1.

AZ MI FOGALMA
Mi a MI?
Intelligens (emberi módon gondolkodó?) számítógépes
I. Bevezetés 
programok készítése.
 Az intellektuálisan bonyolult (?), ember számára is
nehéz feladatok számítógépes megoldása.

A megoldás eredménye legyen-e minél jobb

vagy a megoldás előállításának módja minél emberibb?
(mérnöki vs. kognitív tudomány)

Gregorics Tibor Mesterséges intelligencia 1 Gregorics Tibor Mesterséges intelligencia 2

Miről ismerhető fel az MI? Kezdet

 Megoldandó feladatai: nehezek
– A feladat problématere hatalmas. 1956 nyár. Darthmouth College-i konferencia
– A megoldás megtalálása intuíciót, kreativitást igényel,
hogy a megoldás során kombinatorikus robbanás ne
következzen be. Kezdeti cél:
 A megoldó szoftver viselkedése: intelligens
‒ Mintha egy ember tevékenykedne (Turing teszt). Az emberi gondolkodás számítógép
‒ Működése közben tanul. segítségével történő reprodukálása.
 Megoldási módszerei: sajátosak
‒ Átgondolt reprezentáció a feladat modellezéséhez.
‒ Heurisztikával megerősített hatékony algoritmusok.
Gregorics Tibor Mesterséges intelligencia 3 Gregorics Tibor Mesterséges intelligencia 4

Első szakasz (60-as évek) ELIZA

 Eredmények: kétszemélyes játékok (dáma, sakk),  Illesztési szabályok

általános beszélgető program (ELIZA,1966) – <a> ön <b> engem <c>.
• Úgy érzem, hogy ön mostanában engem un.
 Módszerek, eszközök: GPS, rezolúció (1966), – Miért gondolja, hogy ön <a> én <b> <c>?
LISP(1958), mesterséges neuronhálózatok (1969), • Miért gondolja, hogy ön úgy érzi, hogy én
evolúciós algoritmusok (1959) mostanában unom?
 Emlékezési szabályok
 Kudarcok: DOCTOR-PARRY, nyelvi fordítók,  Folytatási szabályok
kombinatorikus robbanás

Gregorics Tibor Mesterséges intelligencia 5 Gregorics Tibor Mesterséges intelligencia 6

1
 Második szakasz (70-es évek) Harmadik szakasz (80-as évek)

 Eredmények: SHRDLU (1972), BACON, AM  Eredmények: DENDRAL (1969-78), MYCIN(1976),

PROSPECTOR(1979), XCON (1982)

 Módszerek, eszközök: Prolog, heurisztikus keresési

technikák, tudásábrázolási módszerek (kognitív  Módszerek, eszközök: tudásalapú szakértő rendszerek,
modellek) shell-ek, nem klasszikus következtetési technikák (nem
monoton logikák, bizonytalanság kezelése)

 Kudarcok: MI fejlődési trendje megtörik, meseíró

program  Kudarcok: Nem születnek újabb sikeres projektek, mert
hiányoznak a szabványok és a fejlesztési módszertanok,
új igényeknek kellene megfelelni: elosztottság, tartalom-
orientáltság, újrafelhasználhatóság.
Gregorics Tibor Mesterséges intelligencia 7 Gregorics Tibor Mesterséges intelligencia 8

Az MI nézőpontjai
Negyedik szakasz (90-as évektől)
Erős MI MI
Az emberi szkepticizmus
 Eredmények: nagyobb kapacitású hardveren a korábbi gondolkodás A számítógép
ötletek életképesebbek (a mennyiség minőségbe csap számítógéppel nem lehet
át): Deep Blue (1997) , IBM Watson (2011). reprodukálható okosabb az
embernél.
logisztikában, űrkutatásban, nyelvi fordítók,
mesterséges neuronhálók, robotika (beszélgetés, gépi Gyenge MI
Minden olyan erőfeszítés hasznos, amely az intellektuálisan nehéz feladatok
látás, tervgenerálás, gépi tanulás) megoldására törekszik. Az újszerű megoldási módszerek kikísérletezése az
 Módszerek : ismeretalapú technológia (az ismeretek informatika fejlődésének mozgató rugója.
elosztott ábrázolása és feldolgozása): ontológia, ágens
szemlélet, hibrid alkalmazások. Az MI az informatikának az a területe, amelyik az intelligens
Matematikai modellek (pl. valószínűségi hálók, Markov gondolkodás reprodukálása szempontjából hasznos elveket,
láncok) módszereket, technikákat kutatja, fejleszti, rendszerezi.
Gregorics Tibor Mesterséges intelligencia 9 Gregorics Tibor Mesterséges intelligencia 10

2. PROBLÉMA MODELLEZÉS Probléma reprezentációs modellek

 Problématér: problémára adható lehetséges válaszok.  A problémák modellezésére szolgálnak a különféle

 Cél: egy helyes válasz megtalálása reprezentációs modellek, amelyek keretet adnak a
problématér és a kitűzött cél számítógépes ábrázolására
 Megoldást segítő ötletek:
– Állapottér-reprezentáció
- Problématér szűkítése hasznos válaszok kijelölésével.
– Korlét kielégítéses problémák
- Lehetséges válaszok szomszédsági kapcsolatai.
– Probléma redukció és dekompozíció
• Egy kiinduló lehetséges válaszból indulunk el, és
egy válasz vizsgálata után csak annak – Logikai reprezentáció
„szomszédjaival” foglalkozunk. – Strukturált objektum alapú reprezentáció
- Adott pillanatban látható „szomszédos” válaszok – Elosztott reprezentáció (mesterséges neuronháló,
rangsorolása. valószínűségi háló)
Gregorics Tibor Mesterséges intelligencia 11 Gregorics Tibor Mesterséges intelligencia 12

2
 Útkeresési probléma Gráf fogalmak 1.
 Sok feladat átfogalmazható útkeresési problémává:  csúcsok, irányított élek N, ANN (végtelen számosság)
− Adott egy élsúlyozott irányított gráf, kijelölünk abban
 él n-ből m-be (n,m)A (n,mN)
egy startcsúcsot és egy vagy több célcsúcsot. Ezután
keresünk egy startcsúcsból kiinduló célcsúcsba futó utat,  n utódai (n) = {(n,m)AmN}
esetleg a legolcsóbb ilyet.  n szülei (n)  (n) = {(m,n)AmN}
• Van úgy, hogy a csúcsok jelenítik meg problématér  irányított gráf R=(N,A)
elemeit, az élek pedig a szomszédsági kapcsolatokat,
 -tulajdonság (ℕ)  (n)   nN
• Sokszor azonban a startcsúcsból kiinduló utak
szimbolizálják a problématér elemeit, és akkor tekintünk  élköltség c:Aℝ
két utat szomszédosnak, ha az egyik egy éllel hosszabb a  -tulajdonság (ℝ+) c(n,m)   > 0 (n,m)A
másiknál.
 -gráf ,  - tulajdonságú élsúlyozott
irányított gráf
Gregorics Tibor Mesterséges intelligencia 13 Gregorics Tibor Mesterséges intelligencia 14

Gráf fogalmak 2. Gráfreprezentáció fogalma

 irányított út  = (n,n1),(n1,n2),...,(nk-1,m)  Egy útkeresési probléma gráfreprezentációja egy
= <n,n1,n2,...,nk-1,m> (R,s,T) hármas, amelyben
n m, n m, – R=(N,A,c) -gráf az ún. reprezentációs gráf,
nM (egy út n-ből az MN egyik csúcsába) – az sN startcsúcs a kiinduló pont,
-gráfban mindig értelmes {nm} (összes út n-ből m-be)
– a TN halmazbeli célcsúcsok.
ha nincs út akkor végtelen {nM }(összes út n-ből MN csúcsaiba)
 A probléma megoldása:
 út hossza  
 egy tT cél megtalálása
 út költsége c (n,m):=i c(ni-1,ni)
 egy sT, esetleg egy s*T optimális út
 opt. költség c*(n,m):=min{nm} c(n,m)
c*(n,M):= min{nM} c(n,m) megtalálása
 opt. költségű út n*m :=arg min{nM} c(n,m)
Gregorics Tibor Mesterséges intelligencia 15 Gregorics Tibor Mesterséges intelligencia 16

3. KERESÉS Kereső rendszer (KR)

 Egy olyan algoritmus, amely a problématérben keres
egy helyes választ
 kezdeti válaszból indul Procedure KR
 tárolja a keresés során feltárt információ egy részét
1. ADAT := kezdeti érték
 az adott pillanatban elvégezhető lépések (szabályok)
2. while  terminálási feltétel(ADAT) loop
közül a legmegfelelőbbet választja ki 3. SELECT SZ from alkalmazható szabályok
4. ADAT := SZ(ADAT)
 egy lépés (kiválasztott szabály) végrehajtása
módosítja a tárolt információt 5. endloop
end
 felismeri, ha elérte a célját

Gregorics Tibor Mesterséges intelligencia 17 Gregorics Tibor Mesterséges intelligencia 18

3
 KR részei KR az útkeresési problémák esetén

globális a keresés során megszerzett és  A globális munkaterületen az útkeresési probléma

munkaterület megőrzött ismeret reprezentációs gráfjának egy részgráfja jelenik meg.
kezdeti érték, terminálási feltétel – Néha csak egyetlen csúcsa, vagy egy csúcs és annak
ADAT
közvetlen szomszédjai, néha egy út, máskor egy csúcsból
kereső rendszer globális munkaterületet változtató kivezető összes út valamilyen mélységben.
operátorok A keresési szabályok a globális munkaterületen tárolt
szabályai 
hatás, értelmezési tartomány részgráfot módosítják
SZ
– Lecserélik másra, hozzávesznek annak csúcsából induló
vezérlési végrehajtható szabályt kiválasztó újabb éleket, törölnek belőle élt és/vagy csúcsot.
stratégia általános elv + heurisztika

SELECT
Gregorics Tibor Mesterséges intelligencia 19 Gregorics Tibor Mesterséges intelligencia 20

Vezérlési vagy keresési stratégiák

csoportjai A heurisztika hatása a KR működésére
A heurisztika olyan, a feladathoz kapcsolódó ötlet, amelyet
vezérlés közvetlenül építünk be egy algoritmusba azért, hogy annak
eredményessége és hatékonysága javuljon, habár erre általában
semmi garancia nincs.
elsődleges másodlagos heurisztika
heurisztika
független független a konkrét a reprezentációban
a feladattól, feladattól, de épít a nem rögzített,
és annak feladathoz választott a konkrét feladat eredményesség hatékonyság
reprezentációjától reprezentációs modell megoldását segítő
sajátosságaira ötlet
futási idő memóriaigény
Gregorics Tibor Mesterséges intelligencia 21 Gregorics Tibor Mesterséges intelligencia 22

A KR futási ideje

költség

futási idő

alkalmazott szabályok egy szabály kiválasztásának

száma (iterációk száma) ideje (egy iterációs lépés)

informáltság
teljes
Gregorics Tibor Mesterséges intelligencia 23