Professional Documents
Culture Documents
Вештачка интелигенција се постиже проучавањем како људски мозак мисли, како људи
уче, одлучују, и раде док покушавају да реше проблем, а затим резултати ове студије
служе као основа за развој интелигентних система и софтвера.
Игре − игра важну улогу у стратегијским играма као што су шах, покер, tic-tac-toe,
итд., где машина може да размишља о великом броју могућих позиција што је
засновано на хеуристичком знању.
Природно процесовање језика − Могуће је бити у интеракцији са рачунаром који
разуме језик којим говоре људи.
Експертски системи − Постоје неке апликације које интегришу машину, софтвер и
посебне информације да би пренели образложење и савет корисницима.
Визуални системи − Ови системи разумеју, интерпретирају, и разумеју визуелни
улаз на рачунару. На пример,
o Шпијунски авион снима информације, које се користе за разумевање
просторних информација мапе подручја.
o Доктори користе клиничке експертске системе за дијагнозу пацијента.
o Полиција користи компјутерски програм који може да препозна лица
криминалаца према потхрањеном портрету који су сачинили форензички
стручњаци.
Препознавање говора − Неки интелигентни системи су способни да чују и разумеју
језик у виду реченица као и њихово значење када им се човек обраћа. Могу бити
обрађени различити акценти, речи у сленгу, бука у позадини, промена људске буке
у складу са хладноћом.
Препознавање рукописа − Програм за препознавање рукописа чита текст који је
написан на папиру који је написан оловком или на екрану светлосном оловком. Он
може да препозна облике слова и да их претвори у текст који се може мењати.
Интелигентни роботи − Роботи могу да изведу задатке које им задају људи. Они
имају сензоре помоћу којих детектују физичке податке из реалног света као што су
светло, топлота, температура, кретање, звук, неравнина, или притисак. Опремљени
су ефикасним, вишеструким сензорима и великим капацитетом меморије, да би
остварили примену интелигенције. Такође су оспособљени да уче из својих
грешака, и да се прилагоде новој околини.
1985 Харолд Коен (Harold Cohen) креирао и демонстрирао програм за цртање под
називом Aaron.
Највећи доприноси у свим областима Вештачке Интелигенције−
1997 Програм (Deep Blue Chess) победио је тадашњег светског шаховског шампиона,
Гари Каспарова.
Интерактивни роботи мезимци постали су комерцијално доступни. MIT приказује
2000
робота под именом Kismet, робота са лицем које приказује емоције. Робот Nomad
претражује далеке пределе Антарктика и лоцира метеорите.
ШТА ЈЕ ИНТЕЛИГЕНЦИЈА?
Типови интелигенције
Као што је описао Howard Gardner, амерички развојни психолог, интелигенција се може
поделити на:
Може се рећи да је машина или систем, вештачки интелигентна ако има макар једну или
више интелигенција у себи.
Расуђивања
Учења
Решавања Проблема
Перцепције
Лингвистичке интелигенције
Корисников глас са микрофона као улаз иде на звучну карту система. Конвертор претвара
аналогни сигнал у еквивалентни дигитални сигнал за процесовање говора. За
препознавање речи користи се база података за упоређивање звучног шаблона. На крају
се повратна информација шаље бази података.
Текст изворног језика постаје постаје улаз за Преводилачку машину, која га претвара у
циљни текст језика. Они су подржани од стране интерактивног GUI, великих база језика, и
тд.
ПРИМЕНА У СВАКОДНЕВНОМ ЖИВОТУ
Експертски системи
1.
Примери − Систем за праћење лета, Клинички системи.
Неуронске мреже
3. Примери − Системи за препознавање коришћењем
шаблона као што је препознавање лица, препознавање
карактера, препознавање рукописа.
Роботика
4. Примери − Индустријски робот који се креће, фарба,
распршује спреј, проверава прецизност, буши, чисти,
премазује, полира, и тд.
Фази Логички Системи
5.
Примери − Потрошачка електроника, аутомобили, и тд.
КЛАСИФИКАЦИЈА ЗАДАТАКА
Математика Инжењерство
Перцепција
Геометрија Проналажење
Логика Грешке
Компјутерски вид
Интеграција и Производња
Говор, Глас
Диференијација Праћење
Процесовање природног
Игре
језика
Крени Научна анализа
Разумевање
Шах (Дубоко плаво)
Стварање језика
Провера
Превод језика
Планирање Креативност
Роботика
Кретање
Људи уче обичне задатке од рођења. Они уче захваљујући перцепцији, говору,
коришћењем језика и путем кретања. Они уче Формалне Задатке и касније и Експертске
задатке, у том редоследу.
Касније је схваћено да машина захтева више знања, сложено представљање знања, као и
компликоване алгоритме за извођење уобичајених задатака. Сада је разумљиво да
област Вештачке Интелигенције много више просперира у експертском домену задатака.
Систем вештачке интелигенције је сачињен од агената и њихове околине. Агенти делују у
својој околини. Околина може да садржи друге агенте.
Агент је средство преко којих се осећа околина и примају надражаји из ње преко сензора
а делује се на околину преко ефектора.
Људски агент има сензорске органе као што су очи, уши, нос, језик и кожа
паралелно сензорима, и осталим органима као што су руке, ноге, уста, за ефекторе.
Роботски агент замењује камере и инфрацрвену област за сензоре, и разноврсне
моторе и актуаторе за ефекторе.
Софтверски агент има енкодоване стрингове битова као своје програме и акције.
Терминологија агента
Рационалност
секвенце перцепције
уграђене базе знања
Рационални агент увек изводи ваљане акције, где права акција значи акцију која узрокује
да агент буде најуспешнији у датој секвенци. Проблем који агент решава је карактерисан
Мером Извођења, Околином, Актуаторима, и Сензорима (PEAS).
Они бирају акције да би постигли циљеве. Овај приступ је флексибилнији него агент
реакције јер је знање које помаже доношењу одлуке експлицитно моделовано, и на тај
начин дозвољава измене.
Природа окружења
Насупрот томе неки софтверски агенти (софтверски роботи или softbots) постоје у
богатим, неограниченим softbots доменима. Симулатор има веома детаљну сложену
околину. Софтверски агент треба да изврши избор од дугачког низа акција у реалном
времену. Softbot је тако сачињен да скенира online жељени избор купаца и приказује
интересантне ставке купцу, што ради како у реалном тако и у вештачком окружењу.
Најпознатије вештачко окружење је Turing Тест окружење, при чему се један реални и
остали вештачи агенти тестирају на једнаким основама. Ово је веома изазовно окружење
јер је веома тешко за софтверски агент да прикаже исто тако добро понашање као човек.
Turing Тест
Две особе и машина учествују у тесту евалуације. Један од две особе игра улогу тестера.
Сваки од њих седи у различитим собама. Тестер није свестан ко је машина а ко је човек.
Он поставља питања на тај начин што их куца а затим шаље и човеку у интелигентној
машини. Циљ теста се састоји у томе да превари тестера, и то ако он не препозна од кога
је добио одговор тада се може рећи да је машина интелигентна.
Својства околине
Игре као што су 3X3 осам плочица, 4X4 петнаест плочица, и 5X5 двадесет четири плочице
су проблеми проналажења путање појединачног агента. Они се састоје од матрица
плочица са празном плочицом. Играчу је потребно да распореди плочице на тај начин што
их клиза или вертикално или хоризонтално у празан простор са циљем да се изврши неки
задатак.
Терминологија претраге
Захтеви −
Опис стања
Скуп валидних оператора
Почетно стање
Опис циљног стања
Претрага у ширину
Почиње од кореног чвора, претражујући прво суседне чворове а затим се креће према
следећем нивоу суседа. Ствара се једно дрво у времену, све док се не пронађе решење.
Може се користити FIFO редна структура података. Овај метод обезбеђује најкраћу путању
до решења.
Ако је фактор ширине (просечан број чворова деце) = b и дубина = d, онда је број чворова
на нивоу d = bd.
Мана − Пошто се сваки ниво чворова памти приликом креирања следећег чвора, он
захтева доста меморије. Просторни захтеви за чување чворова су експоненцијални.
Претрага у дубину
Примењује се у рекурзији са LIFO структуром података. Креира се исти скуп чворова као у
случају претраге у ширину али се обавља у другачијем реду.
Претрага иде напред од почетног стања и уназад од циља све док се не идентификује
заједничко стање.
Недостатак − Могу бити вишеструке дугачке путање са ценом ≤ C*. Јединствена претрага
мора да их истражи све.
Никада се не креира чвор све док се не створе доњи чворови. Само се чувају скупине
чворова. Алгоритам се завршава када се пронађе решење на дубини d. Број чворова
креираних на дубини d је bd а на дубини d-1 је bd-1.
Поређење сложености појединих алгоритама
Интерактивна
Јединствена
Критеријум Прво ширина Прво дубина Обострано претрага по
цена
дубини
Време bd bm bd/2 bd bd
Простор bd bm bd/2 bd bd
Оптималност Да Не Да Да Да
Комплетирањее Да Не Да Да Да
Они извршавају цену оптималне путање између два стања. Хеуристичка функција за игре
клизања плочица се израчунава пребројавањем броја кретања које направи свака
плочица од циљног стања, и додавањем броја кретања за све плочице.
Чисто хеуристичко претраживање
A * Претрага
такозвана функција пењања по брду (проблем), приказује стање које представља локални
минимум.
улаз: проблем
локалне променљиве: текућа, суседни чвор, чвор
current <-Make_Node(Initial-State[problem])
loop
do neighbor <- a highest_valued successor of current
if Value[neighbor] ≤ Value[current] then
return State[current]
current <- neighbor
end
У овом алгоритму задржава се k број стања у сваком тренутку. У почетном тренутку ова
стања се стварају произвољно. Успешност ових k стања се израчунава уз помоћ циљне
функције. Ако је било која од ових успешних стања максимана вредност функције циља,
тада се алгоритам зауставља.
Симулација каљења
Почетак
Крај
У овом алгоритму, циљ је пронаћи ниску цену путање путујућег трговца који креће од
почетног града 1, посећује све градове на зацртаном плану само једном и враћа се у град
одакле је кренуо.
Почетак
Одредити свих (n -1)! могућих решења, где је n укупан број градова.
Одредити минималну цену коштања сваког од (n -1)! решења.
На крају задржати оно решење са минималном ценом коштања.
крај
ПРОЦЕСОВАЊЕ ПРИРОДНОГ ЈЕЗИКА
Поље NLP укључује коришћење компјутера који треба да обави корисне задатке
коришћењем природних језика које користе људи. Улаз и излаз система NLP може бити
Говор
Писани текст
Компоненте NLP
Постоји велики број алгоритама које су истраживачи развили за синтаксну анализу, али се
разматрају следеће једноставне методе −
Граматика слободног контекста
Парсирање горе- доле
Парсирано стабло разбија реченицу у структуиране делове тако да компјутер може лако
да их разуме и процесира. Да би се спровео алгоритам парсирања и конструисало дрво
парсирања, потребно је поново написати правила, која описују која структура дрвета је
валидна.
Ова правила налажу да се поједини симболи у стаблу морају раширити. У складу са првим
логичким правилом, ако постоје два стринга Именичка фраза (NP) и Вербална Фраза (VP),
онда стринг комбинован са именичком фразом (NP), праћен вербалном фразом (VP) чини
реченицу. Поново написана правила за реченицу су следећа −
S → NP VP
VP → V NP
Lexocon −
DET → a | the
Стабло парсирања −
Сада се могу поново преформулисати правила. Пошто V може да се замени са, "peck" или
"pecks", реченице као што су "The bird peck the grains" са погрешним облицима глагола су
такође дозвољене.
Мане
Парсирање горе-доле
Мане
Шта су роботи?
ЦИЉЕВИ
Шта је Роботика
Аспекти роботике
Кретање робота је механизам помоћу кога се робот помера у свом окружењу. Постоји
неколико типова кретања −
Коришћењем ногу
Коришћењем точкова
Комбинацијом ногу и точкова
Коришћењем клизања/ прескакања
Овај тип кретања троши више снаге за време кретања, скакања, прескакања,
пењања или спуштања, као и коришћења других видова кретања.
Захтева се већи број мотора да би се извршило кретање. Веома је погодно за твд
као и раван терен при чему нерегуларна или сувише равна површина узрокује да
се троши више снаге за кретање коришћењем точкова. Веома тешко је извршити
конструкционо извођење да би се задовољили захтеви стабилности.
Јавља се у комбинацији једне, две, четири или шест ногу. Неопходно за кретање
робота је да има више ногу од ножне координације.
У случају робота са две ноге (k=2), број могућих догађаја је N = (2k-1)! = (2*2-1)! = 3! = 6.
У случају када је k=6 ногу, постоји 39916800 могућих случајева. Стога се може рећи да је
сложеност робота повезана са бројем ногу.
Кретање уз помоћ точкића
Компјутерски вид
Напајање
Уређај за аквизицију података, што је најчешће камера
Процесор
Софтвер
Уређај за приказ праћења система
Помоћне уређаје као што су камера, каблови и конектори.
Пољопривреда
Независна возила
Биометрика
Препознавање карактера
Форензика, сигурност, и обезбеђивање
Индустријска провера квалитета
Препознавање лица
Анализа гестова
Наука о настанку земље
Слике које се користе у медицинске сврхе
Праћење загађења
Контрола процеса
Примање надражаја на даљину
Роботика
Транспорт
Примена Роботике
Идеја ANNs је заснована на раду човечијег мозга успостављањем ваљаних веза, и тај рад
се може имитирати коришћењем силикона и жица који играју улогу живих неурона и
дендрита.
Свакој вези је придружена одговарајућа тежина. ANNs могу да уче, што се постиже
мењањем тежинских вредности. Следећа илустрација приказује једноставну ANN −
Типови Вештачких Неуронцких Мрежа
Постоје две топологије Вештачке Неуронске Мреже − Проток података у једном смеру и
Повратна спрега.
Проток података је у једном смеру. Јединица шаље информацију другој јединици, кроз
коју не прима било коју информацију. Не постоји повратна спрега. Користи се код
стварања шаблона, препознавању, класификацији. Имају фиксне улазе и излазе.
Вештачке неуронске мреже са повратном спрегом
У горе приказаном дијаграму, свака стрелица представља везу између два неурона и
приказује путању за проток информације. Свака конекција има тежину, цео број који
контролише сигнал између два неурона.
Ако мрежа ствара “добар или жељени” излаз, нема потребе за подешавањем тежине. Са
друге стране ако мрежа ствара “слаб или нежељени” излаз или грешку, онда систем мења
тежину да би се побољшали каснији резултати.
Учење путем супервајзора − Овај приступ укључује наставника који добро познаје
материју и Вештачку Неуронску Мрежу. На пример наставник шаље податке ANN за
које већ зна одговоре.
На пример препознавање шаблона. ANN приликом препознавања даје своју
претпоставку. Затим наставник даје ANN одговоре. Затим мрежа упоређује
претпостављени одговор са наставниковим тачним одговором и затим врши
подешавања у складу са грешкама.
Учење без супервајзора − Оно се захтева када нема примера скупа података са
познатим одговорима. На пример потрага за скривеним шаблонима. У овом
случају, У овом случају груписање, односно подела скупа елемената у групе у
складу са непознатим шаблонима се изводи на текућем постојећем скупу података.
Учење засновано на посматрању − ANN доноси одлуку посматрањем околине. Ако
је посматрање негативно, мрежа подешава тежину, да би могла да се сачини
следећег пута различиту захтевану одлуку.
Ово је алгоритам учења или обуке. Учење се врши примером. Ако се алгоритму достави
пример шта мрежа треба да уради, то мења тежину мреже, тако да то може произвести
жељени излаз за одређени улаз приликом завршетка обуке.
Постоји само једно ограничење код овог типа мреже, при чему се не може доћи до чвора
директним праћењем стрелице. Стога се BNs зове Директни Ациклични График (DAGs).
Област претпоставки
Вероватноћа додељена сваком предлогу.
Размотримо коначни скуп X = {X1, X2, …,Xn} дискретних произвољних променљивих, где
свака променљива Xi може узимати вредности из коначног скупа, означеног са Val(Xi). Ако
постоји директна веза од променљиве Xi до променљиве Xj, онда ће променљива Xi бити
родитељ променљиве Xj приказујући директне зависности између променљивих.
Инжењер експерт може да гради Bayesian мрежу. Постоји број корака који треба
инжењер експерт да испуни да би иградио овакву мрежу.
Исто тако ако пацијент има рак плућа, онда ће резултат X-зрачења бити позитиван. Тада
треба додати стрелицу од чвора Рак Плућа (Lung-Cancer) ка чвору X-Зраци (X-Ray).
Спецификација топологије
Уобичајено су стрелице усмерене од врха ка дну. Скуп родитељских чворова чвора X је дат
са Родитељ(X).
Чвор Рак Плућа има два узрока: Загађење и Пушач, при чему је чвор Пушач потомак чвора
X-Зрак. Слично томе, X-Зрак је дете (последица или ефекат) чвора Рак Плућа али
наследник чворова Пушач и Загађење.
Условне претпоставке
Изводе се захтеви који су лаки за извођење у случају човека али су тешки за машину−
Фази логика (FL) је метод који подсећа на човечије размишљање. Приступ FL имитира
начин доношења одлуке код људи и укључује све могуће случајеве између дигиталних
вредности Да(YES) или Не(NO).
Уобичајени логички блок који компјутер може да разуме узима прецизни улаз и
производи одређени излаз као што је Тачно(TRUE) или Нетачно(FALSE), што је
еквивалентно људском одговору Да(YES) или Не(NO).
СИГУРНО ДА
МОГУЋЕ ДА
НЕ МОЖЕ СЕ РЕЋИ
ВЕРОВАТНО НЕ
СИГУРНО НЕ
Фази логика ради са нивоима могућих улаза да би се достигла вредност коначног излаза.
Примена
MP x је средње позитивно
S x је мало
MN x је средње негативно
На тај начин, улазна вредност до фузификатора варира од -10 волти до +10 волти. На тај
начин се мења одговарајући излаз.
ПРИМЕР ФАЗИ ЛОГИЧКОГ СИСТЕМА
Алгоритам
Логички развој
Сваки члан овог скупа је лингвистички термин, и може да покрије неки део укупних
температурских вредности.
СобнаТемп.
Веома хладно Хладно Топло Вруће Веома вруће
/Циљна
Аутоматски системи
Аутоматски мењачи
Управљачки механизам за четири точка
Возило за контролу средине
Hi-Fi Системи
Фотокопир апарати
Фиксне и видео камере
Телевизије
Апарати за домаћинство
Микроталасне пећи
Фрижидери
Тостери
Усисивачи
Машине за прање веша
Контрола окружења
Клима уређаји/Сушачи/Грејачи
Аеросоли
Предности FLS
Мане FLSs
Давања савета
Давање инструкција и асистирање при људском доношењу одлуке
Демонстрације
Извођење решења
Дијагностиковање
Објашњавање
Интерпретација улаза
Предвиђање резултата
Доношење закључака
Предлагање алтернативних опција
Базу Знања
Механизам закључивања
Кориснички интерфејс
БАЗА ЗНАЊА
Шта је знање?
База знања Експертског Система садржи чињенично, хеуристичко или и једно и друго
знање.
Стицање Знања
Механизам Закључивања
На основу онога што се већ десило, Систем Закључивања покушава да пронађе који
услови су се могли десити у прошлости да би дошло до ових резултата. Ова стратегија се
је праћена проналажењем узрока или разлога. На пример дијагноза код рака крви код
људи.
Кориснички интерфејс
Технолошка ограничења
Тешкоће у стицању знања
Експертски Системи се тешко одржавају
Висока цена развоја
Примена Опис
Развој Система
Развој Прототипа