TERM IN ArchiTechtOnic Reflection Σμυρνιού Αγάπη-Ελισάβετ Α.Μ. 601094 Νέες Τεχνολογίες Ι Διδ/σα Π.Μάντζου REASON ING ΤΜΗΜΑ ΑΡΧΙΤΕΚΤΟΝΩΝ ΜΗΧΑΝΙΚΩΝ ΞΑΝΘΗ ΦΕΒΡΟΥΑΡΙΟΣ 2016
Term IN ArchiTectOnic Reflection REASON ING Η Συλλογιστική, είναι η πράξη εξαγωγής συμπερασμάτων από συγκεκριμένες υποθέσεις χρησιμοποιώντας μία δοθείσα μεθοδολογία. Στην ουσία είναι η ίδια η διαδικασία της σκέψης, μία λογική διαμάχη, η παραγωγή συμπερασμάτων. Οταν ένα σύστημα (Τεχνητής νοημοσύνης για παράδειγμα) καλείται να κάνει μία δράση, χωρίς να του έχει δοθεί επακριβώς ο τρόπος με τον οποίο θα την εκτελέσει, πρέπει να «συλλογιστεί». Πρέπει δηλαδή να «καταλάβει» τι χρειάζεται «γνωρίζει», από αυτά που ήδη «γνωρίζει». Πολλοί τύποι Συλλογιστικής έχουν εντοπιστεί και αναγνωριστεί, αλλά ακόμα εγείρονται ζητήματα όσον αφορά τις λογικές και υπολογιστικές τους ικανότητες. Οι πιο δημοφιλείς μέθοδοι Συλλογιστικής περιλαμβάνουν υπόθεση/παραγωγή, επαγωγή, συλλογισμό βάση μοντέλου, επεξήγηση και επιβεβαίωση. Όλες είναι άμεσα συνδεδεμένες με προβλήματα αναθεώρησης πεποιθήσεων και ανάπτυξης θεωριών (belief revision and theory development), αφομοίωσης γνώσης (knowledge assimilation), ανακάλυψης (discovery) και εκμάθησης (learning). Reasoning is the act of deriving conclusion from specific premises using a given methodology. It is actually the same process as thinking, a logical debate, the drawing of inference. When a system (an A.I. system for instance) is required to do something that it has not been explicitly told how to do, it has to reason. It has to understand what it needs to know, from what it already knows. Many types of Reasoning have been recognized and acknowledged, but there are still issues regarding their logical and computational skills. The most popular methods of Reasoning include abduction, deduction, model-based reasoning, explanation and confirmation. All of them are intimately related to problems of belief revision and theory development, knowledge assimilation, discovery and learning. 3
Νέες Τεχνολογίες Ι Η Αναπαράσταση Γνώσης και Συλλογιστικής είναι τομέας της Τεχνητής νοημοσύνης που ασχολείται με το πώς η γνώση μπορεί να αναπαρασταθεί συμβολικά και να χρησιμοποιηθεί με ένα αυτοματοποιημένο τρόπο. Λαμβάνεται σαν δεδομένο ότι αυτό που επιτρέπει στους ανθρώπους να συμπεριφέρονται «έξυπνα», είναι οι πολλές γνώσεις τους, για πολλά πράγματα και η ικανότητά τoυς να εφαρμόζουν αυτή τη γνώση αυτή με τέτοιο τρόπο ώστε να προσαρμόζονται στο περιβάλλον και να πετυχαίνουν τους στόχους τους. Έτσι ο τομέας της Αναπαράστασης Γνώσης και Συλλογιστικής επικεντρώνεται στην γνώση και όχι στον γνώστη. Αναπτύσσονται έτσι Παραγωγικά συστήματα που επιχειρούν να μοντελοποιήσουν τη γνώση που έχει ο άνθρωπος και τη μέθοδο συλλογισμού που ακολουθεί ο ανθρώπινος νους. Σαν σύστημα είναι πολύ χρήσιμο για την αντιμετώπιση ατελειών και αβεβαιοτήτων που μπορεί να υπάρχουν στα δεδομένα. Επιτρέπει τον εντοπισμό λαθών, τον υπολογισμό τιμών που μπορεί να λείπουν, τον καθορισμό της ποιότητας, της ακρίβειας και της ισχύος των δεδομένων του περιβάλλοντος, και κυρίως επιτρέπει την εξαγωγή νέων συμπερασμάτων ή έμμεσων πληροφοριών από τα αρχικά δεδομένα. Είναι επίσης απαραίτητο για την πρόκληση δράσεων ή προσαρμογών ανάλογα με τις συνθήκες που μπορεί να έχουν σημασία για κάποια εφαρμογή. Εχει εφαρμογή και είναι απαραίτητο σε όλα τα υπολογιστικά συστήματα και αλγόριθμους, από το πιο απλό μέχρι το πιο σύνθετο. Είναι επίσης ο συνδετικός κρίκος ανάμεσα στην πραγματικότητα και σε έναν αλγόριθμο. Χωρίς αυτό το σύστημα, οποιoδήποτε λογισμικό, αδυνατεί να προσαρμοστεί σε μεταβαλλόμενα δεδομένα. Στην πραγματικότητα, ό,τι λαμβάνουν οι αισθητήρες και οι αντίστοιχες αντιδράσεις τους, παρέχουν συνδέσμους ανάμεσα στον αλγόριθμο και τον πραγματικό κόσμο στον οποίο αυτοί λειτουργούν. Προκειμένου αυτοί οι αλγόριθμοι να είναι αποκρίσιμοι, προσαρμόσιμοι και επωφελείς για τους χρήστες, πρέπει να πραγματοποιηθεί μία σειρά από συλλογισμούς. Σε αυτούς περιλαμβάνονται ο συλλογισμός βάση μοντέλου, η πρόβλεψη και η αναγνώριση δραστηριότητας, η λήψη αποφάσεων και ο χωρικός- χρονικός συλλογισμός. 4 Σχεδιασμός Βάση Μοντέλου Ένα χαρακτηριστικό που διαχωρίζει τους υπολογιστικούς αλγόριθμους γενικά, από αυτούς που αποκρίνονται στον χρήστη, είναι η ικανότητά τους να «μοντελοποιούν» την συμπεριφορά του χρήστη. Αν μπορεί να σχεδιαστεί ένα τέτοιο μοντέλο, μπορεί να χρησιμοποιειθεί για να εξατομικεύσει την συμπεριφορά του λογισμικού της Τεχνητής νοημοσύνης ως προς τον χρήστη. Αν το μοντέλο καταλήξει σε μία αρκετά ακριβή βάση αναφοράς, αυτή η βάση αναφοράς μπορεί να παρέχει τη βάση για τον εντοπισμό ανωμαλιών και αλλαγών στα τοπικά μοτίβα. Αν το μοντέλο έχει την ικανότητα να βελτιώσει τον εαυτό του, το περιβάλλον μπορεί πιθανόν να προσαρμόσει τον εαυτό του σε αυτά τα μεταβαλλόμενα μοτίβα. Η πιο κοινή πηγή δεδομένων για την κατασκευή μοντέλου, είναι η χαμηλού επιπέδου αισθητήρων πληροφορία. Αυτά τα δεδομένα είναι εύκολα στη συλλογή και στη χρήση. Όμως μία πρόκληση στην χρήση χαμηλού επιπέδου πληροφοριών είναι η ογκώδης φύση των συλλεγόμενων πληροφοριών. Για παράδειγμα στο «MavHome smart home project», μόνο οι συλλεγόμενες πληροφορίες που αφορούν την κίνηση και τον φωτισμό, έχουν σαν αποτέλεσμα κατά μέσο όρο 10.310 αντιδράσεις καθημερινά. Η ποσότητα των δεδομένων που προκύπτουν από αισθητήρες, μπορεί να δημιουργήσουν
Term IN ArchiTectOnic Reflection υπολογιστικές προκλήσεις για τους αλγόριθμους μοντελοποίησης. Παρ όλα αυτά, η πρόκληση είναι ακόμα μεγαλύτερη για ερευνητές που εισάγουν και ηχητικά και οπτικά δεδομένα στο μοντέλο. Τέλος, η αναγνώριση κοινωνικών συμπεριφορών ήταν ανέκαθεν ένα πολύ κοινό ζήτημα της έρευνας της Τεχνητής Νοημοσύνης. Πειράματα που έχουν γίνει με δίκτυα ασύρματων αισθητήρων, προκειμένουν να αναλύσουν την κοινωνική δυναμική σε μεγάλες συγκεντρώσεις, έχουν καταφέρει να εντοπίσουν χαρακτηριστικάκλειδιά αλληλεπίδρασης, όπως ενδιαφέρον ή σύνδεση, από τις συλλεγόμενες πληροφορίες, για ομάδες πάνω από 100 ανθρώπων. Πρόβλεψη και αναγνώριση δραστηριότητας Μία ακόμα συνεισφορά των αλγόριθμων συλλογιστικής, είναι η ικανότητά τους να προβλέπουν και να αναγνωρίζουν δραστηριότητες που συμβαίνουν στα περιβάλλοντα Τεχνητής Νοημοσύνης. Πολύ από αυτή την δουλειά έχει πραγματοποιηθεί σε έρευνες έξυπνου περιβαλλοντος, όπου η εφαρμογή Τεχνητής Νοημοσύνης επικεντρώνεται σε ένα μεμονωμένο περιβάλλον το οποίο έχει εξοπλιστεί με αισθητήρες και έχει σχεδιαστεί να βελτιώσει την εμπειρία της κατοίκησης στο περιβάλλον αυτό. Τα παραδείγματα αυτών των εργασιών αναγνώρισης, ασχολούνται κυρίως με πολύ βασικές υπηρεσίες που το σύστημα τεχνητής νοημοσύνης αναμένεται να πραγματοποιήσει. Ακόμα και σε αυτές τις βασικές λειτουργίες, η απόκριση του συστήματος με τη μεγαλύτερη δυνατή ακρίβεια είναι μία πολύ σημαντική πρόκληση. Η αναγνώριση δραστηριότητας δεν είναι ένα αναξιοποίητο πεδίο ερευνών. Λόγω της εξαιρετικής σημασίας της ανάγκης για τεχνολογίες αναγνώρισης, οι ερευνητές έχουν εξερευνήσει πληθώρα προσεγγίσεων του προβλήματος. Κάθε προσέγγιση διαφέρει ανάλογα με τον τύπο των δεδομένων του αισθητήρα που χρησιμοποιείται για ταξινόμηση και ανάλογα με τον τύπο του μοντέλου που έχει σχεδιαστεί για να μάθει τους ορισμούς των δραστηριοτήτων. Ο αριθμός των μοντέλων μηχανικής εκμάθησης που έχουν χρησιμοποιηθεί για την αναγνώριση δραστηριότητας ποικίλει τόσο, όσο και ο αριθμός των τύπων των δεδομ ενων των αισθητήρων που έχουν δοκιμαστεί. Λήψη αποφάσεων Τα τελευταία χρόνια, υποστηρικτικές τεχνολογίες που αφορούν την Τεχνητή Νοημοσύνη, έχουν αναδυθεί, ωριμάσει και ανθίσει. Το να χτίσεις όμως μία πλήρως αυτοματοποιημένη εφαρμογή Τεχνητής Νοημοσύνης σε αυτές τις βάσεις εξακολουθεί να είναι σπάνιο. Η αυτοματοποιημένη λήψη αποφάσεων και οι τεχνικές ελέγχου είναι διαθέσιμες για αυτό το εγχείρημα. Λίγες πλήρως εφαρμοσμένες εφαρμογές τεχνολογίας λήψης αποφάσεων έχουν πραγματοποιηθεί. Μία από τις πρώτες είναι το Mozer s Adaptive Home, το οποίο χρησιμοποιεί ένα νευρικό δίκτυο και έναν ενθαρυμένο μαθητευόμενο ώστε να ορίσει ιδανικές ρυθμίσεις για φωτισμό και κλιματισμό στην κατοικία. Αυτό έχει εφαρμοστεί σε μία εγκατάσταση κατοικίας και έχει αξιολογηθέι βάση ενός ατόμου που μένει στην Προσαρμόσιμη Κατοικία (Adaptive Home). Όμως, ο αυτοματισμός βασισμένος στην μίμιση της συμπεριφοράς ενός κατοίκου είναι πολύ δύσκολο να χρησιμοποιηθεί για εναλλακτικούς στόχους, παραδείγματος χάρη για ενεργειακή επάρκεια. 5
Νέες Τεχνολογίες Ι Χωρικός- χρονικός συλλογισμός Πολύ λίγα πράγματα μπορούν να γίνουν σε ένα σύστημα Τεχνητής Νοημοσύνης χωρίς άμεση ή έμμεση αναφορά στον τόπο και στο χρόνο τα γεγονότα που έχουν σημασία συμβαίνουν. Για να πάρει ένα σύστημα λογικές αποφάσεις, πρέπει να γνωρίζει που είναι οι χρήστες αλλά και που βρίσκονταν για μία χρονική περίοδο. Αυτές οι γνώσεις, μαζί με άλλες πληροφορίες, θα παρέχουν σημαντικά στοιχεία για τον τύπο των δραστηριοτήτων με τις οποίες ο χρήστης ασχολείται καθώς επίσης και τις πιο ικανοποιητικές αντιδράσεις από μεριάς συστήματος. Ο χωρικός- χρονικός συλλογισμός είναι δύο βασικά πεδία του τομέα της Τεχνητής Νοημοσύνης. Έχουν υπάρξει αντικείμενο έντονης έρευνας για περίπου δύο δεκαετίες και υπάρχουν πολύ γνωστοί σχηματισμοί και αλγόριθμοι που αφορούν τον χωρικό, χρονικό και χωροχρονικό συλλογισμό. Παραδείγματα Εφαρμογής Χρησιμοποιείται γενικά στον προγραμματισμό, για παράδειγμα εφαρμόζεται σε προγράμματα και αλγόριθμους που παράγουν σενάρια διαφορετικών κτιρίων για διαφορετικούς χρήστες, αλλά και ευρύτερα σε οποιοδήποτε τομέα της αρχιτεκτονικής χρησιμοποιεί τεχνολογικά μέσα που αλληλεπιδρουν με το περιβάλλον. Από τα προγράμματα σχεδιασμού, μέχρι την προσαρμοστική αρχιτεκτονική (adaptive architecture), τα αποκρινόμενα διαδραστικά περιβάλλοντα (responsive environments) και τα ευφυή υλικά (intelligent materials). Μπορεί σαν σύστημα να αντικαταστήσει τον «συνεργατικό σχεδιασμό», αποτελλώντας τον «υπολογιστικό διαμεσολαβητή» στα πλαίσια του σχεδιασμού. Επιπλέον έχει μεγάλη εφαρμογή σε συστήματα παρακολούθησης, αναγνώρισης και καταγραφής του στρατού, αλλά και στη ρομποτική (για ιατρική χρήση και όχι μόνο). Συγκεκριμένα Παραδείγματα: MavHome smart home project (Managing An intelligent Versatile Home project): Είναι ένα πολυ-πειθαρχικό ερευνητικό εγχείρημα των Washington State University και University of Texas, που επικεντρώνεται στη δημιουργία ενός έξυπνου περιβάλλοντος κατοίκησης. Η προσέγγιση των ερευνητών, είναι να αντιλαμβάνονται το έξυπνο σπίτι (smart home) σαν ένα παράγοντα (agent) που αντιλαμβάνεται το περιβάλλον του μέσω της χρήσης αισθητήρων και μπορεί να δράσει σε αυτό μέσω της χρήσης ενεργοποιητών (actuators). Το σπίτι έχει συγκεκριμένους συνολικούς στόχους, όπως την ελαχιστοποίηση του κόστους συντήρησης του σπιτιού και τη μεγιστοποίηση της άνεσης των κατοίκων του. Προκειμένου να καταφέρει αυτούς τους στόχους το σπίτι πρέπει να έχει την ικανότητα να συλλογιστεί και να προσαρμοστεί σύμφωνα με συγκεκριμένες πληροφορίες που του παρέχονται. http://ailab.wsu.edu/mavhome/index.html 6
Term IN ArchiTectOnic Reflection Mozer s Adaptive Home Το Mozer s Adaptive house είναι περισσότερο ένα εργαστήριο διαδραστικών νοητικών συστημάτων, παρά μία αρχιτεκτονική έκφραση. Το σπίτι είναι ένα παλιό σχολείο περίπου 90 ετών, ανακαινισμένο για να εξετάσει θεωρίες πάνω στην νευρική δικτύωση και την κατοικία. Το σπίτι «μαθαίνει» τις συνήθειες των κατοίκων του και προσαρμόζει φυσικές ιδιότητες (π.χ. φωτισμό, θέρμανση και ψυχαγωγία) ως προς τον χρήστη χρησιμοποιώντας μία σειρά αισθητήρων διασκορπισμένων στο κτίσμα. Μία πτυχή της διαδικασίας εκμάθησης στοχεύει στην διατήρηση των πόρων. Το σπίτι θα παρέχει την ελάχιστη ποσότητα θέρμανσης, φωτισμού κ.α. στον χρήστη μέχρι να «μάθει» να μην το κάνει. Το σπίτι αλληλεπιδρά μέσω διακοπτών και τεχνολογίας αναγνώρισης φωνής. https://www.cs.colorado.edu/~mozer/index.php?dir=/research/projects/adaptive%20house/ Τέλος, ένα παράδειγμα χρήσης των συστημάτων συλλογιστικής από τον Αμερικανικό στρατό (DARPA), το οποίο παρέχει μία πολύ κατανοητή εικόνα του τρόπου λειτουργίας ενός συστήματος συλλογιστικής. https://www.youtube.com/watch?v=reynwgfgmxi Εικόνες από το Mozer s adaptive Home. Πάνω αριστερά εξωτερική άποψη τιυ σπιτιού. Πάνω δεξιά εσωτερική άποψη. Κάτω η κάτοψη του σπιτιού με το δίκτυο αισθητήρων. 7
Νέες Τεχνολογίες Ι Σχεδιάγραμμα τρόπου λειτουργίας ενός συστήματος Τεχνητής Νοημοσύνης με βάση τον χρήστη 8
Term IN ArchiTectOnic Reflection Περίληψη βιβλίου Το βιβλίο Knowledge Representation and Reasoning των Ronald J. Brachman και Hector J. Levesque αποτελεί σύγγραμμα για το εισαγωγικό μάθημα του τομέα ερευνών της Αναπαράστασης Γνώσης και Συλλογιστικής του Πανεπιστημίου του Τορόντο. Η Αναπαράσταση Γνώσης και Συλλογιστικής (Knowledge representation and reasoning) είναι ο τομέας της Τεχνητής Νοημοσύνης (Artificial Intelligence-AI) που ασχολείται με το πώς η γνώση μπορεί να αναπαρασταθεί συμβολικά και να χρησιμοποιηθεί με αυτοματοποιημένο τρόπο από τα προγράμματα συλλογιστικής. Ποιο απλά, είναι αυτό το κομμάτι της τεχνητής νοημοσύνης που ασχολείται με τη σκέψη και πώς αυτή συνεισφέρει στην νοήμουσα συμπεριφορά (intelligent behavior). Φυσικά υπάρχουν πολλοί τρόποι να προσεγγίσει κανείς το ζήτημα της νοημοσύνης και της νοήμουσας συμπεριφοράς. Μπορούμε για παράδειγμα να δούμε την νευροεπιστήμη, την ψυχολογία, την εξέλιξη, ακόμα και την φιλοσοφία των ιδεών που εμπλέκονται. Τι έχει να προσφέρει σε αυτά η αναπαράσταση γνώσης; Σαν πεδίο έρευνας, προτείνει μία προσέγγιση για την κατανόηση της νοήμουσας συμπεριφοράς που είναι ριζοσπαστικά διαφορετική από τις άλλες.αντί να μας ζητάει να μελετήσουμε ανθρώπους ή άλλα ζώα πολύ προσεκτικά (την βιολογία τους, το νευρικό τους σύστημα, την ψυχολογία τους, την κοινωνιολογία τους, την εξέλιξή τους ή οτιδήποτε άλλο), ισχυρίζεται ότι πρέπει να μελετήσουμε τι γνωρίζουν οι άνθρωποι. Θεωρείται δεδομένο ότι αυτό που επιτρέπει στους ανθρώπους να συμπεριφέρονται νοημόνως, είναι η γνώση πολλών πραγμάτων για πολλά πράγματα και η ικανότητά τους να εφαρμόσουν αυτή τη γνώση καταλλήλως ώστε να προσαρμοστούν στο περιβάλλον τους και να πετύχουν τους στόχους τους. Οπότε το πεδίο της αναπαράστασης γνώσης και συλλογιστικής επικεντρώνεται στη γνώση και όχι στον γνώστη. Ασχολείται με το τι θα χρειαζόταν οποιοσδήποτε παράγοντας (agent) ανθρώπινος, ζωικός, ηλεκτρονικός, μηχανικός- να γνωρίζει για να συμπεριφερθεί νοημόνως, και τι είδους υπολογιστικοί μηχανισμοί μπορούν να επιτρέψουν στην γνώση να γίνει διαθέσιμη για τον παράγοντα, όπως χρειάζεται. Σύμφωνα με τους συγγραφείς, το ευκολότερο βιβλίο που θα μπορούσε να έχει γραφτεί θα ήταν ένα που απλά να ερευνά τις γλώσσες αναπαράστασης και τα συλλογιστικά συστήματα που είναι αυτή τη στιγμή διαδεδομένα στους ερευνητές, αγγίζοντας τα όρια του πεδίου. Αντ αυτού, οι έχουνε πάρει μία καθαρά φιλοσοφική θέση σε σχέση με το τι πιστεύουν ότι έχει σημασία για την έρευνα, και έπειτα μελετάνε τις ιδέες κλειδιά που εμπλέκονται, από αυτή την οπτική. Αυτό που έχει κάνει το πεδίο διανοητικά συναρπαστικό και σχετικό με την εφαρμογή ταυτόχρονα, κατά τη γνώμη τους, είναι η διάδραση ανάμεσα στην αναπαράσταση και στη συλλογιστική. Δεν είναι αρκετό, με άλλα λόγια, να γράφεις ό,τι πρέπει να μάθει κάποιος σε κάποια επίσημη γλώσσα αναπαράστασης. Ούτε είναι αρκετό να εξελίξεις συλλογιστικές διαδικασίες που είναι αποτελεσματικές σε ποικίλες εργασίες. Αν και τα δύο είναι αξιότιμα εγχειρήματα, η αναπαράσταση γνώσης και συλλογιστικής γίνεται καλύτερα κατανοητή σαν η μελέτη του πώς η γνώση μπορεί ταυτόχρονα να αναπαρασταθεί όσο το δυνατόν πιο κατανοητά και να εκλογικευτεί όσο το δυνατόν πιο αποτελεσματικά. 9
Νέες Τεχνολογίες Ι Υπάρχει μία ανταλλαγή ανάμεσα στα δύο αυτά ζητήματα, θέμα που υπάρχει διάχυτο στο βιβλίο και γίνεται πιο συγκεκριμένο στο τελευταίο κεφάλαιο. Αν και ξεκινάει με την πρωτογενή λογική (first-order logic) σαν γλώσσα αναπαράστασης και την συνεπαγωγή σαν προδιαγραφή για την συλλογιστική, αυτό είναι μόνο η αρχή, μελετώντας ποικίλες γλώσσες αναπαράστασης και συλλογιστικά σχήματα με διαφορετικά ένστικτα και εμφάσεις. Σε κάποιες περιπτώσεις, η διαδικασία συλλογιστικής μπορεί να είναι λιγότερο από ιδανική: σε άλλες περιπτώσεις,μπορεί αυτό το πρόβλημα να ισχύει για την γλώσσα αναπαράστασης. Ακόμα σε άλλες περιπτώσεις περιπλανώνται τόσο μακριά από το αρχικό σημείο που μπορεί η λογική διαδικασία να είναι δυσδιάκριτη. Όμως σε όλες τις περιπτώσεις λαμβάνουν ως δεδομένο το αντίκτυπο που η έχει η ανάγκη για συλλογισμό με βάση τη γνώση, στη μορφή και στο εύρος της γλώσσας που χρησιμοποιείται για να αναπαραστήσει την γνώση ενός συστήματος. Θεωρούν ότι αυτός είναι ο σκοπός ενός εισαγωγικού μαθήματος (και ενός εισαγωγικού βιβλίου), να θέσει μία στέρεη βάση, επιτρέποντας στους σπουδαστές να κατανοήσουν σε βάθος και με εύκολο τρόπο καινοτόμες δουλειές που μπορεί να συναντήσουν αργότερα και να τους βάλει σε θέση να μπορούν αντιμετωπίσουν την δική τους μετέπειτα έρευνα. Αυτή η βάση δεν εξαρτάται από τρέχοντα συστήματα ή από τις προσεγγίσεις συγκεκριμένων ερευνητών. Δομικές έννοιες όπως βάσεις γνώσης (knowledge bases), έμμεσες θέσεις (implicit beliefs), μηχανοποιημένα συμπεράσματα με χρήση ηχητικών συμπερασματικών μεθόδων (mechanized inference using sound deductive methods), έλεγχος της συλλογιστικής (control of reasoning), μη μονότονες και πιθανολογικές προεκτάσεις των συμπερασμάτων (nonmonotonic and probabilistic extensions to inference) και η επίσημη και ακριβής αναπαράσταση δράσεων και σχεδίων (formal and precise representation of action and plans), είναι τόσο βασικές για την κατανόηση της τεχνητής νοημοσύνης, που θεωρούν ότι η σωστή προσέγγιση είναι να διδάσκονται με παρόμοιο τρόπο όπως οι βασικές έννοιες της φυσικής ή των οικονομικών. Αυτή είναι η προσέγγιση που χρησιμοποιείται στο βιβλίο τους. Ξεκινάνε με πολύ βασικές υποθέσεις του εγχειρήματος για αναπαράσταση γνώσης και χτίζουν πάνω σε αυτές, τις απλοποιημένες αλλά παιδαγωγικά κατανοητές περιγραφές μηχανισμών και «νόμων». Αυτό θα καταλήξει να αφήσει τον σπουδαστή προσγειωμένο σε όλες τις σημαντικές βασικές έννοιες και πλήρη προετοιμασμένο να μελετήσει και να κατανοήσει τρέχουσες και εξελιγμένες εργασίες πάνω στο πεδίο. Αυτό το βιβλίο επιμένει σε αυτό. Στόχος είναι να καλυφθούν όλες οι αρχές κλειδιά που είναι η βάση για τις δουλειές γύρω από την αναπαράσταση γνώσης και συλλογιστικής, με τέτοιο τρόπο ώστε, πάνω απ όλα, να είναι προσιτές στον σπουδαστή και σε μία ακολουθία που να επιτρέπει μεταγενέστερες έννοιες να δομηθούν φυσιολογικά απευθείας πάνω στις προηγούμενες. Με άλλα λόγια, η παιδαγωγική διαύγεια και η σημασία των υλικών ήταν οι βασικοί οδηγοί για αυτή τη δουλειά. Το υλικό που χρησιμοποιείται για το βιβλίο είναι δομημένο έτσι ώστε να επικεντρώνεται σε ουσιώδεις αρχές και βασικούς μηχανισμούς. 10
Term IN ArchiTectOnic Reflection ΒΑΣΙΚΟΙ ΟΡΟΙ ΤΟΥ ΒΙΒΛΙΟΥ Η φιλοσοφική προσέγγιση των συγγραφέων στα εισαγωγικά κεφάλαια του βιβλίου προσπαθεί να εξηγήσει στον αναγνώστη- σπουδαστή βασικές έννοιες- κλειδιά για την κατανόησης της Τεχνητής Νοημοσύνης. Η νοημοσύνη, έτσι όπως εκφράζεται από τους ανθρώπους, είναι σίγουρα μία από τις πιο πολύπλοκες και μυστηριώδεις διεργασίες που γνωρίζουμε. Μία εντυπωσιακή πτυχή της νοήμουσας συμπεριφοράς είναι η ξεκάθαρη εξάρτησή της από την γνώση. Για ένα πολύ μεγάλο εύρος δραστηριοτήτων, παίρνουμε αποφάσεις για το τι θα κάνουμε, πώς θα δράσουμε, με βάση το τι γνωρίζουμε ή τι πιστεύουμε για τον κόσμο, χωρίς κόπο, υποσυνείδητα. Η χρήση αυτών που γνωρίζουμε είναι τόσο κοινότοπη που δεν την αντιλαμβανόμαστε παρά μόνο όταν εκλείπει, ενώ όταν λέμε ότι κάποιος συμπεριφέρθηκε «ανόητα», συνήθως δεν εννοούμε ότι αυτό το άτομο δεν ήξερε τί έκανε, αλλά ότι τη δεδομένη στιγμή δεν επεξεργάστηκε τις πληροφορίες που ήξερε με σωστό τρόπο. Ένας ορισμός της Τεχνητής Νοημοσύνης την περιγράφει ως τη μελέτη της νοήμουσας συμπεριφοράς που επιτυγχάνεται μέσω υπολογιστικών μέσων. Επομένως η Αναπαράσταση Γνώσης και Συλλογιστικής, είναι αυτό το πεδίο της Τεχνητής Νοημοσύνης που ασχολείται με τον τρόπο με τον οποίο ο παράγοντας χρησιμοποιεί τις γνώσεις του για να αποφασίσει τι θα κάνει. Το βιβλίο μας εισάγει σε αυτό το πεδίο και πιο συγκεκριμένα στις συμβολικές δομές που έχουν εφευρεθεί για την αναπαράσταση της γνώσης και στους υπολογιστικούς μηχανισμούς που έχουν αναπτυχθεί για τη συλλογιστική με την χρήση αυτών των συμβολικών σχηματισμών. Ο προσδιορισμός του τι είναι η γνώση, αποτελεί θέμα φιλοσοφικής συζήτησης από την αρχαία Ελλάδα ακόμα. Και ακόμα δεν έχει αποκρυπτογραφηθεί τελείως. Στο βιβλίο δεν επιχειρείται να δοθεί ένας ορισμός για τη γνώση, αλλά με μία σειρά καθημερινών παραδειγμάτων γίνεται μία προσέγγιση για την κατανόηση του όρου από τον σπουδαστή. Αντίστοιχα, το ζήτημα της αναπαράστασης είναι επίσης φιλοσοφικό. Προσεγγιστικά η αναπαράσταση είναι μία σχέση ανάμεσα σε δύο φορείς, όπου ο ένας αντιπροσωπεύει ή συμβολίζει τον άλλο. Η αναπαράσταση γνώσης λοιπόν, είναι το πεδίο μελέτης που ασχολείται με τη χρήση τυπικών συμβόλων για να αναπαραστήσουν ένα σύνολο προτάσεων που πιστεύει ο φερόμενος παράγοντας. Μπορεί να υπάρχει ένα απροσδιόριστο πλήθος προτάσεων προς αναπαράσταση, αλλά μόνο ένα ορισμένο πλήθος συμβόλων που τις αντιπροσωπεύουν. Είναι ρόλος της συλλογιστικής να γεφυρώσει το χάσμα ανάμεσα σε αυτό που αναπαρίσταται και σε αυτό που υπάρχει. Γενικά η συλλογιστική είναι η τυπική διαχείριση των συμβόλων που αναπαριστούν ένα σύνολο πεποιθήσεων για να παράξουν αναπαραστάσεις νέων. Τα σύμβολα είναι πιο κατανοητά από τις πεποιθήσεις που αντιπροσωπεύουν, γι αυτό πρέπει να είναι αρκετά στιβαρά ώστε να μπορούμε να τα χειριστούμε, με τέτοιο τρόπο (να τα μετακινήσουμε, να τα διαχωρίσουμε, να τα αντιγράψουμε, να τα συνδέσουμε), ώστε να δομηθούν αναπαραστάσεις νέων προτάσεων. Αυτό ορίζεται ως Υπόθεση Αναπαράστασης Γνώσης (Knowledge Representation Hypothesis). Κάθε ενσωματωμένη μηχανικά νοήμουσα διαδικασία θα συνίσταται από δομικά συστατικά που πρέπει οι εξωτερικοί παρατηρητές θα λαμβάνουν φυσικά για να αναπαραστήσουν μία αντιπροσωπευτική πρόταση που εκθέτει η συνολική διαδικασία, και που να είναι αρκετά ανεξάρτητα ως προς εξωτερικές σημειολογικές αποδόσεις, ώστε να παίζουν έναν τυπικό αλλά απλό ρόλο 11
Νέες Τεχνολογίες Ι στην παραγωγή της συμπεριφοράς που εκδηλώνει αυτή τη γνώση. Με άλλα λόγια, η Υπόθεση αναπαράστασης γνώσης υπονοεί ότι θα επιθυμούμε να κατασκευάσουμε συστήματα για τα οποία η σκόπιμη θέση είναι βασισμένη στο σχεδιασμό της συμβολικής αναπαράστασης. Μία άλλη άποψη ως προς τη συλλογιστική, σύμφωνα με το πώς αυτή συμβαίνει στον ανθρώπινο παράγοντα, αφορά τον υποσυνείδητο τρόπο σκέψης και δράσης. Υπάρχει μία πληθώρα δραστηριοτήτων που γνωρίζουμε πώς να εκτελούμε χωρίς να τις σκεφτούμε ή μάλλον να αντιληφθούμε τις διεργασίες που συμβαίνουν στον ανθρώπινο εγκέφαλο- και που όταν μπαίνουμε στη διαδικασία να το κάνουμε, δυσκολευόμαστε να τις εκπληρώσουμε με την ίδια ευκολία. Φυσικά όταν μαθαίνουμε να εκτελούμε αυτές τις δραστηριότητες δεν ισχύει το ίδιο. Αυτό το παράδοξο παρατηρείται στα «εξειδικευμένα συστήματα» (expert systems). Αυτά τα συστήματα υποτίθεται ότι είναι ανώτερα ακριβώς επειδή είναι βασισμένα στη γνώση που είναι η λογική πίσω από την εξειδικευμένη αναπαράσταση γνώσης. Όμως οι αρχάριοι είναι στην ουσία αυτοί που σκέφτονται και συλλογίζονται πριν την εκτέλεση μιας δραστηριότητας και όχι οι ειδικοί. Οι ειδικοί έχουν ήδη αυτοματοποιήσει αυτή τη διαδικασία. Γι αυτό το λόγο υπάρχει η άποψη ότι η ανάπτυξη συστημάτων βασισμένων στη γνώση είναι εσφαλμένη και παραπλανητική αν επιχειρεί να αντιγράψει απόλυτα τη νοήμουσα συμπεριφορά ανθρώπινου επιπέδου. Εν τέλη, ο λόγος που η λογική έχει σχέση με την αναπαράσταση γνώσης και συλλογιστικής είναι απλά επειδή, τουλάχιστον βάση μίας οπτικής, η λογική είναι η μελέτη συνεπαγόμενων σχέσεων γλώσσας, αλήθειας, συνθηκών και κανόνων συμπερασμάτων. ΔΟΜΗ ΤΟΥ ΒΙΒΛΙΟΥ 12 Το βιβλίο οργανώνεται ως εξής. Το πρώτο κεφάλαιο παρέχει μία συνολική άποψη και κίνητρα για το πεδίο της αναπαράστασης γνώσης και συλλογιστικής και προσδιορίζει τις ουσιώδεις έννοιες πάνω στις οποίες δομείται το υπόλοιπο βιβλίο. Επίσης εξηγεί απλά τις θεμελιώδεις σχέσεις ανάμεσα στην γνώση, την αναπαράσταση και τη συλλογιστική που βρίσκεται πίσω από το υπόλοιπο υλικό στο σύγγραμμα. Τα κεφάλαια 2-4 ασχολούνται με τις βασικές τεχνικές της αναπαράστασης γνώσης χρησιμοποιώντας πρωτογενή συλλογιστική με άμεσο τρόπο. Αυτά τα αρχικά κεφάλαια εισάγουν τη σημειογραφία της πρωτογενούς λογικής, δείχνουν των τρόπο που μπορεί να χρησιμοποιηθεί για να αναπαραστήσει κόσμους κοινής λογικής και καλύπτει την συλλογιστική τεχνική- κλειδί της απόδειξης επίλυσης θεωρημάτων (Resolution theorem-proving). Αναλύονται όροι όπως το συντακτικό, η σημειολογία και η πραγματεία, ορισμοί απαραίτητοι για την ανάλυση μίας γλώσσας αναπαράστασης, καθώς και οι μηχανισμοί κατασκευής της γνώσης, όπως το λεξιλόγιο, τα δεδομένα (απλά ή πολύπλοκα) και οι αφηρημένες έννοιες και πώς όλα αυτά συντελλούν στην κατασκευή μίας πρότασης- υπόθεσης. Τα κεφάλαια 5 μέχρι 7 ασχολούνται με την αναπαράσταση γνώσης με πιο περιορισμένο τρόπο (διαγράμματα δέντρου κ.α.), ώστε η συλλογιστική να είναι πιο συμβατή με διαδικαστικούς ελέγχους: ανάμεσα στις έννοιες που αναλύονται είναι και τα συστήματα που βασίζονται σε κανόνες (rule-based systems)και εξηγούνται παραδείγματα τέτοιων αλγορίθμων και πώς γίνεται ο καθορισμός των στόχων. Επίσης αναλύονται οι κανόνες που πρέπει να
Term IN ArchiTectOnic Reflection ακολουθούνται για την κατασκευή τέτοιων συστημάτων. Τα κεφάλαια 8 με 10 προσεγγίζουν αντικειμενοστρεφώς (object-oriented) την αναπαράσταση γνώσης και την ταξινομική (taxonomic) συλλογιστική που της αντιστοιχεί. Εδώ εμβαθύνει στις ιδέες του πλαισίου αναπαράστασης και των λογικών περιγραφής και ασχολείται με την αντίληψη της κληρονομιάς στην ιεραρχία των ιδεών. Τα κεφάλαια 11 και 12 ασχολούνται με την συλλογιστική που είναι αβέβαιη ή παράλογη, χρησιμοποιώντας προεπιλογές και πιθανότητες. Τα κεφάλαια 13 με 15 καταπιάνονται με τύπους συλλογιστικής που ξεπερνάνε την απλή εξαγωγή συμπερασμάτων που είναι ευρέως γνωστή, συμπεριλαμβανομένου της εξαγωγής διάγνωσης και της παραγωγής σχεδίων χρησιμοποιώντας γνώση περί των δράσεων. Τέλος το 16ο κεφάλαιο εξερευνά την ανταλλαγή που συμβαίνει ανάμεσα στην αναπαράσταση γνώσης και στη συλλογιστική. Όλα τα κεφάλαιο διαθέτουν παραδείγματα αλγορίθμων, επεξηγηματικά διαγράμματα αναπαράστασης με απλά παραδείγματα.ωστο τέλος κάθε κεφαλαίου, οι συγγραφείς έχουν συμπεριλάβει ένα σύνολο ασκήσεων για τους σπουδαστές που επικεντρώνονται στις τεχνικές πτυχές της αναπαράστασης γνώσης και συλλογιστικής ώστε να γίνει κατανοητή η θεωρία στην εφαρμογή. 13
Νέες Τεχνολογίες Ι 14
Term IN ArchiTectOnic Reflection ΒΙΒΛΙΟΓΡΑΦΙΑ Brachman R., Levesque H. (2004), Knowledge representatin and reasoning, USA, Morgan Kaufmann pyblications Chakraborty R.C. (2010), Reasoning system- symbolic, statistical: AI course, lecture 23-28, notes Κεραυνού Ε. (2000), Τεχνητή νοημοσύνη και έμπειρα συστήματα, Πάτρα, Ελληνικό Ανοικτό Πανεπιστήμιο Ηλεκτονικές Παραπομπές http://ailab.wsu.edu/mavhome/index.html https://www.cs.colorado.edu/~mozer/index.php?dir=/research/projects/ Adaptive%20house/ https://www.youtube.com/watch?v=reynwgfgmxi https://www.youtube.com/watch?v=rblprvmcpfa 17