OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS wykład AND RECEIVING FITNESS F. 1 VALUE fitness f. value MIGRATION PHASE FITNESS F. communication COMPUTATION with other SELECTION subpopulations YES TERMINATION CONDITION NO END 1 AiR, AB3, sem.. I prowadzący: dr hab. inż. Witold Beluch (p.149) wykład: 15h laboratorium: 15h ZAJĘCIA KOŃCZ CZĄ SIĘ EGZAMINEM OCENA KOŃCOWA: 65% - OCENA Z EGZAMINU 35% - OCENA Z LABORATORIUM obydwie oceny muszą być pozytywne! 2 LITERATURA: 1. Arabas J., Wykłady z algorytmów w ewolucyjnych,, WNT, Warszawa, 2003 2. Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne,, WNT, Warszawa, 1996 3. Goldberg D.E., Algorytmy genetyczne i ich zastosowania,, WNT, Warszawa, 2003 (1989) 4. L. Rutkowski, Metody i techniki sztucznej inteligencji,, PWN, Warszawa, 2006 http://wazniak.mimuw.edu.pl wazniak.mimuw.edu.pl/index.php?title=sztuczna_inteligencjaindex.php?title=sztuczna_inteligencja - wykład dotyczący cy sztucznej inteligencji 3 4 Powiązania: AE budowa baz reguł i f. przynależno ności SR AE wagi i topologia SN SN dobór parametrów AE SR dobór parametrów AE SR dobór parametrów SN SN zdolność uczenia się SR INTELIGENTNE TECHNIKI OBLICZENIOWE SIECI NEURONOWE (Computational Intelligence) ALGORYTMY EWOLUCYJNE SYSTEMY ROZMYTE Soft computing 5 LUDZKA INTELIGENCJA Formy inteligencji: Praktyczna: : umiejętno tność rozwiązywania zywania konkretnych zagadnień. Abstrakcyjna: : zdolność operowania symbolami i pojęciami. Społeczna eczna: : umiejętno tność zachowania się w grupie. Cechy inteligencji: Dopasowanie działania ania do okoliczności. ci. Świadomość działania. ania. Znajomość własnych ograniczeń. 6
INTELIGENCJA OBLICZENIOWA (Computational Intelligence,, CI) Cechy inteligentnego systemu: zdolność do przyswajania nowej wiedzy; Rozwiązywanie zywanie obliczeniowo problemów, które nie sąs efektywnie algorytmizowalne. Korzysta z metod matematycznych oraz inspiracji: biologicznych, biocybernetycznych, psychologicznych, statystycznych, logicznych, informatycznych, inżynierskich i innych. samoadaptacja (krótki okres wiarygodności informacji); akceptacja danych niepełnych nych i nie w pełni spójnych logicznie; kreatywność (np. opracowywanie reguł czy wniosków nie wynikających bezpośrednio z materiału faktograficznego). 7 8 SZTUCZNA INTELIGENCJA (Artificial Intelligence,, AI część CI) John McCarthy (1955): Konstruowanie maszyn, o których działaniu aniu dałoby się powiedzieć, że e jest podobne do ludzkich przejawów inteligencji. TEST TURINGA (1950): Maszyna jest inteligentna, jeżeli eli znajdujący się w innym pomieszczeniu obserwator nie zdoła a odróżni nić jej odpowiedzi od odpowiedzi człowieka. 9 TEST TURINGA Sędzia - człowiek - prowadzi rozmowę w języku j naturalnym z pozostałymi stronami. Jeśli sędzia s nie jest w stanie wiarygodnie określi lić,, czy która raś ze stron jest maszyną czy człowiekiem, wtedy mówi m się, że e maszyna przeszła test. Zakłada ada się, że e zarówno człowiek jak i maszyna próbuj bują przejść test jako człowiek. 10 TURING - prognozy TEST TURINGA spory: Turing oczekiwał, że e maszyny w końcu będąb w stanie przejść ten test. Ocenił, że e około o roku 2000 maszyny z pamięci cią o pojemności 10 9 bitów w (około o 119 MB) będąb w stanie oszukać 30% ludzkich sędzis dziów w czasie pięciominutowego testu. Przepowiedział również, że e ludzie przestaną uważać zdanie "myśląca maszyna" za wewnętrznie sprzeczne. Maszyna, która przejdzie test Turinga może e być w stanie symulować ludzkie zachowanie konwersacyjne, co nie musi świadczyć o inteligencji (może e używau ywać sprytnie wymyślonych reguł). Maszyna może e być inteligentna bez ludzkiej umiejętno tności gawędzenia. Wielu ludzi mogłoby oby nie być w stanie zaliczyć takiego testu. 11 12
TEST TURINGA spory: Ale: : inteligencję innych ludzi oceniamy zazwyczaj wyłą łącznie na podstawie tego co i jak mówim wią. I jeszcze: : niekiedy by zaliczyć test maszyna musiałaby aby symulować brak posiadanej wiedzy czy umiejętno tności. http://www.pcworld.pl Krzysztof Lech 15 września 2011 DO NIEDAWNA ŻADEN KOMPUTER NIE ZALICZYŁ TESTU TURINGA... Najbliżej (długo) ALICE: ALICE: Artificial Linguistic Internet Computer Entity (zawody zawody o nagrodę Loebnera) 13 jednakże wg. informacji w Wikipedii: 14 http://www.loebner.net/prizef/loebner-prize.html 15 Nagroda Loebnera nagroda ufundowana przez Hugha Loebnera w 1990 roku, dla programisty, który zdoła napisać program, który skutecznie przejdzie Test Turinga. Nagroda ta obejmuje przyznanie złotego z medalu (całego z 18 to karatowego złota) z oraz 100 000 USD dla programisty, który przedstawi program, który zdoła a skutecznie zmylić wszystkich sędzis dziów w (testerów) programu. Oprócz tego nagroda ta obejmuje też przyznanie pozłacanego, brązowego zowego medalu oraz nagrody pienięż ężnej 2 000 USD temu programiście, który w danym roku dostarczy program, który co prawda nie przejdzie w pełni testu Turinga,, ale będzie b zdaniem sędzis dziów w najskuteczniej udawał ludzką konwersację. Zawody o nagrodę Loebnera odbywają się co roku, w The Cambridge Center of Behavioral Studies.. Sędziowie S są dorocznie losowani spośród d pracowników w tego instytutu. Programiści muszą dostarczyć program, który działa a pod Linuksem, MS Windows lub na Macintoshach lub alternatywnie dostarczyć swój j własny w komputer z programem, przy czym komputer musi się dać podłą łączyć do standardowego terminala DEC 100. Dostarczone programy mają generować na tym terminalu ekran, na którym od góry g do dołu u pojawia się tekst konwersacji pisany standardową czcionką i nie formatowany w żaden szczególny sposób. Sędziowie S mają przez jeden dzień wolny dostęp p do dwukrotnie większej liczby terminali niż liczba dostarczonych programów. w. Co drugi ter minal jest obsługiwany przez prosty program komunikacyjny, który generuje na ekranie taki sam tekst jak testowane programy, ale jest obsługiwany ugiwany przez człowieka wylosowanego spośród d studentów w instytutu i zaakceptowanego przez autorów w programów. Do co drugiego terminala jest natomiast przyłą łączony testowany program. Sędziowie S po całym dniu "konwersowania" ze wszystki mi terminalami, decydują które z terminali obsługiwa ugiwał człowiek a które re program, oraz który z terminali obsługiwanych ich zdaniem przez programy zachowywał się "najbardziej po ludzku". Sędziowie mają prawa zadawać terminalom dowolne pytania, oprócz takich, które w oczywisty sposób zdemaskowałyby programy, jak "jaki jest numer twojego buta", albo "jak ma na imię twoja dziewczyna". Złoty Z medal i główng wną nagrodę dostaje ew. ten program który zdoła a zmylić ponad 50% sędzis dziów, zaś gdy żaden program nie uzyska tego wyniku, brązowy medal i 2 000 USD dostaje ten program, który zdaniem największej liczby sędzis dziów w zachowywał się "najbardziej po ludzku". 16 ELIZA: ELIZA - przykłady: Pierwszy program naśladuj ladujący zwykłą konwersację (1966). Analizuje wzorce w zdaniach, które otrzymuje, a następnie buduje pytania przez przestawienie słów oraz podmianę słów kluczowych. Efekt Elizy - zjawisko przypisywania przez ludzi znaczenia i sensu znakom, słowom s owom i zdaniom, które takiego sensu same z siebie nie mają. (Np: interpretowanie przypadkowych wzorów w tworzonych przez chmury na niebie jako obrazy, które przedstawiają jakieś konkretne kształty). ty). 17 (C - człowiek owiek, E - ELIZA) C: : Czy jesteś człowiekiem? E: : Być człowiekiem... czy to coś znaczy... C: : Co myślisz o mojej matce? E: : Nie znam twojej matki, opowiedz mi o niej coś więcej. 18
ZAGADNIENIA AI Sformułowanie owanie mocne : Konstruowanie systemów w inteligentnych, którym można by przypisać zdolność do myślenia w sposób w pewnym stopniu dający się porównywa wnywać z myśleniem ludzkim. Sformułowanie owanie słabe : Stworzenie maszyn (algorytmów) przejawiających cych tylko wąski aspekt inteligencji (grających w szachy, rozpoznających obrazy czy tworzących streszczenia tekstu). 19 Włodzisław Duch: http://www.phys.uni.torun.pl www.phys.uni.torun.pl/~duch/ serdecznie polecam... AI uważana ana jest za część informatyki. AI zaliczana jest do nauk kognitywnych 20 DEFINICJE AI: NIEKTÓRE ZASTOSOWANIA Dziedzina nauki zajmująca się rozwiązywaniem zywaniem zagadnień efektywnie niealgorytmizowalnych w oparciu o modelowanie wiedzy. Nauka mająca za zadanie nauczyć maszyny zachowań podobnych do ludzkich. Nauka o tym, jak nauczyć maszyny robić rzeczy które obecnie ludzie robią lepiej. Nauka o komputerowych modelach wiedzy umożliwiaj liwiających rozumienie, wnioskowanie i działanie. anie. 21 Rozpoznawanie mowy - stosowane obecnie powszechnie na skalę komercyjną. 22 NIEKTÓRE ZASTOSOWANIA NIEKTÓRE ZASTOSOWANIA Technologie oparte na logice rozmytej - powszechnie stosowane do np: : sterowania przebiegiem procesów w technologicznych w fabrykach w warunkach "braku wszystkich danych". Systemy ekspertowe - rozbudowane bazy danych z wszczepioną "sztuczną inteligencją" " umożliwiaj liwiającą zadawanie im pytań w języku j naturalnym i uzys- kiwanie w tym samym języku j odpowiedzi. Systemy takie stosowane sąs już w farmacji i medycynie. Maszynowe tłumaczenie t tekstów - systemy takie są wciąż bardzo ułomne, u jednak robią postępy py i za- czynają się nadawać do tłumaczenia t np. tekstów technicznych. Sztuczne sieci neuronowe - stosowane z powo- dzeniem w wielu zastosowaniach łącznie z progra- mowaniem "inteligentnych przeciwników" w" w grach komputerowych. Rozpoznawanie optyczne - stosowane sąs już programy rozpoznające osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie zadane obiekty na zdjęciach satelitarnych. 23 Rozpoznawanie ręcznego r pisma - stosowane masowo np: : do automatycznego sortowania listów, oraz w elektronicznych notatnikach. Deep Blue - program, który wygrał w szachy z Gary Kasparowem (1996-97). 97). Sztuczna twórczo rczość - istnieją programy automatycznie generujące krótkie formy poetyckie, komponujące, aranżuj ujące i interpretujące utwory muzyczne, które re sąs w stanie zmylić nawet profesjonalnych artystów. 24
HISTORIA HISTORIA Era prehistoryczna: do ok. 1960 (pojawienie się powszechnie dostępnych komputerów). Era romantyczna: 1960-1965 1965 (przewidywano, że e AI osiągnie swoje cele w ciągu 10 lat spore początkowe sukcesy). Okres ciemności: ci: 1965-1970 1970 (niewiele nowego, spadek entuzjazmu i pojawienie się głosów krytycznych). Renesans: 1970-1975 1975 (pierwsze użyteczne u systemy doradcze). Okres partnerstwa: 1975-1980 1980 (wprowadzenie do badań nad AI metod z nauk poznawczych, nauk o mózgu, itd). Okres komercjalizacji: 1980-1990 1990 inteligentny slogan reklamowy. 25 26 CZEGO NIE UDAŁO O SIĘ DOTĄD OSIĄGN GNĄĆ (mimo wielu wysiłków...): w...): Programów w skutecznie wygrywających w niektórych grach (go, brydż sportowy, polskie warcaby). OPTYMALIZACJA: działanie, anie, mające na celu zwiększenie efektywności aża do osiągni gnięcia pewnego optimum. CEL GŁÓWNY: G ULEPSZENIE. CEL DRUGORZĘDNY: DNY: OSIĄGNI GNIĘCIE OPTIMUM. Programu, który potrafiłby skutecznie generować zysk, grając c na giełdzie (nie da się nawet odpowiedzieć na pytanie, czy jest możliwe zarabianie na giełdzie). ANALITYCZNE METODY OPTYMALIZACJI PRZEGLĄDOWE (enumeracyjne) LOSOWE Programu skutecznie tłumaczt umaczącego cego teksty literackie i mowę. 27 pośrednie bezpośrednie 28 Metody analityczne bezpośrednie: Poruszanie się po wykresie funkcji w kierunku wyznaczonym przez lokalny gradient (wspinaczka po najbardziej stromym zboczu z możliwych). ZALETY METOD ANALITYCZNYCH YCH: mają solidne podstawy matematyczne; są szeroko stosowane. Metody analityczne pośrednie: Poszukiwanie ekstremów w lokalnych poprzez rozwiązanie zanie układu równar wnań (zwykle nieliniowych), otrzymanych poprzez przyrównanie gradientu funkcji celu do zera. Dla funkcji gładkich, g określonych na obszarze otwartym, poszukiwanie ekstremum można ograniczyć do zbioru punktów, w których nachylenie stycznej do wykresu jest równe zero w każdym kierunku. 29 GŁÓWNA WADA METOD ANALITYCZNYCH: MAŁA A ODPORNOŚĆ ŚĆ: 30
Funkcja trudna do optymalizacji metodami analitycznymi: f ( x, x ) = 21.5 sin(4 π x ) + x sin(20 π x ) 1 2 1 2 2 x [ -3.0, 12.1 ]; x [ 4.1, 5.8 ]; 1 2 Czasem maksimum globalne nie jest pożą żądane: Funkcja niemożliwa do optymalizacji metodami analitycznymi: f f(x) x31 Preferowane są czasem rozwiązania zania, których otoczenie przyjmuje wartości bliskie temu ekstremum a nie te, dla których niewielkie oddalenie się od ekstremum powoduje gwałtowny spadek wartości funkcji. Np: w przypadku inwestycji kapitałowych owych, by nie ryzykować straty z powodu niezbyt precyzyjnie zdefiniowanej funkcji, bądź nieznacznej zmiany jakiegoś parametru funkcji. 32 METODY ENUMERACYJNE: METODY LOSOWE: Sprowadzają się do przeszukiwania wszystkich punktów przestrzeni w poszukiwaniu optimum. Algorytm niezwykle prosty lecz skuteczny jedynie w przypadku skończonych, małych przestrzeni. Zwykle sprawdzenie wszystkich możliwo liwości jest niemożliwe w rozsądnym czasie (tzw. przekleństwo wymiaru). W swej najprostszej postaci: bada się losowo całą przestrzeń zadania nie korzystając c z innych informacji. Poszukiwanie takie jest zwykle bardzo czasochłonne onne (zwykle jednak mniej niż metody enumeracyjne). Algorytmy genetyczne i ewolucyjne równier wnież zawie- rają element losowości (algorytm zrandomizowany). 33 34 EFEKTYWNOŚĆ 1 Metoda odporna ideał... Metoda wyspecjalizowana (analityczna) Metoda enumeracyjna, błądzenie przypadkowe 0 kombinatoryczny dyskretny jednomodalny wielomodalny PROBLEM 35