Σεχνθτι Νοθμοςφνθ. Ενότθτα 1: Ειςαγωγι. Ιωάννθσ Χατηθλυγεροφδθσ Πολυτεχνικι χολι Σμιμα Μθχανικϊν Η/Τ & Πλθροφορικισ

Transcript

1 Σεχνθτι Νοθμοςφνθ Ιωάννθσ Χατηθλυγεροφδθσ Πολυτεχνικι χολι Σμιμα Μθχανικϊν Η/Τ & Πλθροφορικισ

2 Ειςαγωγι

3 Οριςμόσ τθσ Σεχνθτισ Νοθμοςφνθσ Barr and Feigenbaum (ΣΝ) (1) «ΣΝ είναι ο τομζασ τθσ επιςτιμθσ των υπολογιςτϊν, που αςχολείται με τθ ςχεδίαςθ ευφυϊν υπολογιςτικϊν ςυςτθμάτων, δθλ. ςυςτθμάτων που επιδεικνφουν χαρακτθριςτικά που ςχετίηονται με τθ νοθμοςφνθ ςτθν ανκρϊπινθ ςυμπεριφορά.» Marvin Minsky «ΣΝ είναι θ επιςτιμθ που κάνει τισ μθχανζσ να κάνουν πράγματα που κα απαιτοφςαν ευφυΐα αν γινόταν από ζνα άνκρωπο.» 3

4 Οριςμόσ τθσ Σεχνθτισ Νοθμοςφνθσ Elaine Rich «ΣΝ είναι θ μελζτθ του πωσ να κάνουμε τουσ Η/Τ να κάνουν πράγματα για τα οποία, προσ το παρόν, οι άνκρωποι είναι καλφτεροι.» Patrick Henry Winston (ΣΝ) (2) «ΣΝ είναι θ μελζτθ των υπολογιςτικϊν μεκόδων που κακιςτοφν δυνατά τθν αντίλθψθ, τον ςυλλογιςμό και τθν ενζργεια.» 4

5 Οριςμόσ τθσ Σεχνθτισ Νοθμοςφνθσ (ΣΝ) (3) Η δυςκολία ζγκειται ςτον οριςμό του όρου «νοθμοςφνθ» (ι «ευφυΐα»). Άλλοι οριςμοί τον ορίηουν μζςω του εαυτοφ του (π.χ. οριςμόσ Minsky). Άλλοι τον παρακάμπτουν (π.χ. οριςμόσ Rich). Πολλζσ μζκοδοι τθσ ΣΝ προζρχονται από ερευνθτικζσ προςπάκειεσ ςτο πεδίο τθσ γνωστικής επιστήμης (cognitive science) και όχι τθσ επιςτιμθσ των υπολογιςτϊν. Η επιςτιμθ που αςχολείται με τθν ανκρϊπινθ ευφυΐα και τουσ τρόπουσ που το ανκρϊπινο μυαλό προςλαμβάνει πλθροφορίεσ, μακαίνει και ςυλλογίηεται, δθλ. αντιλαμβάνεται και κατανοεί το περιβάλλον του. 5

6 Οριςμόσ τθσ Σεχνθτισ Νοθμοςφνθσ (ΣΝ) (4) Οι Russell και Norvig διακρίνουν τουσ οριςμοφσ τθσ ΣΝ ςε τζςςερισ κατθγορίεσ, με βάςθ το αν χαρακτθρίηουν ζνα ςφςτθμα ωσ ευφυζσ με κριτιριο το αν ςκζφτεται ςαν άνκρωποσ (Μθχανιςμόσ, Γνωςτικι Επιςτιμθ) αν ενεργεί ςαν άνκρωποσ (υμπεριφορά, Turing test) αν ςκζφτεται ορκολογικά (Μθχανιςμόσ, Νόμοι Ορκισ κζψθσ) αν ενεργεί ορκολογικά (υμπεριφορά, Ορκολογικοί Πράκτορεσ) 6

7 Ιςτορία τθσ ΣΝ (1) Γέννηςη: 1943 McCulloch & Pitts πρότειναν ζνα µοντζλο τεχνθτϊν νευρϊνων που είχε τθ δυνατότθτα να µακαίνει και να υπολογίηει ςυναρτιςεισ 1949: Donald Hebb πρότεινε µία µζκοδο εκπαίδευςθσ νευρωνικϊν δικτφων 1950: Alan Turing, µε το άρκρο του "Computing Machinery and Intelligence ειςιγαγε το Turing Test 1951: Minsky & Edmonts υλοποίθςαν το πρϊτο νευρωνικό δίκτυο, το SNARC, µε 40 νευρϊνεσ, το οποίο χρθςιµοποιοφςε λυχνίεσ. 7

8 Ιςτορία τθσ ΣΝ (2) Βάπτιςη: 1956: Dartmouth Conference Οργανωτισ: John McCarthy υμμετοχι: M. Minsky, A. Newell, H. Simon Παρουςίαςαν το πρόγραμμα Logist Theοrist (LT) που ιταν ςε κζςθ να αποδεικνφει απλά µακθµατικά κεωριµατα. Αποδοχι του ονόµατοσ που πρότεινε ο John McCarthy για τθ νζα ερευνθτικι περιοχι: Σεχνθτι Νοθµοςφνθ. 8

9 Ιςτορία τθσ ΣΝ (3) 1o ΕΡΓΑΛΕΙΟ: Γλϊςςα LISP (1958- McCarthy, MIT) 1η ΑΠΟΣΤΧΙΑ: GPS (Newell & Simon) 1η ΕΛΠΙΔΑ: Αρχι τθσ Επίλυςθσ (J. A. Robinson, 1963) Advice Taker (McCarthy, Stanford) (αναπαράςταςθ κοινισ λογικισ) 1ο Ρομπότ (SHAKEY, Stanford) 1η ΠΕΡΙΟΔΟ ΠΑΡΑΚΜΗ: Δεκαετία 60 1η ΕΠΙΣΤΧΙΑ : Σα πρϊτα ζμπειρα ςυςτιματα DENDRAL (τζλοσ 60) MYCIN (μζςα 70) 1η ΕΜΠΟΡΙΚΗ ΕΠΙΣΤΧΙΑ: Ζμπειρο φςτθμα R1/XCON (DEC) 9

10 Προςεγγίςεισ τθσ ΣΝ (1) Κλαςςική ή υμβολική προςέγγιςη (symbolic approach): τθρίηεται ςτθν υπόκεςθ ότι θ ευφυισ ςυμπεριφορά παράγεται από τθ διαχείριςθ ςυμβόλων, τα οποία παριςτάνουν ζννοιεσ και ςχζςεισ μεταξφ τουσ. χετίηεται με τθ μζκοδο των λογικϊν ςυλλογιςμϊν του Αριςτοτζλθ και μιμείται τθ λειτουργία τθσ ανκρϊπινθσ ςκζψθσςυλλογιςτικισ. Εκπρόςωποσ: Λογικζσ προςεγγίςεισ (Logic-based approaches) 10

11 Προςεγγίςεισ τθσ ΣΝ (2) Μη ςυμβολική ή Τπολογιςτική προςέγγιςη (nonsymbolic or computational approach) Η ευφυισ ςυμπεριφορά παράγεται από τθ μίμθςθ βιολογικϊν διεργαςιϊν, όπωσ π.χ. θ λειτουργία του εγκεφάλου, θ εξζλιξθ των ειδϊν κλπ. Εκπρόςωποι: υνδετιςμόσ (Connectionism) ι Σεχνθτά Νευρωνικά Δίκτυα (Artificial Neural Networks), Γενετικοί Αλγόρικμοι 11

12 Βαςικζσ Μζκοδοι Κλαςςικισ ΣN Πθγάηουν από τθν «υπόκεςθ ςυςτιματοσ φυςικϊν ςυμβόλων» (Newell & Simon, 1976). Κακοριςμόσ ςυμβόλων, ςυμβολικϊν δομϊν και λειτουργιϊν ςτισ δομζσ ΑΝΑΠΑΡΑΣΑΗ ΓΝΩΗ (KNOWLEDGE REPRESENTATION) Ανάπτυξθ ςτρατθγικϊν για αποδοτικι και ορκι αναηιτθςθ λφςθσ. ΑΝΑΖΗΣΗΗ (SEARCH) 12

13 Σομείσ Εφαρμογισ τθσ ΣΝ Παίξιμο Παιχνιδιϊν (Game Playing) Αυτοματοποιθμζνοσ υλλογιςμόσ (Automated Reasoning) -Απόδειξθ Θεωρθμάτων (Theorem Proving) Βαςιςμζνα ςε Γνϊςθ υςτιματα (Knowledge-Based Systems) Ζμπειρα υςτιματα (Expert Systems) Κατανόθςθ Φυςικισ Γλϊςςασ (Natural Language Understanding) Μάκθςθ Μθχανισ (Machine Learning) Κατανόθςθ Εικόνασ (Image Understanding) Ρομποτικι-χεδίαςθ Ενεργειϊν (Robotics-Planning) Ιατρικι (Διάγνωςθ) 13

14 θμείωμα Ιςτορικοφ Εκδόςεων Ζργου Σο παρόν ζργο αποτελεί τθν ζκδοςθ

15 θμείωμα Αναφοράσ Copyright Πανεπιςτιμιο Πατρϊν, Ιωάννθσ Χατηθλυγεροφδθσ «Ευφυισ Προγραμματιςμόσ». Ζκδοςθ: 1.0. Πάτρα Διακζςιμο από τθ δικτυακι διεφκυνςθ: 15

16 θμείωμα Αδειοδότθςθσ Σο παρόν υλικό διατίκεται με τουσ όρουσ τθσ άδειασ χριςθσ Creative Commons Αναφορά, Μθ Εμπορικι Χριςθ Παρόμοια Διανομι 4.0 *1+ ι μεταγενζςτερθ, Διεκνισ Ζκδοςθ. Εξαιροφνται τα αυτοτελι ζργα τρίτων π.χ. φωτογραφίεσ, διαγράμματα κ.λ.π., τα οποία εμπεριζχονται ςε αυτό και τα οποία αναφζρονται μαηί με τουσ όρουσ χριςθσ τουσ ςτο «θμείωμα Χριςθσ Ζργων Σρίτων». [1] Ωσ Μη Εμπορική ορίηεται θ χριςθ: που δεν περιλαμβάνει άμεςο ι ζμμεςο οικονομικό όφελοσ από τθν χριςθ του ζργου, για το διανομζα του ζργου και αδειοδόχο που δεν περιλαμβάνει οικονομικι ςυναλλαγι ωσ προχπόκεςθ για τθ χριςθ ι πρόςβαςθ ςτο ζργο που δεν προςπορίηει ςτο διανομζα του ζργου και αδειοδόχο ζμμεςο οικονομικό όφελοσ (π.χ. διαφθμίςεισ) από τθν προβολι του ζργου ςε διαδικτυακό τόπο Ο δικαιοφχοσ μπορεί να παρζχει ςτον αδειοδόχο ξεχωριςτι άδεια να χρθςιμοποιεί το ζργο για εμπορικι χριςθ, εφόςον αυτό του ηθτθκεί. 16

17 Διατιρθςθ θμειωμάτων Οποιαδιποτε αναπαραγωγι ι διαςκευι του υλικοφ κα πρζπει να ςυμπεριλαμβάνει: το θμείωμα Αναφοράσ το θμείωμα Αδειοδότθςθσ τθ διλωςθ Διατιρθςθσ θμειωμάτων το θμείωμα Χριςθσ Ζργων Σρίτων (εφόςον υπάρχει) μαηί με τουσ ςυνοδευόμενουσ υπερςυνδζςμουσ. 17