Intelligens modellezési módszerek:

Mikor megoldás a megoldhatatlanra?

Várkonyiné Kóczy Annamária

Óbudai Egyetem,
Mechatronika és Autótechnika Intézet
varkonyi-koczy@uni-obuda.hu
 Tartalomjegyzék
• Motiváció: Miért van szükségünk valami „nem klasszikusra”?
• Mi is az a „Gépi Intelligencia” (GI)?
• Hogyan „működik” a GI?
• Néhány idetartozó módszer
– Fuzzy logika
– Neurális hálózatok
– Genetikus algoritmusok
– Anytime technikák
• Gyakorlati kérdések mérnöki szemmel
• Összefoglalás – A GI valóban megoldás lehet megoldhatatlan
problémákra?

2
 Motiváció: Miért van szükségünk
valami „nem klasszikusra”?
• A rendszerek és megoldandó feladatok nemlinearitása, korábban
soha nem tapasztalt térbeli és időbeli komplexitása
• Pontatlan, bizonytalan, hiányos, nem egyértelmű, ellentmondó
információ, teljes tudáshiány
• Véges erőforrások  Szigorú időkövetelmények (valós-idejű
feldolgozás)
• Igény az optimalizálásra
+
• Felhasználói kényelem

Új kihívások/bonyolult problémák  kifinomult megoldásokra

3
A feladatok soha nem tapasztalt térbeli
és időbeli komplexitása
Hogyan vezetünk
csúcsforgalomban?
Sok elemű, nagyon összetett
rendszer. Meg lehet oldani
klasszikus vagy mesterséges
intelligencia-beli módszerekkel?
Amennyire tudjuk, nem.
De mi, EMBEREK, igen.
Szeretnénk olyan GÉPEK-et építeni,
amelyek szintén képesek rá.
Az autónk, üzemanyag 4
takarékosság, időnyerés, stb..
 A feladatok soha nem tapasztalt
térbeli és időbeli komplexitása

Segítség:
• Megnövekedett számítógép kapacitás és
képességek
• Modell bázisú megközelítés
• Új modellezési technikák
• Közelítő számítások
• Hibrid rendszerek
5
 Pontatlan, bizonytalan, hiányos, nem
egyértelmű, ellentmondó információ,
teljes tudáshiány
• Hogyan jutok el a Csattogó völgybe?
(1. személy: 2/a, 12 út. A verőcei állomásnál jobbra, aztán egyenesen 2
saroknyit, majd balra, és tovább egyenesen ... NEM: mégegyszer balra) (2.
személy: A verőcei állomásnál kétszer jobbra, aztán egyenesen 1, 2, 3, ..., kb.
5 saroknyit, de tovább nem tudom) (3. személy: Valahol a 12-es út mentén
van, de nemrég még le volt zárva az út ...)
• Képzeljük el, hogy esik az eső
• Az útról nem látszik az állomás
• Ráadásul nem tudom, hol van az Óbudai Egyetem sátra és a Kós Károly
terem (És melyikben is lesz a Műszaki szekció? És hánykor???? Szombaton
vagy vasárnap?) (Sajnos elromlott az internetem ...)
• Kérdés: Melyik nap és hány órakor kell otthonról elindulnom?
Ki (személy vagy gép) tud nekem OPTIMÁLIS választ adni?

6
Pontatlan, bizonytalan, hiányos, nem
egyértelmű, ellentmondó információ,
teljes tudáshiány

Segítség:
• Intelligens és lágyszámítási technikák,
amelyek képesek kezelni az ilyen típusú
problémákat
• Új adatgyűjtési és reprezentálási módszerek
• Adaptivitás, robusztusság, tanulási képesség
7
 Véges erőforrások  Szigorú
időkövetelmények (valós-idejű feldolgozás)
• Most 8.15 van. Az előadásom 3 órakor
kezdődik (remélem tényleg így van)
• Még nem főztem ebédet a családomnak
• Üres a kocsim tankja, és nyilván nem fogok
taxival jönni Budapestről
• Nem is reggeliztem
• Ma estig le kell adnom a jövő félévi
kurzusaim időbeosztását
Egyértelmű, hogy nem tudok mindent
maximális precizitással teljesíteni 8
 Véges erőforrások  Szigorú
időkövetelmények (valós-idejű feldolgozás)
Segítség:
• Alacsony időigényű módszerek
• Flexibilis rendszerek
• Közelítő megoldások
• Minőségi feldolgozást és további döntéseket
támogató eredmények
• Anytime technikák
9
 Optimalizálás igénye
• Tradícionális felfogás:
optimalizáció = maximális pontosság
• Új felfogás:
optimalizáció = költség optimalizálás

• De mi számít költségnek!?
a pontosság és a bizonyosság is költséget hordoz

10
 Optimalizálás igénye
Nézzük az „IDŐT”, mint erőforrást:
• A legfontosabb, hogy leadjam a jövő félévi
kurzusaim időbeosztását (másképp a hallgatók
nem tudják időben felvenni a tárgyakat). Ezzel
legalább 3 órát el kell töltenem
• Ebédet kell főznöm, de ma nem a hétvégén
szokásos „ünnepi” ebédet, hanem egy „átlagos”,
gyorsabb menüt állítok össze (1 óra)
• Nincs időm otthon reggelizni, ezért veszek egy
szendvicset valahol (5 perc)
• Van busz is, de a vonat gyorsabb (igaz drágább),
így vonatozom (2 óra 40 perc)
11
 Felhasználói kényelem
• Meg kell kérdeznem valakitől az utat, de
nem szeretnék sokat gyalogolni
• Máskor is ide szeretnék találni
• A mai út 3,5 órát vett igénybe. De mi lesz
holnap?
• Jó lenne minél több segítséget kapni.
• ....

12
 Felhasználói kényelem

Segítség:
• Olyan modellezési és adatreprezentálási technikák,
amelyek lehetővé teszik egy rendszer
– kezelését
– értelmezését
– jövőbeni viselkedésének becslését
– javítását
– optimalizálását, valamint
– a feldolgozás eddiginél nagyobb támogatását
13
 Felhasználói kényelem
Emberi nyelv
Modularitás, egyszerűség, hierarchikus felépítés
A feldolgozás célja

feldolgozás előfeldolgozás

az előfeldolgozás célja egy alg. teljesítőképességének növelése

a feldolgozás nagyobb támogatása (új)

képfeldolgozás / gépi látás:

előfeldolgozás zajszűrés
jellemzők kiemelése (él, csúcspont detektálás)
minta felismerés, stb.
feldolgozás 3D modellezés, orvosi diagnosztika, stb.14
automatikus 3D modellezés, automatikus ...
 A megoldás legfontosabb elemei
• Alacsony komplexitású, közelítő modellezés
• Adaptív és robusztus módszerek alkalmazása
• A megfelelő költségfüggvény meghatározása és
alkalmazása, beleértve az egyes elemek hierarchiáját
és fontosságának mértékét is
• Egyensúly találás a pontosság (részletgazdagság) és
bonyolultság (számítási idő és erőforrás igény) között
• A további feldolgozás támogatása
Erre nem alkalmasak a hagyományos és MI módszerek.
De mi a helyzet az új megközelítésekkel, a GÉPI
INTELLIGENCIÁVAL?
15
 Mi is az a gépi intelligencia?
gép (Komputer) + Intelligencia

Megnövekedett Beépül
számítógépes képességek az új módszerekkel
L.A. Zadeh, Fuzzy Sets [1965]:
“A tradicionális, „kemény” számításoknál a fő cél a pontosság, a
bizonyosság és precizitás. Ezzel ellentétben a lágyszámítási
módszerek kiinduló pontja az a tény, hogy a pontosságnak és a
bizonyosságnak is van költsége, és a számítások, következtetések
és döntések - ha csak lehetséges - ki kell használják a
pontatlanság és bizonytalanság iránti tűrést.”
16
 Mi is az a gépi intelligencia?
• A GI olyan módszertanok együttesének tekinthető, amelyek
jelentőséggel bírnak az információs/intelligens rendszerek
elgondolásában, tervezésében, és alkalmazásában.
• Az együttes legfontosabb elemei: fuzzy logika, neurális
számítás, evoluciós számítás, anytime számítás, valószínüségi
számítás, káosz és gépi tanulás.
• A módszertanok inkább együttműködnek és kiegészítik
egymást, mint versengők.
• Ami közös bennük: Kihasználják a pontatlanság,
bizonytalanság és részigazságok iránti tűrést, hogy ezáltal a
valóságot jobban közelítő, kezelhetőbb, robusztusabb, olcsóbb
megoldást kínáljanak.

17
A gépi intelligencia mind az öt
követelménynek megfelel:
(-Alacsony komplexitás, közelítő modellezés
-Adaptív és robusztus módszerek alkalmazása
-A megfelelő költségfüggvény meghatározása és alkalmazása, beleértve az
egyes elemek hierarchiáját és fontosságának mértékét is
-Egyensúly biztosítása a pontosság (részletgazdagság) és bonyolultság
(számítási idő és erőforrás igény) között
-A további feldolgozás támogatása)

18
 Hogyan működik a gépi intelligencia?
1. Tudás
• Információ gyűjtés (megfigyelés) (miről van szó)
• Információ feldolgozás (numerikus , szimbolikus) (mit tudok)
• Az információ tárolása és előhívása (később is tudni akarom)
• Feldolgozási „struktúra” (algoritmus) keresése („mit kell
csinálni” megfogalmazása)
• Biztos tudás (absztrakt világokban formális módszerekkel)
• Bizonytalan tudás (mesterséges és valós világokban kognitív
módszerekkel
• Tudáshiány
• Tudás ábrázolás

19
 Hogyan működik a gépi intelligencia?
1. Tudás
• A valóságban szinte minden optimalizás
• Ex.1. Sebesség meghatározása = a sebesség optimális becslése a mért idő és megtett
távolság alapján
• Ex.2. Ellenállás meghatározása = az ellenállás optimális becslése a mért áram és
feszültség segítségével
• Ex.3. egy mérési eredmény elemzése = a mért mennyiség optimális becslése a
mérés körülményeinek figyelembevételével a mért adatok alapján (Milyen magas a
kisfiam? – Kihúzta magát? Mezitláb van vagy cipőben? Pontos mérőrúddal vagy
pontatlanabb papírszalaggal mérem? Cm vagy mm a beosztás? )
• Ex. 4. Napi időbeosztás
• Ex. 5. Két város közötti optimális út
Az 1-3 példában az optimalizálás jellegzetessége egyértelmű és könnyen megadható
A 4-5 példa is egyszerű, de a kritériumok nem egyértelműek

20
Optimális út:
Mi az optimum? (Szubjektív, függ az elvárásoktól, izléstől, a
személy korlátaitól)
- Szeretünk/tudunk-e repülővel, vonattal, autóval, stb. utazni
Tegyük fel, hogy az autós utazást választottuk, de:
- a legrövidebb út (legkevesebb üzemanyag), a leggyorsabb út (autópálya), a
legszebb út (este hacsak lehet a pesti rakparton megyek, hogy lássam a
kivilágított Várat és Lánchidat), amerre meg tudom látogatni egy-egy barátomat,
ahol a kedvenc vendéglőim vannak, ...
Rendben, kössük meg, hogy mit részesít előnyben az adott személy
személy :
-Nyár van vagy tél, esik vagy jó az idő, útjavítás, árvíz miatt lezárva, ....
Ahogy a részletekbe belemegyünk, egyre közelebb jutunk a
megoldáshoz
Szükségünk van tudásra a körülményeket és célokat jól leíró modell
meghatározásához
A mai napra meg tudom adni, de igaz lesz ez 1 hónap múlva is? 21
 2. Modell
• Ismert modell, pl. analítikus modell
(matematikai leírás differenciál egyenletekkel)
– nem kezelhető, túl összetett
• Tudáshiány – a rendszerről megszerzett
információ bizonytalan, hiányos

Új, pontosabb tudásra van szükségünk

A tudás ábrázolás (modell) kezelhető kell legyen
és el kell viselje a felmerülő problémákat
22
 Tanulás és modellezés
Tanulás révén szerzett új tudás:
Ismeretlen, részben ismert, ismert, de kezelhetetlen,
hiányosan definiált rendszer

Olyan modell kell, amely segítségével elemezni és

jósolni tudjuk a rendszer viselkedését
+
Kell egy kritériumfüggvény (mérték) a modell
hitelesítéséhez
23
 u
Input Unknown system d

Criteria c Measure of the

quality of the model

Model y

Parameter
tuning

1. Megfigyelés (u, d, y), 2. Tudás ábrázolás (modell,

formalizmus), 3. Döntés (optimalizálás, c(d,y)), 4. (A
paraméterek) hangolása, 5. Környezeti hatások, (amit nem
figyelünk meg, zaj, stb.) 6. Becslő képesség (jövőbeni esetek)
24
Iteratív eljárás:

Építünk egy rendszert, amivel információt gyűjtünk

Javítunk a rendszeren
(beépítjük az új tudást) Információt gyűjtünk

Az információ alapján jobb megfigyelés, több információ

25
 Probléma

Tudás
ábrázolás,
Modell

Ábrázolt
tudás Probléma független tér,
A probléma csak a modell formalizmusa
nem ábrázolt része köti a problémához
26
 3. Optimalizálás

• Ott érvényes, ahol a modell érvényes

• Adott egy rendszer szabad paraméterekkel
• Adott egy objektív mérték
• A feladat úgy beállítani a paramétereket, hogy
minimalizáljuk, vagy maximalizáljuk a minőségi
mértéket
• Szisztematikus és véletlen módszerek
• Hasznosítás (meghatározott tudás) és felderítés (új
tudás)
27
 A gépi intelligencia módszerei
• fuzzy logika –alacsony komplexitás, előzetes tudás könnyű
bevitele a számítógépbe, pontatlanság tűrése, könnyű
értelmezhetőség
• neurális számítás - tanulóképesség
• evoluciós számítás – optimalizáció, optimális tanulás
optimization,
• anytime számítás – robusztusság, rugalmasság,
alkalmazkodóképesség, körülményeknek való megfelelés
• valószínűségi következtetés – bizonytalanság tűrése,
logikusság
• kaotikus számítás – nyitottság
• gépi tanulás - intelligencia
28
 Fuzzy Logika

• Lotfi Zadeh, 1965

• Tudás ábrázolás az emberi nyelv segítségével
• ”szavakkal való számítás”
• érzékelés
• érték elpontatlanítás  jelentés pontosítás

29
 A fuzzy elmélet története
• Fuzzy halmazok & logika: Zadeh 1964/1965-
• Fuzzy algoritmusok: Zadeh 1968-(1973)-
• Fuzzy controll: Mamdani & Al. ~1975-
• Ipari alkalmazások: Japan 1987- (Fuzzy robbanás), Korea
Háztartási elektronika
Jármű vezérlés
Folyamatirányítás
Minta felismerés & képfeldolgozás
Szakértői rendszerek
Katonai rendszerek (USA ~1990-)
Űrkutatás
• Nagyon nehéz vezérlési problémák: Japan 1991-
p.l. vezető nélküli helikopter
30
 Példa
• Osztály (p.l. akik épp a gépi intelligenciáról
hallgatnak egy előadást)
• Univerzum: X „éles” halmaz

• “Kinek van jogosítványa?”

• X részhalmaza A „éles” halmaz
(X) = KARAKTERISZTIKUS FÜGGVÉNY
1 0 1 1 0 1 1
A:X{0, 1}

• “Ki tud jól vezetni?”

• X részhalmaza B „fuzzy” halmaz
(X) = TAGSÁGI FÜGGVÉNY
0.7 0 1.0 0.8 0 0.4 0.2
B:X[0, 1]

FUZZY HALMAZ 31
Fuzzy viszonyítás, fuzzy következtetés
• Fuzzy viszonyítás: X is P
‘Anna fiatal’, ahol:
‘Anna’: éles, ‘fiatal’: fuzzy halmaz.
• Fuzzy következtetés: If X is P then Y is Q
‘Ha Anna fiatal, akkor Peti nagyon fiatal’

A kort nyelvi cimkével

kifejező fuzzy halmazok

Anna
Peti

32
Fuzzy logikán alapuló vezérlés

• Fuzzifikálás: egy numerikus értéket

fuzzy-vá alakít, megadja az egyezés
mértékét
• Defuzzifikálás: egy fuzzy értékat
numerikussá alakít
• A tudásbázis tartalmazza a fuzzy
szabályokat
• A következtetőgép írja le a
módszertant, amivel a kimenet
kiszámolható a bemenetetkből.

33
 Okos Autó 1 - Szabályok
A szabályok száma a problémától függ. Egyszerűség
kedvéért most csak kettőt veszünk figyelembe:

1. Szabály: Ha a távolság két autó között kicsi és az én

autóm sebessége nagy(obb mint a másiké), akkor
erősen fékezem.

2. Szabály: Ha a távolság két autó között közepes és az én

autóm sebessége nagy(obb mint a másiké), akkor
közepes erővel fékezem.

34
Okos autó 2 – Tagsági függvények

– A bemeneti és kimeneti tagsági

függvények meghatározása
– Általában 3, 5 vagy 7 fuzzy halmazt
használnak
– Tipikus halmaz alakok (a leggyakoribb a
háromszög)

35
Okos autó 3 – Szabály egyszerűsítés
kódolással
– Távolság két autó között: X1
sebesség: X2
Fékező erő: Y
Cimkék- kicsi, közepes, nagy: S, M, L

– X2 (sebesség) esetében, kicsi, közepes

és nagy azt mutatja, a sebesség
mennyivel nagyobb az elöl levő
autóénál.
PL – Nagyon nagy
PM – Közepesen nagy – 1. szabály:
PS - Kicsi Ha X1=S és X2=M, akkor Y=L
ZR – Kb. nulla 2. szabály:
NS – Kis negatív Ha X1=M és X2=L, akkor Y=M
NM – Közepes negatív
NL – Nagy negatív
36
Okos autó 4 - Következtetés

– A megfelelés mértékének
meghatározása
– Egy következmény
meghatározása
– A teljes következtetés
megadása
– Defuzzifikálás pl. súlypont
alapján. Esetünkben kicsit
erősebb mint közepes

37
 A fuzzy vezérlés előnyei
• Egyszerűbb vezérlő tervezés
• A tervezés komplexitása lecsökken, nincs
szükség komoly matematikai elemzésre
• Könnyű kódolni, szimulálni
• Robusztus
• Fejlesztési idő lecsökken
• Könnyen érthető, értelmezhető
38
 Hasznos él kiemelés

Eredeti kép Hasznos élek

39
 Hasznos él kiemelés

Eredeti kép Hasznos élek

40
Magas fényintenzitás dinamikájú képek

Eredeti kép javított kép

41
Magas fényintenzitás dinamikájú képek

42
Automatikus ütközéselemzés

Ütközési
Különböző irányképek
kameraállású EES [km/h]
[deg]
Valós adat 0 55
Számított 2 58
eredmény
43
 A gépi intelligencia valóban
megoldást jelenthet
megoldhatatlan problémákra?
• Igen: Nagyszámú sikeres alkalmazás bizonyítja,
valamint azok az új területek, ahol a GI
segítségével lehetett csak automatizálni
folyamatokat
• Azonban: az új módszerek olyan új problémákat is
felvetettek, amelyek még csak részlegesen vannak
megoldva.
A jövő mérnöki tevékenysége elképzelhetetlen gépi
intelligencia nélkül
44
 Összefoglalás

• Mit takar a gépi intelligencia kifejezése?

• Mi a sikerének a titka?
• Hogyan dolgozik?
• Milye elveken?
• Új problémák, nyitott kérdések

45