Sieci komputerowe

Sztuczna inteligencja
- przegląd zagadnień
dr inż. Sławomir Samolej
email: [email protected]
WWW: ssamolej.prz-rzeszow.pl
1
Definicja SI
• Sztuczna inteligencja (ang. Artificial
Intelligence – AI) – Nauka obejmująca
zagadnienia logiki rozmytej, obliczeń
ewolucyjnych, sieci neuronowych, sztucznego
życia i robotyki. Sztuczna inteligencja to dział
informatyki, którego przedmiotem jest badanie
reguł rządzących inteligentnymi zachowaniami
człowieka, tworzenie modeli formalnych tych
zachowań i – w rezultacie – programów
komputerowych symulujących te zachowania.
2
Zadania SI
•
•
•
•
•
•
•
Głównym zadaniem badań nad sztuczną inteligencją w
drugim znaczeniu jest konstruowanie maszyn i programów
komputerowych zdolnych do realizacji wybranych funkcji
umysłu i ludzkich zmysłów niepoddających się prostej
numerycznej algorytmizacji. Problemy takie bywają
nazywane AI-trudnymi i zalicza się do nich między innymi:
podejmowanie decyzji w warunkach braku wszystkich
danych
analiza i synteza języków naturalnych
rozumowanie logiczne/racjonalne,
dowodzenie twierdzeń,
gry logiczne, jak np. szachy czy go
zarządzanie wiedzą, preferencjami i informacją w robotyce
systemy eksperckie i diagnostyczne.
3
Podstawowe podejścia do SI
• Pierwsze to tworzenie modeli matematyczno-logicznych
analizowanych problemów i implementowanie ich w formie
programów komputerowych, mających realizować konkretne
funkcje uważane powszechnie za składowe inteligencji. W
tej grupie, tzw. podejścia symbolicznego, są np. algorytmy
genetyczne, metody logiki rozmytej i wnioskowania
bazującego na doświadczeniu.
• Drugie to podejscie subsymboliczne polegające na
tworzeniu struktur i programów "samouczących się",
bazujących na modelach sieci neuronowej i sieci
asocjacyjnych, oraz opracowywanie procedur "uczenia"
takich programów, rozwiązywania postawionych im zadań i
szukania odpowiedzi na wybrane klasy "pytań".
• Najnowsze podejście do problemów AI to rozwijanie różnych
form inteligencji rozproszonej (wzorowanej na organizacjach
ludzkich, np. personoidy oraz tzw. agentów autonomicznych
i "inteligentnych". Dziedzina ta nosi nazwę Technologii
Agentów Inteligentnych (ang. Intelligent Agent Technology)4
Współczesne praktyczne
zastosowanie SI (1)
• Technologie oparte na logice rozmytej – powszechnie stosowane do
np. sterowania przebiegiem procesów technologicznych w fabrykach
w warunkach "braku wszystkich danych".
• Systemy ekspertowe – systemy wykorzystujące bazę wiedzy
(zapisaną w sposób deklaratywny) i mechanizmy wnioskowania do
rozwiązywania problemów.
• Maszynowe tłumaczenie tekstów – systemy tłumaczące nie
dorównują człowiekowi, robią intensywne postępy, nadają się
szczególnie do tłumaczenia tekstów technicznych.
• Sieci neuronowe – stosowane z powodzeniem w wielu
zastosowaniach łącznie z programowaniem "inteligentnych
przeciwników" w grach komputerowych.
• Uczenie się maszyn – dział sztucznej inteligencji zajmujący się
algorytmami potrafiącymi uczyć się podejmować decyzje bądź
nabywać wiedzę.
• Eksploracja danych – omawia obszary, powiązanie z potrzebami
informacyjnymi, pozyskiwaniem wiedzy, stosowane techniki analizy,
oczekiwane rezultaty.
5
Współczesne praktyczne
zastosowanie SI (2)
• Rozpoznawanie obrazów – stosowane są już programy rozpoznające
osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie
zadane obiekty na zdjęciach satelitarnych.
• Rozpoznawanie mowy i rozpoznawanie mówców – stosowane już
powszechnie na skalę komercyjną.
• Rozpoznawanie pisma (OCR) – stosowane już masowo np. do
automatycznego sortowania listów, oraz w elektronicznych
notatnikach.
• Sztuczna twórczość – istnieją programy automatycznie generujące
krótkie formy poetyckie, komponujące, aranżujące i interpretujące
utwory muzyczne, które są w stanie skutecznie "zmylić" nawet
profesjonalnych artystów, w sensie, że nie rozpoznają oni tych
utworów jako sztucznie wygenerowanych.
• W ekonomii, powszechnie stosuje się systemy automatycznie
oceniające m.in. zdolność kredytową, profil najlepszych klientów, czy
planujące kampanie reklamowe. Systemy te poddawane są wcześniej
automatycznemu uczeniu na podstawie posiadanych danych (np.
klientów banku, którzy regularnie spłacali kredyt i klientów, którzy mieli
6
z tym problemy).
Porażki SI (1)
Nie udało się zbudować:
• Programów skutecznie wygrywających w niektórych grach. Jak dotąd
nie ma programów skutecznie wygrywających w go, brydża
sportowego i polskie warcaby, mimo że podejmowano próby ich
pisania. Trzeba jednak przyznać, że programy do gry w szachy, w
które zainwestowano jak dotąd najwięcej wysiłku i czasu spośród
wszystkich tego rodzaju programów, osiągnęły bardzo wysoki
poziom, ogrywając nawet mistrza świata Garriego Kasparowa w maju
1997.
• Programu, który by umiał idealnie naśladować człowieka,
rozmawiając przy użyciu tekstu i potrafiłby przejść test Turinga.
Istnieją programy do konwersacji z komputerem, ale każdy człowiek,
który miał z nimi wcześniej do czynienia, w krótkim czasie jest w
stanie zorientować się, że rozmawia z maszyną, a nie innym
człowiekiem.
7
Porażki SI (2)
• Programu, który potrafiłby skutecznie generować zysk, grając na
giełdzie. Problemem jest masa informacji, którą taki program musiałby
przetworzyć i sposób jej kodowania przy wprowadzaniu do komputera.
Mimo wielu prób podejmowanych w tym kierunku (zarówno w Polsce
jak i na całym świecie), z użyciem sztucznej inteligencji nie da się
nawet odpowiedzieć na pytanie, czy jest możliwe zarabianie na
giełdzie, bez podawania samego przepisu jak to zrobić. Prawdziwym
problemem w tym przypadku może być fakt, że nie istnieje żadna
zależność między danymi historycznymi, a przyszłymi cenami na
giełdzie (taką tezę stawia hipoteza rynku efektywnego). Gdyby hipoteza
ta była prawdziwa, wtedy nawet najlepiej przetworzone dane wejściowe
nie byłyby w stanie wygenerować skutecznych i powtarzalnych zysków.
Mimo wszystko, cel wydaje się bliski osiągnięcia. Na rynku istnieją
fundusze hedgingowe, które osiągają regularne zyski a ich decyzjami
inwestycyjnymi nie kieruje człowiek, lecz metoda matematyczna.
• Programu skutecznie tłumaczącego teksty literackie i mowę potoczną.
Istnieją programy do automatycznego tłumaczenia, ale sprawdzają się
one tylko w bardzo ograniczonym stopniu. Podstawową trudnością jest
tu złożoność i niejasność języków naturalnych, a w szczególności brak
zrozumienia przez program znaczenia tekstu.
8