P. 1
Seminar -Vještačka inteligencija i simulacija

Seminar -Vještačka inteligencija i simulacija

5.0

|Views: 3,630|Likes:
Published by Huso

More info:

Categories:Topics, Art & Design
Published by: Huso on Jun 28, 2009
Copyright:Attribution Non-commercial
List Price: $20.00 Buy Now

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
See more
See less

05/11/2014

$20.00

USD

UNIVERZITET U TUZLA TEHNOLOŠKI FAKULTET U TUZLI Predmet: Analiza i simulacija procesa

SEMINARSKI RAD VJEŠTAČKA INTELIGENCIJA I SIMULACIJA

Student Huso Jašarević

Juni, 2009 god.

I – SADRŽAJ I - SADRŽAJ...................................................................................................................2 II – UVOD.......................................................................................................................3 III – HISTORIJSKI RAZVOJ VJEŠTAČKE INTELIGENCIJE....................................4 IV – EKSPERTNI SISTEMI............................................................................................7 4.1 Inteligentne mašine.....................................................................................................7 4.2 Ekspertni sistemi – pojam...........................................................................................7 4.3 Struktura i osobine ekspertnih sistema........................................................................8 4.4 Programiranje naspram inženjerstva znanja........................................................... ....9 4.5 Ljudi uključeni u ES razvoj.......................................................................................10 V - OSNOVNI KONCEPTI VEŠTAČKE INTELIGENCIJE.........................................13 5.1 Područja vještačke inteligencije............................................................................ ...14 5.2 Simulacija............................................................................................................ . .14 5.3 Simulacioni proces.................................................................................................... .16 5.4 Vrste simulacionih modela..................................................................................... . .18 5.5 Monte Karlo simulacija..............................................................................................19 5.6 Deterministički problemi koje je teško ili skupo rješavati.........................................19 5.7 Složeni fenomeni koji nisu dovoljno poznati ............................................................19 5.8 Statistički problemi koji nemaju analitička rješenja...................................................19 5.9 Kontinualna simulacija...............................................................................................19 5.10 Modeli koji se opisuju običnim diferencijalnim jednačinama (sistemi običnih diferencijalnih jednačina)........................20 5.11 Modeli koji se opisuju sistemima parcijalnih diferencijalnih jednačina..................20 5.12 Modeli dinamike sistema (System Dinamics)..........................................................21 VI ZAKLJUČAK.............................................................................................................23 VII LITERATURA...........................................................................................................24

2

čije bi dobijanje putem eksperimenta nad samim realnim sistemom bilo nepraktično ili suviše skupo. Drugim Riječima.1 III .wikipedia. rezonovanje i činjenje.II .AI) potiče od Johna McCartyja i označava pojavu inteligencije koja je ostvarena na vještački način. ne pripadaju toj oblasti u užem smislu. tj. ali i da ustanovimo kako bi se isti sistem ponašao kada bi na njega djelovao neki drugi skup promjenjivih okolnosti (ulaznih veličina i parametara). računarska simulacija se zasniva na ideji eksperimentiranja sa modelom realnog sistema na računaru. U literaturi su najčešće slijedeće tri definicije: 1. reagovanje. Računarska simulacija je proces rješavanja problema koji se tiče predviđanja i određivanja budućih stanja realnog sistema na osnovu proučavanja računarskog modela tog sistema (Widman i Loparo. ali ne spadaju u oblast vještačke inteligencije tj. Simulacioni eksperimenti najčešće se izvode sa ciljem da se prikupe određene informacije. Za razliku od analitičkih modela koji sveukupno ponašanje sistema tretiraju direktno. putem programiranja računara. Te informacije kasnije se transformišu u odluke značajne za upravljanje realnim sistemom koji je predmet simulacionog modeliranja. mnogi autori i stručnjaci iz ove oblasti se ne slažu s tim da termin vještačka inteligencija u potpunosti i najbolje opisuje ovu oblast nauke jer mnoge oblasti informatike u osnovi imaju inteligentno ponašanje.VI (artificial inteligence .UVOD Vještačka inteligencija (eng. 1989). Međutim. simulacioni modeli prikupljaju podatke o promjenama stanja sistema i izlaza. Vještačka inteligecija je naučna oblast u kojoj se izučavaju izračunavanja da bi se izračunavanjem omogućila percepcija. fokusirajući se na ponašanje individualnih komponenti sistema (Schmidt.HISTORIJSKI RAZVOJ VJEŠTAČKE INTELIGENCIJE 1 http://bs. tokom vremena. zaključivanje i činjenje). ponašanje. artificial intelligence) se definiše na različite načine. 2.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija 3 . 1984). Vještačka inteligencija je naučna oblast u kojoj se istražuje kako da se naprave računari koji bi uspješno radili stvari koje u ovom momentu bolje rade ljudi. 3. rezonovanje. Vještačka inteligencija je naučna oblast u kojoj se izučavaju hardversko softverska rješenja koja treba da omoguće sposobnosti i ponašanja slična ljudskom (percepcija. Termin vještačka inteligencija . Cilj simulacije jeste taj da proučimo ponašanje sistema koji simuliramo.

godine. More (Prinston). Pits. Programs with Common Sense. Nekoliko godina kasnije stvoren je prvi neuralni računar SNARC.wikipedia. postižu se značajni napreci. Na skupu su stvorene osnove koncepta i trasiran je put za dalji razvoj vještačke inteligencije. 1943. Na skupu su takođe učestvovali T. djelom u kojem se predstavlja model vještačkih neurona na bazi tri izvora: spoznaja o fiziologiji i funkcionisanju moždanih neurona.2 Ova serija uspjeha se lomi sredinom šezdesetih godina i previše optimistička predviđanja. i program Student. implementira programski jezik Lisp. Iste godine je napisao članak. Simon (Carnegie Tech. Šanonom. R. pod naslovom Računari i inteligencija. matematika (teorija odlučivanja i teorija probabiliteta se primjenjuju u mnogim današnjim sistemima). Neka potiču iz oblasti kao što su filozofija (prvi pokušaji formalizacije rezonovanja su silogizmi grčkog filozofa Aristotela). Na primjer. Solomonof i O. godine. Negdje iz iste epohe su i prvi programi za šah. nastaje ljeta 1956. i Tjuringova komputaciona teorija. Nevil. Zaslužni za poduhvat su studenti Prinstona. čiji su autori Šanon i Tjuring. slične onima koji se javljaju u testovima inteligencije. Hanover (SAD). da li se određeni komputacioni sistem (računarski sistem). Ročesterom. se frustriraju. Mekulok i M. preko koje bi se utvrđivalo. Minski i D. U godinama koje slijede skup u Dartmudu. 1951. Skup je posljedica prvih radova u oblasti. Iako se ova istraživanja smatraju kao začetak vještačke inteligencije. Ranije. Danas se smatra. 1950. 1958. ponaša u skladu sa onim što se podrazumjeva pod vještačkom inteligencijom. Samuel (IBM). M. godine. Mekarti. M. Samuel je napisao programe za igru sličnu dami (checkers). da su koncept vještačke inteligencije postavili V. studenti Minskog će krajem šezdesetih godina implementirati program Analogy. na skupu istraživača zainteresovanih za teme inteligencije. koji su bili osposobljeni za učenje te igre. Alan Tjuring je objavio jedan članak u reviji Majnd (Mind).Pojam vještačka inteligencija (VI). godine. koji je riješavao geometrijske probleme. koji riješava algebarske probleme napisane na engleskom jeziku. neuronskih mreža i teorije automata. koji pokušava imitirati ljudsko rezonovanje. Konstruišu se programi koji riješavaju različite probleme. ili ne. Nevil i Simon će razviti General Problem Solver (GPS). ranijih godina. Skup je organizovao Džon Mekarti. A. gdje opisuje jedan hipotetički program koji se smatra prvim kompletnim sistemom vještačke inteligencije. koji je u međuvremenu otišao na MIT. Edmons. ujedno sa C. Kasnije će ta vrsta probe dobiti ime.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija 4 . Minskijem i N. danas Carnegie Mellon University). u kojem govori o konceptu vještačke inteligencije i postavlja osnove jedne vrste probe. Do tada implemetirani sistemi su funkcionisali u 2 http://bs. H. ili psihologija (koja je zajedno sa vještačkom inteligencijom formirala oblast kognitivne nauke). Tjuringov test. kao i A. Logic Theorist (koji je napravio senzaciju). godine u Dartmudu. Nevil i Simon su na njemu predstavili svoj program za automatsko rezonovanje. iskazna logika Rasela i Vajteheda. Selfridž (MIT). postoje mnoga druga koji su bitno uticala na razvoj ove oblasti.

Zadeha 1965. korak po korak. Edsher Dajkstra 1959. sa značajnim doprinosom G. definisale su se semantičke mreže (definisane početkom šezdesetih godina. sredinom osamdesetih. J. algoritam A. Kilijan. prostor verzija. kao i građe strukture. Dempster. Važnost shvatanja saznanja u kontekstu domena i primjene. ili nepreciznost (koji se takođe javljaju prilikom rješavanja problema u igrama). Šafera 1976. elementarne osnove razmišljanja da bi se došlo do konačnog rješenja. Martin i P. godine.ograničenim domenima. razvija vlastiti program za učenje deskripcija složenih objekata. Do tog momenta rješavanje problema je bilo bazirano na jednom mehanizmu opšte pretrage preko kojeg se pokušavaju povezati. dovela je do detaljnijih studija metoda predstavljanja saznanja. godine. godine razvijaju koncept heurističke pretrage i Hart. dovodi do ponovnog oživljavanja ove oblasti. orijentisan na implementaciju neke vrste metode učenja. bolje rečeneo. Nilson i Rafael. 1949. Vinston. godine. Mnogi problemi koje su pokušavali riješiti su bili u suštini nerješivi. 1969. 1977. Paralelno s tim. razvija tzv. Mičel. godine). te da bi se smanjili. ili je implementirano saznanje bilo vrlo niskog nivoa i sastojalo se od nekih jednostavnih sintaktičkih manipulacija. koju je već idejno postavio Šanon. postoje tri fundamentalna faktora koji su to onemogućili: 1. od strane Kilijana) i okruženja (koje je definisao Minski 1975. ili probabilističke mreže) i razvijali drugi formalizmi kao difuzni skupovi (definisani od L. nastavljaju se istraživanja za stvaranje sistema za igru checkers. ili Dempster-Šaferova teorija (tvorac teorije je A. 1958. razvijaju se prvi algoritmi za potrebe kontrolosinja troškova istraživanja. definiše se pretraga alfa-beta.. problemi postaju nerješivi. uprkos očekivanjima mnogih istraživača. Između ostalih. U isto vrijeme. 2. Naravno takav pristup podrazumjeva i velike izdatke. godine. Primjenjivali su se probabilističke metode (teorija probabiliteta. 1956. godine konstruišu hijerarhijsku strukturu odluka (radi klasifikacije). i T. Na primjer. Po Raselu i Norivig-u. 1965. Stone. ali kada bi došlo do porasta obima saznanja. P. E. za koji je zaslužan Samuel. backpropagation. 3. Mnogi dizajnirani sistemi nisu posjedovali saznanje o okruženju primjene.B. godine). poznatim kao mikrosvijetovi (microworlds). Konstrukcija aplikacija za stvarna okruženja. Hunt. 1968. kojoj bi bilo lako pristupati.T. U istom periodu počinju da se koriste određene vrste logike za predstavljanje saznanja. a kasnije ju je koristio Nevil. 5 .. Tvorac ideje je inače bio Mekarti. godine). 1979. godine dizajnira jedan metod za stabilizaciju izdataka.. Nevil i Ernst. Kasnije. predstavlja metod ID3 koji treba da posluži kao osnova za konstrukciju takve strukture. dovela je do potrebe razmatranja aspekata kao što su neizvjesnost. u vezi programa za igre. S druge strane. tokom istih godina. dok je količina saznanja bila mala i ograničena rješenje je bilo moguće. Neke od osnovnih struktura koje su se koristile za stvaranje određenog inteligentnog ponašanja su bile veoma ograničene.. 1979. ponovna primjena metode učenja na neuralne mreže tzv. Transformacija koja bi omogućila njihovu primjenu u stvarnim okruženjima nije bila tako lako izvodljiva..

konstruiše mehaničku .1 Inteligentne mašine Odavno postoji želja (. počev od osamdesetih godina. Tek napretkom 6 . Slika 1.EKSPERTNI SISTEMI 4. ekspertni sistemi. 1834. IV. vezani su za nastojanja konstruisanja kooperativnih sistema na bazi agenata.sveti gral") da se napravi mašina koja bi bila sposobna da obavlja posao koji zahteva intelektualne sposobnosti čvjeka.analitičku mašinu" koja računa i štampa neke matematičke proračune. Hondin inteligentni humanoidni robot Danas... imao je nameru da napravi i mašinu za igranje šaha).. uključujući sisteme za upravljanje podacima. konstruišu se prvi komercijalni sistemi vještačke inteligencije. uglavnom tzv.Na osnovu ovih istraživanja. utvrđivanje redosljeda procesovanja podataka i pokušaja imitacije ljudskog jezika. osnovni problemi koji se javljaju u istraživanjima vještačke inteligencije. između ostalih. npr. da igra šah (Charles Babbage.

Waterman and Lenat. Ovako definirana struktura ES prikazana je na Sl. U većini slučajeva . 4. složenost .3 Struktura i osobine Osnovni sastavni dijelovi svakog ES .paka. Uopštene metode zaključivanja i sistemi čija oblast nije dovoljno specifirana se pokazuju nedovoljno sposobnim za mnoge realne probleme (i njihovo spečavanje u realnom vremenu). USA) učestvuje u konferenciji koji organizuje McCarthy na temu VI (koji je prvi predložio upravo taj naziv za tu oblast. kao i prethodna tri . 4. Znanje koje nam ekspert pruža može se pred-stavljati činjenicama.2 Ekspertni sistemi . 1983). Dvije stvari se prije svega modeliraju u ekspertnom sistemu (ES): znanje eksperta i njegovo zaključivanje. 2 7 . Postoji i jedna dodatna EKSPERT / EKSPERTNI SISTEM prednost – znanjem kao opštim dobrom ili kapitalom neke organizacije se lakše upravlja. Ekspert je osoba koja izuzetno dobro poznaje neku oblast ljudskog znanja kao i načine rečavanja problema vezanih za tu oblast. ES imaju i interfejs prema korisniku (user interface). Zato se ES sastoji iz baze znanja i mašine za-ključivanja (inference engine).pojam Sistemi bazirani na znanju (knowledge-based systems) ili ekspertni sistemi stavljaju naglasak na znanje (bazu znanja) pre nego na način pretraživanja i zaključivanja. dok način i problem zaključivanja na osnovu baze znanja i zadatih upita je pitanje tehnika zaključivanja. raspravlja se i o mogućnosti razvoja računara koji bi bio u stanju da simulira ljudsko razmišljanje. konceptima ili relacijama. Nekoliko istraživača na Dartmut koledžu 1956. (Dartmouth College. on je obavezan sastavni dio . Način i problem njegovog predstavljanja jeste reprezentovanje znanja. Ovo okupljanje istraživača označava rođenje vjestaške inteligencije kao oblasti računarstva. način korištenja i područje primjene su : baza znanja (knowledge base).informatičke tehnologije od sredine 20. Pored pregleda postojećih dostignuća u oblasti automatskih dokazivača teorema i programskih jezika. a poznat je i kao otac LISP-a). lakše se prenosi i primenjuje jer ne zavisi u toj meri od pojedinca-eksperta ako se koristi ekspertni sistem. Ekspert je često veoma neophodna osoba u mnogim organizacijama. pravilima. g. mehanizam zaključivanja (inference engine) i radna memorija (working memory) (Hayes-Roth. vijeka taj san postaje ostvariv. Gotovo da nema oblasti ljudskih delatnosti gde nije napravljen neki ES i uspešno primenjivan i njihov broj geometrijski raste. i postavlja se onda pitanje zašto ga zamenjivati mašinom ? Prije svega. donekle slično zamjeni nekih ljudi i njihovih poslova mašinom tokom industrijske revolucije. ekspertni sistem može biti koristan kao pomoć kada čovjek nije raspoloživ ili prosto kao alat koji olakšava posao i omogućava automatizaciju nekih postu. Kod ES konzultativnog tipa . bez obzira na veličinu . radi sa većim stepenom formalizma koji isključuje mogućnost greške ili slabosti zbog ljudskog faktora i sl.

veoma važna karakteristika ES nasuprot klasičnim proceduralnim programima gde se upravljačka kontrola u programu miješa sa raspoloživim znanjem (kontrola tj.poseduje ekspertsku bazu .interfejs (prema korisniku) . gde se pod ekspertizom podrazumeva sposobnost efikasnog reješavanja problema u nekoj oblasti. zašto) . Zaključivanje kod ES se može mijenjati nezavisno od baze znanja) .Dugotrajno pamćenje / Baza podataka Znanje o oblasti (domenu ) ekspertize Zaključivanje / Mašina (mehanizam ) zaključivanje Savjet / Korisnik Činjenice o problemu i zaključci Kratkotrajno pamćenje / Radna memorija Problem. Pored ovih osnovnih komponenti postoje do-datno i neke osnovne osobine ekspertnih sistema: -objašnjenja (kako. Na dijagramu iznad je prikazan odnos i poređenje modela rada jednog ljudskog eksperta i strukture ekspertnog sistema Osnovna struktura ekspertnog sistema se tako sastoji iz osnovnih komponenti: baze znanja. 8 . privremeno izvedeni zaključci. radne memorije (koja se menja tokom sesije u radu sa ES dobijenim novim činjenicama i zaključcima) i mašine zaključivanja (procesor koji povezuje činjenice iz baze znanja sa dobijenim zaključcima i činjenicama iz radne memorije i izvlači nove zaključke o problemu). činjenice i pitanja Slika 2.baza znanja koja potiče prije svega od ljudksih eksperata.u svakom trenutku u toku sesije sa ES može se dobiti objašnjenje kako je došao do nekog zaključka ili pitanja (ugrađeno u sve komponente) .često se traži komunikacija prirodnim jezikom kroz interaktivni dijalog s korisnikom (mada mogu biti zastupljeni i multimedijalni i drugi sadržaji i vidovi komunikacije što zavisi od prirode same oblasti i namjene ES) -razdvojeno znanje od kontrole .

programom) već na oblikovanju (baze) znanja . faze razvoja su: Faza procene: Tokom ove faze se identifkuju važni problemi. oblast i potrebni resursi .. 9 .da bi mogao da efikasno zaključuje mora da vodi računa o najboljem načinu rješavanju problema ne samo kroz algoritme pretraživanja s heuristikama.svako širenje oblasti znanja obavezno nosi rizik da ES postane neefikasan i nepotrebno složen (bilo je pokušaja ograničenog uspjeha.deklarativno-proceduralna kontroverza: kontrolna struktura ES kod kojih je naglasak na deklarativnom znanju je potpuno odvojena od podataka za razliku od proceduralnih programa.često se koristi neegzaktno zaključivanje . metodi obrade znanja . Faza projektovanja: Defnišu se ukupna struktura i organizacija znanja sistema. i sl. Faza testiranja: Ova faza se često odvija zapravo tokom svih prethodnih faza. grubo rečeno u tri faze redom (životni ciklus): projektovanje. i nakon nje se po potrebi iterativno vraća na neku od prethodnih.koristi simbole (činjenice.kao i pravi (ljudski) ekspert 4. Ovde nije naglasak na obradi podataka (algoritmom. pravila) – predstavljanje znanja u različitim strukturama (od deklarativnih oblika kao što je prirodni jezik do potpuno proceduralnih) čini ES obrađivačima znanja. Konvencionalni program je završen tek nakon prolaska kroz sve tri faze do poslednje. PS ili Ham 1984.-naglasak na ekspertizi .uvek je lahko se rješavati prob-lem kroz potprobleme odnosno probleme u podoblastima .zaključivanje sa verovatnoćom. ali ako je problem previše kompleksan nemože se opravdati predugačko vrieme potrebno za njegovo rešavanje -može napraviti grešku . mogućnostima ili uvjerenjima -ograničenje na probleme koji su rješivi ekspertnim sistemom -ne treba očekivati nemoguće . Faza održavanja: ES je po pravilu sistem koji živi jer se baza znanja mijenja vremenom. tako i zbog potreba daljeg razvoja. izvodivost njihovog rejšenja u odnosu na ciljeve.) . i drugi važni činioci projekta kao što su ciljevi. Može biti usko grlo projekta i zato se smatra važnom fazom.rješavanje veoma jednostavninh problema ES se još i može opravdati.. Nasuprot konvencionalnim proceduralnim programima kao procesorima podataka -zaključianje heuristikama .daje inženjeru uvid u organizovano predstavljeno znanje i procedure rješavanja sistema. Faza dokumentacije: Specičnost u odnosu na konvencionalnu dokumentaciju je riečnik znanja . Grubo rečeno. organizuje i proučava kako radi boljeg uvida u problem. Tako se formiraju osnovni zahtevi projekta.bira se (npr. Faza prikupljanja znanja: Znanje se obično preuzima od eksperta. koncepte.) alat kojim se znanje predstavlja i obrađuje (način zaključivanja u upravljanja znanjem) tako da bude što sličniji ljudskom ekspertu.podaci i ljudi (eksperti).4 Programiranje naspram inženjerstva znanja Konvencionalno programiranje ima dobro poznate i proučene metode razvoja i odvija se sekvencijalno (iterativno).. Inženjerstvo znanja u odnosu na konvencionalno programi-ranje nema još uvijek tako dobro ustanovljene metodologije razvoja. paradigma deklarativnih jezika naspram proceduralnih. nekakvim poznatim prečicam . -borba sa kompleksnošću . kodiranje i provera / otklanjanje gre·saka (de-bug).

http://users.krajnjeg korisnika -u stanju je da pomogne u specificiranju korisničkog interfejsa .ima vremena koje može da posveti razvoju ES -nije neprijateljski raspoložen (prema razvoju ES) .može da pomogne u razvoju sistema Ekspert u odnosu na ne-eksperta poseduje znanje (to je njegova .5 Ljudi uključeni u ES razvoj Projekat ES obavezno uključuje: -Domenskog eksperta (Domain Expert) .ima programerske sposobnosti za ES .Design and Development .OSNOVNI KONCEPTI VEŠTAČKE INTELIGENCIJE U dosadašnjem razvoju ove discipline .4. pojam vještačka inteligencija izazivao je mnoge rasprave među naučnicima . 3 V .Inženjera znanja -poznaje inženjerstvo znanja -ima dobre komunikacione sposobnosti -može da problem pretvori u softver . komunikacione sposobnosti .net/shoom/es. Svaki od ovih učesnika poseduje određene praktične osobine i znanja potrebne da se projekat uspješno završi.poseduje ekspertsko znanje.može da pomogne u sakupljanju znanja . ima sposobnosti za e¯kasno re·savanje problema -može da prenese (objasni) znanje. istraživačima.apsolutna vrijednost").raspoloživost . računarskim stručnjacima ali i među futuristima koji su se bavili njenim proučavanjem.hemo.pdf 3 10 . Neki posmatrači tvrdili su čak da stvar John Durkin: Expert Systems ..

U Artificial Intelligence and Expert Systems Sourcebook (Hunt. 1982) ne izdvaja i ne obrađuje posebno ovaj pojam . tada nije inteligentno. 2. Za razliku od klasičnih programa za posebne namjene. 1986) vještačka intelegencija se tretira kao "oblast koja se bavi iznalaženjem računarskih programa koji treba da učine računare pametnijim ". Drugi su osporavali ovakva stanovišta i pokušavali su da daju bliža određenja pojma vještačka intelegencija . odnosno pronalaženjem zajedničkog u sistemima (programima ) koji spadaju u domen vještačka intelegencija (Widman i Loparo. sama ova činjenica nije dovoljna da bi se razlikovali programi vještačka intelegencija. pri čemu su naglašena dva cilja : "da se mašine učine korisnijim i da se shvati inteligencija. Kod programa vještačka intelegencija . ali se tretiraju kao vještačka intelegencija programi." Ovakva polemička razmišljanja dovela su do situacije da je precizno razgraničavanje ovog pojma veoma teško . naravno . 1981. Stoga se "istraživanje u vještačkoj inteligenciji fokusira na razvoj računarskih pristupa inteligentnom ponašanju ". Nealgoritamski pristup rješavanju problema . niz koraka koje program prati i izvršava zavisi od konkretnog problema koji se rješava .sekvencom koraka koje program izvršava pri rješavanju određenog problema . 3. Naravno. Druga karakteristika vještačka intelegencija programa je ta da se struktura programa ne izražava eksplicitno algoritmom . Osnovna karakteristika po kojoj se pravi razlika između metoda vještačka intelegencija i numeričkih metoda jeste da je bazična jedinica izračunavanja u vještačka intelegencija simbol. moramo se zadovoljiti empirijskim definisanjem. može se polemisati o tome da deklarativna priroda programa iz oblasti vještačka intelegencija leži u nivou koji korisnik odabere za posmatranje prilikom implementacije programa. Iz ove perspektive . Druge klase programa kao što su prevodioci ili sistemi za pretraživanja baza podataka. Simboličko umjesto numeričkog izračunavanja . Feigenbaum and Cohen. za koje se generalno smatra da su deklarativne . i vještačka intelegencija programi se mogu tretirati kao proceduralni pošto se bezuslovno prevode i izvršavaju kao binarni kod . Ukoliko je nešto vještačko . također obrađuju simbole . 1989): 1. kao što je na primjer program za knjigovodstvo. vještačka intelegencija programi mogu da prave razliku između rezonovanja (mehanizma 11 . za koje se najčešće smatra da su dio vještačka intelegencija. program određuje kako odabrati sekvencu koraka koji vode ka rešenju problema (deklarativno programiranje ). Međutim. Na najnižem nivou posmatranja . zavise od striktnih numeričkih izračunavanja pri prikupljanju i korištenju znanja . Stoga . govorili bi. neuronske mreže. ovdje ćemo smatrati da su VI programi oni koji se implementiraju korištenjem tehnika za rješavanje problema . Čak ni poznati trotomni priručnik iz vještačka intelegencija (Barr.kao što je vještačka intelegencija i ne postoji . programi uobičajeno slede dobro definirane algoritme koji tačno specificiraju kako se na osnovu ulaznih varijabli mogu dobiti izlazne veličine (proceduralno programiranje). Zaključivanje zasnovano na znanju Treća karakteristika vještačka intelegencija programa je ta da oni uključuju činjenice i relacije o dijelu realnog sveta ili "domena znanja " u kome funkcionišu . Klasični. a ne broj. S druge strane.

Primjenljivost kod loše strukturiranih problema i podataka . sumirane su osnovne razlike između pristupa vještačke inteligencije i konvencionalnog 1986). Najpopularnije tehnike u predstavljanju znanja su: (1) strukture/sklopovi (frames). Osnovne 12 . 1. prikazivanje znanja (Knowledge Representation) je jedan od osnovnih zadataka u okviru VI. Tabela1. -Strategija rezonovanja i -Planiranje. U Tab. odnosno neprecizno specificirani . -Dedukcija. Kako je baza znanja eksplicitna i izdvojena od mehanizma zaključivanja. Četvrta karakteristika vještačka intelegencija programa odnosi se na njihovu efikasnost u radu sa loše strukturiranim problemima. (1) Koncept struktura/sklopova (frames) polazi od pokušaja da se organizuju osobine posmatranih objekata ili dogadjaja. program može da "razmišlja " o svom sopstvenom znanju kao o ulaznim podacima . -Predstavljanje tj. -Heuristika tj. 4. Koriste se elementi koji su uobičajeno predstavljeni u opisu objekta ili dogadjaja. Ovi elementi se dalje grupišu zajedno. tako da im pristup i potvrda budu jedinstveni. Kod takvih problema. (2) Mreža značenja se bazira na pojmu 'asocoativnog pamćenje'. pronalaženje metoda i postupaka. Zakon čvorišta automatski utiče na osobine višeg nivoa čvorišta. Razlike vještačke intelegencije i konvencionalnog programiranja Vještačka inteligencija Konvencionalno programiranje Pretežno simbolička obrada Pretežno numerička obrada Heurističko pretraživanje Algoritmi Upravljačke strukture najčešće izdvojene od Informacije i upravljanje integrirani znanja zajedno Jednostavno modificiranje ažuriranje i Teško modificiranje proširivanje Tolerišu se pogrešni odgovori Neophodni su tačni odgovori Šest fundamentalnih zadataka vještačke inteligencije je (unutrašnji krug): -Predstavljanje tj. klasični programi su uglavnom neprimjenljivi Problem se tretira kao loše strukturiran ukoliko se algoritam za njegovo rješavanje ne može izraziti eksplicitno ili ukoliko su neophodni podaci nekompletni. -Strategija istraživanja. (2) mreža značenja (semantic networks) i (3) produkciona pravila (production rules). prikazivanje znanja. Predstavljanje znanja strukturom/sklopovima koristi mrežu čvorišta povezanih odnosima i organizacijom u okviru hijerarhije.zaključivanja ) i postojećeg znanja (baza znanja).

Svaki put kada se donese odluka. Startujući sa inicijalnim / početnim stanjem.funkcionalne jedinice mreže značenja su dve tačke čvorišta povezane stelicom. a ovo će se grananje nastavljati do konačnog cilja tj. mora se donijeti odluka kako stići do konačnog rešenja. 13 . otvarajući nove mogućnosti za sledeća odlučivanja. U osnovi imaju jednostavnu tvrdnju oblika: AKO /IF uslon ONDA /THEN akcija Ekspertni sistem Predstavljanje znanja Rješavanje proglema Heurističko pretraživanje Rezonovanje Planiranje Kompjuterski senzori Dedukcija Prirodni jezici Slika3. Popularna metode predstavljanja načina tj. problemska situacije se mijenja. rješenje problema.Dio akcije u ovom pravilu može npr. 2.Strategija istraživanja. uključuje ili isključuje.uključivanje neke standardne programske procedure. (Search Strategy) Kad se postavi problem. nova odluka će uzrokovati grananje do sledećeg nivoa na drvetu. Svako čvorište predstavlja neki koncept a strelica odnos izmedju čvorišta. puta ili maršute rješavanja problema u VI je postupak grananja. (3) Produkciona pravila su najpopularniji način predstavljanja znanja. Shematski prikaz Veštačke inteligencije (VI) Model pečata/krugova 1. ili jednostavno interakcija sa nekim fizičkim/ stvarnim uredjajem koji se npr. biti postavljanje pitanja korisniku.

Heuristika može biti strategija. izvesti sledeće pravilo. Slika 4. tj.3.Valjano rešenje zavisi od pravovremenog korišćenja znanja da identifikuje potencijalne odluke koje su obećavajuće tj. sužava široke oblasti problema. Područja vještačke inteligencije (I) Suština rešavanje problema (Problem Solving) je formiranje sistema koji iz sveopštih alternativa i mogućnosti bira rešenje koje je valjano i selektivno. Ovoj oblasti pripada i logika. ona pomaže u pronalaženju rješenje našeg problema. koristeći sistem zvan predicate callculus) 5. kada se koristi produkciono pravilo. uprošćenje ili bilo koja vrsta odluke koja drastično limitira istraživanja. 5. rešavanje problema se 14 . Strategija rezonovanja (Reasoning Strategy) je sledeći osnovni element vještačke inteligencije. (III) Kompjutersko opažanje (IV)Ekspertni sistemi.Planiranje (Planning) je uskladjivanje akcija u prostoru i vremenu. strategija rezonovanja je zadužena za odabir onog pravila koje će usloviti tj. 4.Dedukcija (Deduction) je najpoznatiji način zaključivanja. vrlo snažan metod rezonovanja i dedukcije. da odbaci one koje ne obećavaju. U sistemu predstavljanja znanja.Heuristika (Heuristic). pravilo brzog prelistavanja.1 Područja vještačke inteligencije Spoljašnji krug vještačke inteligencije obuhvata: (I) Rešavanje problema. Kod AI heuristika se često poklapa sa strategijom istraživanja. na primer. akoje čine dostizanje cilja mogućim. (II) Procesiranje (prirodnog) jezika. tj. Karakterizacija dedukcije se može učiniti na standardni način (npr. 6. je tehnika koja nije formalno znanje. U konkretnom slučaju. pronalaženje metoda i postupaka.

planiranja. kao i u istraživanje/ispitivanje oblasti privremenih situacija. Aspekti vizije za oblast informacionog procesiranja je od izuzetnog značaja. korisnik jezičkog procesiranja mora da ima znanja u oblasti govora. Prva je čovekova ekspertiza. moraju biti razumljivi. popravljanja. na primer uključuje znanja iz oblasti psihologije. (Natural Language Processing) Kod pokušaja ugradnje znanja od strane experta u AI. Prvo. da poznaje morfologiju reči. Naime dok je čovek osposobljen da iznosi zaključke na osnovu nepotpunih podataka. interpretacije. Naime. simptomi i bolesti nisu uvek u jednostavnom i direktnom odnosu. Ekspertski sistemi u principu prate hibridnu arhitekturu kroz četiri modula: (1) implantacija expertize u bazu znanja. kompjuterski algoritmi i struktura podataka kojima se konstrujišu automatski sistemi procesiranja jezika. Da bi se ovaj problem prevazišao najlakše je 'narediti' expertu da komunicira sa softverom putem prirodnog jezika. Napominje se. a druga je inženjersko-ekspertsko znanje da čovekovu ekspertizu kodifikuje i prilagodi u deskrtetne kompjuterske instukcije. Ekspertni sistemi se koriste u brojnim situacijama: predvidjanja. a koje su bile preporučene od jednog ili više eksperata iz te oblasti. a sa druge logičke mehanizme procesiranja i interpretacije znanja. Kompjutersko opažanje može da se ostvari na više načina od kojih su dva za naš slučaj bitna: vizija (vision) i akistika (acoustics). i načina organozovanja znanja u okviru nekog softvera. monitoringa. 15 . davanja instrukcija itd. neuropsihologije i filozofije. Da bi se rešio problem razumevanja prirodnog jezika potrebna su izvesna znanja. (IV) Ekspertni sistemi (Expert System) predstavljaju softvere koji sadrže veliku količinu/masu znanja u nekoj oblasti. Kompjuterska vizija pokušava da konkuriše ljudskoj viziji. pojavljuje se nekoliko teškoća koje se moraju prevazići. Vremenom su se ova dva domena nezavisno razvijala. Istaživač u ovoj oblasti se simultano bavi strukturom (semantičkom. Konstrukcija jednog ekspertskog sistema podrazumeva dve vrste ekspertize.istovremeno koristi u planiranje. Ona je izuzetno interdisciplinarna. (III) Kompjutersko opažanje (Computer Sensing) se odnosi na one aktivnosti kada se kompjuter koristi za merenje različitih termofizičkih fenomenika iz realnog sveta. U tom smislu najčešće se pominje Bayers-ovo pravilo koje za osnovu ima statistiku učestalosti 'simptoma' koji uzrokuju 'bolest'. da postoji više interpretacija Bayers-ovo pravila. (II) Procesiranje (prirodnog) jezika. Slično je i sa ekspertskim sistemima. Kroz ovu količinu/masu znanja sistem je sposoban da rešava zadate probleme na isti način kao i čovek-ekspert. koji je predstavljen u sistemu i da je sposoban da ga podržava. Ovo dalje omogućanva da se znanje jednostavno modifikuje. Drugo. Treće. postoji razlika izmedju organizacije znanja kojom manipuliše expert. prostornim). ekspertski sitem mora da prevazidje ovu nesigurnost na konkretan način. simboličnom) i odnosima (geometrijskim. tako da imamo sa jedne strane postupke prikazivanje znanja. korisnik mora da ima i lingistička znanja. sintaksu rečenica i tome slično. U medicini.

Broj faza i redoslijed njihovog obavljanja zavisi od svake konkretne situacije. uređen skup procedura .(2) povratak ekspertize iz baze znanja ka korisniku. 5. kojom se najčešće rješavaju problemi s događajima čije pojavljivanje je stohastičko. podržavanje integriteta i konsistencije baze znanja i (4) testiranje i provera sistema. već informacije koje služe kao potpora odlučivanju. Matematički model na temelju unešenih vrijednosti određuje moguća stanja koje sustav može poprimiti. zavisno od rezultata dobivenih u pojedinim fazama procesa.3 Simulacioni proces Simulacioni proces je struktura rješavanja stvarnih problema pomoću simulacionog modeliranja.2 Simulacija Simulacija je kvantitativna metoda. Simulacija ne daje konkretno rješenje. Struktura simulacionog procesa nije strogo sekvencijalna. Osnovni koraci simulacionog procesa su sljedeći : 16 . već je moguć i povratak na prethodne korake procesa. 5. Predstavlja pristup rješavanju operativnih problema. kod kojeg parametre stvarne problemske situacije nekog sustava unosimo u matematički model. ali je ipak moguće navesti jedan opšti. On se može prikazati u obliku niza koraka koji opisuju pojedine faze rješavanja problema ovom metodom (životni ciklus simulacije). (3) održavanje tj.

Slika 5. Dijagram toka simulacionog proces 1. 2. način rada. analiza sistema i sl. 17 . veze s okolinom. Prikupljanje podataka o sistemu i njihova analiza Prikupljanje i mjerenje relevantnih podataka o sistemu. nivo detaljnosti. Identifikacija sistema Opis komponenti sistema. Definicija cilja simulacione studije Definicija željenog cilja i svrhe studije: problem koji treba rješiti (oblikovanje sistema. interakcija komponenti. ocjena vrijednosti parametara raspodjela).). analiza tih podataka (izbor raspodjela nezavisnih slučajnih promjenjivih. formalni prikaz sistema. granice sistem/okolina. 3.

Ukoliko vrednovanje modela nije uspješno. 5.Kontinualna simulacija . Izgradnja simulacionog modela Stvaranje konceptualnog modela koji adekvatno opisuje sistem i omogućava rješavanje zadanog problema. po pristupu modeliranju i klasi problema koji se rješava. analizom rezultata od strane eksperata.). Ukoliko verifikacija programa nije dala zadovoljavajuće rezultate. generiranje slučajnih promjenjivih. i dr. Osim Monte Karlo simulacije. analizom osjetljivosti). 5. povezivanje procedura). Verifikacija simulacionog programa Testiranje simulacionog programa prema postavkama simulacionog modela (pojedinačne procedure. Tokom analize rezultata može se pokazati potreba za dopunom koraka 8 (izvođenje dodatnih eksperimenata). Monte Karlo simulacija spomenuta je Ovdje iz razloga što su u njoj tretman slučajnih događaja i generiranje slučajnih vrijednosti bliski onom iz simulacije diskretnih događaja. Vrednovanje (validacija) simulacionog modela Ispitivanje da li simulacioni model adekvatno predstavlja stvarni sistem (ispitivanjem podudarnosti izlaza modela i realnog sistema. potreban je povratak na korak 7. po tehnikama modeliranja i simulacije koje su za njih razvijene.Simulacija diskretnih događaja . Planiranje simulacionih eksperimenata i njihovo izvođenje Planiranje simulacionih eksperimenata koji omogućuju ispunjenje cilja studije (plan promjene parametara modela. bilo automatskim generiranjem programa na osnovu konceptualnog modela. koja je statička. potrebno je vratiti se na tačku 4 (izmjene u simulacionom modelu). koji se razlikuju.4 Vrste simulacionih modela Prikazane podjele simulacionih modela dovele su do formuliranja četiri osnovne vrste simulacionih modela. 9. Zaključci i preporuke Prezentacija relevantnih rezultata na osnovu kojih se mogu donijeti odgovarajuće odluke (izbor konfiguracije sistema. sve ostale nabrojane vrste su dinamičke. i dr. Analiza rezultata eksperimenata Statistička analiza rezultata simulacionih eksperimenata.Monte Karlo (Monte Carlo) simulacija . 18 . s jedne strane. 10. i s druge strane.4.Mješovita. 6. Izgradnja simulacionog programa Izbor programskog jezika ili paketa i stvaranje simulacionog programa bilo pisanjem programa. ponavljanje eksperimenta zbog analize uticaja slučajnih promjenjivih. 8. Izvođenje simulacionih eksperimenata prema usvojenom planu. kontinualno-diskretna simulacija. To su: . izmjene u sistemu.).

U prvoj klasi su relativno jednostavni problemi koji su opisani detaljno i 19 . S druge strane. detaljnije razmatrani u posebnim poglavljima. Ovakav pristup se najčešće primjenjuje kod analiziranja društvenih ili ekonomskih fenomena. ali i danas još uvijek nema potpune saglasnosti o korištenu tog termina. procjene kritičnih vrijednosti ili testiranje novih hipoteza) su jedna specifična klasa problema koji se rješavaju Monte Karlo simulacijom. Monte Karlo simulacija pristupa proračunu integrala tako što se generiše niz slučajnih tačaka (xj.5 Monte Karlo simulacija Monte Karlo simulacija (statistička simulacija). Prilikom rješavanja takvih problema također se koristi generiranje slučajnih brojeva i promjenjivih. Za njih je karakteristično da nije poznat način uzajamnog djelovanja između elemenata već su poznate samo vjerovatnoće njegovog ishoda. 5. koji se zasniva na generisanju slučajnih brojeva. Ova metoda je razvijena u SAD tokom Drugog svjetskog rata. analogan je onom koji se koristi kod simulacije sistema sa diskretnim događajima. Statističkom analizom takvih uzoraka dobija se raspodjela vjerovatnoća zavisnih promjenjivih koje su od interesa. Ovakav pristup. 5. tj. Neki autori Monte Karlo simulacijama nazivaju bilo koju vrstu programa koji se koriste slučajnim brojevima. 5. Pri tome. 5. povezana je sa slučajnim fenomenima.9 Kontinualna simulacija Kontinualna simulacija se koristi za dinamičke probleme kod kojih se promjenjive stanja mijenjaju kontinualno u vremenu. dok su modeli kontinualne simulacije i modeli sa diskretnim događajima. 5. bilo stohastičkog karaktera. u većini literature o simulacionom modeliranju. čija je podintegralna funkcija takva da se ne može naći rješenje u obliku analitičkog izraza. Postoje dvije osnovne klase problema koji se rješavaju ovom metodom. koje se koriste za izvođenje niza eksperimenata koji daju uzorke mogućih stanja zavisnih promjenjivih. Razlikujemo sljedeće tipove primjene Monte Karlo simulacije.6 Deterministički problemi koje je teško ili skupo rješavati Tipičan primjer ovoga tipa je računanje vrijednosti određenih integrala koji se ne mogu rješiti analitički. kao što joj i ime kaže.U nastavku su ukratko opisane sve nabrojane vrste simulacionih modela.7 Složeni fenomeni koji nisu dovoljno poznati Ovo je druga klasa problema koji se rješavaju Monte Karlo simulacijom.yj) sa jednakim vjerovatnoćama unutar određenog pravougaonika i potom ispituje koliko je generisanih tačaka unutar površine koja odgovara integralu.8 Statistički problemi koji nemaju analitička rješenja Statistički problemi bez analitičkog rješenja (npr. problemi mogu biti bilo determinističkog. ovaj termin se upotrebljava samo za statičke tipove simulacije kod kojih se u rješavanju problema koristi stvaranje uzoraka iz raspodjela slučajnih promjenjivih.

uobičajeno se nazivaju metode kontinualne simulacije.11 Modeli koji se opisuju sistemima parcijalnih diferencijalnih jednačina Parcijalne diferencijalne jednačine sadrže više od jedne nezavisne promjenjive (xj) po kojima se traže izvodi zavisne promjenjive. Numeričke metode mogu se primijeniti i na analitički rješive jednačine. jer je u većini slučajeva za takve jednačine jednostavnije analitičko rješenje. Tim jednačinama se u svakom konkretnom slučaju uspostavlja veza između nepoznate funkcije (y). na primjer. razni oblici kretanja i mnogi fizički. njene realne promjenjive (t) i njenih izvoda (y. Razlikujemo tri osnovna tipa kontinualnih simulacionih modela . biološki i drugi procesi gdje se radi o jednoj nepoznatoj funkciji y=y(t) jedne nezavisno promjenjive (t). zavisna varijabla vrijeme Slika 6.10 Modeli koji se opisuju običnim diferencijalnim jednačinama (sistemi običnih diferencijalnih jednačina) Problemi u vezi sa raznim procesima kao što su. ali se to u praksi izbjegava. izražavaju se matematički jednačinama u kojima se. biologije i inženjerstva. 20 . javljaju (obavezno) i izvodi te funkcije (dy/dt). Zbog toga se za takve jednačine moraju koristiti numeričke metode.kod kojih su promjene "glatke" i prirodno se opisuju diferencijalnim jednačinama.) i takve se jednačine nazivaju obične diferencijalne jednačine. 5. pored nezavisno promjenjive i nepoznate funkcije. Tipični primjeri problema koji se mogu opisati parcijalnim diferencijalnim jednačinama su problemi aerodinamike. To su tipično problemi iz fizike. u kojem se niz elemenata sistema redukuje na manji broj komponenti i u kojima se promjene u sistemu aproksimiraju konstantnim brzinama promjene. ali je to dosta rijetko kod stvarnih problema (uobičajeno je da ove jednačine uzimaju oblik složenih nelinearnih diferencijalnih jednačina koje se po pravilu ne mogu riješiti analitički). hemijski. Numeričke metode koje služe za rješavanje diferencijalnih jednačina kod kojih se kao nezavisna promjenjiva javlja vrijeme. To su najčešće problemi iz područja ekonomije i društvenih nauka. Kontinualna simulacija 5. Modeli koji se opisuju običnim diferencijalnim jednačinama ili njihovim sistemima mogu se u određenim slučajevima riješiti analitički. hidrodinamike i meteorologije. U drugoj klasi su problemi koji nastaju opisom veoma složenih sistema u agregiranom obliku.

odnosno promjene stanja entiteta se dešavaju diskontinualno u vremenu. Vremenski događaji su događaji koje generiše mehanizam upravljanja događajima. zavisna varijabla događaj vrijeme Slika 7.5. 5. kakav postoji u simulaciji diskretnih događaja. Pod događajem Ovdje se podrazumijeva diskretna promjena stanja entiteta sistema.12 Modeli dinamike sistema (System Dinamics) Dinamika sistema je metodologija istraživanja. Oni mogu da izazovu trenutnu promjenu stanja kontinualne promjenjive. društvenih i ekonomskih sistema. neophodno je da budu zadate početne vrijednosti veličina kao i vrijednosti svih konstanti i parametara koje model sadrži. događaji stanja su oni događaji koje aktivira 21 . Novo stanje sistema u narednom trenutku vremena računa se na osnovu stanja u prethodnom trenutku vremena i razlike ulaznih i izlaznih tokova za to stanje u prethodnom intervalu vremena. S druge strane. Simulacija opisuje svaki diskretni događaj. ne mogu u potpunosti da opišu način rada sistema. bioloških. Veza između diskretnog i kontinualnog pristupa postiže se uvođenjem dva tipa događaja. Da bi proračun mogao početi. tj. stanje sistema se ne mijenja. razvijena je Mješovita simulacija koja omogućava integriranje kontinualnih i diskretnih elemenata sistema. Sistemi koji se modeliraju na ovaj način su dinamički i gotovo redovno stohastički.13 Simulacija diskretnih događaja Simulacija diskretnih događaja je specifična metodologija simulacije koja se bavi modeliranjem sistema koji se mogu predstaviti skupom događaja. Da bi se takvi sistemi modelirali i simulirali. Povratna veza može biti pozitivna ili negativna. Događaj nastupa u određenom trenutku vremena. Između dva uzastopna događaja. Modeli sa povratnom vezom koriste se najčešće za modeliranje inženjerskih. kontinualna simulacija kao i simulacija diskretnih događaja. a posljedica toga je da se mogu opisivati kao kontinualni tokovi opisani diferencijalnim jednačinama (tj.14 Mješovita simulacija Kod pojedinih vrsta sistema. Pri tome su pojedinačni događaji jako agregirani. Simulacija diskretnih događaja 5. modeliranja i simulacije složenih dinamičkih sistema. a ne beskonačno malim veličinama). konačnim razlikama. Dinamika sistema prikazuje sisteme kao povezane upravljačke petlje. samo u nekim vremenskim trenucima (kada nastupi događaj). To su oni sistemi koji sadrže procese koji teku kontinualno i događaje koji dovode do diskontinuiteta u ponašanju sistema. krećući se od jednog događaja do drugog pri čemu nastaje pomak (prirast) vremena simulacije. Sistemi sa povratnom vezom su osnovni tip sistema koji se modeliraju dinamikom sistema.

a koji je karakterističan za kontinualnu simulaciju. zavisna varijabla vrijeme događaj Slika 7. Mješovita simulacija 22 . Ovi događaji mogu da aktiviraju događaje diskretnog dijela modela. čiji je vremenski interval mali. Poznatiji simulacioni jezici za mješovitu simulaciju su GASP i SLAM.mehanizam pomaka vremena sa konstantnim prirastom.

U budućnosti je za očekivati da će putem vještačke inteligencije biti zamijenjeni mnogu eksperti i stručnjaci.ZAKLJUČAK Svakodnevno smo svedoci brojnih primera upotrebe vještačke inteligencije u oblasti hemijske industrije.Za očekivati je da će u budućnosti upotreba vještačke inteligencije biti sve zastupljenija čak i u svakodnevnom radnom okruženju. 23 . Vještačka inteligencija pokušava simulirati ljudski način razmišljanja služeči se deklarativno znakovnim programiranjem uz razvijanje vizuelnih senzora i prirodnih jezika.VI . Velike baze znanja će omogućiti nakše rješavanje problema.

.net/shoom/es. Reading.pdf [3] http://bs. A. Argyropoulos: Artificial Intelligence in Materials Processing Operations: A Review and Future Directions. A.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija [2] http://users. Addison-Wesley Publ.com/doc/14870988/Integrated-Design-and-Simulation-of-ChemicalProcesses [5] R.wikipedia. Co. Intellegent Systems for Engineering: A KnowledgeBased Approach. D.hemo. 1997 [6] S. MA.scribd. [7] D.LITERATURA [1] http://bs.wikipedia. 30(1990) 83-89. Sriram. (1986) 24 . Springer Verlag.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija [4]http://www.VII . ISIJ Int. Waterman: A Guide to Expert Systems.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->