ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Κ. Δεμέστιχας Εργαστήριο Πληροφορικής Γεωπονικό Πανεπιστήμιο Αθηνών Επικοινωνία μέσω e-mail: cdemest@aua.gr, cdemest@cn.ntua.gr Διαφάνειες: Καθ. Νικόλαος Λορέντζος 1

12. ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 2

Εισαγωγή 3

Τεχνητή Νοημοσύνη (ΤΝ) Η μελέτη της φύσης της νοημοσύνης, ανεξάρτητα από το αν αφορά σε ανθρώπους ή σε μηχανές. Η κατανόηση των διαδικασιών της ανθρώπινης σκέψης ώστε να καταστεί δυνατή η μοντελοποίηση και ο προγραμματισμός τους σε Η/Υ, έτσι ώστε ο Η/Υ να μπορεί να επιλύει τα ίδια προβλήματα με τον ίδιο τρόπο με τον οποίο τα επιλύει και ένας άνθρωπος. Η μελέτη μεθόδων για να κάνουμε τους Η/Υ να κατορθώνουν πράγματα που μόνο ο άνθρωπος μπορεί να κάνει. Η κατασκευή μηχανών που συμπεριφέρονται με τρόπο που οι άνθρωποι τον χαρακτηρίζουν ως ευφυή. Η χρήση έξυπνων προγραμμάτων και τεχνικών που μιμούνται τον ανθρώπινο τρόπο σκέψης. 4

Αξιοποίηση Τεχνητής Νοημοσύνης 1. Έμπειρα Συστήματα Βασίζονται στη ανθρώπινη γνώση. 2. Τεχνητά Νευρωνικά Δίκτυα Βασίζονται στη ανθρώπινη εμπειρία. 5

Έμπειρα Συστήματα και Αναπαράσταση Γνώσης 6

Έμπειρο Σύστημα (ΕΣ) Έξυπνο πρόγραμμα που χρησιμοποιεί γνώση και μηχανισμούς εξαγωγής συμπερασμάτων, για να μπορεί να λύνει προβλήματα τα οποία είναι δύσκολα και μπορεί να απαιτούν σημαντική ανθρώπινη εμπειρία για τη λύση τους. Εξομοιώνει την ικανότητα εξαγωγής συμπερασμάτων ενός εμπειρογνώμονα. 7

Αναπαράσταση Γνώσης με Κανόνες IF and and συνθήκη-1 συνθήκη-2 συνθήκη-m THEN συμπέρασμα-1 and συμπέρασμα-2 and συμπέρασμα-n συνθήκη: αντικείμενο - ιδιότητα - τιμή 8

Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας συνθήκη: αντικείμενο - ιδιότητα - τιμή IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση THEN Ασθένεια: Βοτρύτης ή τεφρά σήψη - Votrytis cinerea Confidence=100/100 and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-1.SCR" /C) and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-2.SCR" /C) 9

Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση 10 10

Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας. IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση 11

Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας IF Το προσβεβλημένο μέρος του φυτού είναι στέλεχος and πάνω στο στέλεχος παρουσιάζονται εξωτερικές αλλοιώσεις and μορφή των αλλοιώσεων του στελέχους παρουσιάζει έλκη and το έλκος του στελέχους είναι ανοικτό καστανό προς μπεζ and χαρακτηριστικά έλκους του στελέχους είναι γκρίζα εξάνθηση 12

Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας THEN Ασθένεια: Βοτρύτης ή τεφρά σήψη - Votrytis cinerea Confidence=100/100 15

Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-1.SCR" /C) and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-2.SCR" /C) 16

Αναπαράσταση Γνώσης με Κανόνες Παράδειγμα Διάγνωσης Ασθένειας Τομάτας and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-1.SCR" /C) and DISPLAY("\TOMATO\FUNGOUS\BOTRYTIS\FOT-2.SCR" /C) 17

Ερωτήσεις 1. Υπάρχει ενδεχόμενο ένα ΕΣ να καταλήξει σε περισσότερα του ενός συμπεράσματα; 2. Ένα ΕΣ καταλήγει πάντοτε σε συμπέρασμα; 3. Ένα ΕΣ μπορεί να υποκαταστήσει τον ειδικό; 18

Μέθοδοι Αναπαράστασης Γνώσης 1. Με Κανόνες 2. Με Πλαίσια 3. Με Σημασιολογικά Δίκτυα 19

1. Αναπαράσταση Γνώσης με Κανόνες IF and and συνθήκη-1 συνθήκη-2 συνθήκη-m THEN συμπέρασμα-1 and συμπέρασμα-2 and συμπέρασμα-n συνθήκη: αντικείμενο - ιδιότητα - τιμή 20

2. Αναπαράσταση Γνώσης με Πλαίσια Όνομα Πλαισίου Ιδιότητα Τιμή θηλαστικό μπορεί να κινείται αναπνέει αέρα καλύπτεται από δέρμα αναπαραγωγή γέννηση ολοκληρωμένου ζώου Ομοίως, πλαίσιο για: - ψάρι - υδρόβιο - πτηνό 21

3. Αναπαράσταση Γνώσης με Σημασιολογικό Δίκτυο ΖΩΟ μπορεί να έχει αναπνεύσει δέρμα είναι ΠΤΗΝΟ μπορεί να κινηθεί έχει φτερά είναι είναι μπορεί να πετάξει καναρίνι στρουθοκάμηλος μπορεί να έχει χρώμα δεν μπορεί να είναι κελαηδήσει κίτρινο πετάξει ψηλή 22

Πλεονεκτήματα Κανόνων Ομοιότητα με φυσική γλώσσα και ανθρώπινη συλλογιστική Δομημένη μορφή αναπαράστασης Εύκολη υλοποίηση επεξήγησης 23

Σύγκριση Ανθρώπινης με Τεχνητή Γνώση Ανθρώπινη γνώση Μεγάλο χρονικό διάστημα, για τη μετάδοση της γνώσης στους εκπαιδευόμενους. (-) Επανάληψη της διαδικασίας μετάδοσης της γνώσης σε νέους εκπαιδευόμενους. (-) Η γνώση είναι αυξανόμενη και μεταβαλλόμενη. (+) Η αξιοποίηση της γνώσης επηρεάζεται από εξωγενείς παράγοντες. (-) Το πεδίο της γνώσης είναι ευρύ. (+) Μακροχρόνια, υψηλό κόστος, για την απόκτηση γνώσης. (-) Τεχνητή γνώση Συγκριτικά μικρό χρονικό διάστημα, για την άντληση της γνώσης από τον ειδικό. (+) Η γνώση που αντλήθηκε μπορεί να εγκατασταθεί σε πολλούς Η/Υ. (+) Η γνώση παραμένει στατική. (-) Η αξιοποίηση της γνώσης είναι ανεξάρτητη από εξωγενείς παράγοντες. (+) Το πεδίο της γνώσης είναι περιορισμένο. (-) Μακροχρόνια, το κόστος για την απόκτηση της γνώσης είναι χαμηλό. (+) 24

Απαιτήσεις από ένα ΕΣ Να λύνει προβλήματα που απαιτούν τη γνώση του ειδικού. Να παρέχει εναλλακτικές λύσεις και να τις τεκμηριώνει. Να διαθέτει ευελιξία στη σύλληψη και πρόσκτηση νέας γνώσης. Να βοηθά στη μετάδοση της γνώσης στον επιστήμονα. Να παρουσιάζει τη γνώση του με εύκολο και καταληπτό τρόπο, σε φυσική γλώσσα. 25

Δομή ΕΣ Βάση Γνώσης Επαγωγική Μηχανή Υποσύστημα Σύλληψης Γνώσης (Εσωτερική δόμηση της γνώσης) Υποσύστημα Επεξήγησης Διεπαφή Χρήστης 26

Διαδικασία Ανάπτυξης ΕΣ 1. Προκαταρκτικό στάδιο Εύρεση του ειδικού, που έχει τις γνώσεις Καθορισμός του προβλήματος και των χρηστών του ΕΣ Προσδιορισμός εργαλείου ανάπτυξης 27

2. Διαδικασία σύλληψης της γνώσης και δόμησης της ΒΓ Πρόσκτηση της γνώσης του ειδικού από τον μηχανικό γνώσης Καταγραφή της πρωτογενούς γνώσης για το σύστημα Στρατηγικές επίλυσης προβλήματος Δομή του γνωστικού αντικειμένου Αναπαράσταση γνώσης Διαδικασία Ανάπτυξης ΕΣ 28

Διαδικασία Ανάπτυξης ΕΣ 3. Υλοποίηση Σχεδιασμός και ανάπτυξη του πρωτοτύπου Έλεγχος και διορθώσεις Επέκταση 29

Εφαρμογές ΕΣ Διαγνωστικά-Προγνωστικά Παθολογία (σύστημα MYCIN χρησιμοποιήθηκε στην Ιατρική βοηθώνταςστη διάγνωση και θεραπεία ασθενειών), Μικροβιολογία, Φυτοπαθολογία, Μετεωρολογία, Γεωλογία κλ.π Συμβουλευτικά Οικονομία, Γενετική, Φαρμακολογία, Δασοπροστασία, βελτίωση καλλιεργειών Επιχειρησιακά - Ελέγχου Οικονομία, διαχείριση υπογείων υδάτων, έλεγχος βιομηχανικών μονάδων, πρόβλεψη φαινομένων στην ατμόσφαιρα που σχετίζονται με την προστασία τροφίμων και καλλιεργειών (σύστημα ARTEMIS, για την προειδοποίηση μετανάστευσης ακρίδων) 30

Τεχνητά Νευρωνικά Δίκτυα 31

Γενικά Για την κατανόηση της νοημοσύνης οι ερευνητές σκέφτηκαν ότι θα έπρεπε να εξετάσουν - τον ανθρώπινο εγκέφαλο και - τον τρόπο λειτουργίας του, ώστε να κατασκευάσουν ένα σύστημα που θα είναι σε θέση να μιμείται τις διεργασίες του εγκεφάλου. Τεχνητά Nευρωνικά Δίκτυα (ΤΝΔ) Αποτελούν υπολογιστική και προγραμματιστική προσομοίωση των νευρώνων του ανθρώπινου εγκεφάλου, με δυνατότητα μάθησης μέσω παραδειγμάτων. 32

Ανθρώπινο Νευρωνικό Δίκτυο Σύνολο νευρώνων που ο καθένας τους συνδέεται με πολλούς άλλους, μέσω συνάψεων. 33

Τεχνητό Νευρωνικό Δίκτυο Σύστημα επεξεργασίας πληροφορίας, σχεδιασμένο με βάση τη λογική συνδεσμολογίας των νευρώνων του ανθρώπινου εγκεφάλου. Αποτελείται από ένα μεγάλο αριθμό επεξεργαστών (κόμβων) που είναι πολλαπλά διασυνδεδεμένοι μεταξύ τους και δουλεύουν σε πλήρη συμφωνία. - Οι επεξεργαστές (κόμβοι) αντιστοιχούν στους νευρώνες του ανθρωπίνου εγκεφάλου. - Οι διασυνδέσεις αντιστοιχούν στις συνάψεις του ανθρωπίνου εγκεφάλου. Το σημαντικό χαρακτηριστικό είναι η δικτυακή δομή του συστήματος επεξεργασίας πληροφορίας. 34

Τεχνητό Νευρωνικό Δίκτυο Πολυεπίπεδο Perceptron (Multilayer Perceptron) ΤΝΔ πρόσθιας τροφοδότησης (feedforward). Αποτελείται από διαδοχικά στρώματα (layers) κατάλληλα συνδεδεμένων απλών μονάδων επεξεργασίας (processing units). 35

Πολυεπίπεδο Perceptron Επίπεδο εισόδου Είσοδος Επίπεδο εξόδου (ένα ή περισσότερα επίπεδα εξόδου) Έξοδος Κρυφό επίπεδο (ένα ή περισσότερα κρυφά επίπεδα) 36

Τεχνητά Νευρωνικά Δίκτυα Τα ΤΝΔ, έχουν τη δυνατότητα μάθησης από παραδείγματα. -Στα βιολογικά συστήματα (π.χ. στον άνθρωπο), η μάθηση μέσω παραδειγμάτων επιτυγχάνεται με την τροποποίηση των συναπτικών συνδέσεων των νευρώνων. - Η ίδια διαδικασία εφαρμόζεται και στα ΤΝΔ. Με τη χρήση μιας διαδικασίας μάθησης, τα ΤΝΔ χρησιμοποιούνται σε διαδικασίες όπως είναι - η αναγνώριση προτύπων και - η κατηγοριοποίηση δεδομένων. 37

Τεχνητό Νευρωνικό Δίκτυο BERA BERA (Bioelectric Recognition Assay): Σύστημα ανίχνευσης φυτοπαθογόνων ιών, με χρήση βιοαισθητήρων και ΤΝΔ. Βασίζεται στην βιοαισθητηριακή μέθοδο ανίχνευσης ιών. Στον βιοαισθητήρα εισάγεται κάποιο δείγμα. Το δείγμα διαρρέεται από ηλεκτρικό ρεύμα. Ανάλογα με τη μεταβολή της τάσης του ρεύματος συναρτήσει του χρόνου, ταυτοποιείται ο μολυσματικός παράγων (φυτοπαθογόνος ιός). 38

Bioelectric Recognition Assay (BERA) BERA Δεδομένα σε μορφή χρονοσειρών 80 70 60 50 40 30 20 10 0 0 20 40 60 80 100 120 140 160 Προεπεξεργασία δεδομένων ΤΝΔ Ταξινόμηση φυτοπαθογόνων ιών 39

Τεχνητά Νευρωνικά Δίκτυα Πλεονεκτήματα Ικανότητα εκμάθησης τυχαίων συναρτήσεων Μνήμη Αυτοοργάνωση Αρκεί η εκπαίδευση 40

Τεχνητά Νευρωνικά Δίκτυα Μειονεκτήματα Δεν υπάρχει αυστηρή μεθοδολογία. Η εκπαίδευση μπορεί να είναι δύσκολη ή αδύνατη. Η ικανότητα γενίκευσης είναι δύσκολα προβλέψιμη. 41