Wstep do AI
1. Wprowadzenie do AI
Witold Kosiński [e-mail]
Podejmowanie decyzji
" Zagadnienia określane wspólną
nazwÄ…  sztuczna inteligencja (AI),
np.:
" sterowanie urzÄ…dzeniami i pojazdami
" podejmowanie decyzji gospodarczych
i finansowych
" diagnozy medyczne
" rozumienie języka naturalnego (np.
tłumaczenia)
" analiza obrazu i dz
więku
ZAGADNIENIA AI
" Stworzenie maszyn o
inteligencji dorównującej
(przewyższającej) ludzką.
" Stworzenie maszyn
(algorytmów) przejawiających
tylko wÄ…ski aspekt inteligencji
(grajÄ…cych w szachy,
rozpoznajÄ…cych obrazy, czy
tworzÄ…cych streszczenia tekstu).
Pewne definicje inteligencji z 1921, Journal of Educational
Psychology
"  The ability to carry on abstract
thinking (L. M. Terman)
"  Having learned or ability to learn to
adjust oneself to the environment (S.
S. Colvin)
"  The ability to adapt oneself adequately
to relatively new situations in life (R.
Pintner)
"  A biological mechanism by which the
effects of a complexity of stimuli are
brought together and given a somewhat
unified effect in behavior (J. Peterson)
"  The capacity to acquire capacity (W.
Woodrow)
"  The capacity to learn or to profit by
experience
(W. F. Dearborn)
SZTUCZNA INTELIGENCJA
(ARTIFICIAL INTELLIGENCE)
Wiele różnych, często sprzecznych definicji.
" Nauka o maszynach realizujÄ…cych
zadania, które wymagają
inteligencji wówczas, gdy są
wykonywane przez człowieka.
SZTUCZNA INTELIGENCJA
(ARTIFICIAL INTELLIGENCE)
" Maszyna jest
inteligentna, jeżeli
znajdujÄ…cy siÄ™ w
drugim pomieszczeniu
obserwator nie zdoła
odróżnić jej
Test Turinga
odpowiedzi od
odpowiedzi człowieka.
SZTUCZNA INTELIGENCJA
(ARTIFICIAL INTELLIGENCE)
" Nauka o tym, w jakich inteligentnych
czynnościach człowieka można obyć
siÄ™ bez inteligencji.
" Dział informatyki, którego
przedmiotem jest badanie reguł
rzÄ…dzÄ…cych inteligentnymi
zachowaniami człowieka, tworzenie
modeli formalnych tych zachowań i -
w rezultacie - programów
komputerowych symulujÄ…cych te
zachowania.
SZTUCZNA INTELIGENCJA
A INTELIGENCJA OBLICZENIOWA
Dział informatyki zajmujący
siÄ™ problemami:
" trudnymi do modelowania
i rozwiÄ…zywania w
sposób ścisły, analityczny,
" niealgorytmizowalnymi,
" obliczalnymi, ale
nieefektywnie,
" algorytmizowalne, ale
wymagają użycia innych
niż klasyczne metod .
INTELIGENCJA OBLICZENIOWA
Metody rozwiÄ…zywania takich trudnych
problemów dostarcza rozwijany przez
matematyków i informatyków nowy
kierunek badań zwany inteligencją
obliczeniową. Jej rozwój datuje się od lat
60-tych ubiegłego wieku.
Własności charakteryzujące inteligencję ludzką
" 1.Adaptacja
" 2.Korzystanie z doświadczenia
" 3.Korzystanie z wiedzy
" 4.Wyciąganie wniosków
" 5.Abstrakcyjne myślenie
" 6.Poczucie humoru
" 7.Samoświadomość
" 8. Zdolność planowania
" 9.Zdolność przewidywania
" 10. Selekcja informacji
" 11.Zdolność komunikacji
" 12.Uczenie siÄ™
" 13.Dokonywanie wyboru
Może być ciekawe wybrać te własności, które są wspólne z inteligencją
maszynowÄ… - sztucznÄ….
Test IQ
Wstawić następny z zestawu A -F
HISTORIA AI - SZACHY
" ok. 1948  pierwsze programy szachowe
" 1951  A. Turing: Nikt nie jest w stanie ułożyć
programu lepszego od własnego poziomu gry.
" 1967  pierwsze zwycięstwo komputera nad
 profesjonalnym szachistÄ… podczas turnieju
" 1977  pierwsze zwycięstwo nad mistrzem klasy
międzynarodowej (jedna partia w symultanie)
" 1997  Deep Blue wygrywa pełny mecz z
Kasparowem (specjalny superkomputer 418-procesorowy;
wynik 3,5:2,5)
" 2003  Deep Junior remisuje z Kasparowem mecz na
warunkach przez niego określonych (8 zwykłych
procesorów Intela 1,6 GHz; wynik 3:3)
CO OKAZAA
O SI
TRUDNE,
A CO A
ATWE
A
atwe: zadania, do których wystarcza
moc obliczeniowa (proste gry, np.
warcaby) lub zapamiętanie wielu
przykładów.
Trudne: np. analiza języka naturalnego,
bardziej skomplikowane gry (go), analiza
obrazu.
Wykorzystywane techniki
i modele
" Sieci neuronowe
" Wnioskowanie, indukcja reguł
" Algorytmy ewolucyjne
" Systemy wieloagentowe
(współpraca )
" Automaty komórkowe
" Metody przeszukiwania
możliwych rozwiązań i ich
optymalizacji...
CO OKAZAA
O SI
TRUDNE,
A CO A
ATWE
1961
Przykład zagadnienia
praktycznego
" Znalez
ć, odczytać i
zapamiętać numer
rejestracyjny
samochodu na
podstawie zdjęcia:
logoUKW .gif.lnk
Odczytywanie tablic
Oryginalne zdjęcie
rejestracyjnych (1)
Usunięcie zbędnych szczegółów
Lokalizacja napisów
Odczytywanie tablic
rejestracyjnych (2)
Wyselekcjonowany obszar
Lokalizacja znaków
Rozpoznawanie znaków:
- znajdowanie istotnych cech
liczbowych
- klasyfikacja na podstawie
cech (systemy uczÄ…ce siÄ™)
Rozpoznawanie twarzy
(nauka)
> classifier < not
> classifier < Marks
Marks
> classifier < Marks
> classifier < not
Marks
> classifier < not
> classifier < not
Marks
Marks
Rozpoznawanie twarzy
> Classifier > Marks
UWAGA: TEN OBRAZ
NIE NALEŻAA
DO PRÓBKI
TRENINGOWEJ!!!
Narzędzia AI
" ANN- artificial neural networks
" Genetic and evolutionary algorithms
(genetic=binary chromosomes)
" Fuzzy logic, fuzzy sets, fuzzy controllers
" Decision trees (drzewa decyzyjne)
" Celullar automata (automaty komórkowe)
" Rough sets (zbiory przybliżone), Pawlak s sets
Tools of AI, cont.
" Wymienione narzędzia mogą się znalez
ć
jako elementy większych systemów
informacyjnych (tzw. Inteligentnych
systemów informacyjnych) zwanych
systemami doradczymi czy systemami
eksperckim (ekspertowymi)
decision-supporting systems
LITERATURA
1. Rutkowski L., Metody i techniki sztucznej inteligencji, Wydawnictwo
Naukowe PWN Warszawa 2005.
2. Rutkowska D., Piliński M. i Rutkowski L., Sieci neuronowe,
algorytmy genetyczne i systemy rozmyte, PWN, Warszawa 1997.
3. Piegat A., Modelowanie i sterowanie rozmyte. Akademicka Oficyna
Wydawnicza EXIT Warszawa 1999.
4. Tadeusiewicz R., , Elementarne wprowadzenie do techniki sieci
neuronowych z przykładowymi programami, Akademicka Oficyna
Wydawnicza PLJ Warszawa 1998.
5. Michalewicz Michalewicz, Algorytmy genetyczne + struktury danych
= programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, 1996
6. Korbicz J., Obuchowski A., Uciński D., Sztuczne sieci neuronowe.
Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ,
Warszawa, 1994.
7. Osowski Stanisław, Sieci neuronowe w ujęciu algorytmicznym,
Wydawnictwa Naukowo-Techniczne, Warszawa, 1996
8. Żurada Jacek, Barski Mariusz , Jędruch Wojciech, Sztuczne sieci
neuronowe, Wydawnictwo Naukowe PWN, Warszawa, 1996.
PROGRAM WYKA
ADU
" Sieci neuronowe: przegląd struktur oraz zastosowań, metody
uczenia, propagacja wsteczna błędu
" Logika rozmyta i liczby rozmyte
" Problemy optymalizacji i przeszukiwania, klasyfikacja danych
" Algorytmy genetyczne: operatory, zastosowania do
optymalizacji
" Automaty i systemy komórkowe i mrówkowe
" Metody hybrydowe
KRYTERIA ZALICZANIA
" Ćwiczenia:
 Punkty z rozwiązanych zadań/ ew.colloquia.
 Co najmniej jeden projekt programistyczny
 Inne, ustalone przez prowadzących zajęcia
" Wykład:
 Dwa colloquia (nieobowiÄ…zkowe)
 Egzamin pisemny, jeden termin poprawkowy,
trzeba mieć wcześniej zaliczone ćwiczenia
 Ocena co najmniej na 4.0 z ćwiczeń i zaliczone w
punktach colloquia na wykładzie zwalniają z
egzaminu (można mieć zaproponowaną
ocenÄ™)
 Brak możliwości  warunkowego pisania egz.
Sztuczne sieci neuronowe
Geneza: Naśladowanie działania naturalnych neuronów
Cel historyczny: osiągnięcie zdolności uogólniania (aproksymacji)
i uczenia się, właściwej mózgowi ludzkiemu.
Perceptron (Rosenblatt 1958)
" Wejście
 n stanów wejściowych x1,...,xn
 stany mogą być cyfrowe lub analogowe
" Wyjście
 0 lub 1
" Parametry perceptronu
 n wag połączeń w1,...,wn"!
 wartość progowa ¸"!
Uwaga: pod pojęciem  perceptronu rozumie się też czasem
sieć połączonych jednostek (neuronów).
Perceptron
" Zasada działania
 Do każdego i-tego wejścia przypisana jest
waga wi
 Dla danych stanów wejściowych x1,...,xn
liczymy sumę ważoną:
n
s = wi xi
"
i =1
 Jeżeli se"¸, to ustawiamy wyjÅ›cie y = 1, zaÅ›
w przeciwnym przypadku ustawiamy y = 0
Analogia z neuronem naturalnym
x1 x2 xn
w1 w2 wn
1
Å„Å‚
"!
"w xi e"¸
i
y =
òÅ‚
ół0 w p.p.
y
Jak opisać perceptron
" Perceptron opisuje jednoznacznie zbiór
wag w1,...,wn"! oraz wartość progowa
¸ "!
" Wartości x1,...,xn "! to zmienne
pojawiające się na wejściu do modelu
perceptronu
1
Å„Å‚
"!
"w xi e" ¸
i
" Funkcja aktywacji:
y =
òÅ‚0
otherwise
ół
Co potrafi perceptron
x1 x2 x1 '" x2
'"
'"
'"
x1
1
0 0 0
x1 AND x2
¸ = 2
0 1 0
1
1 0 0
x2
1 1 1
x1 x2 x1 (" x2
("
("
("
x1
1
0 0 0
x1 OR x2
¸ = 1
0 1 1
1
1 0 1
x2
1 1 1
Co potrafi perceptron
y=1
" Równanie perceptronu
można potraktować jako
w1x1 + w2x2 e" ¸
równanie prostej (ogólnie:
hiperpłaszczyzny w
x2
przestrzeni n-wymiarowej).
" Punkty leżące nad ową
prostÄ… klasyfikujemy jako 1,
zaś pozostałe jako 0.
x1
0
=
¸
-
2
x
2
w
+
1
x
1
w
Czego perceptron nie potrafi
" Pojedynczy perceptron nie
potrafi odróżniać zbiorów
XOR
nieseparowalnych liniowo,
np. funkcji XOR.
" Odkrycie tych ograniczeń
(1969) na wiele lat
zahamowało rozwój sieci
neuronowych.
AND OR
Zadanie perceptronu
" Zadaniem pojedynczego perceptronu jest
jedynie:
 przetwarzanie jednostkowych informacji
 podejmowanie prostych decyzji
 przekazywanie wyników sąsiadom
" Dopiero w połączeniu z innymi węzłami
uzyskuje się zdolność podejmowania
złożonych decyzji