Presentasjon av de forskjellige AI-områdene. SPILL Et vellykket området! Årsak: Lukkede systemer med : Veldefinert mål Veldefinerte spilleregler for å.

Presentasjon om: "Presentasjon av de forskjellige AI-områdene. SPILL Et vellykket området! Årsak: Lukkede systemer med : Veldefinert mål Veldefinerte spilleregler for å."— Utskrift av presentasjonen:

1 Presentasjon av de forskjellige AI-områdene

2 SPILL Et vellykket området! Årsak: Lukkede systemer med : Veldefinert mål Veldefinerte spilleregler for å nå målet

3 I kompliserte spill, som sjakk, kan det oppstå kombinatoriske eksplosjon. Sjakk regnes derfor å være ”litt åpent”. Spill egner seg derfor godt til å studere heuristisk søking fordi: Spill krever heuristikk for å redusere tilstandsrommet

4 AUTOMATISK RESONNERING OG BEVISFØRSEL Eldste gren av AI Baserer seg på matematisk logikk (Aksiomer og teoremer) Forløper til ekspertsystemer Heuristikk viktig Problemer: –Rekursjon som ikke terminerer –Produserer uendelig mange irrelevante teoremer før man ”snubler bort i” det riktige

5 Anvendelser i dag: Program verifikasjon Verifisering av logiske kretser Kontroll av komplekse datasystemer Fungerer som intelligente assistenter ved matematisk bevisførsel

6 EKSPERT SYSTEMER Systemer som skal kunne bidra med ekspertkunnskap og som skal kunne ta ekspertavgjørelser. Vi beveger oss fra det lukkede system til den virkelige verden.

7 Ekspertkunnskap er en kombinasjon av teoretisk forståelse av et problemområde og en samling av heuristiske problem- løsningsmetoder som har vist seg å være effektive innen område. Den er ervervet fra en menneskelig ekspert og kodet som slutningsregeler. (Jfr. Aristoteles)

8 Ekspertsystemer bygger på tiltro til menneskelig ekspertise. De mest vellykkede er finner vi blant annet innen spesialistområder i medisin og kjemi, som for eksempel Mycin og Dendral.

9 Begrensninger Vanskelig å få tak i ”dyp” kunnskap innen et område Mangler robusthet og fleksibilitet Vanskelig å gi dypere forklaringer av resultatene Vanskelig å verifisere resultatene Vanskelig å få systemet til å lære av erfaring

10 Den største begrensningen: ES er kostbare å utvikle Kunnskapsakkvisisjon tar tid Tid er penger!!!

11 Likevel… ES har bevist sin verdi gjennom mange anvendelser, ikke minst innen Opplæring Evaluering

12 NATURLIGE SPRÅK Langsiktig mål: Lage programmer som forstår menneskelig språk, både skriftlig og muntlig. Språkforståelse er fundamentalt ved menneskelig intelligens.

13 Hvorfor er dette så vanskelig? Virkelig språkforståelse baserer seg på: Generell kunnskap Bakgrunnskunnskap Kontekst – sammenhengen Betoning Kroppsspråk Humor, ironi m.m. ”Understatements”

14 Selv om man forstår ord for ord er det ikke sikkert man forstår innholdet Dette blir ikke enklere for maskinen

15 Vellykket innen avgrensede områder Talegjenkjenning/taleforståelse Automatiske oversettere Krever enorme kunnskapsbaser Dagens produkter er langt fra perfekte men de blir stadig bedre…

16 MODELLERING AV MENNESKELIG ADFERD Kjerneområde innen AI Fruktbart område både for AI og psykologi Har bidratt med kraftige verktøy for å teste teorier innen kognitiv psykologi (KS) Nytt vokabular: AI har gitt KS nye metaforer AI har bidratt til å gjøre KS mer eksakt Dataimplementasjon av psykologiske teorier

17 Men er det et mål at maskinen skal bli mest mulig lik mennesket? Jfr. Ingeniørens mål/forskerens mål Det beste fra begge

18 PLANLEGGING OG ROBOTIKK Vanskelig område Kommersielt viktig område innen AI (romfart, militære, industri m.m) Mål: Designe fleksible roboter som kan gi respons på omverden

19 Krever planlegging En robot styres av sekvenser av små, enkle handlinger, utført i en bestemt rekkefølge, som til sammen utgjør en handling på et høyere nivå Kontinuerlig replanlegging: Planene (sekvensene) må kunne forandres underveis ut fra forandringer i omgivelsene.

20 Problem Kombinatorisk eksplosjon. Tilstandsrommet blir enormt stort Må basere seg på ufullstendig informasjon fra omgivelsene

21 Løsningsmetoder God heuristikk i kombinasjon med gode søkealgoritmer Dele problemet opp i sekvenser av mindre uavhengige delproblemer

22 På dette område er mennesket er maskinen totalt overlegen. Det er lenge før en robot kan løpe orientering i Marka eller kjøre uskadd gjennom rushtrafikken i Oslo

23 MASKINLÆRING Vanskeligere å lære maskiner å løse problemer enn å få dem til å lære Vanskelig å akseptere fordi evnen til å lære er fundamentalt for menneskelig intelligens

24 Mål: Lage programmer som lærer av Erfaring Analogi (liknende situasjoner ) Teoretisk læring (gjennom forklaringer)

25 Ikke umulig! For å lykkes kreves en mengde generelle læringsprinsipper som kan anvendes innen realistiske områder Har kommet et stykke på vei, ikke minst innen ekspertsystemer og robotikk

26 NEURALE NETTVERK Biologisk modell: Den menneskelige hjerne Hjernens infrastruktur som modell for informasjonsprosessering

27

28 Begrunnelse Tradisjonelle systemer kommer til kort pga Kombinatorisk eksplosjon Ufullstendig informasjon Ødelegges av inkonsistens Forstyrrelser m.m

29 Mennesker er fleksible Takler støy og/eller mangelfull informasjon (Flinke til å leve med mangelfull eller gal informasjon) Siler ut det viktigste Kan rekonstruere manglende informasjon (eks. mangelfulle bilder) Gjetter oss til svar Stort potensial for Neurale Nett innen disse områdene

30 AI OG FILOSOFI AI eller Computer Science er viktig for dagens filosofer AI er ikke bare et produkt av matematisk, filosofisk og sosiologisk tradisjon, men bidrag også til disse områdene Har brakt viktige spørsmål på banen, jfr. Alan Turing. Data er et verktøy også for filosofiske teorier

31 SPRÅK og AI-OMGIVELSER Lisp (mange ”dialekter”) Prolog Objekt Orientert Programmering Ekspertsystemskall Substitusjonsmaskiner