ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Καραγιώργου Σοφία
Λίγα λόγια για μένα Πανεπιστήμιο Πειραιά (Postdoctoral Researcher & Adjunct Lecturer) Ερευνητικό Κέντρο «Αθηνά» (Postdoctoral Researcher) Leicester University, UK (Keynote Speaker) George Mason University, Washington D.C. (Visiting Researcher) Εθνικό Μετσόβειο Πολυτεχνείο (PhD), Πανεπιστήμιο Θεσσαλίας, Πολυτεχνική Σχολή (MSc), Πανεπιστήμιο Κρήτης (BSc)
Λίγα λόγια για το μάθημα 3 σειρές ασκήσεων (15%) Project σε ομάδες των 2-3 ατόμων (20%) Τελική εξέταση (65%, ΒΤ>3)
Ας αρχίσουμε - Ορισμός Συστήματα που σκέφτονται σαν τον άνθρωπο Η αυτοματοποίηση των δραστηριοτήτων που σχετίζουμε με την ανθρώπινη σκέψη, όπως η λήψη αποφάσεων, η επίλυση προβλημάτων, η μάθηση (Bellman, 1978) Η συναρπαστική νέα προσπάθεια για να κάνουμε τους υπολογιστές να σκέπτονται (μηχανές με νόηση) με την πλήρη και κυριολεκτική έννοια (Haugenland, 1985)
Ας αρχίσουμε - Ορισμός Συστήματα που ενεργούν σαν τον άνθρωπο Η τέχνη της δημιουργίας μηχανών που πραγματοποιούν λειτουργίες οι οποίες απαιτούν νοημοσύνη όταν πραγματοποιούνται από ανθρώπους (Kurzweil, 1990) Η μελέτη του πώς μπορούμε να κάνουμε τους υπολογιστές να κάνουν πράγματα στα οποία, προς το παρόν, οι άνθρωποι είναι καλύτεροι (Rich & Knight, 1991)
Ας αρχίσουμε - Ορισμός Συστήματα που σκέπτονται ορθολογικά Η μελέτη των νοητικών ικανοτήτων με τη χρήση υπολογιστικών μοντέλων (Charniak & McDermoD, 1985) Η μελέτη των υπολογιστικών εργασιών που μας δίνουν τη δυνατότητα να αντιλαμβανόμαστε, να συλλογιζόμαστε, και να ενεργούμε (Winston, 1992)
Ας αρχίσουμε - Ορισμός Συστήματα που ενεργούν ορθολογικά Υπολογιστική Νοημοσύνη είναι η μελέτη της σχεδίασης ευφυών πρακτόρων (Poole et al, 1998) Η Τεχνητή Νοημοσύνη ασχολείται με την ευφυή συμπεριφορά των τεχνουργημάτων (Nilsson, 1998)
Η δική μας προσέγγιση Τ.Ν. = Αναπαράσταση Γνώσης + Αναζήτηση Αλγόριθμοι αναζήτησης Τρόποι αναπαράστασης Μελέτη εφαρμογών Σχεδιασμός ενεργειών Έμπειρα συστήματα Νευρωνικά δίκτυα Πράκτορες, ρομποτική, μηχανική όραση
Προσέγγιση ανθρώπινης δράσης Δοκιμασία Turing Ο υπολογιστής περνά τη δοκιμασία αν ένας άνθρωπος εξεταστής, αφού θέσει μερικές ερωτήσεις, δεν μπορεί να συμπεράνει αν οι απαντήσεις προέρχονται από άνθρωπο ή όχι Ικανότητες μηχανών για να περάσουν τη δοκιμασία Επεξεργασία φυσικής γλώσσας Αναπαράσταση γνώσης Αυτοματοποιημένη συλλογιστική Μηχανική μάθηση Μηχανική όραση Ρομποτική
Προσέγγιση ανθρώπινης σκέψης Γνωσιακά μοντέλα Ενδοσκόπηση (σύλληψη των σκέψεών μας) Ψυχολογικά πειράματα Μελέτη νευροφυσιολογίας Ανάπτυξη των μοντέλων σε υπολογιστή Έχοντας μία ακριβή θεωρία της νόησης, είναι δυνατόν να εκφράσουμε τη θεωρία ως πρόγραμμα υπολογιστή Δεν αρκούμαστε στο να λύνουμε σωστά τα προβλήματα: ενδιαφέρει περισσότερο η σύγκριση των βημάτων συλλογιστικής της μηχανής και του ανθρώπου
Προσέγγιση ορθολογικής σκέψης Λογική Κωδικοποίηση αδιάψευστων διαδικασιών συλλογιστικής Παραγωγή σωστών συμπερασμάτων όταν ξεκινάμε από σωστές υποθέσεις Ανάπτυξη ορθολογιστικών μοντέλων Ανάπτυξη φορμαλισμών αναπαράστασης γνώσης Ανάπτυξη μεθόδων και αλγορίθμων συλλογιστικής Περιορισμοί Δυσκολία μετατροπής άτυπης σε τυπική γνώση Δυσεπιλυσιμότητα προβλημάτων συλλογιστικής
Προσέγγιση ορθολογικής δράσης Ευφυείς πράκτορες Το σύστημα ενεργεί έτσι ώστε να επιτυγχάνει το καλύτερο δυνατό αποτέλεσμα Όταν καμμία λύση δεν είναι ορθή, ή δεν υπάρχει χρόνος για τον υπολογισμό της βέλτιστης, επιλέγεται μία καλή λύση Πλεονεκτήματα Πιο γενική προσέγγιση από την ανάπτυξη ορθολογικής σκέψης (π.χ. κάποιες από τις λειτουργίες είναι απαραίτητο να είναι αντανακλαστικές) Σε σύγκριση με την προσομοίωση της ανθρώπινης σκέψης ή δράσης, πλεονεκτεί στο ότι προσπαθεί να λύσει το πρόβλημα και όχι να προσομοιώσει έναν τρόπο επίλυσής του
Στόχοι Άνθρωπος Λογική Σκέψη Reasoning Ανθρώπινη σκέψη Λογική σκέψη (εξαγωγή συμπερασμάτων) Συμπεριφορά Behavior Ανθρώπινη συμπεριφορά Λογική συμπεριφορά
Στόχος 1 Η προσέγγιση της γνωστικής επιστήμης (cognitive science) επικεντρώνεται στη συμπεριφορά και στην επικοινωνία με τους άλλους (I/O), αλλά και στη δυνατότητα σκέψης GPS (General Problem Solver): Στόχος ήταν όχι μόνο να παράγει συμπεριφορά όμοια με την ανθρώπινη, αλλά και να παράγει μια ακολουθία βημάτων για την επίλυση προβλημάτων με την αντίστοιχη ακολουθία που θα παρήγαγε και ο άνθρωπος
Στόχος 2 Ο στόχος είναι να προσδιοριστεί με αυστηρό τρόπο η διαδικασία εξαγωγής συμπερασμάτων με βάση τη λογική Πώς μπορούμε να αναπαραστήσουμε πληροφορία (γνώση) που θα μας επιτρέψει να εξαγάγουμε συμπεράσματα όπως τα παρακάτω Ο Σωκράτης είναι άντρας Όλοι οι άντρες είναι θνητοί Άρα ο Σωκράτης είναι θνητός Το πρόβλημα είναι ότι δεν μπορούμε με τέτοιες απλές συνεπαγωγές να λύσουμε όλα τα προβλήματα
Η εξέλιξη της Τ.Ν. Οι "συλλογισµοί" του Αριστοτέλη (384-322 π.χ.) παρείχαν πρότυπα εκφράσεων που έδιναν πάντα σωστά συµπεράσµατα από σωστές υποθέσεις 1854: Ο George Boole έθεσε τις βάσεις της προτασιακής λογικής 1879: Ο Gottlieb Frege πρότεινε ένα σύστηµα αυτοµατοποιηµένης συλλογιστικής και έθεσε τις βάσεις του κατηγορηµατικού λογισµού (predicate calculus) 1943: Ο McCulloch και ο Pitts πρότειναν ένα µοντέλο τεχνητών νευρώνων που είχε τη δυνατότητα να µαθαίνει και να υπολογίζει κάθε υπολογίσιµη συνάρτηση 1951: Ο Minsky και ο Edmonts υλοποίησαν το πρώτο νευρωνικό δίκτυο, το SNARC, µε 40 νευρώνες, το οποίο χρησιµοποιούσε 3.000 λυχνίες 1956: Διοργάνωση συνεδρίου (workshop) καθοριστικού στη γέννηση της Τ.Ν. Διοργανώθηκε στο Dartmouth από τους McCarthy, Minksy, Shannon και Rochester καιαφορούσε τη θεωρία αυτοµάτων, νευρωνικά δίκτυα και µελέτη της ευφυΐας Παρουσιάστηκε το Logic Theorist (LT) που ήταν σε θέση να αποδεικνύει τα περισσότερα από τα θεωρήµατα των Russell και Whitehead (Principia Mathematica) Το κυριότερο ίσως αποτέλεσµα του συνεδρίου ήταν η αποδοχή του ονόµατος που πρότεινε ο McCarthy για τη νέα ερευνητική περιοχή: Τεχνητή Νοηµοσύνη
Η εξέλιξη της Τ.Ν. 1958: Ο McCarthy: Όρισε τη συναρτησιακή γλώσσα LISP Πρότεινε ένα υποθετικό σύστηµα (τον advice taker), που χρησιµοποιούσε γνώση αλλά αφορούσε γενικά, καθηµερινά, προβλήµατα 1958: Ο Friedberg πρότεινε µια τεχνική, τη µηχανική εξέλιξη (machine evolution) ή όπως ονοµάζεται τώρα, γενετικοί αλγόριθµοι (genetic algorithms) Δεκαετία του 60: Στο Stanford υλοποιήθηκε το πρώτο robot, το Shakey robot 1968: Το πρόγραµµα ANALOGY του Tom Evans έλυνε προβλήµατα γεωµετρικής αναλογίας που χρησιµοποιούνταν σε τεστ ευφυΐας 1962: Βελτιώσεις της µεθόδου µάθησης των νευρωνικών δικτύων του Hebb από τον Rosenblatt µε τα perceptrons 1965: Το πρόγραµµα ELIZA του Weizenbaum µπορούσε να κάνει συζήτηση για οποιοδήποτε θέµα, χρησιµοποιώντας και παραφράζοντας τις προτάσεις που έδινε σαν ερώτηση ο χρήστης
Η εξέλιξη της Τ.Ν. Τον ενθουσιασµό της πρώτης δεκαετίας της Τ.Ν. διαδέχθηκε η εποχή της κριτικής ότι τα συστήµατα ήταν κατάλληλα µόνο για παιχνίδια (toy problems) Το χαρακτηριστικό των συστηµάτων της εποχής, ήταν ότι περιείχαν ελάχιστη ή καθόλου γνώση για το πεδίο του προβλήµατος (weak methods) Πρόβληµα συνδυαστικής έκρηξης Μικρό εύρος εφαρµογών των νευρωνικών δικτύων Τη δεκαετία του 70 αναπτύχθηκαν συστήµατα που περιείχαν την απαιτούµενη γνώση ώστε να συµπεριφέρονται όπως οι άνθρωποι ειδικοί σε διάφορα θέµατα Ονοµάστηκαν Έµπειρα Συστήµατα (Expert Systems) ή Συστήµατα Γνώσης (Knowledge Systems): DENDRAL (Stanford 1969). Εύρεση της µοριακής δοµής οργανικών ενώσεων µε δεδοµένα από φασµατογράφο µάζας MYCIN (Stanford). Διάγνωση µολύνσεων του αίµατος PROSPECTOR (1979). Συµβουλές για τοποθεσίες γεώτρησης για το στοιχείο µολυβδένιο R1 (McDermott, 1982 για την εταιρεία Digital Equipments). Διαµόρφωση (σύνταξη) των παραγγελιών µε βάση τις ανάγκες των πελατών SHRDLU (Winograd) και LUNAR (William Woods, 1973). Κατανόηση φυσικής γλώσσας Αρχές δεκαετίας του '70: Προτάθηκε η γλώσσα προγραµµατισµού Prolog 1975: Προτάθηκαν από τον Minsky τα πλαίσια (frames)
Η εξέλιξη της Τ.Ν. Το 1981 οι Ιάπωνες ανακοίνωσαν το πρόγραµµα της 5ης γενιάς, ένα δεκαετές πρόγραµµα για την κατασκευή υπολογιστών µε γλώσσα µηχανής την Prolog Στόχος ήταν να κατασκευαστούν ευφυή συστήµατα, τα οποία εκτός των άλλων, θα ήταν σε θέση να επικοινωνούν πλήρως µε τον άνθρωπο σε φυσική γλώσσα Στα µέσα της δεκαετίας του '80 επανεµφανίστηκαν τα νευρωνικά δίκτυα Εµφανίστηκε πάλι ο αλγόριθµος µάθησης µε οπισθοδρόµηση (Back-propagation) και εφαρµόστηκε σε πολλά προβλήµατα µε µεγάλη επιτυχία
Η εξέλιξη της Τ.Ν. Πολλοί συγγραφείς διακρίνουν στην ιστορία της ΤΝ τέσσερις περιόδους: Προϊστορική: η Τ.Ν. ουσιαστικά προαναγγέλλεται σε διηγήµατα επιστηµονικής φαντασίας Κλασική (µέχρι τα µέσα της δεκαετίας του 1960): αναπτύχθηκαν συστήµατα που έπαιζαν παιχνίδια και έλυναν γρίφους Ροµαντική (µέχρι τα µέσα της δεκαετίας του 1970): οι προσπάθειες επικεντρώνονται στην ανάπτυξη συστηµάτων που κατανοούν ιστορίες και διάλογους σε φυσική γλώσσα Μοντέρνα (µέχρι τα τέλη της δεκαετίας του 1980): χαρακτηρίζεται από την ανάπτυξη συστηµάτων που βασίζονται στη γνώση και την εµπορική εκµετάλλευση των αποτελεσµάτων της έρευνας γύρω από την Τ.Ν. Σήµερα βιώνουµε τη µετα-µοντέρνα περίοδο µε κύριο χαρακτηριστικό το διαδίκτυο Ιδιαίτερη έµφαση δίνεται στην ανάπτυξη προγραµµάτων και τεχνικών (όπως τα προγράµµατα πράκτορες) που διευκολύνουν τη χρήση του διαδικτύου (αναζήτηση πληροφοριών) ή την ανάπτυξη εφαρµογών που σχετίζονται µε αυτό (όπως το ηλεκτρονικό εµπόριο).
Η Τεχνητή Νοημοσύνη σήμερα Τα τελευταία χρόνια είχαµε σηµαντικές εξελίξεις σε εφαρµογές της Τ.Ν. όπως η ροµποτική, η µηχανική όραση, η µηχανική µάθηση και ο σχεδιασµός (planning) Αυτήν τη στιγµή υπάρχουν: Συστήµατα αναγνώρισης φωνής (π.χ. Pegasus), τα οποία κλείνουν αεροπορικές θέσεις τηλεφωνικά βρίσκοντας τις βέλτιστες πτήσεις µε βάση το κόστος ή το χρόνο) ή δίνουν διάφορες πληροφορίες γενικού ενδιαφέροντος (π.χ. η φωνητική πύλη MyCosmos) Έµπειρα συστήµατα πραγµατικού χρόνου (π.χ. MARVEL) που επεξεργάζονται τα δεδοµένα που µεταδίδονται από διαστηµόπλοια Ροµποτικά συστήµατα που οδηγούν αυτοκίνητα σε αυτοκινητόδροµο χρησιµοποιώντας video κάµερες και sonar Συστήµατα που διεξάγουν ιατρικές διαγνώσεις Συστήµατα που ελέγχουν και ρυθµίζουν την κυκλοφορία αυτοκινήτων ή/και αυτόνομης οδήγησης Προγράµµατα πράκτορες (agents) και οι αρχιτεκτονικές συστηµάτων που βασίζονται σε πράκτορες (σύστηµα SOAR) και πολλά άλλα.
Παραδείγματα χρήσης Τ.Ν. Παιχνίδια Σκάκι, puzzle, κτλ Επίλυση δύσκολων προβλημάτων Συμβολικοί υπολογισμοί, π.χ. το MACSYMA που μπορεί να χειριστεί 500 μαθηματικές πράξεις, διαφορικό λογισμό, άλγεβρα Βοήθεια στην ανάλυση και στον σχεδιασμό (έμπειρα συστήματα) MYCIN (ιατρικό) EL (ηλεκτρονικά κυκλώματα) PROSPECTOR (γεωτρήσεις) XCON (hardware configuration)
Παραδείγματα χρήσης Τ.Ν. Κατανόηση φυσικής γλώσσας INTELLECT LIFER LOQUI Εκμάθηση (Learning) AM Μαθηματικές πράξεις και θεωρήματα Ιστορίες -> Συμπεράσματα Κατανόηση εικόνων Απλών εικόνων (block world κόσμος κουτιών) Δυσκολότερο με πραγματικές εικόνες Αυτοματοποίηση ROBOT για επικίνδυνη, ανθυγιεινή εργασία
Συμπέρασμα Παρατηρούμε από τα παραπάνω το σημαντικό ενδιαφέρον που παρουσιάζει ο χώρος της Τ.Ν. Το περιοριστικό είναι ότι τα παραπάνω απαιτούν μεγάλη υπολογιστική ισχύ, τα προγράμματα είναι δύσκολο να γραφούν, είναι πολύπλοκα και το αποτέλεσμα αργό
Βασικά θέματα Επίλυση προβλημάτων (Problem Solving) Αναζήτηση λύσεων (Search) Λογική (Logic) Απόδειξη θεωρημάτων (Theorem Proving) Προγραμματισμός (Planning) Αναπαράσταση γνώσης (Knowledge Representation) Μηχανική μάθηση (Machine Learning) Νευρωνικά δίκτυα (Neural Networks) Αναγνώριση φυσικής γλώσσας (Natural Language Processing)
Κύρια χαρακτηριστικά ενός συστήματος Τ.Ν. Αναπαράσταση γνώσεων (του χώρου που θα αντιλαμβάνεται το σύστημα) Αναζήτηση μέσα στο χώρο των δυνατών ενεργειών Προγραμματισμός (σχέδιο δράσης) Εκμάθηση από προηγούμενες εμπειρίες
Γιατί αναπαράσταση Είναι προφανές ότι οποιοδήποτε σύστημα Τ.Ν. χρειάζεται να έχει κάποιες γνώσεις. Ο τρόπος κωδικοποίησης και αναπαράστασης αυτών των γνώσεων παίζει πολύ σημαντικό ρόλο στην οργάνωση του συστήματος. Ο τρόπος αναπαράστασης της γνώσης καθορίζει σε μεγάλο βαθμό τον τρόπο λειτουργίας του συστήματος, την αποδοτικότητα των πράξεων που εκτελεί και τα όρια της αντίληψης που μπορεί να έχει. Ένα σύστημα που θεωρεί τις γνώσεις του ως βέβαιες εσωτερικά θα λειτουργήσει διαφορετικά συγκριτικά με ένα σύστημα που χρησιμοποιεί αβέβαιες ή ασαφείς γνώσεις.
Γιατί αναπαράσταση Χρειάζονται κατάλληλες γλώσσες όπως ακριβώς στην αποδοτική κωδικοποίηση αλγορίθμων χρειάζονται κατάλληλες γλώσσες προγραμματισμού. Ο υπολογισμός των αριθμών Fibonacci είναι πιο αποδοτικός σε μια γλώσσα που υποστηρίζει αναδρομή (C, Pascal) συγκριτικά με μια γλώσσα που υποστηρίζει εντολές τύπου GOTO. Αντίστοιχα και στις εφαρμογές Τ.Ν. Υπάρχουν γλώσσες ορισμού της γνώσης που είναι καταλληλότερες για ορισμένους τρόπους συλλογισμού. Για παράδειγμα εάν θέλουμε να χρησιμοποιήσουμε Κατηγορηματική Λογική 1 ης τάξης τότε είναι γενικά πιο αποδοτικό να παραστήσουμε τη γνώση στη γλώσσα των Προτασιακών Τύπων από ότι σε φυσική γλώσσα. Ο καθορισμός της κατάλληλης γλώσσας για τον κάθε τρόπο συλλογισμού αποτελεί ένα από τα μεγαλύτερα προβλήματα στην Τ.Ν.
Γνώση: Αναπαράσταση και Χρήση Βασικά ερωτήματα: Τι να αναπαραστήσουμε; Πώς να το αναπαραστήσουμε; Ποια είναι τα καταλληλότερα σύμβολα και δομές; Τι είναι σημαντικό σε κάθε περιοχή να αναπαρασταθεί; Αναγνώριση προσώπου: Τι να αναπαραστήσουμε; Τα pixels από τη φωτογραφία; Μήπως είναι αφηρημένο; Τι χρειαζόμαστε να κρατήσουμε ως πληροφορία για να ξεχωρίσουμε το πρόσωπο του Πέτρου από της Μαρίας; Συγκεκριμένη (explicit) ή Παραγόμενη (implicit) αναπαράσταση γνώσης; Ο συνδυασμός είναι το καλύτερο: κάποια γνώση την καταγράφουμε συγκεκριμένα ενώ άλλη την αφήνουμε να παράγεται.
Γιατί αναζήτηση Η επίλυση οποιουδήποτε προβλήματος μπορεί να θεωρηθεί ως μια αναζήτηση στο χώρο των πιθανών λύσεων. Οι άνθρωποι είναι ιδιαίτερα ικανοί σε αυτό τον τομέα και μπορούν πολύ αποτελεσματικά να δώσουν απάντηση σε προβλήματα που αναζήτηση είναι σύνθετη (π.χ. αναγνώριση συνομιλητή από τη φωνή του). Σε ορισμένες περιπτώσεις όμως οι υπολογιστές μπορεί να είναι πιο αποτελεσματικοί από τους ανθρώπους στην αναζήτηση (π.χ. εύρεση λέξης σε κείμενο).
Γιατί αναζήτηση Μια αναζήτηση καθορίζεται από το χώρο αναζήτησης και την τακτική με την οποία γίνεται. Ο χώρος αναζήτησης είναι ένας εικονικός χώρος καταστάσεων τα στοιχεία του οποίου υπολογίζονται βάσει ενός αλγορίθμου. Για παράδειγμα το πρόγραμμα crack προσπαθεί να βρει το μυστικό κλειδί ενός χρήστη. Ο χώρος στον οποίο γίνεται η αναζήτηση είναι ο χώρος των συμβολοσειρών μέχρι 8 χαρακτήρες. Το σύνολο των στοιχείων αυτού του χώρου (~70^8) δεν είναι αποθηκευμένα στο πρόγραμμα που κάνει την αναζήτηση αλλά δημιουργούνται καθώς προχωρά η αναζήτηση.
Γιατί αναζήτηση Η τεχνική με την οποία γίνεται η αναζήτηση μπορεί να είναι τυφλή (π.χ. κατά βάθος, πλάτος) αλλά μπορεί να είναι και κάποια εξειδικευμένη ευριστική τεχνική. Οι ευριστικές τεχνικές έχουν ως σκοπό να προσανατολίσουν την αναζήτηση προς τη σωστή κατεύθυνση ώστε να μειωθεί ο χρόνος που απαιτείται για την εύρεση της λύσης. Όμως κάθε τέτοια ευριστική τεχνική απαιτεί κι αυτή κάποιους υπολογισμούς προκειμένου να λειτουργήσει που επιβαρύνουν την αναζήτηση. Δημιουργείται δηλαδή ένας ανταγωνισμός μεταξύ του χρόνου που εξοικονομείται χρησιμοποιώντας μια ευριστική συνάρτηση και του χρόνου που απαιτεί η ίδια η συνάρτηση.
Γιατί προγραμματισμός Η κατάστρωση σχεδίου για την επίτευξη ενός στόχου, συνδυάζει την αναπαράσταση και γνώση, ώστε να δώσει λύση σε πιο σύνθετα προβλήματα. Χρησιμοποιείται στη ρομποτική και στα συστήματα υποστήριξης αποφάσεων.
Γιατί αξίζει να μελετήσετε σήμερα Τ.Ν. Σήμερα οι τεχνικές στις διάφορες υποπεριοχές της Τ.Ν. έχουν ωριμάσει αρκετά (φυσική γλώσσα, όραση, προγ/μός) και οι πρώτες χρήσιμες εφαρμογές κάνουν την εμφάνισή τους. Πολλά εργαλεία έχουν αναπτυχθεί προκειμένου να διευκολύνουν την ανάπτυξη προγραμμάτων Τ.Ν. Αυτό απλουστεύει κατά πολύ την ανάπτυξη πειραματικών εφαρμογών και δίνει την ευκαιρία στους ερευνητές να δοκιμάσουν όλο και πιο σύνθετες τεχνικές. Παρόλα αυτά τα επιστημονικά προβλήματα και οι προκλήσεις στον τομέα της Τ.Ν. Είναι ακόμα πάρα πολλά και πολύ σοβαρά ενώ ταυτόχρονα η ανάγκη για την επίλυσή τους συνεχώς αυξάνει.
Που βρισκόμαστε Η αλµατώδης εξέλιξη των υπολογιστικών συστηµάτων δηµιουργεί συνεχώς νέες απαιτήσεις για τον τρόπο που αυτά πρέπει να επιλύουν προβλήµατα. Πρωταρχικός στόχος ήταν η κατασκευή ενός συστήµατος που θα µπορούσε να κερδίσει τον παγκόσµιο πρωταθλητή στο σκάκι. Επιτεύχθηκε το καλοκαίρι του 1997 µε τη νίκη του DEEP BLUE επί του Kasparov. Εκτός από το σκάκι, η Τ.Ν. προσπαθεί να δώσει λύσεις σε πολύπλοκα προβλήµατα που µέχρι τώρα µπορούσαν να λυθούν µόνο από την ανθρώπινη νοηµοσύνη. Η Τ.Ν. ήταν ανέκαθεν στόχος των ανθρώπων (π.χ. µυθολογία). Η Τ.Ν. απασχόλησε πολύ τη λογοτεχνία και τον κινηµατογράφο. Ο Isaac Asimov, ασχολήθηκε µεταξύ άλλων και µε την ηθική της Τ.Ν. Ο κινηµατογράφος: Αντιµετώπισε το θέµα άλλοτε µε φόβο (Terminator), άλλοτε µε ελπίδα (Robocop) και άλλοτε µε συµπάθεια (Blade Runners) προς τα ευφυή τεχνητά κατασκευασµένα όντα. Έχει εκφράσει και αναστολές και επιφυλάξεις ως προς τη ηθική αυτών (Odyssey 2001-2010). Η πραγµατικότητα απέχει πολύ από την επιστηµονική φαντασία και η κατασκευή ανθρωποειδών όπως περιγράφηκε αποτελεί ίσως ένα ανέφικτο όνειρο. Στο µέλλον υπολογιστές µε διάφορες ικανότητες και µορφές θα είναι διάσπαρτοι στους χώρους της καθηµερινής µας ζωής και θα αποτελούν φορητούς βοηθούς µας.
Πλάνο μαθήματος Εισαγωγή στην τεχνητή νοημοσύνη Διάλεξη 1 Διαδικαστικές πληροφορίες για τη διεξαγωγή του μαθήματος. Γενικά στοιχεία για το πεδίο της Τεχνητής Νοημοσύνης
Πλάνο μαθήματος Μέρος 1 Διαλέξεις 2, 3 Επίλυση προβλημάτων στο χώρο των καταστάσεων Στόχος του Μέρους 1 είναι η κατανόηση της μεθοδολογίας αναπαράστασης προβλημάτων στο χώρο κατάστασης και των βασικών αλγορίθμων αναζήτησης λύσης και παιγνίων
Πλάνο μαθήματος Μέρος 2 Διαλέξεις 4... 6 Αναπαράσταση γνώσης και συλλογιστική Λογική πρώτης τάξης (σύνταξη, σημασιολογία, πραγματολογία) ως γλώσσα αναπαράστασης γνώσης και ο αλγόριθμος ανάλυσης Συστήματα κανόνων (PROLOG) Παραδοσιακές προσεγγίσεις (πλαίσια & σημασιολογικά δίκτυα), σύγχρονες προσεγγίσεις (περιγραφικές λογικές)
Πλάνο μαθήματος Μέρος 3 Διάλεξη 7, 8 Διαχείρηση ατελούς γνώσης και μηχανική μάθηση Μέθοδοι διαχείρισης ατελούς, αβέβαιης και ασαφούς γνώσης Μοντέλα νευρωνικών δικτύων για την προσαρμογή της γνώσης και τη μηχανική μάθηση
Πλάνο μαθήματος Μέρος 4 Διάλεξη 9...11 Εφαρμογές τεχνητής νοημοσύνης και σύγχρονες τάσεις Εφαρμογές και τεχνολογίες Σύγχρονα θέματα έρευνας (ανακάλυψη γνώσης, deep learning, κτλ.)