WYKŁAD 1
Sztuczna inteligencja (Artificial Intelligence) - 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
Główne nurty badawcze sztucznej inteligencji:
-budowa komputerowych modeli procesów myślowych człowieka w celu rozwijania badań w zakresie nauk psychologicznych
-poszukiwanie metod rozwiązywania zadań (gdy nieoczekiwanie się pojawiają i brakuje potrzebnych informacji). Jest to poszukiwanie inteligentnych metod programowania komputerów.
Zalążek sztucznej inteligencji stworzył Ramon Lull - drewniane koło, jako mechaniczne urządzenie do tworzenia dowodów logicznych (1274 r.).
Przykłady zastosowania sztucznej inteligencji w czasach teraźniejszych:
-tłumacz tekstu
-sterowanie robotami
-rozpoznawanie znaków
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
Bot - program wykonujący pewne czynności w zastępstwie człowieka. Czasami udaje ludzkie zachowanie lub wykonuje zautomatyzowane czynności, np. boty działające na IRC (Internet relay chat).
Program Eliza - analizuje wzorce w zadaniach, a następnie buduje pytania przez przestawienie słów oraz podmianę słów kluczowych.
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.
WYKŁAD 2
Teoria gier - dział matematyki; bada własności gier, rozumianych jako procesy o określonych zbiorach strategii, służy do opisu zjawisk ekonomicznych, biologicznych, społecznych, militarnych.
Strategia - to plan działania gracza (algorytm działań); opisuje jego zachowanie w każdej możliwej sytuacji, czyli określa akcję dla każdej sytuacji.
Profil strategii:
-to zbiór zawierający jako elementy strategie (po jednej dla każdego gracza),
-w pełni określa całkowity przebieg gry.
Gra - to czynność o ustalonych zasadach; udział w niej bierze kilka osób (2 lub n- osobowe). Gry mogą być:
-kooperatywne (porozumiewanie się graczy)
-niekooperatywne (brak kontaktu graczy), często o niekompletnej informacji.
Równowaga Nasha:
-stan strategicznej równowagi w grze
-to optymalna strategia dla każdego gracza
-to układ strategii (każda jest optymalną odpowiedzią na pozostałe)
Gra niekooperatywna to np. dylemat więźnia (złapano parę przestępców). Więzień ma do wyboru;
-zeznawać, obciążając kompana (jeżeli kompan też zeznaje to obaj idą siedzieć)
-nic nie mówić (dobre, jeżeli kompan nie zeznaje - w przeciwnym wypadku można dostać duży wyrok)
Wnioski:
-opłaca się zeznawać
-nie warto w tym wypadku wybierać niewinności
Rozwiązywanie zadań (wg G. Poyla) - podejście abstrakcyjne:
-zrozumienie zadania (ilustracja problemu/dane/szukane)
-ułożenie planu rozwiązania (analiza/podobne zadania)->tworzenie algorytmu
-wykonanie planu (wykonanie wszystkich etapów/sprawdzenie)->obliczenia numeryczne
-krytyczna ocena powyższych kroków (sprawdzenie jakości/toku działania)
Pierwsze dwa kroki są wykonywane przez człowieka, następne realizuje komputer.
Mobilizacja -> zbieranie danych:
-wiedza dziedzinowa (formalna)
-doświadczenie + intuicja (w. nieformalna)
Organizacja - to logiczne i jednoznaczne połączenie powyższych dwóch typów danych dające pożądane rezultaty.
Modyfikacja zadania:
-odwołanie do definicji
-rozkładanie/składanie zadania
-dodanie elementów pomocniczych
-uogólnienie
-użycie analogii
Drzewo rozwiązania zadania (przestrzeń stanów) - przedstawia podział dużego zadania na zadania cząstkowe (etapy). W przestrzeni stanów występują:
-stan początkowy
-przekształcenia (gałęzie drzewa)
-stany pośrednie
-stany końcowe
Podział przestrzeni stanów:
-aktualna - ta istniejąca w pamięci komputera
- potencjalna - może być utworzona z przestrzeni aktualnej przy użyciu operatorów/ograniczeń
Wnioski:
-rozwiązywanie zadania to rozwój przestrzeni stanów
-rozw. zad. to podanie ciągu operatorów (przekształceń), od początku do końca
-długość ciągu operatorów to „głębokość rozwoju przestrzeni”
-przestrzeń stanów i zbiór operatorów mogą być nieskończone
Graph Traverser - program opracowany z myślą o:
-ustaleniu miejsc postoju ciężarówek w garażu (z wzgl.. ich wjazdów/wyjazdów)
-poszukiwaniu najkrótszej drogi przy objeżdżaniu pewnej liczby miast (problem komiwojażera)
Ograniczenia:
-funkcje warunkowe
-wektor celu (elementami są różne wartości różnych funkcji odpowiadające różnym własnościom stanu)
Zakończenie zadania wtedy, gdy:
-wyczerpanie środków
-rozwiązanie przybliżone
-otrzymanie poszukiwanego rozwiązania
GPS (general problem solver) - program dzielący problem na prostsze rozwiązania i dążący do ich rozwiązania. Zadania:
-przekształca jeden stan w inny
-zmniejsza różnice między stanami
-zastosowanie odpowiedniego operatora do danego stanu (warunku)
Wnioski:
-nie wszystkie operatory muszą być użyte
-dróg dojścia może być wiele
-przed wykonaniem czynności (=użyciem operatora) warto zastanowić się nad jej skutkami
-większa analiza operatorów = szybsze rozwiązanie
WYKŁAD 3
Metody szukania rozwiązań:
-systematyczne = długie (otrzymuje się pełne rozwiązanie)
-losowe (można nie dostać rozwiązania)
-heurystyczne (przybliżone rozwiązanie w rozsądnym czasie)
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.
Przeszukiwanie w głąb (algorytm z ograniczeniami) - ekspansja bieżącego węzła (generowanie wszystkich potomków).
Czy jest rozw.?
-TAK - koniec
-NIE - Czy osiągnięto zadaną głębokość? (TAK - pierwszy z węzłów kolejnej gałęzi staje się bieżącym, skok do 1 / NIE - pierwszy z potomków bieżącym węzłem, skok do 1).
Przeszukiwanie w głąb z powracaniem - generowanie jednego z potomków bieżącego węzła.
Czy jest rozw.?
-TAK - koniec
-NIE - Czy jest spełniony warunek powrotu? (TAK - powrót do węzła nadrzędnego, skok do 1 / NIE - skok do 1)
Metody `Generuj i testuj' - generowanie nowych stanów i korzystanie tylko z tych najbardziej zbliżonych do rozwiązania (polega na tworzeniu przestrzeni dynamicznie rozbudowywanej = można ograniczyć miejsce w pamięci).
Generuj możliwe rozwiązanie -> Czy rozwiązanie jest końcowym? (TAK - koniec / NIE - skok do 1)
Sposoby generowania rozwiązania:
-systematyczny (nieskierowane)
-losowy (nieskierowane)
-heurystyczny (skierowane)
Szukanie nieskierowane - bazuje na informacjach z już zbadanego obszaru stanów w celu rozwiązania problemu.
Szukanie skierowane - korzysta z informacji o niezbadanej części stanów -> generuje najbardziej korzystną drogę.
Heurystyka (def. Feigenbaum, Feldman) - to oparta na doświadczeniu zasada, strategia, chwyt, uproszczenie lub inny środek, w istotny sposób ograniczający przeszukiwanie rozwiązań problemów.
Metody h. bazują na pewnej dodatkowej wiedzy na temat zadania, umożliwiającej ocenę stanów (co najmniej w zakresie potencjalnych rozwiązań; które z nich jest lepsze).
Dyrektywy heurystyczne są tworzone przez:
-funkcje heurystyczne (ocena przestrzeni stanów ze wzgl. na otrzymanie rozwiązania)
-parametrów (określających strategię rozwoju przestrzeni stanów / funkcji ocen)
-operatorów (funkcji określających pewien porządek przeszukiwania)
-ograniczeń
Strategia zachłanna (Hill Climbing) - algorytm alpinisty:
-jest wariantem metody `generuj i testuj' (metoda heurystyczna)
-jej cechą jest ekspansja węzłów i wybieranie najlepszych rozwiązań
-nie są możliwe powroty do poprzednich stanów (mogą występować błędy, np. penetrowanie drogi nieskończonej)
Algorytm:
-określ stan początkowy
-wykonuj:
wybierz operator jeszcze nieużywany i generuj nowy stan
oceń otrzymany stan:
-jest końcowe rozwiązanie - KONIEC
-jest jakieś rozwiązanie, lepsze od poprzedniego - WYBIERAMY
-rozwiązanie jakieś rozwiązanie, gorsze od poprzedniego - KONTYNUUJ PĘTLĘ
Strategia jednolitego kosztu:
-wywodzi się od strategii przeszukiwania wszerz
-występuje ekspansja węzłów
-pozwala rozszerzać warstwy węzłów o równych kosztach (w pierwszej kolejności węzły o najniższym koszcie). Jeśli koszt zostanie przekroczony ->algorytm się cofa i wyznaczana jest nowa droga
-pierwszy znaleziony węzeł celu gwarantuje otrzymanie najtańszej drogi
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 ewolucyjny:
START
inicjacja - wygenerowanie w sposób losowy populacji początkowej (binarne kodowanie osobnika)
selekcja - prowadzona na podstawie jakości osobników
operacje genetyczne
-krzyżowanie genów co najmniej dwóch osobników populacji rodziców
-mutacja, czyli zmiana genotypu jednego osobnika
sukcesja (utworzenie nowej populacji na podstawie populacji potomnej(dzieci) oraz populacji z poprzedniego kroku)
KONIEC (tylko jeśli spełniony warunek zakończenia; jeśli nie, to powrót do selekcji)
Kiedy zakończenie iteracji?
-gdy liczba iteracji ustalona „z góry”
-na podstawie badania zmienności populacji
-na podstawie minimalizacji funkcji błędów
Metoda A*
-najpopularniejsza do poszukiwania drogi o najniższym koszcie w grafie
-wywodzi się z metody `najpierw najlepszy'
-bazuje na heurystycznej funkcji: f(s)=h(s)+g(s) , gdzie;
h(s) - koszt drogi łączącej stan s ze stanem początkowym
g(s) - koszt drogi łączącej stan s z jego potomkiem
Stosując modyfikację funkcji: f(s)=W*h(s)+(1-W)*g(s)
Można zauważyć:
-zwiększając wpływ składnika g (W=0) ->otrzymujemy strategię `jednolitego kosztu', jeżeli koszt jest utożsamiany z głębokością ostatniego węzła
-zwiększając wpływ h (W=1) -> algorytm przekształca się w `najpierw najlepszy'
-wartość W z przedziału [0;1] pozwala na mieszanie powyższych strategii
W∈ [0.5;1] to optymalność rozwiązania nie jest pewna
W ∈[0;0.5] to optymalność zachowana
WYKŁAD 4
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.”
Dobre rozwiązanie może znaleźć tylko kolonia mrówek. Każda z mrówek wykorzystuje tylko swoje informacje i informacje lokalne węzła. Komunikują się pośrednio - pozostawiając i czytając ślad feromonowy. Mrówka nie jest agentem adaptacyjnym, modyfikuje jedynie drogę do rozwiązania (to co widzą inne mrówki).
Sztuczna mrówka:
-poszukuje minimum pewnej funkcji kosztów
-posiada pamięć do przechowywania informacji o przebytej drodze. Informacja może być zastosowana do 1) tworzenia potencjalnego rozwiązania, 2) oceny znalezionego rozwiązania,
3) odtworzenia ścieżki i powrotu.
-widzi wartość heurystyczną przypisaną do krawędzi
-w danym kroku może przejść jedynie do sąsiadującego węzła (stanu)
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
Gra macierzowa - gra dwuosobowa o sumie zerowej i o skończonej liczbie strategii dla każdego z graczy.
Gra o sumie zerowej - gra w której wygrana zwycięzcy równa jest stracie przegranego.
Twierdzenie o minimaksie:
Skończona gra osobowa o sumie zerowej może być sprowadzona do postaci macierzy wypłat A, gdzie liczba wierszy równa jest liczbie strategii gracza (i). Ilość kolumn zależy od strategii przeciwnika (j). Elementami aij macierzy gry A są wartości wypłaty gracza i E(i) lub gracza j - E(j).
Strategia gry z punktu widzenia gracza musi zakładać, że przeciwnik wykona najlepsze z możliwych posunięć. Z tym założeniem wiążą się pojęcia „dolnej wygranej” i „górnej przegranej”
Dolna wygrana - gracz i poszukuje minimalnej wartości przegranej w strategiach przeciwnika, a później te wartości maksymalizuje i ustala swoją strategię.
Górna przegrana - jest wyznaczana jako wynik analogicznego rozumowania przeprowadzonego z punktu widzenia przeciwnika j.
Gdy górna przegrana i dolna wygrana są sobie równe, to dla dowolnej gry dwuosobowej istnieje strategia optymalna prowadząca do zwycięstwa.
W strategii Min-Max maksymalizujemy naszą wygraną przy założeniu, że przeciwnik gra perfekcyjnie (dąży do zminimalizowania naszej wygranej).
Strategia Min-Max α-β: jest modyfikacją strategii Min-Max. Cechy:
-węzły potomne nie wpływające na wartość ich przodka są eliminowane z dalszej analizy (redukcja wielkości przestrzeni stanów)
-zaniechanie badań danego węzła następuje, gdy jego wartość przekroczy pewne granice liczbowe
-warunkiem zatrzymania działania algorytmu jest znalezienie przynajmniej jednego rozwiązania poprawiającego ruch gorszy od poprzedniego
Przyjęte granice:
α - dolne ograniczenie dla węzłów MAX - najlepsza wartość uzyskana przez gracza
β - górne ograniczenie dla węzłów MIN - najgorsza wartość uzyskana przez przeciwnika
Liczbowe granice cięć są ustalana dynamicznie.
Wartości granic α i β są w czasie wykonywania algorytmu zmieniane.
System ekspertowy (doradczy, ekspercki) - 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)
6) weryfikacja i testowanie systemu
Źródła wiedzy wykorzystywane w systemach ekspertowych:
-prowadzenie wywiadów ze specjalistami
-analiza kwestionariuszy wypełnianych przez specjalistów
-analiza raportów pisanych przez specjalistów
-analiza komentarzy ekspertów zapisywanych w czasie pracy
-obserwacja ekspertów przy pracy
-introspekcja
-szukanie w internecie
Języki programowania do budowy SE:
-LISP
-Prolog
-POP-2, POP-3, POP-4, POP-5
-FUZZY
-Expert System Shells (ESS)
-C++
Układ sterowania dialogiem umożliwia użytkownikowi komunikowanie się z układem objaśniającym i układem wnioskującym.
Baza wiedzy - zbiór reguł, definicji i opisów faktów z określonej dziedziny umożliwiający logiczny wywód wniosków lub podejmowanie decyzji w komputerowym systemie doradczym (eksperckim).
Baza ograniczeń - listy stwierdzeń wykluczających się dla danej bazy reguł.
Bazę ograniczeń używa się w przypadku:
-uznania za prawdę jednego z kilku wykluczających się warunków
-uznania za nieprawdę jednego z dwóch dychotomicznych warunków (podział dychotomiczny - podział na podstawie dwóch przeciwstawnych warunków, np. pracujący - niepracujący).
W systemach eksperckich wiedza najczęściej jest reprezentowana w postaci reguł.
Rodzaje wiedzy:
-deklaratywna (zawiera orzeczenia o uznanych faktach. Określana przez zbiory faktów, stwierdzeń, reguł, obiektów, relacji między nimi, itp.). Jest pozyskiwana od specjalistów i z danych.
-proceduralna (dotyczy działania obiektów i ogólnych sposobów postępowania. Jest określana przez zbiory procedur, których działanie reprezentuje wiedzę o dziedzinie). Jest pozyskiwana na podstawie rozmów ze specjalistami (bezpośrednio) i na podstawia analizy ich publikacji (pośrednio).
Baza danych - zbiór danych zapisanych w ściśle określony sposób w strukturach odpowiadających założonemu modelowi danych. Bazy danych dzielimy według struktur danych na proste i złożone.
Baza danych stałych - zawiera informacje ogólne, np. o strukturze wybranego obiektu.
Baza danych zmiennych - zawiera wyniki pomiarów i odpowiedzi użytkownika oraz wyniki uzyskane przez procedury wnioskowania.
Układ objaśniający - przeznaczony jest do udostępniania użytkownikowi systemu objaśnień, które pozwolą mu na uznanie, iż wnioski proponowane przez system są poprawne. Dzieje się tak, gdy użytkownik nie dysponuje tak dużą wiedzą, jaką posiada system doradczy.
Układ wnioskujący to część systemu doradczego wnioskująca dla określonej bazy wiedzy.
Wnioskowanie - przekształcanie deklaracji użytkownika i przesłanek w wartości logiczne lub współczynniki pewności wszystkich lub niektórych konkluzji reguł.
Założenie zamkniętego świata - uznawanie za nieprawdziwe wszystkich tych przesłanek, które nie zostały przez użytkownika zadeklarowane jako prawdziwe, oraz uznanie za nieprawdziwe tych konkluzji, które nie zostały uznane za prawdziwe w wyniku wnioskowania.
Wnioskowanie - dochodzenie do nowego stwierdzenia na podstawie poprzednio uznanych stwierdzeń. Jest to podstawowa odmiana rozumowania obok sprawdzania, dowodzenia, wyjaśniania.
Rodzaje logiki:
-dwuwartościowa (klasyczna)
-wielowartościowa (trójwartościowa i rozmyta)
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.
Schematy wnioskowań Modus ponens i Modus tollens pozwalają na zastosowanie metody:
-wnioskowania w przód (od przesłanek do konkluzji)
-wnioskowania wstecz (od hipotezy do przesłanek (warunków))
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>
Hipoteza - coś, co być może okaże się faktem lub może uda się wyznaczyć współczynnik pewności i stanie się stwierdzeniem
Testowanie hipotezy - wnioskowanie, które ma na celu wyznaczenie współczynnika pewności hipotezy.
Weryfikowanie hipotezy - wnioskowanie, którego celem jest wykazanie, że hipoteza jest prawdziwa.
Wnioskowanie elementarne dokładne wstecz - służy do weryfikowania hipotez. Wynikiem wnioskowania może być weryfikowanie, lub falsyfikowanie hipotezy.