Title: OSNOVE INTELIGENCIJE TRANSPORTNIH SUSTAVA
1OSNOVE INTELIGENCIJE TRANSPORTNIH SUSTAVA
- Hrvoje Gold
- Fakultet prometnih znanosti
- Zagreb, 2003
2Inteligencija
- 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
3Umjetna 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
4Temelji umjetne inteligencije
- Filozofija
- Matematika
- Psihologija
- Racunalstvo
- Lingvistika
- Biologija
5Filozofija (-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
6Filozofija (-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
7Matematika (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
8Psihologija (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
9Racunalstvo (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
10Lingvsitika (1957 - )
- Noam Chomsky (1957) teorija sintakticke
strukture jezika generativna gramatika - Biologija
- W. McCulloch, W. Pitts (1943) umjetni neuron
- Donald Hebb (1949) ucenje neuronskih mreža
11Povijest 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.
12Povijest 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.
13Povijest 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
14UI 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.
15Podrucja 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
16Razvoj 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
17Može 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
18Turingov 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.)
19Turingov 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
20Model biološkog inteligentnog sustava
SPOZNAJNIPODSUSTAV
OSJETILNIPODSUSTAV
MOTORICKIPODSUSTAV
Trajnamemorija
OSJETILA
EFEKTORI
POTICAJI
ODZIVI
Radna memorija
Privremena memorija
Privremena memorija
Spoznajniprocesor
21Sustavi 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.
22Funkcije 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
23Model 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
24Inteligentni 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.
25Inteligentni 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.
26Inteligentni 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
27Moduli 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
28Predstavljanje 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
29Baza 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
30Baza 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
31Svojstva 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.
32Podjela 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
33Sheme za prikaz znanja
34Semanticke mreže
- Semanticka mreža cvorovi povezani razlicitim
vrstama asocijativnih veza koje su predocene
usmjerenim lukovima u grafu. - Ross Quillian, 1966. - modeliranje asocijativne
memorije
35Semanticke 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
36Cvorovi 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
37Asocijativne veze - primjer
38Asocijativne 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
39PRIKAZ KOCKE OKVIROM
40Teorija 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
41Logicke sheme
- Simbolicka logika Hornova logika
- Programiranje u logici PROLOG
- Citljivost deklarativna semantika
- Modularnost modifikacija baze znanja
- Ugraden mehanizam zakljucivanja
42Prikaz 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),
43Heuristicko 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).
44Logicko modeliranje
COVJEK
ISKUSTVENA PRAVILA
LOGICKI PROGRAM
SINTEZA LOGICKOG ISKAZA
PODACI
45Primjena heuristickog znanja
Koji putevi povezuju cvorove a i b? ?- put(a, b,
X). a, b a, d, c, b a, d, e, c,
b ....................
46Ekspertni 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
47Blok dijagram ekspertnog sustava
MEHANIZAM ZAKLJUCIVANJA
BAZA ZNANJA
KORISNICKO SUCELJE
48SUSTAVI 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
49Struktura sustava za potporu u odlucivanju
50Inteligentno 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, ...)
51Približno 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
52Literatura
- 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 -