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:
àbazują na algorytmach heurystycznych
àwzorowane 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>
wojtastychy1