Uml Inteligence Uml inteligence je vdn disciplna vnujc

Umělá Inteligence

Umělá inteligence je vědní disciplína věnující se tvorbě počítačových programů řešících složité úlohy s takovými výsledky, které bychom považovali při řešení stejných úloh člověkem (expertem v daném oboru) jako projevy jeho přirozené inteligence.

Příklady využití UI § § § § § Diagnóza pacienta, diagnostika Parkinsonovy nemoci Reakce spotřebitele na nabídku Předpověď počasí, bankrotů, kurzů Rozpoznání textu, ověřování podpisů Překlad textu Samo řídící auta Robotika Domácí spotřebiče – IOT Vyhledávání

Možnosti manažera PRAXE § exaktní metody § prakticky ověřené postupy a pravidla UMĚLÁ INTELIGENCE § expertní systémy § neuronové sítě § fuzzy systémy § pravidla s neurčitostí § genetický algoritmus § heuristický přístup § hybridní systémy

Expertní (Znalostní) systémy § Počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh. § Využívají vhodně zakódovaných, explicitně vyjádřených znalostí, převzatých od experta. § Cílem je dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta. § Znalostní systémy je podle staršího pojetí obecnější pojem než expertní systém. V poslední době dochází ke stírání rozdílů mezi těmito pojmy

Způsob získání znalostí Od expertů, inženýrů Strojové učení z textů, databáze Znalostní databáze Expert Znalostní inženýr Inferenční mechanismus

Architektura ES Znalostní inženýr, expert Báze znalostí Prázdný ES Vysvětlovací Inferenční Modul akvizice modul mechanismus znalostí, získání znalostí Uživatelské rozhraní Uživatel Rozhraní k jiným systémům Další programy, měřicí přístroje, …

ES příklady § Cleverbot: http: //www. cleverbot. com/ § Chat bot § Prolog

Pro/Proti § § Nonstop Nižší náklady Bez únavy Vysvětlení výroku § Náročnost při změně § Bez intuice § Získávání znalostí

Neuronové sítě § Inspirovány poznatky o neuronech a nervových sítích živých organizmů § Schopnost učit se § Využití pro klasifikaci, predikci a aproximaci

Vícevrstvá neuronová síť Y Výstupní neuron Level 2 Skryté vrstvy Level 1 Vstupní neurony (Level 0) X 1 X 2 X 3 X 4 X 5

Tělo neuronu

Používané funkce Skoková funkce (hardlim) Skoková limitní funkce (hardlims) Lineární přechodová funkce (pureline) Saturační lineární funkce (satlin) Sigmoidální funkce (logsig) Hyperbolická tangenciální sigmoidální funkce (tansig)

Příklad – Úvěr O poskytnutí úvěru se bude rozhodovat na základě následujících 3 atributů: § Velikost úvěru (malý – 1, střední – 2, velký – 3) § Velikosti závazků klienta (malé – 1, střední – 2, velké – 3) § Hodnocení klienta (výborný – 1, průměrný – 2, špatný-3) Klauzule výukového souboru: vyuka(Velikost úvěru, velikost závazků, Hodnocení klienta). Všechny atributy zadávat reálným číslem z intervalu <1; 3>

Neuronová síť Příklad úvěr: 3, 3, 1 Y • X 1 X 3 X 5

Pro/Proti § Možnost učení § Nejsou potřeba pravidla § Rychlé provádění výpočtu § Nelze zdůvodnit řešení

NS příklady § § Vyhledávání https: //quickdraw. withgoogle. com/ Prolog a úvěr Prolog a předpověď kurzu

Fuzzy systémy § Zavádění nejistoty (základní znak komunikace v přirozeném jazyce). Využití: § Fotoaparát s automatickým vyhledáváním centrálního bodu pro zaostření (Minolta) § ABS, řízení motoru, volnoběhu a klimatizace (Honda, Nissan) § Řízení výtahů (Mitsubishi) § Elektrospotřebiče (pračky) § Fuzzy množiny a Fuzzy logika

Fuzzy pravidla § Klasická pravidla § Fuzzy pravidla

Základní bloky fuzzy řízení § Fuzzifikace: transformace konkrétních hodnot do normalizovaného tvaru a přiřazení stupně příslušnosti do jedné nebo více fuzzy množin § Inference: definování pravidel § Agregace: složení fuzzy množin, výsledkem je jedna fuzzy množina § Defuzzifikace: transformace agregované fuzzy množiny na konkrétní hodnotu.

Příklad – nový výrobek Vedení firmy má pro rozšíření výroby vybrat nový výrobek. Jako kandidáti se nabízejí výrobky V 1 -V 5. Zvolit se musí výrobek, který nejlépe splňuje všechny cíle a podmínky. Pro výběr nejvhodnějšího výrobku jsou stanoveny následující cíle, podmínky a přiřazeny váhy: Cíle § Dosažení (spíše) velkého zisku § Nezanedbatelné zvýšení zaměstnanosti § Nízké realizační náklady Podmínky § Krátká doba realizace § Nezatěžování životního prostředí

Očekávání Výrobek Roční zisk (mil. Kč) Nová prac. místa Realizační náklady (mil. Kč) Doba Realizace Nebezp. odpad (kg) V 1 1, 5 30 15 12, 5 V 2 2, 5 40 100 20 20 V 3 2, 5 20 150 10 10 V 4 V 5 3 4 50 15 125 70 25 25 5 10

Fuzzy množiny

Převod na stupeň jistoty Výrobek Roční zisk Nová prac. místa Realizační náklady Doba Realizace Nebezp. odpad V 1 0 0, 75 0, 25 V 2 0, 25 1 0, 5 0 V 3 0, 25 0, 5 0 1 0, 5 V 4 0, 5 1 0, 25 1 V 5 1 0, 25 0, 7 0, 25 0, 5

Nejlepší varianta Důležitost 5 10 4 3 8 30 W 0, 17 0, 34 0, 13 0, 1 0, 26 Výrobek Roční zisk Nové prac. místa Náklady Doba realizace Nebezpečný odpad Vážený součet V 1 0 0, 75 0, 25 0, 48 V 2 0, 25 1 0, 5 0 0, 5 V 3 0, 25 0, 5 0 1 0, 5 0, 44 V 4 0, 5 1 0, 25 1 0, 74 V 5 1 0, 25 0, 7 0, 25 0, 5

Genetický algoritmus § Inspirace v přírodě § Hledání optimálního řešení § Klasické metody jsou časově náročné nebo nelze řešit

Genetické algoritmy Náhodná generování výchozí populace Inicializace Výběr nej jedinců pomocí evaluační funkce Selekce Náhodná výměna části chromozómů Křížení Mutace ne Konec ano Ukončení Náhodná změna genu jedince

Příklady § Optimalizace kusovníku § Formule 1 § Identifikace zločinců

Lze definovat exaktní pravidla ze zkušenosti experta. Nemožnost učení. Nelze definovat exaktní pravidla, určitá nejistota a vágní pojmy. Existují vzorové situace. Lze sestavit soubor vstupních a korespondujících výstupních vektorů systému. § Možnost učení. § Hledání optimálních řešení. § Nejsou potřeba pravidla. § §