Professional Documents
Culture Documents
Trong phần này, chúng tôi sẽ định nghĩa thuật ngữ trí tuệ nhân tạo (AI) một cách không
chính thức và cho một lược sử ngắn về nó. Chúng tôi cũng định nghĩa một đại lý thông
minh và hai loại rộng của nó. Cuối cùng, chúng tôi đề cập đến hai ngôn ngữ lập trình
thường được sử dụng trong trí tuệ nhân tạo.
Năm 1950, Alan Turing đề xuất Turing Test, cung cấp một định nghĩa về trí thông minh trong
máy tính. Turing Test đơn giản là so sánh hành vi thông minh của một con người với hành vi của một
máy tính. Một người chất vấn đặt một bộ câu hỏi được gửi cho cả một máy tính và một con người.
Người chất vấn nhận được hai bộ câu trả lời, nhưng không biết bộ câu trả lời nào đến từ con người
và bộ câu trả lời nào đến từ máy tính. Sau khi cẩn trọng xem xét hai bộ câu trả lời, nếu người chất vấn
không thể chắc chắn nào là bộ câu trả lời đến từ máy tính và nào là bộ câu trả lời đến từ con người,
máy tính đã vượt qua Kiểm tra Turing cho hành vi thông minh.
a, LISP(List programming)
LISP (LISt Programming) được phát minh bởi John McCarthy vào năm 1958. Như tên gọi của
nó, LISP là một ngôn ngữ lập trình dùng để thao tác các danh sách.
b, PROLOG(Programming in Logic)
PROLOG (PROgramming in LOGic) là một ngôn ngữ lập trình có thể xây dựng cơ sở dữ liệu các
sự kiện và cơ sở tri thức các quy tắc. Một chương trình trong PROLOG có thể sử dụng lý luận logic để
trả lời các câu hỏi có thể được suy ra từ cơ sở tri thức.
Kiến thức được biểu diễn trong đại lý thông minh qua các hình thức khác nhau,
chẳng hạn như semanti c networks, frames, predicate logic và based system.
18.2.1->18.2.4(powerpoint)
3, Kiến trúc(Architecture)
Bộ suy luận (inference engine) là trái tim của một hệ thống chuyên gia: nó tương tác với cơ sở
kiến thức, cơ sở dữ liệu sự kiện và giao diện người dùng. Bốn trong số bảy thành phần của một hệ
thống chuyên gia - giao diện người dùng, hệ thống suy luận, hệ thống giải thích và trình biên tập cơ sở
kiến thức - có thể được tạo một lần và sử dụng cho nhiều ứng dụng, vì chúng không phụ thuộc vào cơ
sở kiến thức hoặc cơ sở dữ liệu sự kiện cụ thể. Hình minh họa các thành phần này được đặt trong hộp
được tô màu xám, thường được gọi là lõi của hệ thống chuyên gia.
Một ví dụ đơn giản về không gian tìm kiếm là tìm kiếm một từ cụ thể trong một cuốn sách. Không gian
tìm kiếm là toàn bộ cuốn sách, và mục tiêu là tìm thấy từ đó trong không gian đó.
Expert systems và Mundane systems có thể sử dụng các kỹ thuật tìm kiếm khác nhau để giải quyết các
vấn đề dựa trên nhu cầu và khả năng cụ thể của chúng.
Expert systems được thiết kế để giải quyết các vấn đề phức tạp trong một lĩnh vực cụ thể bằng cách
sử dụng các quy luật và kỹ thuật tìm kiếm heuristics để tìm ra các giải pháp tối ưu.
Ví dụ, một Expert systems để chẩn đoán các bệnh lý y khoa có thể sử dụng một kết hợp của các quy
luật và kỹ thuật tìm kiếm heuristics để xác định chẩn đoán có khả năng cao nhất dựa trên các triệu
chứng và tiền sử bệnh của bệnh nhân.
Ngược lại, các Mundane systems được thiết kế để tự động hóa các nhiệm vụ thường xuyên và hoạt
động trong môi trường dự đoán hơn. Chúng thường sử dụng các kỹ thuật tìm kiếm đơn giản hơn,
chẳng hạn như tìm kiếm tuyến tính và tìm kiếm nhị phân để thực hiện các nhiệm vụ của chúng một
cách hiệu quả.
Ví dụ, một hệ thống để tìm kiếm một cơ sở dữ liệu các bản ghi khách hàng có thể sử dụng một kỹ
thuật tìm kiếm tuyến tính để tìm kiếm thông tin cần thiết một cách tuần tự hoặc có thể sử dụng kỹ
thuật tìm kiếm nhị phân nếu dữ liệu đã được sắp xếp.
Tổng thể, sự lựa chọn của kỹ thuật tìm kiếm phụ thuộc vào độ phức tạp của vấn đề được giải quyết,
khả năng của hệ thống và tài nguyên có sẵn để tính toán.
Nếu một bông hoa hồng mới được đưa vào với đặc trưng màu đỏ có giá trị 0,5, đặc trưng màu xanh lá
cây có giá trị 0,2 và đặc trưng màu vàng có giá trị 0,8, perceptron sẽ tính tổng trọng số của các đặc
trưng như sau: 0,5 * w1 + 0,2 * w2 + 0,8 * w3. Nếu kết quả là lớn hơn giá trị ngưỡng đã được cài đặt
trước đó, ví dụ 0,7, perceptron sẽ phát ra tín hiệu và cho rằng bông hoa là một loại hoa hồng. Nếu kết
quả là nhỏ hơn giá trị ngưỡng, perceptron sẽ không phát ra tín hiệu và cho rằng bông hoa không phải
là một loại hoa hồng.
(Ví dụ, giả sử trọng số của các đặc trưng là w1 = 0.8 cho đặc trưng màu sắc, w2 = 0.5 cho
đặc trưng kích thước và w3 = 0.3 cho đặc trưng hương thơm. Khi chúng ta đưa vào một
bông hoa hồng mới với màu sắc đỏ, kích thước là 10cm và không có hương thơm,
perceptron sẽ tính tổng trọng số như sau: 0.8 * 1 + 0.5 * 10 + 0.3 * 0 = 8.3.
Nếu giá trị ngưỡng được đặt là 7, và tổng trọng số lớn hơn giá trị ngưỡng, perceptron sẽ cho rằng hoa
hồng là một loại hoa được huấn luyện để phân loại. Tuy nhiên, nếu tổng trọng số nhỏ hơn giá trị
ngưỡng, perceptron sẽ không phát ra tín hiệu và cho rằng bông hoa không phải 1 loại hoa hồng)