Sztuczna inteligencja - realizacja za pomocą komputera tego, co w przypadku realizacji przez człowieka byłoby uznane za działanie inteligentne. Bada procesy rozumowania symbolicznego i niealgorytmicznego, zajmuje się również reprezentacją symbolicznie ujętej wiedzy.

Do zadań sztucznej inteligencji należą:

-rozwiązywanie przez komputer nietrywialnych zadań (gdzie należy znaleźć rozwiązanie w warunkach niepełnej i niepewnej informacji)

-rozpoznawanie obrazów - dokonywanie klasyfikacji na podstawie zaobserwowanych cech

-gry ekonomiczne, strategiczne, podejmowanie decyzji

-rozumienie przez komputer języka naturalnego (tzw. maszynowe przetwarzanie języka)

-konstruowanie robotów

Test Turinga - eksperyment definiujący „maszynę myślącą.” Maszynę można uznać za wystarczająco dobrze naśladującą procesy myślowe, jeśli człowiek prowadzący z nią dialog nie zorientuje się, iż rozmawia z maszyną. Dotychczas żadna maszyna nie zaliczyła bezspornie testu Turinga.

Wymagania stawiane maszynom podczas testu Turinga:

-przetwarzanie języka naturalnego

-reprezentacja wiedzy

-automatyczne rozumowanie

-rozpoznawanie obiektów i głosu

-robotyka

-samouczenie się

Efekt Elizy:-łatwo jest przekonać ludzi, że maszyna naprawdę myśli, mimo że pytania są losowane z wcześniej przygotowanego zbioru,

-warunk przy przeprowadzaniu testu: osoba nie może wiedzieć o rozmowie z botem.

Teoria gier - dział matematyki; bada własności gier, rozumianych jako procesy o określonych zbiorach strategii, służy do opisu zjawisk ekonomicznych, biologicznych, społecznych, militarnych.

Przeszukiwanie wszerz - polega na generowaniu wszystkich stanów dla bieżącego poziomu drzewa Czy jest rozwiązanie? TAK - koniec przeszukiwania / NIE - skok do 1:

-gwarantuje znalezienie najkrótszej ścieżki do rozwiązania

-wymaga dużej ilości pamięci

Przeszukiwanie w głąb - polega na generowaniu wszystkich potomków bieżącego węzła (Czy jest rozwiązanie? TAK - koniec / NIE - pierwszy z potomków bieżącym węzłem, skok do 1):

-nie wymaga dużej ilości pamięci

-może szybciej prowadzić do otrzymania rozwiązania niż algorytm przeszukiwania wszerz

-nie gwarantuje znalezienia najkrótszej ścieżki dojścia do rozwiązania.

Algorytmy ewolucyjne:

bazują na algorytmach heurystycznych

wzorowane na zjawisku ewolucji biologicznej

Podstawowe jednostki:

-środowisko (obszar w którym zachodzą mechanizmy ewolucyjne)

-osobnik (chromosom)

-populacja osobników (zbiór potencjalnych rozwiązań zadania)

-gen (elementarna jednostka chromosomu)

-przystosowanie osobnika (określa jakość rozwiązania reprezentowanego przez osobnika)

-funkcja przystosowania (przystosowanie do środowiska)

Algorytm mrówkowy - należy do grupy systemów rojowych. Ich sposób działania wywodzi się z obserwacji zwierząt gromadnych żyjących w stadzie, mrowiu, ławicy, itp.

Jest systemem wieloagentowym (agent = sztuczna mrówka). Zachowanie sztucznej mrówki bazuje na zachowaniu mrówki prawdziwej.

Mrówka prawdziwa wykazuje cechy:

-mrówka jako owad społeczny

-mrówki są nastawione na przetrwanie całej kolonii

-tworzą grupy do wykonywania różnych zadań

-podział i wykonywanie zadań odbywa się „bez rozkazów”

-mrówki, mimo że są ślepe potrafią trafić do źródła pożywienia i z powrotem do gniazda - znaleziona droga jest optymalna. Na swej drodze pozostawiają „szlak feromonowy.”

Strategia Min-Max i jej modyfikacje.

Założenia: Ogólna strategia gier pokrywa się z koncepcją typowych gier towarzyskich (np. szachy). W schemacie gry najważniejszymi elementami są:

-istnienie stanu początkowego

-określenie funkcji wypłaty związanej z każdym stanem końcowym gry

-podział posunięć na losowe lub wykonywane przez poszczególnych graczy

-charakterystyka randomizacji posunięć losowych

-podział zbioru posunięć na podzbiory informacyjne uwzględniające stopień wiedzy gracza o pozycji gry

System ekspertowy (doradczy,) - program komputerowy wykorzystujący wiedzę i procedury wnioskowania do rozwiązywania problemów, które są na tyle trudne, że wymagają znaczącej ekspertyzy specjalistów.

Model ekspertyzy - wiedza (niezbędna, by zapewnić odpowiedni poziom ekspertyzy) wraz z procedurami wnioskowania stanowi model ekspertyzy posiadanej przez najlepszych specjalistów w danej dziedzinie.

Wiedza systemu eksperckiego:

-fakty (powszechnie akceptowane przez specjalistów)

-heurystyki (informacja subiektywna, przypuszczenia)

Poziom ekspertyzy to funkcja rozmiaru i jakości bazy wiedzy danego systemu.

Zastosowanie i zalety systemów eksperckich:

-znacznie tańsze w dłuższym czasie użytkowania

-w tej dziedzinie gdzie nie ma dostatecznej liczby ekspertów

-tam gdzie wymagana jest szybsza i wydajniejsza praca (ES nie męczą się, są bardziej niezawodne)

-są konsekwentne, dokładne

-są zawsze do dyspozycji

-analiza dużych ilości danych wymaga użycia komputera

Etapy budowania systemu ekspertowego:

1) analiza problemu

2) specyfikacja systemu

3) akwizycja wiedzy

4) wybór metody reprezentacji wiedzy i narzędzi do budowy systemu

5) konstrukcja systemu eksperckiego (tworzenie bazy reguł wnioskowania, systemu wyjaśniającego rozumowanie i prowadzenie dialogu z użytkownikiem)

6weryfikacja i testowanie systemu

Modus ponens - sposób wnioskowania przez uznanie przesłanki:

jeśli reguła p → q jest prawdziwa i stwierdzenie p jest prawdziwe, to stwierdzenie q jest prawdziwe.

Modus tollens - sposób wnioskowania przez zaprzeczenie konkluzji:

jeśli reguła p → q jest prawdziwa i stwierdzenie q jest fałszywe, to stwierdzenie p jest fałszywe.

Wnioskowania:

-elementarne - uznawane są tylko prawdziwe konkluzje, a nieprawdziwe są ignorowane

-rozwinięte - konkluzje nieprawdziwe są uznawane i interpretowane przez układ wnioskujący

-dokładne - każde stwierdzenie lub reguła może posiadać jedną wartość: nieprawda lub prawda

-przybliżone - każde stwierdzenie lub reguła może posiadać wartość z przedziału

<nieprawda; prawda>. Zwykle nieprawda = 0, prawda =1, zatem jest to przedział <0;1>

---