OSNOVE INTELIGENCIJE TRANSPORTNIH SUSTAVA - PowerPoint PPT Presentation

About This Presentation
Title:

OSNOVE INTELIGENCIJE TRANSPORTNIH SUSTAVA

Description:

Title: Definicija i podru ja umjetne inteligencije Author: Hrvoje Gold Last modified by: Hrvoje Gold Created Date: 10/7/2003 10:10:39 PM Document presentation format – PowerPoint PPT presentation

Number of Views:235
Avg rating:3.0/5.0
Slides: 53
Provided by: Hrv94
Category:

less

Transcript and Presenter's Notes

Title: OSNOVE INTELIGENCIJE TRANSPORTNIH SUSTAVA


1
OSNOVE INTELIGENCIJE TRANSPORTNIH SUSTAVA
  • Hrvoje Gold
  • Fakultet prometnih znanosti
  • Zagreb, 2003

2
Inteligencija
  • Svojstvo uspješnog snalaženja u novim situacijama
  • Ucenje na temelju iskustva
  • Sposobnost razmišljanja pri rješavanju problema
  • Svrsishodno i prilagodljivo ponašanje u zadanim
    okolnostima
  • Sposobnost ucenja, prilagodavanja, odlucivanja,
    prepoznavanja, zakljucivanja, predvidanja

3
Umjetna inteligencija - UI
  • Tehnicki sustavi umjetne inteligencije (ITS) -
    inteligentno ponašanje strojeva
  • Sposobnost prikupljanja i uporabe znanja
  • Sposobnost postavljanja problema
  • Sposobnost zakljucivanja
  • Sposobnost obrade i razmjene znanja

4
Temelji umjetne inteligencije
  • Filozofija
  • Matematika
  • Psihologija
  • Racunalstvo
  • Lingvistika
  • Biologija

5
Filozofija (-428 - )
  • Aristotel (-384-322) silogizmi algoritmi
    zakljucivanja
  • Rene Decartes (1596 -1650) - dualizam dio uma
    izvan utjecaja zakona fizike
  • Wilhelm Leibniz (1646 1716) - um nastaje
    radom mozga prema zakonima fizike
  • Francis Bacon (1561-1626) Novum Organum
    empiricizam

6
Filozofija (-428 - )
  • David Hume (1711-1776) A Treatise of Human
    Nature princip indukcije
  • Bertrand Russell (1872-1970) logicki
    pozitivizam
  • George Boole (1815-1864) formalni jezik
    logickog zakljucivanja
  • Gottlob Frege (1848-1925) predikatna logika

7
Matematika (1800 - )
  • Alfred Tarski (1902-1983) teorija
    reprezentacije
  • Kurt Godel (1906-1978) dokaz problema
    neodlucivosti
  • Alan Turing (1912-1954) Turing-ov stroj-
    Church-Turing-ova teza

8
Psihologija (1879 - )
  • Herman von Helmholz (1821-1894) i Wilhelm Wundt
    (1832-1920) znanstvene metode proucavanja vida
  • John Watson (1878-1958) i Edward Lee Thorndike
    (1874-1949) - teorija podražaja i odziva

9
Racunalstvo (1940 - )
  • Alan Turing (1940) Heath Robinson
    elektromehanicki racunski stroj
  • Konrad Zuse (1941) programabilno racunalo Z-3
    - Plankalkül - viši programski jezik
  • John Atanasoff, Clifford Berry (1942)- ABC -
    elektronicko racunalo -Mark I, II i III
  • John Mauchly, John Eckert (1945) ENIAC

10
Lingvsitika (1957 - )
  • Noam Chomsky (1957) teorija sintakticke
    strukture jezika generativna gramatika
  • Biologija
  • W. McCulloch, W. Pitts (1943) umjetni neuron
  • Donald Hebb (1949) ucenje neuronskih mreža

11
Povijest razvoja UI
  • AI - Artificial Intelligence (Machine
    Intelligence) John McCarthy, 1956.
  • Claude Shannon, Allen Newell program za igranje
    šaha, 1956.
  • A. Newell, Herbert Simon Logic Theorist
    dokazivanje teorema, 1956.
  • A. Newell, H. Simon General Problem Solver
    (GPS) - program za rješavanje problema, 1956.
  • J. McCarthy - programski jezik LISP, 1958.

12
Povijest razvoja UI
  • F. Rosenblatt Perceptron model neuronske
    mreže sa sposobnošcu ucenja, 1958.
  • J. A. Robinson - algoritam za dokazivanje teorema
    predikatne logike, 1965.
  • Lotfi Zadeh neizrazita (fuzzy) logika,
    približno zakljucivanje, 1965.
  • Marvin Minsky, Seymour Papert, Perceptron,
    oganicenja neuronskih mreža, 1969.
  • Arthur Bryson, Yu Chi Ho, algoritam ucenja
    neuronske mreže povratnim rasprostiranjem
    pogreške, 1969.

13
Povijest razvoja UI
  • Bruce Buchanan, Edward Feigenbaum DENDRAL
    ekspertni sustav - podrška u analizi kemijskih
    stuktura, 1969.
  • M. Minsky okvir (frame) shema prikaza znanja,
    1975.
  • A. Colmerauer, R. Kowalski, PROLOG
    programiranje u logici, 1972.
  • B. Buchanan, E. Feigenbaum MYCIN model
    procjenjivanja u neizvjesnim okolnostima, 1976.
  • Arthur Dempster, Glenn Shafer teorija
    zakljucivanja u slucaju neizvjesnog,
    promjenjivog, kolebljivog, dvojbenog znanja,
    1976.
  • Racunala 5. generacije - japanska inicijativa,
    1981.
  • David Rumelhart, James McClelland, Parallel
    Distributed Processing, 1986 modeli i rad
    neuronskih mreža

14
UI danas
  • DART planiranje složenih logistickih zadataka u
    Zaljevskom ratu, 1991.
  • IBM Deep Blue Kasparov 3.52.5, 1997.
  • ALVINN vidni sustav - NavLab -racunalom
    upravljano vozilo, 1998.
  • PROVERB - rješavanje križaljki, 1999.
  • NASA Remote Agent - samostalno planiranje i
    rasporedivanje poslova svemirske letjelice, 2000.

15
Podrucja umjetne inteligencije
  • Sustavi za potporu u odlucivanju
  • Inteligentno pretraživanje podataka
  • Ekspertni sustavi
  • Formalizmi i metode prikaza znanja
  • Rješavanje problema i metode pretraživanja
  • Ucenje korištenjem primjera
  • Razumijevanje i obrada prirodnih (i umjetnih)
    jezika
  • Automatsko programiranje
  • Racunalni vid, raspoznavanje uzoraka i analiza
    scene
  • Približno racunanje (umjetne neuronske mreže,
    genetski algoritmi, neizrazita logika)
  • Robotika

16
Razvoj i podrucja umjetne inteligencije
Kognitivna psihologija
Obrada prirodnih jezika
Prepoznavanje govora
Formalna logika
Simbolicko (nenumericko) programiranje
Primjenjena umjetna inteligencija
Robotika
Jezici za obrade lista
Prepoznavanje oblika
Sustavi za potporu odlucivanju
Razvoj programskih okruženja
Ekspertni sustavi
Interaktivno racunalstvo
Inteligentno izracunavanje (neuronske mreže,
genetski algoritmi, neizrazita logika)
Razvoj racunala
1940 1970 1975
1980
1985 1990 1995
17
Može li stroj misliti? Turingov test
  • Muškarac (A)
  • Žena (B)
  • Ispitivac (C) muškarac ili žena
  • Cilj igre Postavljanjem pitanja C mora odrediti
    koji je od dvoje ispitanika muškarac, a tko žena
  • Cilj igre A Uputiti C na pogrešnu
    identifikaciju
  • Cilj igre B Pomoci ispitivacu C

18
Turingov test
  • Što ce se dogoditi ako stroj preuzme ulogu igraca
    A?
  • Hoce li ispitivac C praviti jednak broj pogrešaka
    kao u igri u kojoj sudjeluju muškarac i žena?
  • Ako je broj pogrešaka jednak onda je stroj
    inteligentan (A. Turing, "Computing Machinery and
    Intelligence, Mind, 59, 433-460, 1950.)

19
Turingov test
  • Ocekivane sposobnosti i svojstva (inteligentnog)
    stroja
  • obrada prirodnog jezika
  • prikaz (predstavljanje) znanja
  • automatsko zakljucivanje
  • Sveobuhvatni Turingov test
  • Ispitivac C može ispitivati i sposobnosti
    percepcije igraca A i B
  • Dodatne sposobnosti stroja
  • racunarski vid
  • robotika

20
Model biološkog inteligentnog sustava
SPOZNAJNIPODSUSTAV
OSJETILNIPODSUSTAV
MOTORICKIPODSUSTAV
Trajnamemorija
OSJETILA
EFEKTORI
POTICAJI
ODZIVI
Radna memorija
Privremena memorija
Privremena memorija
Spoznajniprocesor
21
Sustavi umjetne inteligencije
  • Sustavi koji mogu uciti nove koncepte,
  • sustavi koji mogu zakljucivati i donositi
    uporabne zakljucke o svijetu koji ih okružuje,
  • sustavi koji mogu razumijeti prirodni jezik ili
    spoznati i tumaciti složene vizualne scene,
  • sustavi koji mogu obavljati i druge vrste
    vještina koje zahtijevaju covjekovu vrstu
    inteligencije. D. W. Patterson, 1990.

22
Funkcije inteligentnog sustava
  • 1. Interakcija s vanjskim svijetom (radnom
    okolinom)
  • 2. Prikupljanje i obrada informacija
  • 3. Prikupljanje znanja (ucenje)
  • 4. Rukovanje znanjem
  • 5. Obrada znanja i zakljucivanje
  • 6. Planiranje
  • 7. Komunikacija s covjekom i /ili s drugim
    inteligentnim sustavima

23
Model umjetnog inteligentog sustava
BAZA PODATAKA
BAZA ZNANJA
NADZOR I ZAKLJUCIVANJE O STANJU SVIJETA I STANJU
SUSTAVA
KORISNICKO SUCELJE
OSJETILA
EFEKTORI
COVJEK ILI INTELIGENTNI INFORMACIJSKI SUSTAV
STVARNI SVIJET ILI RADNA OKOLINA
24
Inteligentni sustav - IS
  • 1. Pokazuje prilagodljivo cilju usmjereno
    ponašanje
  • Željeni cilj ili ciljeve predocava podciljevima
    i koristi znanje o operacijama i postupcima koji
    prevode željeni cilj u slijed akcija. Ako neki od
    podciljeva nije ostvariv sustav traži drugi put
    prema konacnom cilju sustava.
  • 2. Uci na temelju iskustva
  • Sustav ima algoritme za automatsku modifikaciju
    strukture i funkcije na temelju iskustva koja
    stice u radu - ucenje podrazumijeva prikupljanje,
    prikazi i upotrebu znanja.
  • 3. Koristi velike kolicine znanja
  • Kolicina znanja pohranjena u sustavu mora biti
    slicna kolicini znanja koju posjeduje covjek da
    bi riješio isti problem.

25
Inteligentni sustav - IS
  • 4. Pokazuje svojstva svjesnosti
  • Sustav ima sposobnost objašnjavanja svojeg
    ponašanja, nadgledanja i dijagnoze stanja, te
    oporavka u slucaju pogreške.
  • 5. Komunicira sa covjekom prirodnim jezikom i
    govorom
  • Sustav komunicira sa covjekom i drugim
    inteligentnim sustavima prirodnim jezikom i
    govorom. Takva komunikacija podrazumijeva obradu
    dvosmislenih i gramaticki neispravnih recenica.
  • 6. Dozvoljava pogreške i nejasnoce u
    komunikaciji.
  • 7. Odgovara u stvarnom vremenu.

26
Inteligentni sustav - IS
  • Pri rješavanju problema koristi znanje zapisano u
    racunalnom programu i problem rješava na nacin
    kako ga rješava covjek koristeci svoju prirodnu
    inteligenciju
  • Znanje i podaci
  • neraspoloživa opažanja
  • neizvjesna opažanja
  • subjektivna opažanja
  • nepotpuna opažanja
  • vremenski zavisna opažanja
  • višestruka rješenja

27
Moduli inteligentnog sustava
Naredbakorisnika
Odgovorkorisnika
Ulaz
Izlaz
Sucelje s drugiminteligentnim sustavima
Korisnicko sucelje
Upravljanje
Metode
Znanje
Objašnjenje
Ucenje
Rezultati (baza podataka)
Sucelje s vanjskim svijetom
Senzorni signal (slika, sljed slika, zvuk, govor,
dodir i sl.)
Akcija
28
Predstavljanje znanja
  • Znanje
  • Skup sistematiziranih sudova.
  • Prikuplja se percepcijom.
  • Znanje Spoznaja Logika
  • Spoznaja ukljucuje nepropozicijsko
    razumijevanje (percepcija, pamcenje,refleks) i
    propozicijsko razumijevanje te razumijevanje
    sudova o nepropozicijskom razumijevanju
  • Logika znanost koja proucava nacela koja vode
    do ispravnih zakljucaka

29
Baza znanja
  • Baza znanja Apstraktni prikaz radne okoline ili
    svijeta u kojem sustav treba rješavati zadatke.
  • Baza znanja
  • Znanje iz problemske domene
  • Znanje o nacinu kako se problem rješava

30
Baza znanja sadrži
  • Objekte i relacije medu njima
  • Cinjenice i nesigurne cinjenice
  • Pravila svijeta i pravila odlucivanja
  • Opise motivacije,cilja i stanja sustava
  • Metode rješavanja problema i heuristiku
  • Opis ponašanja
  • Hipoteze
  • Opise tipicnih situacija
  • Procese
  • Ogranicenja
  • Metaznanje
  • Znanje iz problemske domene
  • Znanje o nacinu kako se problem rješava

31
Svojstva shema za prikaz znanja
  • Primjerenost prikaza Sposobnost prikaza svih
    raspoloživih vrsta znanja koja su potrebna za
    odredeno podrucje.
  • Primjerenost zakljucivanja Sposobnost obrade
    prikaznim strukturama na takav nacin da se izvode
    nove strukture koje odgovaraju novom znanju
    dobivenom zakljucivanjem na temelju starog
    znanja.
  • Djelotvornost zakljucivanja Mogucnost ugradnje
    dodatne informacije u strukturu znanja, koja se
    može koristiti za usmjeravanje pažnje mehanizma
    zakljucivanja prema obecavajucom smjerovima.
  • Djelotvornost ucenja Sposobnost lakog
    prikupljanja znanja.

32
Podjela shema za prikaz znanja
  • Svijet Skup objekata i/ili cinjenica i odnosa
    koji postoje medu njima
  • Stanje svijeta Skup svih objekata i odnosa medu
    njima u odredenom trenutku.
  • Prijelazi stanja Nastajanje i/ili nestajanje
    objekata te promjena medusobnih odnosa.
  • Mrežne sheme za prikaz znanja - Objekti i njihovi
    medusobni odnosi
  • Proceduralne sheme za prikaz znanja -
    Transformacije stanja
  • Logicke sheme za prikaz znanja - Istinitost
    izjava o stanjima

33
Sheme za prikaz znanja
34
Semanticke mreže
  • Semanticka mreža cvorovi povezani razlicitim
    vrstama asocijativnih veza koje su predocene
    usmjerenim lukovima u grafu.
  • Ross Quillian, 1966. - modeliranje asocijativne
    memorije

35
Semanticke mreže - primjer
  • PLANT
  • 1. Živa struktura koja nije životinja, obicno s
    lišcem, dobiva hranu iz zraka ili vode ili zemlje
  • 2. Oprema i uredaji za neki proces u industriji
  • 3. Posaditi (biljku, sjeme i sl.) u zemlju da
    raste

36
Cvorovi i veze semanticke mreže
A
neizravno pristupacan cvor
A
izravno pristupacan cvor
modifikacijska veza
veza odnosa razred - podrazred
B
B
ili
i
A
B
C
A
B
C
disjunktivna veza
konjunktivna veza
veza subjekt objekt B subjekt u odnosu na C
(objekt) na nacin kako je to navedeno relacijom A
37
Asocijativne veze - primjer
38
Asocijativne veze
  • "IS-A (JEST)
  • dopušta prikaz hijerarhijskih odnosa izmedu
    cvorova (razred podrazred)
  • "INSTANCE-OF (JE-PRIMJER)
  • prikaz primjera iz razreda
  • "IS-A-PART (JE DIO)
  • dopušta prikaz grade složenog objekta

39
PRIKAZ KOCKE OKVIROM
40
Teorija okvira
  • Okvir zapamceni predložak (struktura podataka)
    predocen mrežom cvorova i medusobnih relacija
    prilagoden stvarnoj (trenutnoj) situaciji -
    Sustav okvira
  • Cinjenice koje su uvijek istinite u
    pretpostavljenoj situaciji okviri više razine
  • Prikljucna mjesta (terminali/slotovi) koja se
    popunjavaju podacima trenutne situacije okviri
    niže razine
  • Podudaranje okvira (Matching) ? Prilagodavanje
    okvira ? Zamjena okvira
  • M. Minsky, 1975. aktivna organizacija prošlih
    iskustava i/ili reakcija upotrebljena u novim
    situacijama

41
Logicke sheme
  • Simbolicka logika Hornova logika
  • Programiranje u logici PROLOG
  • Citljivost deklarativna semantika
  • Modularnost modifikacija baze znanja
  • Ugraden mehanizam zakljucivanja

42
Prikaz znanja
grana(a, b, d1). grana(a, d, d2). grana(b, c,
d2). grana(c, d, d3). grana(c, e, d4). grana(d,
e, d5).
Kolika je udaljenost izmedu cvora c i e? ?-
grana(c, e, X). grana(c, e, d4). Izmedu
kojih cvorova udaljenost iznosi d2? ?- grana(X,
Y, d2). grana(a, d, d2), grana(b, c, d2),
43
Heuristicko znanje Pronalaženje puta
  • Ako je cvor X cvoru Y, onda je popis putova
    prazan, P .
  • U protivnom slucaju, pronaci put P koji pocinje
    u cvoru Z do cvora Y i pronaci put od cvora X do
    cvora Z, izbjegavajuci cvorove koji se vec nalaze
    na putu P.
  • put(X, Y, P). clan(X, X _).
  • put(X, Y, P) - clan(X, _ Y)-
  • grana(X, Z, U) grana(Z, X, U)), clan(X, Y).
  • not(clan(Z, P)),
  • put(Z, Y, Y P).

44
Logicko modeliranje
COVJEK
ISKUSTVENA PRAVILA
LOGICKI PROGRAM
SINTEZA LOGICKOG ISKAZA
PODACI
45
Primjena heuristickog znanja
Koji putevi povezuju cvorove a i b? ?- put(a, b,
X). a, b a, d, c, b a, d, e, c,
b ....................
46
Ekspertni sustavi - sustavi zasnovani na znanju
  • Racunalni programi
  • sadrže znanje o nekoj domeni
  • sposobni su donositi odluke izvodenjem
    zakljucaka
  • mogu opravdati donešenu odluku
  • znanje nezavisno od ostatka programa

47
Blok dijagram ekspertnog sustava
MEHANIZAM ZAKLJUCIVANJA
BAZA ZNANJA
KORISNICKO SUCELJE
48
SUSTAVI ZA POTPORU U ODLUCIVANJU (Decision
Support Systems - DSS)
  • Potreba za potporom u odlucivanju proizlazi iz
  • spoznajnih ogranicenja
  • ekonomskih ogranicenja
  • vremenskih ogranicenja
  • DSS je racunalni sustav za organizaciju
    podataka, identifikaciju i dohvat podataka,
    analizu i transformaciju podataka, izbor modela
    odlucivanja i analizu dobivenih rezultata

49
Struktura sustava za potporu u odlucivanju
50
Inteligentno pretraživanje podataka (data mining)
  • skup metoda i tehnika za otkrivanje skrivenih
    veza medu varijablama u velikim bazama podataka
  • Koristi
  • statisticke metode (regresiju, faktorsku analizu,
    diskriminantnu analizu, skupine, ...)
  • metode umjetne inteligencije (ekspertne sustave,
    neuronske mreže, genetske algoritme, inteligentne
    agente, ...)

51
Približno racunanje (soft computing)
Metode koje na razlicite nacine dopuštaju
prihvaca se zadovoljavajuce rješenje, a ne
inzistira se na najboljem mogucem
Nepreciznost
Nesigurnost
Djelomicnu istinitost
Podataka, znanja, zakljucaka
U stvari osnovni model približnog izracunavanja
jest ljudski mozak. Postaje nam sve jasnije da
cudnovata sposobnost ljuskog uma da djelotvorno
funkcionira u nepreciznom i nesigurnom okruženju
nadmašuje mogucnosti tracionalnih metoda
racunanja i logickog zakljucivanja. Lotfi A.
Zadeh
52
Literatura
  • S.Russell, P.Norvig, Artificial Intelligence A
    Modern Approach, 2nPrentice Hall, 2003.
    http//www.cs.berkeley.edu/russell/aima.html
  • S. Ribaric, B. Dalbelo-Bašic, Umjetna
    inteligencija, FER, 2002.
  • Elaine Rich, Kevin Knight, Artificial
    Intelligence, McGraw-Hill, 1992.
  • D. Mišljenovic, I. Maršic, Umjetna
    inteligencija, Školska knjiga, 1991.
  • Zbornici Svjetskih ITS kongresa, CD 1995 -
Write a Comment
User Comments (0)
About PowerShow.com