztuczne sieci neuronowe,

Wydawnictwo Naukowe PWN, Warszawa 1996

• R. Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna

Wydawnicza, Warszawa 1993

• T. Hagan, H. Demuth, M. Beale, Neural Network Design, Boston,

MA: PWS Publishing, 1996

Literatura

Jan Kusiak

Podstawy Sztucznej

Inteligencji

36

Klasyfikacja systemów Sztucznej

Inteligencji

syst.agentowe

systemy

ekspertowe

klasyfikacja

bayesowska,

teoria

pewności,

logika rozmyta

systemy

regułowe

systemy

z bazą wiedzy

sieci

neuronowe

algorytmy

ewolucyjne

symulowane

wyżarzanie

inteligentne

systemy

komputerowe

Jan Kusiak

Podstawy Sztucznej

Inteligencji

37

W metodach sztucznej inteligencji następuje
przejście od przetwarzania danych do
przetwarzania wiedzy.

Systemy te określa się jako systemy oparte na
wiedzy (knowledge based systems).

Metody algorytmiczne charakterystyczne dla
przetwarzania proceduralnego w sztucznej
inteligencji są zastąpione przeszukiwaniem
inteligentnym (intelligent search).

Jan Kusiak

Sztuczna Inteligencja

syst.agentowe

systemy

ekspertowe

klasyfikacja

bayesowska,

teoria

pewności,

logika rozmyta

systemy

regułowe

systemy

z bazą wiedzy

Sztuczne

sieci

neuronowe

algorytmy

ewolucyjne

symulowane

wyżarzanie

inteligentne

systemy

komputerowe

Jan Kusiak

Podstawy Sztucznej

Inteligencji

39

Zbudować mózg ?

Czy jest to możliwe?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

40

Mózg człowieka

Jan Kusiak

Podstawy Sztucznej

Inteligencji

41

Mózg człowieka

Jan Kusiak

Podstawy Sztucznej

Inteligencji

42

Mózg człowieka

Jan Kusiak

Podstawy Sztucznej

Inteligencji

43

Rozwój mózgu człowieka

Jan Kusiak

Podstawy Sztucznej

Inteligencji

44

Rozwój kory mózgowej

Jan Kusiak

Podstawy Sztucznej

Inteligencji

45

Frenologia

Jan Kusiak

Podstawy Sztucznej

Inteligencji

46

Zbudować mózg ?

Czy jest to możliwe?

Jan Kusiak

Podstawy Sztucznej

Inteligencji

47

Kora mózgowa ma bardzo złożona
budowę. Składa się z ok. 10

10

komórek nerwowych oraz ok. 10

15

połączeń pomiędzy tymi komórkami.

Jan Kusiak

Podstawy Sztucznej

Inteligencji

48

Neuron

Jan Kusiak

Podstawy Sztucznej

Inteligencji

49

...czyli

sztuczną sieć

neuronową

... można stworzyć system symulujący

pracę mózgu.

Jan Kusiak

Sztuczna sieć

neuronowa

(Artificial Neural Network)

Jan Kusiak

Co to jest

sztuczna sieć

neuronowa?

Odpowiednik sieci

nerwowej?

Jądro

- „procesor" neuronu.

Akson

- "wyjście" neuronu.

Dendryt

- "wejście" neuronu.

Synapsa

- jeśli dendryt jest

wejściem neuronu, to synapsa
jest jego furtką.
Może ona zmienić moc sygnału
napływającego poprzez dendryt.

Jan Kusiak

Sztuczny
neuron

Z czego składa się sztuczna sieć

neuronowa?

Jan Kusiak

Z czego składa się sztuczna sieć

neuronowa?

Jan Kusiak

Jak to wszystko działa?

Jan Kusiak

Jak to wszystko działa?

Jan Kusiak

Po co są wagi?

WAGA

"NOWY"

WAGA

"ŁADNY"

Co na to neuron?

5

1

Lubi nowe samochody; ich
wygląd mało się liczy.

1

-1

Wszystko mu jedno...

-5

4

Samochód musi być ładny,
ale stary.

4

5

Lubi nowe i piękne auta.

-4

-4

Ekstrawagancki neuron -
lubi stare, brzydkie
maszyny.

Jan Kusiak

Po co są funkcje

aktywacji?

Wartość sygnału wyjściowego zależy od rodzaju
funkcji w bloku aktywacji

Jan Kusiak

Jak używać sieci

neuronowej?

... Wszystko zależy od rodzaju zadania....

... ale najpierw trzeba
sieć nauczyć
rozwiązywać
postawione zadanie

Jan Kusiak

... skoro komputer w porównaniu z
mózgiem szybciej działa, lepiej liczy,
jest wydajny i bardziej skuteczny....

Po co sztuczna sieć

neuronowa?

Ale czy
zawsze?

Jan Kusiak

Rozpoznaw
anie

Jan Kusiak

Rozpoznawanie

W jaki sposób błyskawicznie rozpoznajemy twarze
znanych osób?

Cudów nie ma! Rozpoznajemy tylko
taką twarz, której nasz mózg się
nauczył.

Jan Kusiak

Kojarzenie

Jan Kusiak

Przewidywanie

Jan Kusiak

Do czego służy sieć

neuronowa?

... do wszelkiego rodzaju

•rozpoznawania,

•kojarzenia,

•przewidywania

... praktycznie we wszystkich
dziedzinach życia, nauki,
techniki, przemysłu, ...

Jan Kusiak

Kojarzenie

heteroasocjacja

autoasocjacja

WE

WY

WE

WY

Jan Kusiak

Do budowy klasyfikatorów wykorzystuje się neurony
o wyjściach binarnych.

- rozpoznawanie

WE

WY





















1

0

0

numer

klasy

WE

WY





















0

0

1

numer

klasy

- klasyfikacja

Klasyfikator

Jan Kusiak

Podstawy Sztucznej

Inteligencji

70

Zalety sztucznej sieci

neuronowej

•Nieograniczony wachlarz zastosowań, zarówno

ze względu na mnogość dziedzin jak i na
różnorodność zadań.

•Nie wymagana dokładna znajomość

rozwiązywanego zagadnienia, sprowadzająca
się jedynie do umiejętności oceny, które
czynniki są istotne dla danego zjawiska,

•Przetwarzanie danych w sposób równoległy.
•Szybkość odpowiedzi
•Sieć nie wymaga skomplikowanych

programów komputerowych

Jan Kusiak

Podstawy Sztucznej

Inteligencji

71

Wady

•Sieć wolno się uczy
•Sieć daje przybliżoną odpowiedź, a nie

dokładną wartość rozwiązania.

•Opracowanie sieci wymaga dużej cierpliwości.

Jan Kusiak

Sztuczne sieci neuronowe
(narzędzia sztucznej
inteligencji)
w
modelowaniu procesów

Jan Kusiak

Do czego będziemy głównie używać SSN?

Do modelowania procesów w
celu:

•przewidywania sygnałów

wyjściowych modelowanego
procesu

•sterowania procesem

•....

... praktycznie we wszystkich
obszarach inżynierii materiałów

Jan Kusiak

Modelowanie

Modelowanie – poszukiwanie opisu zmian wielkości
sygnału wyjściowego y procesu złożonego zazwyczaj z
dwóch składowych (sygnału wejściowego x i zakłóceń) :
1.opis deterministycznego, stanowiącego opis
matematyczny zależności sygnału y od jednej, lub
więcej zmiennych x

y = f(x) = f(x

1

, x

2

, …, x

n

)

•składowej, będącej odpowiednikiem zakłóceń
zmieniających się w sposób przypadkowy (o pewnym
rozkładzie prawdopodobieństwa)

x

y

Proces

Jan Kusiak

Modelowanie

Zmiana ciśnienia pewnej objętości gazu w zbiorniku jest
funkcją (deterministyczną) temperatury ( prawo Charlesa)
oraz pewnych zakłóceń spowodowanych, m.in. błędami
pomiarowymi (czujników pomiarowych). Błędy te są
przypadkowe i charakteryzują się pewnym rozkładem
prawdopodobieństwa od którego zależą częstotliwość i
wielkość zakłóceń.

Przykład

Jan Kusiak

Modelowanie

Model liniowy

+

odchyłki danych od
linii prostej (różne
skale na osiach !!!)

Model liniowy

+

histogram odchyłek
pomiarów

część
deterministy
czna

część
stochastyczn
a

Model liniowy

+

znormalizowany
rozład
prawdopodobieństwa
odchyłek pomiarów

Jan Kusiak

Modelowanie

Model nieliniowy

+

odchyłki danych od
linii prostej (różne
skale na osiach !!!)

Model nieliniowy

+

histogram odchyłek
pomiarów

część
deterministy
czna

część
stochastyczn
a

Model nieliniowy

+

znormalizowany
rozład
prawdopodobieństwa
odchyłek pomiarów

Jan Kusiak

Modelowanie

Model nieliniowy

+

odchyłki danych od
linii prostej (różne
skale na osiach !!!)

Model nieliniowy

+

histogram odchyłek
pomiarów

część
deterministy
czna

część
stochastyczn
a

Model nieliniowy

+

znormalizowany
rozład
prawdopodobieństwa
odchyłek pomiarów

Jan Kusiak

Modelowanie

Podsumowanie:

Tradycyjny model procesu składa się z
następujących elementów:

• Sygnału wyjściowego, oznaczanego zazwyczaj
jako y,

• Matematycznego równania opisującego
zależność sygnału wyjściowego od sygnałów
wejściowych:
y = f(x, β) = f(x

1

, x

2

, …, x

n,

β

1

, β

2

, …, β

n

)

• Zakłóceń (błędów) ε.

Ostateczna forma modelu:

y = f(x, β) + ε

Jan Kusiak

Modelowanie

80

Sztuczna Inteligencja i

Systemy Ekspertowe

x

y

SSN

Model oparty o

Sztuczną Sieć

Neuronową

x

y

y = f(x, β)

+ ε

Model tradycyjny