Vetaka Inteligencija Uvod Predava Pot Miklo 1 Vic

Veštačka Inteligencija Uvod Predavač: Pot Mikloš 1

Vic Šta se dobija kad plavušu ofarbamo u crno?

Vic Šta se dobija kad plavušu ofarbamo u crno? Veštačka inteligencija!

Artificial Intelligence (2001) Steven Spielberg: Artificial Intelligence mecha-robot

Pojmovi Šta je inteligencija? Inteligencija je skup mentalnih radnji koji je usmeren na rešavanje problema. Sposobnost, čiji su delovi: Brzina razmišljanja Shvatanje povezanosti Memorija Osnovna znanja, itd. 5

Pojmovi Šta znači veštački? Nešto je izazvano, ili prouzrokovano ljudskim uticajem ili faktorom. 6

Pojmovi Šta je veštačka inteligencija? AI - Artifical Intelligence To je mašina, program ili inteligencija koja je stvorena veštačkom svešću. Naučna grana koja proučava kako računare možemo da naučimo ljudskim veštinama, I da izradimo postupke za postizanje tih veština. VEŠTAČKA INTELIGENCIJA JE HARDVER ILI SOFTVER KOJI JE SPOSOBAN ZA SAMOSTALNO OBAVLJANJE ZADATAKA. 7

Mogućnosti VI Partija stonog tenisa protiv ljudskog igrača? Da Saobraćanje na krivudavom planinskom putu? Da Saobraćaj u gradskoj gužvi? Da/Ne Kupovina na internetu? Da (video) Dokaz nove matematičke teoreme? Da / Ne Razumna komunikacija sa ljudskim bićem (60 minuta)? Ne Hirurški zahvat? Da Namerno pisanje humorističkih priča? Ne 8

Nenamerne humorističke priče 1984: Shank – Tale Spin System (LISP) Jedan od načina automatskog komuniciranja Jednog dana meda Miško je bio gladan. Pitao je drugara pticu Paju gde može da nađe med. Paja mu je rekao da u obližnjem hrastu ima pčelinjak. Miško se odšetao do hrasta. Miško je pojeo pčelinjak. KRAJ. Veverica Vasa je bio žedan. On se odšetao do reke gde mu se nalazio prijatelj Pera ptica. Vasa se okliznuo i pao u vodu. Gravitacija se udavila. KRAJ. 9

Aplikacije VI Obrada prirodnog jezika (ASR, TTX, sistemi za dijalog, mašinsko prevođenje) Mašinski vid (prepoznavanje objekata, prepoznavanje lica, rastavljanje prostora na objekte, razumevanje objekata) Robotika (donošenje odluka (ne kretanje), autonomni automobili, robot-fudbal) Igre (Deep Blue, Go, Othello) Sistemi za donošenje odluka (planiranje, traženje putanja, medicinska dijagnostika, web -pretraživanje) 10

Igre – Othello (Reversi) 11

Roboti u filmskoj industriji 70 -e 12

Roboti u filmskoj industriji 70 -e 80 -e 13

Roboti u filmskoj industriji 70 -e 80 -e 90 -e 14

Roboti u filmskoj industriji 70 -e 80 -e 2000 -e 90 -e 15

Istorijski pregled Počeci: 1956 -konferencija na Darthmouth koledžu § Početni cilj: Reprodukcija ljudskog razmišljanja pomoću računara. 16

Istorijski pregled Prva faza (60 -e godine prošlog veka) Igre za dva igrača (dama, šah), Programi za razgovor (Eliza, 1966) GPS, rezolucija (1966), LISP (1958), Veštačke neuronske mreže (1969), Evolucioni algoritmi (1959) Neuspesi: jezički prevodioci, kombinatorna eksplozija 17

Eliza Joseph Weizenbaum, MIT, 1966 § Cilj prepoznavanja govora je pretvaranje ljudskog govora u tekstualnu formu koja će biti razumljiva za mašinu, a za krajnji cilj ima mašinsko razumevanje govornog jezika. § Ovaj program imitira psihologa koji pokušava da razume probleme čoveka (operatora), i na osnovu ključnih reči odgovora proizvodi tipski tekst koji je baziran na jednostavnom prilagođavanju zamene delova teksta. Ovaj program je razumeo pacijenta samo na sintaktičkom nivou. 18

Eliza Pravila za prilagođavanje - <a> vi <b> mene <c>. - Osećam da vi trenutno mene mrzite. – Zašto vi mislite, <a> ja <b> <c>? - Zašto mislite da vi osećate da vas ja trenutno mrzim? Razgovarajmo sa Elitom http: //nlp-addiction. com/eliza/ Lafoxka(mađarski) http: //www. lafoxka. hu/ Logovanje u Lafoxka: username: ”Student”, password: „mikurzus”, mejl: „vts. studenti@gmail. com” 19

Druga faza (70 -e godine) § § Shrdlu(1972), MYCIN(1976) Prolog, Heuristične tehnike pretrage, pretrage načini reprezentovanja znanja (kognitivni modeli) Neuspesi: trend razvoja VI, program za pisanje bajki 20

Treća faza (80 -e godine) § § § Ekspertski sistemi bazirani na znanju, Metodologije, Ne-klasične logike, Rukovanje neizvesnošću Neuspesi: pravljenje sistema je sporije od programskog okruženja koje se brzo menja 21

Četvrta faza (90 -e godine) § § § logistika, Istraživanje svemira, Deep Blue, robotika (razgovor, mašinski vid, planiranje, mašinsko učenje) učenje Reprezentacija podeljenog znanja (veštačke neuronske mreže, evolucioni algoritmi, agenti), Teorija odlučivanja (mreže verovatnoće), prepoznavanje govora (skriveni Markovljevi modeli) 22

Alan Turing Engleski matematičar i naučnik Enigma 2009 – rehabilitacija The Imitation Game (2014) (1912 -1954)

Test inteligencije 2 prostorije – u jednoj prostoriji nalazi se ispitivač, u drugoj se nalazi računar i čovek. Program je prošao Turing-ov test ako ispitivač ne ume da odluči na osnovu dobijenih odgovora da li je u susednoj prostoriji čovek ili računar. Turing-ov test 24

Test inteligencije Kineska soba § § U sobi sedi osoba kome se preko prozora pokazuju kineski pisani znaci. Osoba poseduje knjigu pravila, u kojoj potraži pisane znake koje vidi. Na osnovu knjige pravila i on pokazuje jedan znak. Znak koji je video bilo je jedno pitanje, a znak koji je pokazao bio je jedan odgovor. Pitanje je da li osoba u sobi zna kineski? 25

Slaba ili jaka VI § John. R. Searle (Searle, 1980) je uveo jednu definiciju koja se od tada raširila, po kojoj razlikujemo slabu i jaku varijantu veštačke inteligencije. 26

Slaba ili jaka VI Slaba VI: Sa tačke gledišta slabe veštačke inteligencije kod inteligencije se algoritam i mozak ne mogu razdvojiti. Mogu se napraviti takvi sistemi koji deluju (ponašaju se) kao da su inteligentni. Na osnovu toga, mašina nije inteligentna. Pitanje: Da li se delovanje mašinskih sistema može formirati tako kao da su inteligentni? npr. : Turing-ov test 27

Slaba ili jaka VI Jaka VI: Inteligencija se može ostvariti sa algoritmima. Mogu se formirati i sistemi koji zaista razmišljaju, znači ponašaju se potpuno isto kao i ljudski mozak. Na osnovu toga, mera inteligencije zavisi od složenosti algoritma. Duhovne osobine kao što su razum, osećanje i razmišljanje su delovi algoritama. Na osnovu ovog gledišta algoritam sam po sebi može biti inteligentan. 28

Slaba ili jaka VI Jaka VI: Pitanje: da li sistemi koji deluju svesno zaista poseduju svest? npr. : Kineska soba 29

4 glavne klase VI § § Sistemi koji razmišljaju na ljudski način Sistemi koji deluju na ljudski način Sistemi koji razmišljaju racionalno Sistemi koji deluju racionalno 30

Sistemi koji razmišljaju na ljudski način § Pokušava da čovekovom imitira razmišljanje nalik § “Automatizacija onih aktivnosti koji se mogu asocirati sa ljudskim razmišljanjem, npr. odlučivanje, rešavanje problema, učenje, …”(Bellman, 1978) 31

Sistemi koji deluju na ljudski način § Delovati kao čovek: Turing-ov test § “Umetnost pravljenja takvih mašinskih sistema, koji izvršavaju funkcije za koje je potrebna inteligencija ukoliko te funkcije obavlja čovek” (Kurzweil, 1990) 32

Sistemi koji razmišljaju na racionalan način § § § Racionalno razmišljanje ≠ ljudsko razmišljanje Racionalno razmišljanje: formalna pravila zaključivanja, logika “Proučavanje mentalnih sposobnosti pomoću računarskih modela” (Charniak i Mc. Dermott, 1985) 33

Sistemi koji deluju na racionalan način § Racionalno delovati: jedan zadatak rešiti na najbolji mogući način (agent) “Računarska inteligencija je proučavanje projektovanja inteligentnih agenata” (Poole i koautori, 1998) § Ovo će biti naš pristup! § 34

Inteligentni agent § § Agent je aktivan sistem sa programiranim ponašanjem. Agenti mogu sa stupe u interakciju međusobno ili da stupe u interakciju sa okolinom. Agenti su sposobni da uče i da se prilagođavaju. 35

Osobine agenta § § § Embedded (položen, stavljen u svoju okolinu) Reaktivnost (konstatuje svoju okolinu i reaguje na promene u okolini) Autonomija (samostalno funkcionisanje) Zavisnost od položaja (postoji samo ukoliko je vezan za neki položaj ili ulogu) Poseduje ciljeve i informacije, i u zavisnosti od njih bira najbolju akciju Sposobnost inicijative (osim toga što reaguje, u cilju ostvarivanja zadatka preuzima inicijativu) 36

Agenti Agent Senzori Percepcija ? Aktuatori Okolina Radnje (delovanje) Agent sa svojim senzorima (sensors) konstatuje svoju okolinu (environment), i pomoću aktuatora (actuators) menja okolinu u kojoj se nalazi. 37

Agenti § § Pojam percepcije (percept) ili opažanja koristimo za opisivanje senzorskih ulaza agenata u nekom proizvoljnom trenutku. Sekvenca percepcija jednog agenta je istorijat svih agentovih percepcija, to je sve što je agent ikada percipirao. Ponašanje agenata opisuje se funkcijom agenta (agent function), koji sekvencu percepcija preslikava na jednu radnju (delovanje). Funkciju agenta možemo opisati i tabelom, što bi u većini slučajeva rezultiralo tabelom beskonačne dužine, ukoliko ne bismo ograničili dužinu sekvenci percepcije koje uzimamo u obzir. 38

Agenti § Unutar jednog veštačkog agenta funkciju agenta ostvaruje program agenta (agent program). § Bitno je razlikovati sledeća dva pojma: Funkcija agenta: apstraktni matematički opis • Program agenta: konkretna implementacija koji funkcioniše na arhitekturi agenta. • 39

Primer: svet usisivača § § § Postoje dve prostorije: kvadrat A i kvadrat B. Agent usisivač opaža u kojoj je prostoriji i da li u toj prostoriji ima prljavštine? Muguće radnje usisivača su: Kretanje udesno • Kretanje ulevo • Usisavanje prašine • Ne radi ništa • 40

Funkcija agenta § Jedna jednostavna funkcija agenta: ako je aktuelna prostorija prljava, usisivač će usisati prašinu, u suprotnom usisivač prelazi u drugu prostoriju. 41

Racionalni agent § Racionalni agent (rational agent) ima osobinu da teorijski pravilno postupa tako, da su svi redovi iz tabele budu pravilno ispunjene. § Pravilno postupanje je to što agenta čini najuspešnijim. Što više pravilnih postupaka, uspeh agenta je veći. 42

Mera uspešnosti § § § Mera uspešnosti (performance measure) opisuje kriterijum uspešnosti agenta. Kad jednog agenta smestimo u jednu okolinu, on čini sledeće: opaža deluje sekvenca stanja okoline ako je ova sekvenca poželjna agent je dobro obavio posao npr. : mera uspešnosti za agenta usisivača može biti količina usisane prašine za jedan radni dan od 8 sati. 43

Okolina agenta § Kod postupka projektovanja jednog agenta prvi korak je uvek najpotpunije moguće određivanje okoline zadatka (task environment). § U principu, okolina zadatka je ”problem”, a racionalni agent predstavlja njihovo ”rešenje”. 44

Struktura inteligentnog agenta § § § Jednostavni refleksni agent (simple reflex agent) Refleksni agent baziran na modelu (modellbased reflex agent) Ciljno orijentisani agent (goal-based agent) Koristoljubivi agent (utility-based agent) Agent sposoban da uči (learning agent) 45

Jednostavni refleksni agent (simple reflex agent) § Aktuelnu radnju koju obavlja bira samo na osnovu trenutnog opažanja, ne obraćajući pažnju na ostatak istorijata opažanja. § Na primer agent usisivač je jedan jednostavan refleksni agent, jer se njegove trenutne odluke baziraju samo na trenutnom položaju, i da li na tom položaju ima prašine. 46

Šematski dijagram jednostavnog refleksnog agenta Agent Senzori Opažanja Kako trenutno izgleda svet? Uslov-radnje pravila Okolina Kakve radnje treba sada da izvršim? Aktuatori Radnje 47

Refleksni agent baziran na modelu (model based reflex agent) § Agent prati trenutno nevidljivi deo sveta. Agent treba da čuva nekakvo unutrašnje stanje (internal state), koji je baziran na istorijatu opažanja, i tako odslikava bar jedan deo trenutno neopaženih aspekata. 48

Šematski dijagram refleksnog agenta baziranog na modelu Senzori Stanje Kako se menja svet? Opažanja Kako svet izgleda trenutno? Okolina Kakve posledice će izazvati moje radnje? Uslov-radnje pravila Agent Kakve radnje treba sada da izvršim? Aktuatori Radnje 49

Ciljno orijentisani agent (goal-based agent) § Pored opisa trenutnog stanja, agent raspolaže i nekom informacijom o cilju (goal) koji treba da ostvari, koji opisuje željene situacije. § Kod ciljno orijentisanih agenata pravila uslovradnja uzimaju u obzir i dešavanja u budućnosti, kao na primer ”Šta će se desiti ako uradim ovo ili ono? ”. 50

Šematski dijagram ciljno orijentisanog agenta Senzori Stanje Kako se menja svet? Šta će prouzrokovati moje radnje? Ciljevi Agent Opažanja Kako svet izgleda trenutno? Šta će biti ako izvršim radnju A? Okolina Koje radnje treba sada da izvršim? Aktuatori Radnje Ciljno orijentisan agent koji je baziran na modelu prati stanja sveta, i skup ciljeva koje treba da postigne, i bira radnju koja će (na kraju) dovesti do postizanja tog cilja. 51

Koristoljubivi agent (utility based agent) § § Ciljevi prave samo grubu razliku između stanja ”srećan” i ”nesrećan”. U suprotnosti sa tim, jedna opštija mera učinka omogućila bi odgovarajuće upoređenje stanja sveta. Tada bismo tačno znali koliko bi agent bio srećan ukoliko bi postigao date ciljeve. Uobičajena terminologija kaže da je jedno stanje sveta naprednije u odnosu na drugo stanje ako mu je veća korisnost (utility) sa tačke gledišta agenta. 52

Koristoljubivi agent (utility based agent) § Funkcija korisnosti (utility function) jedno stanje (ili sekvencu stanja) preslikava na jedan takav realan broj koji opisuje stepen pridružene sreće. 53

Šematski dijagram koristoljubivog agenta Senzori Opažanja Stanje Kako se menja svet? Koji su uzroci moje radnje? Korisnost Kako trenutno izgleda svet? Kako će itgledati svet ako izvršim radnju A? Okolina Koliko ću biti srećan nakon izvršenja ove radnje? Koje radnje treba sada da izvršim? Agent Aktuatori Radnje 54

Agent sposoban da uči (learning agent) § § Turing je predložio postupak po kome treba graditi mašine koje su sposobne da uče, i nakon toga da ih podučavamo. Na mnogim poljima VI upravo se ovaj postupak koristi za građenje savremenih sistema. Prednost učenja je u tome da agent u početku funkcioniše u nepoznatom okruženju, i da postaje kompetentniji od onoga čega bi postao na osnovu početnog znanja. 55

Agent sposoban da uči (learning agent) § Agent koji je sposoban da uči, može se rastaviti na četiri koncepcionalne komponente: učeći element (learning element) • izvršni element (performance element) • kritičnost (critic) • generator problema (problem generator) • 56

Šematski prikaz agenta koji je sposoban da uči Standard učinka Senzori Kritično Opažanja Povratna sprega Promene Učeći element Okolina Izvršni element Znanje Ciljevi učenja Generator problema Agent Aktuatori Radnje 57

Multiagentni sistemi § Strukture koje modeluju saradnju više agenata nazivaju se multi-agentni sistemi. Multi-agentne sistemi se između ostalog koriste i za istraživanja na poljima kao što su ekologija, ekonomija, i razna polja informatike. 58

Pokrivanje površine 64 polja = 32*2 62 polja = 31*2

Pokrivanje površine 64 polja = 32*2 62 polja = 31*2