Artificial Intelligence SZTUCZNA INTELIGENCJA W FINANSACH I. Wprowadzenie Jerzy KORCZAK jerzy.korczak@ue.wroc.pl http://www.korczak-leliwa.pl Russell S.J., Norvig P., (199) : Artificial Intelligence : A Modern Approach, Prentice Hall. Winston H.P., Horn, B.K.P. (1992): Artificial Intelligence, Addison-Wesley, 3rd Ed. Artificial Intelligence is the study of the computations that make it possilible to perceive, reason, and act [P.Winston] - the engineering goal of AI is to solve real-world problems - the scientific goal : models of KR, theory of reasoning,... Systemy inteligentne : auto-adaptacja zdolność poprawienia jakości swojego działania poprzez zdobywanie nowych doświadczeń zdolność dobierania parametrów pracy w zależnosci od efektów umiejętność rozwiazywania zadan zdolność doskonalania strategii uczenia się 1 2 Test inteligencji programu: czy jest to możliwe? Wyszukiwanie informacji w bazach danych A real-lifiuring test: An interviewer (Jezelitting in a separate room) asks a series of questions that are randomly directed to either a computer or a person. Based on the answers, the interviewer must distinguish which of the two has answered the question. If the interviewer is not able to distinguish between them, then the computer is intelligent. Nagroda Loebnera ($100,000) vs M. Minsky Szachy : Deep Blue vs G.Kasparow 3. : 2. - 10 120 możliwych gier - 200 M pozycji analizowanych na sekundę - opening book & extended book 3 4 Niektóre zastosowania w zarzadzaniu Systemy eksperckie, modelowanie procesow decyzyjnych Wspomaganie decyzji menedżerskich Diagnostyka ekonomiczna przedsiebiorstw Planowanie i optymalizacja wielokryterialna Prognozowanie decyzji kupna-sprzedazy Ocena ryzyka, kredyty Data mining poszukiwanie wiedzy w bazach danych Optymalizacja portfela akcji Negocjacje z pracownikami i zwiazkami zawodowymi Monitorowanie, systemy zabezpieczen, identyfikacja Wyszukiwanie informacji, e-intelligence Autentyfikacja biometryczna Twarz Filtre Trouver Trouver Inondation + de base Y X Convolution Badge Głos Normalisation Apprentissage et Détection des yeux + Codage Reconnaissance Moment Vert Bleu Hue Fréquence Effacer les Jezelilences Temps Normalisation Transformation de l ondelite + Codage C 0 C 1 C 2 C 3 C 4 C C 6 C 7 C 9 C 10 C 11 C 12 C 13 C 14 C 1 Saturation IntenJezeli Réseau des té Extraction neurones Baza danych Apprentissage et Reconnaissance Réseau des neurones w1 w2 Decyzja Przyjac Odrzucic 6 1
Robotyka Axone : XOR Autonomous Robots in Dynamic, Unstructured Environments, USC Robotics Lab 7 8 Planowanie: Job Shop Scheduling Poszukiwanie reguł decyzyjnych 9 10 Bourse-Experts : ekspertyza w czasie quasi-rzeczywistym Schemat funkcjonalny A-Tradera 11 12 2
Decisions Period IV Od PERCEPTRONU do hybrydowych systemów inteligentnych Systemy auto-adaptacyjne Perceptron [Rosenblatt,198], Adaline [Widrow, 1962] Pierwszy program grajacy : Checkers [Samuel, 1963] Systemy ekspert: DENDRAL, MYCIN, AQVAL [1970 -] Reprezentacja wiedzy : frames [Minsky, 197] Multilayer-Perceptron, Kohonen Maps,... [Rumelhart, 198] Sztuczna ewolucja [Holland, Goldberg, 1989] Multi-strategy learning [Michalski, 1990] KDD, data mining, intelligent agents [199 -] Web-semantics, [1998 -] Inteligentne Roboty, «inteligentne domy», Robo sapiens, a-life, 13/19 14 Algorytmy przeszukiwania przestrzeni stanów Przeszukiwanie w głąb (DFS) i przeszukiwanie wszerz (BFS) Hill Climbing (metoda gradientowa) Przeszukiwanie heurystyczne : Best-First search w glab uporzadkowane, wiazka, wg pierwszego najlepszego Algorytmy A*, IDA*, SMA* Przeszukiwanie w warunkach konkurencji: gry MINIMAX, przycięcie α β, pogłębianie progresywne Gry komputerowe: Power 4 Cel gry: Ustawienie 4 zetonow w linii Algorytmy MiniMax i Alpha-Beta Własności: Kompletność Złożoność czasowa Złożoność przestrzenna Optymalność 1 16 Algorytm A* Idea : minimalizacja kosztu calkowitego f(n) drogi przejscia przez wezel n f(n) = d(droga juz pokonana) + d(droga do pokanania) = g(n) + h(n) Przeszukiwanie przestrzeni: Gra Quarto Opis - 16 klockow o 4 roznych charakterystykach : kolor: zolty, czerwony podstawa: okragla lub kwadratowa wysokosc: dlugi, krotki srodek: pelny, wydrazony - Szachownica: 4*4 - Cel gry : ustawienie w liniii czterech klockow o tej samej charakterystyce Pod-estymacja h(n) n h(n) <= h*(n) z h*(n) = koszt rzeczywisty przejscia od wezla n do celu Warianty A*: - IDA* => Iterative Deepening A* (przeszukiwanie w glab przy ograniczeniu progu kosztu DFS-Contour) - SMA* => Simplified Memory-Bounded A* 17 18 3
Quarto : Konstrukcja drzewa wedlug algorytmu MiniMax [Morgenstern, von Neumann, 194] Faza pierwsza konstrukcja drzewa Wykaz wszystkich mozliwych ruchow Wybor pozycji do ustawienia danego klocka Wybor klocka dla przeciwnika Wygenerowanie dopuszczalnych ustawien klockow na szachownicy Okreslenie pozycji dla kazdej konfiguracji i kontynuacja gry az do osiagniecia zadanej glebokosci drzewa Algorytm α β : Ocena Faza druga: Ocena pozycji Funkcja oceny f = a * EvalGagne + b * ConnexitéPlateau Min ;0 Max (3 ; ;1) 0 Przyciecie alpha = ;0 Nasz ruch Ruch przeciwnika Eval 3 1 0 Nasz ruch ConnexitéPlateau Ocena Liczba mozliwych konfiguracji gry 16! *1! = 2.73 * 10 2 19 20 Reprezentacja wiedzy Logika zdań może_pobrac_się_ z_alą mężczyzna kawaler bogaty inteligentny Logika pierwszego rzędu jezyk Prolog dziadek (X,Y):= ojciec(x,z), ojciec (Z,Y) Schematy i frames Drzewa, grafy, sieci Chromosomy 0010000100001001011 Relacje R1(A,B,C), R2(A,D) Reperezentacja obiektowa OBIEKT Struktura Metody Wnioskowanie Reguły wnioskowania: reguła modus-ponens {P, (P Q)} Q Przykład : P : [(Sytuacja przedsiębiorstwa XYZ jest mglista)] (P Q): [Jeśli sytuacja przedsiębiorstwa XYZ notowanego na giełdzie jest mglista, to inwestorzy nie mają skrupułów w pozbyciu się akcji] (Q) [(Inwestorzy nie mają skrupułów w pozbyciu się akcji) : Kapitalizacja XYZ topnieje bardzo szybko] Inne reguły : modus-tolens {(P Q), Q} P sylogismy {(P Q), (Q R)} (P R) 21 22 Systemy eksperckie (ang. knowledge-based systems) Struktura systemu eksperckiego SE jest to oprogramowanie umozliwiajace reprodukcje zachowania sie eksperta w trakcie rozwiazywania problemow: klasyfikacji, decyzji, symulacji (diagnostyka ekonomiczna, planowanie, decyzje na rynku finansowym, ocena ryzyka,...) dany problem nie moze byc rozwiazany metodami algorytmicznymi SE stosowane sa w dziedzinach w ktorych dostepni sa eksperci. SE i generatory SE MYCIN, MOLGEN, PROSPECTOR,... OPS-, Nexperts, KEE, KRL, SNARK, GURU SMECI, CLIPS, JESS,... Niezależność bazy wiedzy i mechanizmu wnioskującego Baza reguł Baza danych Mechnizm wnioskujący Interfejs 23 24 4
SE: Mechanizm wnioskowania wprzód (forward chaining) Przyklad: Niech BF = {B,C}, FAD = H i BR złożona jest z następujących regul: Jezeli B i D i E to F Jezeli G i D to A X A H Jezeli C i F to A Jezeli B to X B,C Jezeli D to E Jezeli X i A to H D E Jezeli C to D Jezeli X i C to A Jezeli X i B to D SE: Mechanizm wnioskowania wstecz (backward chaining) Przyklad Jezeli B i C to A Jezeli D i E to A Jezeli F i G to A Jezeli I i J to G Jezeli J to E Założmy, że o wartości B, D, F i I można zapytać użytkownika. Jedyny fakt wiadomy w momencie startu systemu : J jest prawdziwe. Pytanie postawione przez użytkownika : B,C Czy A jest prawdziwe? A D,E F,G Jakie są pytania pertynentne które należy postawić użytkownikowi? I,J 2 26