Kunstig intelligens (AI) 2004

Presentasjon om: "Kunstig intelligens (AI) 2004"— Utskrift av presentasjonen:

1 Kunstig intelligens (AI) 2004
IT 2702 Kunstig intelligens (AI) 2004 Fagansvarlig: Professor Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap, IT Vest, Rom 322,

2 Kunstig intelligens (IT-2702) - høst 2004. Leksjon 1
Emner: • Generell introduksjon til faget - hva er kunstig intelligens? - hvorfor kunstig intelligens? - historikk, fagets utvikling Fagets utvikling og basis - ulike tilnærminger til AI-feltet fundamentale prinsipper hovedområder i faget

3

4 - . ' ' INFORMATIKK KUNSTIG INTELLIGENS (AI) STUDIE AV INTELLIGENTE
SYSTEMER RELATERT TIL KOMPUTASJONELLE PROSESSER REALISERE DATASYSTEMER SOM KAN SIES Å OPPVISE INTELLIGENT ADFERD - DVS . ' SMARTERE ' SYSTEMER er delfelt av er koblet via empirisk vitenskapelig metode har teknologisk perspektiv har vitenskapelig perspektiv KUNSTIG INTELLIGENS (AI) KOGNITIV PSYKOLOGI FILOSOFI bygger bl.a. på MATEMATIKK BIOLOGI KUNNSKAPSBASERTE METODER KOMBINERTERTE METODER SUBSYMBOLSKE har metoder

5 HISTORISKE RØTTER • Aristoteles
Studiet av ting som endrer seg - materie vs. form Logikk - instrument for å forstå tenking, abstraksjon, syllogismer, deduksjon • Copernikus, Galileo Nytt verdensbilde - ting er annerledes enn de ser ut Empirisk metode vs. sansing, matematisk analyse, epistemologi • Descartes Introspeksjon, reduksjon av sansing - cogito ergo sum Dualisme og mind-body problemet • Hume Mind-body problemet - kognisjon er komputasjon • Leibniz Tidlig formalisering av logikk og komputasjon • Euler Grafteori - tilstandsrom analyse

6 HISTORISKE RØTTER (forts.)
• Babbage Difference engine - avansert regnemaskin Analytical engine - den første datamaskin, snakker om mønstre av intellektuell aktivitet på et abstraksjonsnivå • Bool Formalisering av logikk - AND OR NOT systemet • Frege System for Artistoteles' logikk - 1.ordens predikatlogikk, en syntax, en semantikk, og en inferensmetode • Tarski Referense teori - kobling mellom symboler og virkelige ting • Alan Turing "Computing machinery and intelligence" (1950) - går det an å lage en maskiner som tenker?

7 Turing-testen

8 Integrerte systemer, AI + andre, kombinerte AI metoder,
statistiske metoder, data mining, text mining, emosjonelle syst. 2000 Maskinlæring, kunnskapsmodellering, case-baserte metoder, Nevrale nett, genetiske algoritmer, adferdsbaserte metoder 1990 Utviklingsverktøy, kommersielle systemer innen databransjen, olje, finans, kjemisk industri, etc. 2. gen. ekspertsystemer (dyp kunnsk., strategisk resonnering) 1980 Kunnskapsbasert fokus, ekspertsystemer DENDRAL, MYCIN, PROSPECTOR 1970 Europa, Logikk-orientering, Prolog AI - UTVIKLINGSTREKK Resonnering, generell problem- løsning, GPS program 1960 USA, Dartmout-conference, start-aktiviteter, LISP 1950

9 KUNNSKAPSBASERTE METODER
- er karakterisert ved at • kunnskap representeres eksplisitt - modelleres - i form av navngitte begreper og relasjoner mellom disse • begreps-termene kalles symboler , da de symboliserer - står for - begreper i den virkelige verden (objekter, hendelser, prosesser, ...) • symbol-strukturene som derved bygges opp, prosesseres av tolknings- og slutningsmetoder (inferensmetoder) slik at ny informasjon kan utledes, konklusjoner kan trekkes, og ny kunnskap kan læres • representasjonen av kunnskapen er adskilt fra metodene som prosesser den - og er kjernemetodene innen kunnskapsteknologi for å utvikle kunnskapsbaserte systemer .

10 KUNNSKAPSBASERTE METODER
Representasjon av det som for oss mennesker fortoner seg som kunnskap, i form av symbolstrukturer og inferens- metoder i et datasystem, og på en måte som gjør systemet istand til å tolke symbolene og utifra dette trekke menings- fylte slutninger, gjør at symbolstrukturene kan betraktes som kunnskap for systemet. Dette danner basis for det 'kunnskapsbaserte paradigmet' innen AI, og for rekken av kunnskapsbaserte systemer som er utviklet og i daglig bruk. Refereres ofte til som ”GOFAI” – Good Old-Fashioned AI, for å skille denne typen metoder fra ikke-symbolske, eller sub-symbolske tilnærminger til AI.

11 Kunnskap - Informasjon - Data
Tolkede symbolstrukturer Kunnskap - brukes til å tolke data og utdype informasjon - er en del av, er inni , en beslutningsprosess Læring Utdyping Tolkede symboler og symbol strukturer Informasjon - gis inn til en beslutningsprosess - kommer ut av en beslutningsprosess Tolking Data Observerte, ikke-tolkede symboler - tegn, mønstre

12 KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER
Heuristiske regler Regelbaserte systemer (f.eks.: MYCIN)

13 KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER
Kontroll-kunnskap Heuristiske regler Eksplisitt kontrollkunnskap (f.eks. NEOMYCIN) - kunnskap om typer regler for typer tilstander

14

15 KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER
Kontroll-kunnskap Heuristiske Spesifikke regler case Dyp kunnskap Fra generell kunnskap til situasjons-spesifikke case (f.eks. CYRUS, PROTOS) - case-basert resonnering

16 KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER
Kontroll-kunnskap Heuristiske Spesifikke regler case Dyp kunnskap Integrerte systemer (f.eks. SOAR, CREEK, META-AQUA) - totalarkitekturer for intelligent problemløsning

17 Kunnskapsrepresentasjon - basis
Kunnskapsrepresentasjon i AI vil si å representere kunnskap i et system, og for dette systemet. Det er altså det intelligente systemets kunnskap - enten dette systemet er et menneske eller en maskin. En kunnskapsrepresentasjon består derfor av en kunnskaps-struktur i et visst språk, samt en tolkning som gjør at kunnskapen får mening for den som 'eier' kunnskapen. En representasjonsmetode består av en språk-syntaks , og en underliggende semantikk definert av inferens-metoden. Uttrykkskraften av språket bestemmes av begge disse i sammen. En kunnskaps-struktur får mening ved at den gis en tolkning i den sammenhengen der den utnyttes. Kunnskapens meningsinnhold er derfor sjelden helt uavhengig av det formålet kunnskapen benyttes for og den sammenhengen den benyttes i. Hvorvidt representasjonen har den mening vi ønsker, kan testes ved å stille spørsmål til systemet.

18 Kunnskapstyper vs. representasjonsmetoder
• Dyp kunnskap - fundamentale teorier, prinsipper - lærebok-kunnskap - detaljerte klasse/subklasse hierarkier - detaljerte system/komponent relasjoner - funksjonelle modeller - kausale modeller (årsak-virkning relasjoner) - forklarte situasjoner • Grunn kunnskap - erfaringregler - overflatiske sammenhenger mellom domenebegreper (klasse/subklasse, system/komponent, funksjonalitet, ...) - erfarte situasjoner

19 Representasjonsmetoder
• Predikatlogikk - matematisk syntaks; deduktiv inferens - deklarativ semantikk - typisk eks.: Teorembevis-system • Regel-basert - syntaks er If-Then sammenhenger, med AND, OR, NOT operatorer og evt. usikkerhetsanslag; inferens er regel-lenking og usikkerhets- beregning. - eks.: Produksjonssystem • Nettverk - begreper er noder, relasjoner er lenker; inferens er bl.a. arving langs utvalgte lenker, ellers i utganspunktet uspesifisert - prosedural semantikk. - eks.: Taksonomisk hierarki • Rammebaserte systemer - kan ses på som et nettverk der nodene er komplekse objekter; inferens som for nettverk, og typisk default arving, 'constraint propagation', og demoner (tilknyttede prosedyrer).

20 SØKING I TILSTANDSROM - BASIS
start- tilstand mellom- tilstander mål- tilstander traverserte søkeveier mislykkede noder aktive noder node der testing pågår • Sentralt i enhver AI-metode er en eller flere søkestrategier for traversering av tilsstandsrommet (søkerommet) fra en starttilstand til en egnet måltilstand.

21

22

23 UTVIKLINGSVERKTØY System skall (Eks.: Ekspertsystem-skall)
Høy-nivå modellerings- og konstruksjonsspråk, bibliotekspakke-systemer Programutviklings-omgivelser, objekt-orienterte språk (CLOS, Smalltalk, C++, Java) Symbolbehandlende språk (Lisp, Prolog, ..) Prosedurale programmeringsspråk (Fortran, Pascal, C)

24 MASKINL Æ RING • vil si at maskinen selv lærer sin egen kunnskap og problem- løsningsevne, gjennom egen erfaring • aktivt AI- felt hele tiden, ny giv i det siste • flere kommersielle produkter og systemer i drift, bl.a. innen - ”data mining” - ekstraksjon av sammenhenger fra stor datamendger M etodetyper : • similaritetsbasert vs. forklaringbasert l æ ring • læring av generell vs. spesifikk kunnskap • læring av begreper vs. læring for problemløsning • symbol-læring vs. subsymbolsk læring

25 En kritikk av kunnskapsbaserte metoder
• Mennesker representerer sin kunnskap i maskinen, den kan defor ikke bli maskinens . Nyttig kritikk, men satt på spissen. Berører kunnskapsrepresentasjons-problemet generelt. - Konsekvenser for interaktive rådgivingssystemer : Utviklingsmetoder der mindre vekt legges på datamaskinen som problemløser, mer på samspillet mellom maskin og bruker. En utfordring er at systemet må ha eller bygge opp kunnskap om interaksjons-omgivelsen. - Konsekvenser for maskinlæring : Større grad av erfaringsbasert læring, der systemene lærer gradvis ved å delta i løsningen av reelle problemer i det miljø de virker. For (morgen)dagens ‘ekspertsystemer’: Fra 'tradisjonelle' problemløsende systemer til aktive, interaktive, og adaptive beslutningsstøtte-systemer

26 SUBSYMBOLSKE METODER (eks.)
• NEVRALE NETT Distribuert representasjon i et nettverk av noder koblet sammen via lenker (konneksjonisme). Ingen eksplisitt, direkte representasjon av begreper og sammenhenger. • GENETISKE ALGORITMER Representasjon i form av bit-strenger som maniplueres vha. genetiske operatorer. Bit-strengene kan representere begreper, men ikke nødvendigvis.

27 Biologisk bakgrunn: Et nettverk av nerveceller
Nevrale Nett Biologisk bakgrunn: Et nettverk av nerveceller Cell body

28 N EVRALE NETT • Et nettverk av noder delvis koblet i sammen via lenker. • Lenkene som går inn til en node kan medføre at noden aktiveres, som igjen medfører at lenken ut fra noden gis en verdi. • En node i nettet: i1 i2 i4 i3 v1 v2 v3 v4 u Aktiveringsverdien for en node (u) bestemmes av en aktiveringsfunksjon der styrken på inn-lenkene (i) samt av vektingen av dem (v) er input-parametre. • Nevrale nett trenes opp ved at inndata gis inn, utdata registreres og resultatet tilbakeføres til nettet. • Egnede anvendelser: - Problemer der det er vanskelig å identifisere og beskrive kunnskap på eksplisitt form. - F.eks.: tolking av bilder, tolking og syntese av tale.

29 Evolutionary Methods - Background: Darwinian Evolution
Physiological, Behavioral Phenotypes Natural Selection Ptypes Reproduction Sex Morphogenesis Recombination & Mutation Gtypes Genotypes Genetic

30 Evolutionary Algorithms
Semantic Parameters, Code, Neural Nets, Rules Performance Test P,C,N,R R &M Translate Generate Recombination & Mutation Bits Bit Strings Syntactic

31 Evolutionary Computation = Parallel Stochastic Search
Biased Roulette Wheel 6 1 5 Selection Biasing 4 2 Translation & Performance Test 3 Selection Next Generation Mutation Crossover

32 Adferdsbaserte metoder
• Fra kognitive til biologiske - og etologiske - modeller av intelligent adferd. • Intelligent adferd forårsakes ikke av modeller som er representert i maskinen, den oppstår i vekselvirkning med omgivelsene. • Basis for det nye fagfeltet 'Artificial Life'.

33 NOEN ANVENDELSESOMRÅDER
• Spill - velegnet for tilstandsrom analyse - well-strukturert problem med stort søkerom - noen spill krever ekspert-kunnskap - aktivt område tidligere, nesten borte nå • Matematiske bevis - velegnet for logikk-resonnering - matematikere bruker erfarings-kunnskap - relatert til programverifikasjon, VLSI-testing, ... • Ekspertsystemer (kunnskapsbaserte rådgivingssytemer) - vekt på eksplisitte modeller av domenekunnskap - regelbasert paradigme ga kraftig og rask vekst - endring til kombinerte resonneringsmetoder - fra lukkede til åpne, interaktive systemer - mot grundigere kunnskapsmodeller og læring ved erfaring

34 NOEN ANVENDELSESOMRÅDER (forts.)
• Naturlig språk forståelse - mye arbeid nedlagt, spesielt innen syntax-analyse - problemer med semantisk analyse, generelt sett - vellykkede systemer innen avgrensede områder • Robotikk - relatert til planlegging, og til kunstig syn fysisk interaksjon med omgivelsene viktig alternative metoder til ”ren” kunnskapsteknologi • Andre - bildeforståelse, opplæringssystemer, systemutvikling, nettverksbaserte agenter...

35 Definisjoner av AI - runde to
4 perspektiver på AI-systemer • Systemer som tenker som mennesker (kognitiv-psykologisk vinkling) • Systemer som oppfører seg som mennesker (menneskelig adferdsbasert vinkling) • Systemer som tenker rasjonelt (logikk-basert vinkling) • Systemer som oppfører seg rasjonelt (rasjonell agent-basert vinkling) Hovedperspektiv i dette faget

36 STATUS, KUNSTIG INTELLIGENS - O ppsummert
• AI forskningen er en pådriver innen informatikk-feltet, bl.a. ved å angripe problemer som andre metoder ikke håndterer. • Ekspertsystemer er blitt en kommersiell suksess, og regelbaserte systemer er nå endel av databehandling generelt. • Systemer som lærer av erfaring blir neste viktige 'gjennombrudd'. Case-baserte metoder ser lovende ut. • Alternativer til det kunnskapsbaserte paradigmet blomstrer opp: Nevrale nett, genetiske algoritmer, andre. • Forskjellige typer anvendelser av intelligente datamaskinsystemer krever forskjellige typer 'intelligens' (dvs. fundamentalt forskjellige metoder): • Metodesettet for å bygge nyttige og brukervennlige datasystemer utvides og forbedres stadig. AI-feltet er en viktig bidragsyter til dette.