Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

1 Historie umělé inteligence Dana Nejedlová Katedra informatiky Ekonomická fakulta Technická univerzita v Liberci.

Podobné prezentace


Prezentace na téma: "1 Historie umělé inteligence Dana Nejedlová Katedra informatiky Ekonomická fakulta Technická univerzita v Liberci."— Transkript prezentace:

1 1 Historie umělé inteligence Dana Nejedlová Katedra informatiky Ekonomická fakulta Technická univerzita v Liberci

2 2 Co je to inteligence? Běžná definice umělé inteligence: –UI je obor, který se snaží konstruovat inteligentní stroje a chápat inteligentní entity. Ale co je to inteligence? –Učení se, operování s fakty, ale také kreativita, vědomí, emoce a intuice. Mohou být stroje inteligentní? –Dodnes není jisté, zda je možné sestrojit stroj se všemi aspekty inteligence. –Tento výzkum je v oboru UI ústřední.

3 3 Co je umělá inteligence? Stavba strojů manipulujících se symboly, provádějící rozpoznávání, učení a další formy inferencesymbolyinference Řešení problémů, ve kterých je nutné použít heuristické prohledávání namísto analytického přístupu Využívání nepřesných, neúplných nebo špatně definovaných informací –Nalézání formalismů pro reprezentaci informací, které by to kompenzovaly Určování významných kvalitativních znaků situace a operování s nimi Práce se syntaxí a sémantikou Nalézání odpovědí, které nejsou ani přesné ani optimální ale v určitém smyslu „dostatečné“ Využívání velkého množství znalostí z omezené domény Využívání metaznalostí (znalostí o znalostech) pro zlepšení řízení strategií řešení problémů

4 4 Před vznikem elektronických počítačů Starověké a středověké mýty –Talos, Pandora, Golem umělí lidé, roboti Výzkum od starověku do 17. stolení n.l. –Aristoteles, Gottfried Wilhelm Leibniz automatizace racionálního uvažování –Thomas Hobbes, René Descartes mechanistické pojetí živých bytostí 20. století, 1948 –Norbert Wiener – Cybernetics: Or the Control and Communication in the Animal and the Machine Inteligentní chování je výsledkem zpětné vazby.

5 5 Počátky elektronických počítačů John Louis von Neumann (1903 – 1957) –Von Neumannova architektura počítače konzultace na projektu EDVAC (1945) –Teorie her (1944) Je aplikovatelná na interagující inteligentní agenty. –Celulární automaty (1966) Mají výpočetní kapacitu. Alan Mathison Turing (1912 – 1954) –Turingův stroj (1936) formalizace algoritmu, abstrakce počítače –Turingův test (1950) návrh, jak testovat schopnost stroje demonstrovat myšlení –Programování počítače „Manchester Mark I“ (1949)

6 6 Vznik pojmu „umělá inteligence“ John McCarthy poprvé použil termín „Artificial Intelligence“ jako téma Dartmouthské konference v roce –Místo konání: Dartmouth College, Hanover, stát New Hamphshire, USA –Organizátoři: John McCarthy, Marvin Minsky, Nathaniel Rochester a Claude Shannon –Účastníci: Ray Solomonoff, Oliver Selfridge, Trenchard More, Arthur Samuel, Herbert Simon a Allen Newell –Cíl: Dokázat, že každý aspekt učení nebo jakýkoliv jiný znak lidské inteligence se dá v principu precizně popsat a potom simulovat na stroji.

7 7 Přístupy k umělé inteligenci Good Old-fashioned Artificial Intelligence (GOFAI) neboli symbolická umělá inteligence (John Haugeland, 1985) –Program (například klasifikátor) ve stylu GOFAI je složen z částí (například pravidel), které mají jasný vztah k reálnému světu. New-fangled Artificial Intelligence –Nejdůležitější větví byl konekcionismus (connectionism) – umělé neuronové sítě (McCulloch – Pitts, 1943). –Genetické algoritmy (Holland, 1975) a další druhy biologicky inspirovaného zpracování informace Strong AI (John Searle, 1980) –Umělá inteligence je skutečná inteligence. –Řešení komplexních úkolů, například robotika. Weak AI –Umělá inteligence je pouhou imitací lidské skutečné inteligence. –Řešení specifických problémů nepokrývajících celou škálu lidských schopností, například rozpoznání písma nebo šachy.

8 8 Motivace pro biologicky inspirované zpracování informace Danny Hillis: The Connection Machine (1985)Danny Hillis –Stroje programované pomocí GOFAI jsou tím pomalejší, čím více je v nich znalostí. Prohledávají bázi znalostí. –U lidí je tomu naopak. Mají masivně paralelní architekturu mozku. –Lidé nejsou výsledkem inženýrského projektu. Jsou výsledkem evoluce. Marvin Minsky: The Society of Mind (1986) –Model lidské inteligence vystavěné z interakcí jednoduchých částí zvaných agenty(i?), kteří nemají vědomí. Je obtížné si představit, jak by evoluce zformovala tak složitý systém, jako je lidská mysl, jako jeden celek. Evoluce ale mohla vytvořit jednotlivé specializované kognitivní jednotky a formovat mechanismy jejich interakcí. Marvin Minsky: The Emotion Machine (2006) –Emoce jsou jen jiným způsobem přemýšlení, který naše mysl používá pro zvýšení naší inteligence.

9 9 Filozofie umělé inteligence Co je to inteligence a myšlení? –Turingův test (1950) –Podle GOFAI je myšlení manipulací se symboly, a proto program ve stylu GOFAI myslí. –Problém čínského pokoje (John Searle, 1980) Myšlení lidí a počítačů je naprosto odlišné. Je lidská inteligence neoddělitelná od vědomí a emocí? Co znamená tvrzení, že počítač rozumí přirozenému jazyku? Kdo je zodpovědný za rozhodnutí učiněná UI? Jaká má být etika chování se lidí k výtvorům s umělou inteligencí?

10 10 Hard versus Soft computing Good Old-fashioned Artificial Intelligence –Pravidla (IF – THEN rules) –Heuristika New-fangled Artificial Intelligence –Neuronové sítě –Fuzzy logic (mlhavá logika) –Probabilistic reasoning belief networks (Bayes networks) genetic algorithms chaos theory parts of learning theory (machine learning)

11 11 Heuristika Metoda řešení problémů, která je obvykle úspěšná, ale v některých situacích může selhat Nejasně definované problémy s chybějícími nebo nejednoznačnými daty –Medicínská diagnostika –Vidění, rozpoznání řeči Pomáhá rozhodnout se mezi nekonečným množstvím možných interpretací. Problém může mít přesné řešení, ale cena jeho výpočtu může být prohibitivní. –Šachy, tic-tac-toe, 15 or 8-puzzle, rozvrhy, hledání cesty… –Heuristická funkce Oceňuje každé stádium řešení. –Počet konfliktů v množství možných rozvrhů Pomáhá rozhodnout se o dalším kroku vedoucímu k řešení. –Vývěr rozvrhu s nejmenším počtem konfliktů, který bude dále upravován tak, aby došlo k nalezení vyhovujícího rozvrhu

12 12 Očekávání od umělé inteligence Předpovědi Herberta Simona a Allena Newella (Heuristic Problem Solving, 1958), že do 10 let –se počítač stane světovým šachovým šampiónem, –počítač objeví důležitý nový matematický teorém, –počítače budou komponovat hudbu přijímanou dobře kritikou, –většina teorií v psychologii bude ve formě počítačových programů.

13 13 Typická úloha řešená v UI Problém 8 královen Existuje způsob, jak rozmístit 8 královen na šachovnici tak, aby se žádné dvě z nich nemohly vzájemně napadnout?

14 14 Těžký problém pro UI Problém neúplné šachovnice Existuje způsob, jak umístit kostky domina na šachovnici tak, aby byla zakrytá všechna pole šachovnice a kostky domina se nepřekrývaly?

15 15 Omezení umělé inteligence David Hilbert (1862 – 1943) a Kurt Gödel (1906 – 1978) –Gödelův teorém neúplnosti (1931) Bezespornost formálního systému nelze uvnitř tohoto systému dokázat, protože v něm mohou být tvrzení s autoreferencí – logické paradoxy typu: –Toto tvrzení je nepravdivé. –Některé úlohy nelze algoritmizovat. Problém zastavení algoritmu –Nelze rozhodnout, zda se algoritmus v konečném čase zastaví. –Týká se to opět algoritmů odkazujících se samy na sebe. Teorie složitosti (NP-completeness, 1971) –Některé problémy lze algoritmizovat, ale výpočet nelze prakticky (na počítači) dokončit, protože bychom se nedočkali.

16 16 Gödelův teorém neúplnosti V každém axiomatickém matematickém systému schopném definovat množinu přirozených čísel jsou věty nedokazatelné axiomy tohoto systému. Příklad teorému 1 = 2 Důkaz teorému: Když a = b, a ≠ 0, b ≠ 0, potom platí také dvě následující rovnosti: a 2 – b 2 = (a – b) ∙ (a + b), a 2 – b 2 = a 2 – ab. A z těchto rovností lze odvodit následující tvrzení: a 2 – ab = (a – b) ∙ (a + b) a ∙ (a – b) = (a – b) ∙ (a + b) a = a + b a = a + a a = 2a 1 = 2 Pravdivost se dá ověřit jen pomocí znalostí přesahujících aritmetiku operující s přirozenými konečnými čísly.

17 17 The Logic Theorist – první program s umělou inteligencí Allen Newell, J.C. Shaw a Herbert Simon v Carnegie Institute of Technology, nyní Carnegie Mellon University, v roce 1955 Hledal logické důkazy z knihy Principia Mathematica (Bertrand Russell a Alfred North Whitehead, 1910). Využíval mentální postupy lidských expertů. –kognitivní věda Pro implementaci programu Logic Theorist na počítači, tito tři badatelé vyvinuli programovací jazyk IPL, předchůdce jazyka Lisp.IPL

18 18 Programovací jazyky Úkoly jako zpracování přirozeného jazyka, reprezentace znalostí nebo dokazování teorémů vyžadovaly speciální jazyk pro zpracování symbolických dat. Lisp (John McCarthy, USA, 1958) –funkcionální paradigma / zpracování seznamů Program se skládá z funkcí s vnořenými funkcemi. Data a programy jsou reprezentovány stejně: seznamem. –( ) je jednak seznam 4 atomů a zároveň funkce s hodnotou 6. Program může sloužit jako data pro jiný program! –Mocná vlastnost dovolující flexibilní a produktivní psaní programů. Prolog (Alain Colmerauer, Evropa, 1972) –deklarativní paradigma / logické programování Program se skládá z faktů a pravidel. –Programátor popíše (deklaruje) problém. Překladač z nich vydedukuje nová fakta. –Programátor nepíše algoritmus pro řešení.

19 19 Programy se symbolickou umělou inteligencí The General Problem Solver (1957) –Řešil formalizované symbolické problémy, například matematické důkazy a šachy. The Geometry Theorem Prover (1958) –Dokazoval teorémy pomocí explicitně reprezentovaných axiomů. SAINT (Symbolic Automatic INTegrator) –Integrální počet (1961) ANALOGY (1963) –Obrázek A má vztah k obrázku B jako obrázek C k obrázku D. IQ testy se užívají k měření inteligence lidí. Počítače lze naprogramovat tak, aby v IQ testech excelovaly. Ale ty samé programy by byly v reálných situacích hloupé.

20 20 Zpracování přirozeného jazyka STUDENT (1964, 1967) –Řešil slovní úlohy z algebry. SIR (Semantic Information Retrieval, 1968) –Četl jednoduché věty a odpovídal na otázky. ELIZA (1965) –Simulovala psychoterapeuta. TLC (Teachable Language Comprehender) (1969) –Četl text a vytvářel z něj sémantickou síť. SUR (Speech Understanding Research) (1971) –5-ti letý plán agentury ARPA (dnes DARPA) na výzkum rozpoznání spojité mluvené řeči

21 21 Expertní systémy Patří do symbolické umělé inteligence. Používají množinu pravidel a heuristiku. MACSYMA (MIT, ) –Prováděl symbolické matematické výpočty. DENDRAL (SRI, 1965) –Identifikuje chemikálie. MYCIN (SRI, Edward Shortliffe, 1974) –Diagnostikoval infekční nemoci z krve. –Pokračovatelé: EMYCIN, PUFF, INTERNIST - CADUCEUS

22 22 Komerční expertní systémy PROSPECTOR (SRI, 1974 – 1983) –Analyzuje geologická data. Hledá ložiska. XCON – eXpert CONfigurer (CMU, 1978) –Konfiguroval počítače řady VAX firmy DEC. TEIRESIAS (SRI, Randall Davis, 1976) –Knowledge Acquisition System (KAS) –Získává znalosti od lidských expertů. –Vytváří znalostí báze pro expertní systémy.

23 23 Robotika Marvin Lee Minsky (* 1927)Marvin Lee Minsky Freddy (University of Edinburgh,1973) SHAKEY (SRI, 1969) SHRDLU (MIT, Terry Winograd, 1970) blocks worlds (MIT, 1970) –Robot má manipulovat se stavebními kostkami podle instrukcí. počítačové vidění porozumění přirozenému jazyku plánování

24 24 První umělé neuronové sítě Warren McCulloch a Walter Pitts –Model umělého neuronu (1943) –Neuron reprezentuje funkce. Donald Olding Hebb –Pravidlo pro učení neuronové sítě (1949) Marvin Minsky a Dean Edmonds postavili první počítač s neuronovou sítí. –SNARC (1951)

25 25 Další umělé neuronové sítě Frank Rosenblatt –Perceptron (1957) jednovrstvá síť a její pravidlo učení umožňující jí naučit se lineárně separabilní funkce Bernard Widrow a Marcian Ted Hoff –minimalizace čtverce chyby sítě –Delta rule (pravidlo učení neuronové sítě) –ADAptive LINEar Systems or neurons or ADALINEs (1960) –MADALINEs (1962) vícevrstvé verze ADALINEs

26 26 Kritika neuronových sítí Kniha „Perceptrons“ (Marvin Minsky a Seymour Papert, 1969) –Když se jednovrstvé neuronové sítě typu Perceptron neumí naučit funkci XOR (ta je lineárně neseparabilní), tak se to nenaučí ani vícevrstvé sítě. –Financování výzkumu neuronových sítí tím bylo do počátku 80. let 20. století zastaveno. Vícevrstvé neuronové sítě se funkci XOR ale naučit mohou. Jen je třeba najít správný algoritmus pro jejich učení.

27 27 Vzkříšení neuronových sítí Hopfieldova síť (John Hopfield, 1982) –Umí se naučit několik obrázků (vzorů). Self-Organizing Map (SOM) (Teuvo Kohonen, 1982) –Umí se učit bez dozoru. (unsupervised learning) Backpropagation (Arthur Bryson a Yu-Chi Ho, 1969) –algoritmus učení vícevrstvé neuronové sítě –Vyžaduje, aby neurony sítě neměly ostrý práh. –Protože byl nepovšimnut, byl potom několikrát znovuobjeven v 70. a 80. letech 20. století a popularizován v roce NETtalk (Terry Sejnowski a Charles Rosenberg, 1986) –Vícevrstvá neuronová síť, která se učila anglickou výslovnost a uměla zobecňovat. –Používala backpropagation.

28 28 Nejvýznamnější laboratoře MIT (Massachusetts Institute of Technology) – John McCarthy a Marvin Minsky založili Artificial Intelligence Laboratory. SRI (Stanford Research Institute) – John McCarthy založil AI Laboratory. CMU (Carnegie Mellon University) – Raj Reddy založil The Robotics Institute. IBM AT&T Bell Labs University of Edinburgh

29 29 Současnost Robotické hračky, vesmírné sondy Robotika ve strojírenství Domácí spotřebiče (pračky, vysavače) Data Mining, detekce podvodů, filtrování spamu Hledání informací na Internetu (webové agenty) Modelování interaktivních procesů (agenty) E-business – personalizace obchodů Inteligentní výukové systémy a SW rozhraní Role-playing games, šachové programy Rozpoznání řeči a obrazu Strojový překlad


Stáhnout ppt "1 Historie umělé inteligence Dana Nejedlová Katedra informatiky Ekonomická fakulta Technická univerzita v Liberci."

Podobné prezentace


Reklamy Google