Inteligencja - swoisty zespół zdolności umożliwiający istocie korzystanie z nabytej wiedzy, doświadczenia oraz skuteczne zachowywanie się wobec nowych zadań i okoliczności przez określone reagowanie w danej sytuacji. Sztuczna inteligencja do dziedzina nauki, której przedmiotem badań są reguły rządzące inteligentnymi zachowaniami człowieka (postrzeganie, rozpoznawanie, uczenie się, komunikowanie się), tworzenie modeli tych zachowań i opracowywanie symulujących je programów komputerowych. Rozwój sztucznej inteligencji był inspirowany przez obserwację i naśladowanie inteligencji aktywności człowieka i naturalnych procesów zachodzących w świecie przyrody. System ekspertowy to program komputerowy realizujący złożone zadania specjalistyczne polegające na zbadaniu i rozwiązaniu pewnych zagadnień w sposób analogiczny do postępowania eksperta - specjalisty w danej dziedziny. Jest to program, rozwiązujący problem w sposób inteligentny, który dysponuje wiedzą z określonej dziedziny i metodami korzystania z tej wiedzy. Budowa systemów ekspertowych wydaje się zasadna gdyż ludzie: - posiadają wiedzę, która jest rzadkim dobrem - nie mogą pracować bez odpoczynku, łatwo się męczą, zapominają - mogą porzucić pracę, być tendencyjnymi - nie są w stanie zrozumieć, przetworzyć i zapamiętać dużej ilości danych - mogą nie przejawiać chęci podzielenia się własna wiedzą Budowa systemów ekspertowych wydaje się być zasadna gdy: - bardzo niewielu specjalistów posiada niezbędną wiedzę, co utrudnia do nich dostęp i grozi utratą tej wiedzy, - ekspertyza jest niezbędna równocześnie w wielu miejscach - ekspertyza jest niezbędna w warunkach szkodliwych dla ludzkiego zdrowia lub życia Zalety systemów ekspertowych: - mogą zastępować specjalistów w środowiskach i sytuacjach szkodliwych dla zdrowia luz życia - są bardziej niezawodne od ludzi - zwracają uwagę na wszystkie szczegóły i nie pomijają istotnych informacji i rozwiązań - mogą działać bez przerw - mają szybszy czas reakcji niż sami eksperci - są traktowane jako poligon doświadczalny SE możemy podzielić na 3 ogólne kategorie: 1. Doradcze - wspomaganie użytkownika w celu polepszenia skuteczności jego działania, użytkownik może odrzucić rozwiązanie oferowane przez system 2. Podejmujące decyzje bez kontroli człowieka - same dla siebie są końcowym autorytetem, ich działanie nie jest weryfikowane przez człowieka. 3. Krytykujące - systemowi jest przedstawiany problem i jego rozwiązanie. Zadaniem systemu jest analiza poprawności i skomentowanie zaproponowanego rozwiązania. W zależności od wykonywanych działań wyróżniamy następujące SE: interpretacyjne, diagnostyczne, predykcyjne, planowania, sterowania, kompletowania, naprawy. Budowa systemów ekspertowych: - BAZA WIEDZY - zawiera wiedzę systemu. Związany jest z nią problem reprezentacji wiedzy, polegającym na znalezieniu takiej metody kodowani wiedzy eksperta, która wiernie odzwierciedlałaby to, co ekspert wie i umożliwia komputerowi skuteczne wykorzystanie tej wiedzy. Metody reprezentacji wiedzy w bazie danych: - sieci semantyczne, reprezentują relacje pomiędzy elementami dziedziny wiedzy przez definiowanie połączeń między węzłami. Węzły reprezentują obiekty fizyczne lub koncepcyjne. Gałęzie łączą węzły reprezentując relacje. - ramy, struktura opisująca obiekt z danej dziedziny wiedzy, składa się z podstruktur zwanych klatkami lub slotami. - reguły, formalny sposób wyspecyfikowania wiedzy wyrażony w postaci: JEŻELI (przesłanka) TO (konkluzja) lub: JEŻELI (warunek) TO (wniosek). - BAZA DANYCH - zawiera wykorzystywane fakty MODUŁ WNIOSKUJĄCY - realizuje wnioskowanie i umożliwia inteligentne rozwiązywanie stawianych zadań. Wyróżniamy dwie metody wnioskowania: 1. Wnioskowanie w przód - od przesłanek do konkluzji. Rozumowanie zaczyna się od początkowych przesłanek i posuwa się poprzez kolejne konkluzje prowadząc do ostatecznej konkluzji. Metoda stosowana gdy jest niewiele danych do sprawdzenia a wiele konkluzji. 2. Wnioskowanie wstecz - rozumowanie rozpoczyna się od przyjęcia hipotezy że znana jest ostateczna konkluzja i posuwając się wstecz poprzez kolejne konkluzje prowadzi ono do wskazania prawidłowości przyjętej hipotezy na podstawie początkowych przesłanek. Metoda stosowana gdy jest wiele faktów do sprawdzenia, a niewiele konkluzji. MODUŁ OBJAŚNIAJĄCY - wyjaśnia, na życzenie użytkownika, zagadnienia związane z wnioskowaniem. Odbywa się na zasadzie odpowiedzi na pytania użytkownika: WHY? - dlaczego jest analizowany dany warunek HOW? - jak system doszedł do takiego wniosku WHAT WILL BE IF…? - jakie będą konsekwencje udzielenia systemowi takiej odpowiedzi. Systemy eksperckie potrafią tłumaczyć się z tego co robią, pozwala to użytkownikowi zaakceptować wyniki systemu z większym zaufaniem albo je w uzasadniony sposób odrzucić.

MODUŁ KOMUNIKACJI - umożliwia komunikację z systemem MODUŁ EDYCJI BAZY WIEDZY - stwarza możliwość rozszerzenia oraz modyfikacji wiedzy sytemu. Pozyskiwanie wiedzy na potrzeby działania systemu ekspertowego: 1. od ekspertów, odbywa się na drodze przeprowadzenia z nimi wywiadów i analizy ich zachowań, segregowania zdobytej wiedzy i kodowania jej w sposób zrozumiały dla systemu ekspertowego poprzez: - wywiady i dyskusje z ekspertami - analizę kwestionariuszy wypełnianych przez ekspertów - obserwację ekspertów przy pracy - analizę raportów pisanych przez ekspertów Pozyskiwanie wiedzy od ekspertów następuje przy udziale specjalnie wyszkolonego pośrednika zwanego inżynierem wiedzy. Jest to proces czasochłonny i niezbyt efektowny ze względu na utrudniony dostęp do ekspertów, brak chęci współpracy lub ze względu na ich nieświadomość zakresu własnej wiedzy. Eksperci różnią się podejściem do tego samego problemu. 2. na podstawie przykładów, jest próbą obejścia trudności związanych z pozyskiwaniem wiedzy od ekspertów. Przykłady mogą być pozyskiwane następująco: - przytaczane przez ekspertów (łatwiej jest wydobyć od eksperta zestaw przykładów niż sposób wnioskowania) - uzyskane z obserwacji i pomiarów - generowane przez programy symulacyjne - tworzone na podstawie dostępnych publikacji z danej dziedziny Zaletami tej metody jest obiektywizm i zdolność do odkrywania nieznanej wiedzy. Sposoby realizacji systemów ekspertowych: - budowa systemu od podstaw, stwarza możliwość lepszego dostosowania go do danych zastosowań, lecz jest to zadanie trudne, wymagające dużych umiejętności programistycznych. - wykorzystanie szkieletowych systemów ekspertowych, inaczej systemy ekspertowe z pusta bazą danych. Proces tworzenia ostatecznego systemu jest krótszy, do jego działania wymagane jest tylko pozyskanie Widzy i jej odpowiednia implementacja w systemie. Wadą jest to że twórca jest ograniczony do możliwości danego systemu szkieletowego. Algorytmy genetyczne realizowane w postaci programów komputerowych, rozwiązują problemy metodami inspirowanymi ewolucją i genetyką. Dostarczają rozwiązań wzorując się na obserwowanym w przyrodzie doborze naturalnym, który wraz z dziedziczeniem cech składa się na ewolucyjną zasadę przeżycia osobników najbardziej przystosowanych. Cechy algorytmów genetycznych: - prowadza poszukiwanie przestrzeni rozwiązań wychodząc z pewnej ich populacji - korzystają tylko z funkcji celu, nie z jej pochodnych - w swym działaniu wykorzystują element losowości Osobnik-Poszukiwane w postaci zbioru parametrów rozwiązanie nazywane jest. Każdy osobnik posiada strukturę, którą opisuje genotyp. Genotyp składa się z sekwencji genów, z których każda odpowiada zakodowanej wartości poszczególnych parametrów rozwiązania. Funkcja przystosowania umożliwia ocenę poszczególnych osobników. Wartość przystosowania (im wyższa) zwiększa szansę przeżycia osobnika i wydania przez niego potomstwa - utworzenia osobników potomnych z cechami odziedziczonymi po rodzicu. Celem algorytmów genetycznych jest znalezienie takiego osobnika (rozwiązania), dla którego wartość funkcji przystosowania ma maksymalną wartość. Inicjacja, czyli utworzenie populacji początkowej (pierwszej populacji bazowej), zazwyczaj odbywa się w sposób losowy. Warunek zatrzymania zależy od konkretnego zastosowania algorytmu. Jego zatrzymanie może nastąpić: - po osiągnięciu odpowiednio dużej wartości funkcji przystosowania jakiegoś osobnika - jeśli dalsze działanie nie poprawia już uzyskanej wartości funkcji przystosowania przez określoną liczbę iteracji (pokoleń) - po upływie określonej liczby iteracji (pokoleń) Sukcesja odbywa się przez zastąpienie populacji bazowej tak samo liczną populacją otrzymaną w wyniku działania operatorów genetycznych. Jedną z wyróżnionych metod sukcesji jest strategia elitarna. Polega na ochronie najlepiej przystosowanych osobników w kolejnych iteracjach algorytmu i zapewnienia ich przejście do nowej populacji bazowej. Dzięki takiemu rozwiązaniu mamy pewność, że przystosowanie osobników w kolejnych pokoleniach nie będzie się zmniejszać. Selekcja metodą ruletki - jest najbardziej popularną metodą tworzenia populacji rodzicielskiej, zawdzięczającą swoją nazwę analogii do losowania za pomocą koła ruletki. W tej metodzie każdemu osobnikowi w populacji wyznacza się prawdopodobieństwo jego wyboru, jako stosunek wartości jego funkcji przystosowania do sumy wartości przystosowania wszystkich osobników w populacji. Następnie osobnikowi przypisuje się sektor koła ruletki o mierze kątowej proporcjonalnej do wartości prawdopodobieństwa jego wyboru. Selekcja może być widziana jako wprowadzenie koła ruletki w ruch, w wyniku czego zostaje wybrany osobnik, któremu przypisany jest wylosowany wycinek koła ruletki. Ponieważ lepiej przystosowanym osobnikom odpowiadają większe fragmenty koła, mają oni większą szansę wylosowania. Uruchomienie koła ruletki następuje tyle razy ilu osobników chcemy wybrać. Taka metoda elekcji powoduje, że niektóre osobniki mogą być wybierane do populacji rodzicielskiej więcej niż jeden raz.

Selekcja metoda rankingową - bazuje na liście rankingowej osobników, powstałej w wyniku uszeregowania osobników w zależności od ich wartości przystosowania. Każdemu osobnikowi jest przypisywana liczba, zwana rangą, wynikająca z jego pozycji na liście. Prawdopodobieństwo wyboru osobnika jest zdefiniowane jako stosunek wartości jego rangi do sumy wartości wszystkich rang osobników. Każdemu osobnikowi przypisuje się sektor koła ruletki o mierze kątowej proporcjonalnej do wartości prawdopodobieństwa jego wyboru. Selekcja metodą turniejową - bazuje na zawodach organizowanych dla osobników - wyselekcjonowanymi osobnikami są zwycięzcy zawodów. Selekcja polega na losowym wyborze podzbioru populacji i nastepnie wybraniu z tego podzbioru osobnika o największej wartości przystosowania. Wybrany osobnik jest dodawany do populacji rodzicielskiej. Rozmiar losowanego podzbioru populacji określa rozmiar turnieju. Losowanie osobników do kolejnych podzbiorów odbywa się ze zwracaniem. Turnieje są powtarzane tyle razy, ilu osobników chcemy wybrać. Selekcja metodą progową polega na tworzeniu populacji rodzicielskiej z osobników charakteryzujących się największymi wśród danej populacji wartościami przystosowania. W każdym pokoleniu wybieramy grupę najlepiej przystosowanych osobników i to oni są rodzicami nowego pokolenia osobników. Liczba Sziców jest mniejsza niż liczebność populacji wyjściowej, zachowanie liczebności populacji wymaga zwiększonej płodności rodziców. Krzyżowanie umożliwia przekazanie materiału genetycznego rodziców potomkom. Polega ono na wymianie fragmentów genotypów dwóch osobników rodzicielskich i utworzeniu w ten sposób dwóch osobników potomnych. Mutacja zmienia losowo informację zawartą w genotypie osobnika przez zmianę wartości jednego lub więcej genów. Sztuczne sieci neuronowe powstały na bazie wiedzy o działaniu systemu nerwowego istot żywych i stanowią próbę wykorzystania zjawisk zachodzących w systemach nerwowych przy poszukiwaniu nowych rozwiązań technologicznych. Dostarczają rozwiązań wzorując się na pracy mózgu. Neuron to przetwornik biologiczny sygnałów o wielu wejściach i jednym wyjściu. Wyróżniamy dwa modele sztucznych neuronów: - model liniowy, w którym wartością wyjściową neuronu jest bezpośrednio sumaryczne pobudzenie neuronu - model nieliniowy, w którym wartość wyjściowa neuronu jest związana z sumarycznym pobudzeniem neuronu przez nieliniową funkcję aktywacji. Sieć neuronowa działa w dwóch trybach: - TRYB UCZENIA SIĘ - w tym trybie dokonywana jest modyfikacja wartości wag poszczególnych neuronów w celu takiego ich doboru, który umożliwi spełnienie określonych wymagań, co do odwzorowania danych wejściowych w wyjściowe. Po dobraniu wartości wag następuje ich zamrożenie i przejście w tryb odtworzeniowy. - W TRYBIE ODTWORZENIOWYM - sieć rozwiązuje postawione jej zadania wykorzystując do tego zdobytą w trakcie nauki wiedzę. Metody uczenia się sztucznej sieci neuronowej: - uczenie z nauczycielem (z nadzorem), odbywa się pod nadzorem zewnętrznego nauczyciela. Podaje on sieci przykłady poprawnego działania, które powinna ona potem naśladować w swoim bieżącym działaniu. - uczenie bez nauczyciela ( bez nadzoru), na wejścia sieci podawane są dane wejściowe bez dołączenia jakiejkolwiek informacji dotyczącej pożądanych wartości wyjściowych. Siec neuronowa buduje algorytm swojego działania umożliwiający skojarzenie danych wejściowych sieci z jej odpowiedziami, wykorzystując same tylko obserwacje danych wejściowych Optymalny poziom nauczenia znajduje się pomiędzy przeuczeniem i niedouczeniem. Zjawisko przeuczenia objawia się osiąganiem przez sieć wyższego poziomu błędu za zbiorze testującym niż na zbiorze uczącym. Odwzorowanie jest idealne dla zbioru uczącego, ale niedostateczne dla zbioru testującego. Zbyt dokładnie dopasowuje się do danych i odwzorowuje zależności charakterystyczne dla zbioru uczącego. Zjawisko niedouczenia objawia się osiąganiem przez sieć wysokiego poziomu błędu zarówno na zbiorze uczącym i na zbiorze testującym. Nie jest ona w stanie nauczyć udzielać się poprawnych odpowiedzi, bo jej możliwości działania są zbyt małe w stosunku do stopni złożoności problemu. Właściwe odwzorowanie danych wejściowych w wyjściowe - przerasta sieć. Zjawisko niedouczenia bądź przeuczenia może wynikać z zastosowania: - niewłaściwej liczby cykli uczenia; zastosowanie zbyt dużej struktury daje zbyt dużo stopni swobody i ułatwia sieci uczenie się na pamięć całego zbioru uczącego. - niewłaściwego stopnia złożoności sieci neuronowej Współczynnik uczenia n określa jak silne powinny być zmiany wag powodowane przez określone wartości wejściowe i określoną wielkość błędu. Zbyt duże n grozi tym, że przeskoczymy właściwe rozwiązanie i proces uczenia nie będzie zbieżny (surowy i wymagający nauczyciel). Zbyt małe n prowadzi do bardzo wolnego procesu uczenia (nadmiernie wyrozumiały nauczyciel). Funkcja Aktywacji F określającej zależność między sygnałem sumarycznego pobudzenia neuronu a sygnałem wyjściowym. Sygnał wyjściowy neuronu obliczany jest za pomocą

1

---