sztuczna inteligencja

Ineligentne systemy obliczeniowe 1

Sztuczna inteligencjaProf. Dr hab. Marek Rudnicki

Katedra Systemów Ekspertowych i Sztucznej Inteligencji

Dyżury dla studiów niestacjonarnych: sobota, godz. 12:00 – 13:00 pok. B324

Portal autorski: http://staff.wsinf.edu.pl

Hasło: marek_rudnicki

Zawartość portalu:

•ogłoszenia oraz informacje

•godziny dyżurów

•pliki do pobrania (na hasło)

http://staff.wsinf.edu.pl/

http://staff.wsinf.edu.pl/


• Wpływ informatyki na funkcjonowaniu społeczeństw jest widoczny: rozpowszechnianie się komputerów, systemów informatycznych, edytorów tekstu, arkuszy kalkulacyjnych itd...

• Ważną cecha informatyki jest ułatwianie samego programowania i czynienie programowania bardziej niezawodnym

• Zasadniczo jednak informatyka jest

nauką o abstrakcji , czyli nauką o tworzeniu właściwego modelu reprezentującego problem i wynajdowaniu odpowiedniej techniki mechanicznego jego rozwiązywania

Informatycy tworzą abstrakcje rzeczywistych problemów w formie zrozumiałej dla komputera i jednocześnie w taki sposób aby mogły być rozumiane i przetwarzane w pamięci komputera

Informatyka: mechanizacja abstrakcji


Abstrakcja oznaczać będzie pewne uproszczenie, zastąpienie skomplikowanych i szczegółowych okoliczności występujących w świecie rzeczywistym zrozumiałym modelem umożliwiającym rozwiązanie naszego problemu. Oznacza to że abstrahujemy od szczegółów które nie maja wpływu lub mają minimalny wpływ na rozwiązanie problemu. Opracowanie odpowiedniego modelu ułatwia zajęcie się istotą problemu.

• modele danych: abstrakcje wykorzystywane do opisywania problemów

• struktury danych: konstrukcje języka programowania wykorzystywane do reprezentowania modelów danych. Przykładowo język C udostępnia wbudowane abstrakcje takie jak struktury czy wskaźniki, które umożliwiają reprezentowanie skomplikowanych abstrakcji takich jak grafy

• algorytmy: techniki wykorzystywane do otrzymywania rozwiązań na podstawie operacji wykonywanych na danych reprezentowanych przez abstrakcje modelu danych, struktury danych lub na inne sposoby

Informatyka: mechanizacja abstrakcji


Trochę historii... trochę przyszłości

Teoretyczne podstawy informatyki

Algorytm Euklidesa, krosno Jacquarda, maszyny Babbage, algorytmika, komputery.....

Oprogramowanie wielkich eksperymentów fizycznych.... czyli wyznawanie dla współczesnej informatyki stosowanej


Pomiędzy 400 a 300 rokiem p.n.e wielki grecki matematyk Euklides wynalazł algorytm znajdowania największego wspólnego dzielnika (nwd) dwóch dodatnich liczb całkowitych. Szczegóły algorytmu są nieistotne: algorytm Euklidesa uważa się za pierwszy kiedykolwiek wymyślony niebanalny algorytm.

Słowo algorytm wywodzi się od nazwiska perskiego matematyka Muhammeda Alchwarizmi (łac. Algorismus), który żył w IX wieku p.n.e i któremu przypisuje się podanie reguł dodawania, odejmowania, mnożenia i dzielenia zwykłych liczb dziesiętnych.

Jedną z najwcześniejszych maszyn wykonujących proces sterowany czymś co można nazwać algorytmem jest krosno tkackie wynalezione w 1801 roku przez Josepha Jacquarda. Tkany wzór określały karty z otworami wydziurkowanymi w różnych miejscach.Te otwory, które wyczuwał specjalny mechanizm, sterowały wyborem nitek i innymi czynnościami maszyny.

Trochę historii .......


Jedną z najważniejszych i najbardziej barwnych postaci w historii informatyki był Charles Babbage. Ten angielski matematyk, częściowozbudowawszy w roku 1833 urządzenie zwane maszyną różnicową,służące do obliczania pewnych wzorów matematycznych, obmyśliłi zrobił plany godnej uwagi maszyny zwanej maszyną analityczną

• maszyna różnicowa realizowała konkretne zadanie• maszyna analityczna realizowała konkretny algorytm czyli program zakodowany w

postaci otworów wydziurkowanych na kartach

Maszyny Babbage były w swej naturze mechaniczne, oparte raczejna dzwigniach, trybach i przekładniach, a nie na elektronice i krzemie

Koncepcje zawarte w projekcie maszyny analitycznej Babbage’a tworzą podstawę wewnętrznej struktury i zasad działania dzisiejszych komputerów

Maszyna Babbage


Algorytmika, komputery

• Połowa lat trzydziestych to niektóre z najbardziej fundamentalnych prac nad teorią algorytmów, uzmysławiających możliwości i ograniczenia algorytmów wykonywanych przez maszyny

• Kluczowe postacie to: Alan Turing (Anglik), Kurt Goedel (Niemiec), Andriej A. Markow (Rosjanin), Alonzo Church, Emil Post i Stephen Kleene (Amerykanie)

• Lata pięćdziesiąte i sześćdziesiąte to szybkie postępy w budowie komputerów: era badań jądrowych i kosmicznych, postępy w dziedzinie łączności wspieranej przez komputery (filtrowanie i analiza); gospodarka, bankowość, itd.

Uznanie informatyki za niezależną dyscyplinę akademicką nastąpiło w połowie lat sześćdziesiątych


Metody Sztucznej Inteligencji (AI)

Wprowadzenie do metod AI.DefinicjaHistoria

Kluczowe zagadnienia AI Status AI jako gałęzi nauki Nauczanie AI


Wprowadzenie do metod AI.

Definicja

Sztuczna inteligencja (Artificial Intelligence, AI) to dziedzina nauki zajmująca się rozwiązywaniem zagadnień efektywnie niealgorytmizowalnych w oparciu o modelowanie wiedzy. Jest to część ogólniejszej dziedziny, nazywanej Inteligencją Obliczeniową (Computational Intelligence), której celem jest rozwiązywanie zagadnień efektywnie niealgorytmizowalnych przy pomocy obliczeń.


Wprowadzenie do metod AI.

Inne definicje:

AI to nauka mająca za zadanie nauczyć maszyny zachowań podobnych do ludzkich. AI to nauka o tym, jak nauczyć maszyny robić rzeczy które obecnie ludzie robią lepiej. AI to nauka o komputerowych modelach wiedzy umożliwiających rozumienie, wnioskowanie i działanie. •AI formalnie stanowi część informatyki.•AI zaliczana jest do nauk kognitywnych. •AI została rozpoznana jeszcze przed informatyką!


Historia

Ramon Lull, XIII wiek, kataloński filozof i teolog, franciszkanin, "Ars magna generalis et ultimata" - systemu logicznego, obejmującego wszystkie gałęzie wiedzy. Gottfried Leibniz, 1646-1716. Czterodziałaniową maszynę liczącą w 1694 r, projekt maszyny działającej w systemie dwójkowym. Pisząc o "rachunku filozoficznym" wyraża nadzieję, że w przyszłości dzięki rozwojowi logiki matematycznej zamiast się spierać, wystarczy policzyć - Calculemus! Problem Leibiza: jak większa liczba dzielona przez mniejszą może dać to samo co mniejsza przez większą? Czy dla symboli (-a)*(-b) = a*b ? "Umysł ludzki nie jest w stanie uchwycić powodów, dla których niewiadome i ich znaki zachowują się w taki sposób" (Clavius ?)


Historia

Charles Babbage, 1792-1871, projekty maszyny różnicowej i maszyny analitycznej, "snującej myśli jak krosna Jacquarda snują włókna". John von Neumann, 1945, podaje ogólny schemat działania uniwersalnego komputera. 1949: Claude Shannon i teoria informacji; Norbert Wiener "Cybernetyka czyli sterowanie i komunikacja w zwierzęciu i maszynie", McCulloch i Pitts - sieć nerwowa jako układu elementów logicznych. Allan Turing, 1912-1954, ojciec informatyki teoretycznej, rozważa w 1950 roku możliwości myślenia maszyn, formułuje "test Turinga" w pracy "Computing Machinery and Intelligence".


Historia

Marvin Minsky, 1956, nazwa "sztuczna inteligencja". Allen Newell, Herbert Simon, 1958 - General Problem Solver, próba stworzenia ogólnego programu do rozwiązywania problemów. Newell i Simon, 1975, AI jako nauka empiryczna, symboliczne systemy

oparte na wiedzy jako model umysłu.


Historia

Inne źródła: logika, androidy i sterowanie, cybernetyka, rozwój informatyki, konferencja w 1956 roku na której sztuczna inteligencja otrzymała swoja nazwę. Allen Newell, wykłady Williama Jamesa na Harvard University, 1988: psychologia dojrzała już do zunifikowanych teorii poznania, czyli takich teorii, które postulują spójny system mechanizmów pozwalających wyjaśnić wszystkie aspekty działania umysłu.


HistoriaWedług Patricka Winston'a w rozwoju AI wyróżnić można kilka okresów, które nazywa on następująco:

1.Era prehistoryczna: od maszyny analitycznej Charles'a Babbage’a (1842) do około 1960 roku

2.Era romantyczna, 1960-1965, kiedy przewidywano, że AI osiągnie swoje cele w ciągu 10 lat. 3.Okres ciemności: 1965-1970, w którym niewiele się działo, opadł entuzjazm i pojawiły się głosy bardzo krytyczne. 4.Renesans: 1970-1975, gdy zaczęto budować pierwsze systemy doradcze, użyteczne w praktyce. 5.Okres partnerstwa: 1975-1980, gdy do badań nad AI wprowadzono metody kognitywistyczne. 6.Okres komercjalizacji: 1980-1990, gdy programy AI, a szczególnie systemy doradcze zaczęto sprzedawać komercyjnie. 7.Wielkie projekty: CYC, 5 generacja; projekty hybrydowe CI; era agentów, elementy AI w wielu programach.


Kluczowe zagadnienia AI

Rozwiązywanie problemów: gry i zagadki logiczne, gry planszowe, obliczenia symboliczne. Główne metody to szukanie i redukcja problemów. Mistrzowskie rezultaty: warcaby, szachy i inne, ale np. go wymaga bardziej wyrafinowanych technik. Obliczenia symboliczne przy pomocy programów algebry komputerowej. Rozumowanie logiczne, dowodzenie twierdzeń. Manipulowanie obiektami z bazy zapisanych jako dyskretne struktury danych, duże problemy, wybór istotnych faktów i hipotez wymaga AI. Projektowanie układów logicznych. Język naturalny: rozumienie języka, tłumaczenie maszynowe, rozumienie mowy mówionej. Budowa baz danych z tekstów, wiedza kontekstowa, rola oczekiwań w interpretacji znaczeń.



Programowanie automatyczne lub autoprogramowanie. Opis algorytmów przy pomocy języka naturalnego, automatyczne pisanie programów, modyfikacja swojego własnego programu, programowanie dostępu do baz danych dla menedżerów

Ekspertyza, systemy doradcze, inżynieria wiedzy. Reprezentacja wiedzy, dialog z systemem, wyjaśnianie rozumowania, akwizycja wiedzy często nieuświadomionej. System ekspertowy: wyjaśnia, wykonuje testy, zadaje pytania, proponuje rozwiązania, uzasadnia przyjęte rozwiązania, ocenia ich wiarygodność. Sporo systemów i "powłok" eksperckich. Wiedza eksperta dotyczy wąskiej dziedziny, zdrowy rozsądek - dużo trudniej.



Robotyka i wizja, rozpoznawanie obrazu, kształtów i cech przedmiotów. Programy manipulujące kończynami robotów, optymalizacja ruchów, planowanie sekwencji czynności, rozpoznawanie obrazu, kształtów, cech przedmiotów - integracja z metodami CI. Systemy i języki: to narzędzia dla pracy w AI i jednocześnie jej produkty uboczne. Języki programowania, idee time-sharing, przetwarzanie list, debugowanie są ubocznym wynikiem badań nad AI. LISP, Prolog, wiele języków specjalistycznych rozwinięto dla potrzeb AI.



Uczenie się - głównie w systemach inteligencji obliczeniowej, na razie słabo zintegrowane z AI. Uczenie się na przykładach, przez analogię, w klasycznych systemach AI prawie nie występuje. Uczenie maszynowe jest dość ezoterycznym, lecz bardzo ważnym działem AIZagadnienia filozoficzne AI.



Filozofowie (J. Searl) sformułowali następujące rozróżnienie: Wersja słaba AI: komputer pozwala formułować i sprawdzać hipotezy dotyczące mózgu.

W tej wersji AI nie ma wielu oponentów gdyż jest wiele dowodów na jej oczywistą przydatność. Możliwa jest komputerowa symulacja inteligentnego działania nie-biologicznymi metodami.

Wersja silna AI: komputer odpowiednio zaprogramowany jest w istotny sposób równoważny mózgowi i może mieć stany poznawcze.

Wersja często atakowana, spory filozoficzne, czy jest to możliwe. Symulacja inteligencji to nie “prawdziwa inteligencja”? Stąd następująca definicja:

Sztuczna inteligencja to to, czego jeszcze nie potrafią zrobić sztuczne systemy.


Status AI jako gałęzi nauki

Wg Encyklopedii PWN, sztuczna inteligencja jest to rozwiązywanie problemów sposobami wzorowanymi na naturalnych działaniach i procesach poznawczych człowieka za pomocą symulujących je programów komputerowych. R.I. Schalkoff definiuje szeroko sztuczną inteligencję jako dziedzinę badań, które usiłują wyjaśnić i naśladować zachowanie inteligentne w terminach procesów obliczeniowych. Widać tu interdyscyplinarną naturę AI: nie jest ona czystą nauką (część objaśniająca) ani tylko podstawą nowatorskiej, inżynierskiej dyscypliny (część emulacyjna). Oba punkty widzenia obejmuje stwierdzenie, iż celem AI jest zrozumienie inteligencji, aby możliwe było wykorzystanie jej do prowadzenia obliczeń.



Można znaleźć wiele definicji sztucznej inteligencji, jednakże wszystkie one mówią o tym, iż AI jest próbą modelowania aspektów ludzkiego rozumowania (myślenia) za pomocą komputerów, czy też próbą rozwiązywania za pomocą komputera takich problemów, które człowiek rozwiązuje szybciej. Termin Artificial Intelligence zaproponował J. McCarty w 1956 roku, na konferencji w Dartmouth.



percepcji przetwarzaniajęzyka

Systemy

Systemyz baząwiedzy

SystemyPercepcja

Przetwarzaniejęzyka

Rozumowanie

Przetwarzanie języka (NLP)Interfejs NLPAutomatyczne tłumaczenieitp.

Systemy ekspertoweSystemy z bazą wiedzyUczeniePozyskiwanie wiedzyitp.

WizjaGłosMowa

itp.Sygnały

KOGNITYWISTYKA SZTUCZNA INTELIGENCJA



1941 1949 1956 1958 1963 1968 1970 1972 1986 1991

Pierwszyelektronicznykomputer

Narodziny AI

Konferencjaw Dartmouth

Opracowanie Logic Theorist

Opracowaniejęzyka LISP

Uruchomieniezaawansowanychprojektów

SHRDLU

Pierwszy ES

Opracowaniejęzyka PROLOG

Militarne systemyAI z powodzeniemzastosowane wPustynnej Burzy

System AI wygrywaz mistrzem wszachy

Sprzęt AI sprzedany za425 mln $

Lata 50-te naszego stulecia w rozwoju AI nazywane bywają średniowieczem lub – okresem sieci neuronowych. W 1943r. McCulloch i Pitts zaproponowali, by inteligencję tworzyć za pomocą architektury sieci neuronowych (NN).



W 1950 r. A. Turing (1912‑1954) zaproponował tzw. test Turinga, pozwalający stwierdzić, czy dany program jest inteligentny. Ideę tego testu pokazuje rys. 3. Norbert Wiener (1948) głosił teorię, wg której każde inteligentne zachowanie jest wynikiem mechanizmów sprzężenia zwrotnego (które mogą być symulowane na maszynach). System The Logic Theorist (1955r., Newell, Simon) przez wielu jest uznawany za pierwszy program AI.

Jeśli komputer przejdzie test, to wykazuje on ludzkipoziom inteligencji w zadaniu, które jest odpowiedniedla człowieka. Wniosek: maszyna udowodniła, że jestinteligentna .

Który to człowiek , a który komputer?Poznam, czy nie?

A może tu jest człowiek?



1992: Japońskie firmy oceniają wartość produktów z FLS na 2 mld $

1993: początek projektu COG (Brooks, MIT)

1996: CYC: po 10 latach szanse: 60%; były: 10%, 50 mln $; Kasparow wygrywa z Deep Blue

1994:„Guardian Angel ”

system informacyjny sł . zdrowia, technologia

agentowa

1997: Kasparow przegrywa z Deeper Blue

1991: CAM-Brain (de Garis), ewolucja sztucznego mózgu

Kontynuacja tradycyjnej AI:reprezentacja wiedzy i wnioskowanie(wiodący projekt: CYC, Doug Lenat, MCC,Microelectronic and Computer Technology,Austin, od 1984 roku).

Nowe podejście do AI:systemy z minimalną reprezentacją wiedzy(wiodacy projekt: COG, Rodnay A. Brooks(uczen D. Lenata), AI Lab. MassachusetsInstitute of Technology , od 1993 roku).

Systemy hybrydowe łączenie różnych technik AI w jednym systemie (ES, NN, FLS, EA).

Systemy wieloagentowe:sztuczne systemy mogącewchodzić w interakcje ześrodowiskiem, z innymisystemami, z ludźmi (DAI).


Gry i programy oparte na AI

Podsumowanie wczesnych projektów opartych na algorytmach szukania.

Algorytmy szukania w grach.

Szukanie i ludzkie myślenie.

Paradoksy kognitywne.

Reprezentacja wiedzy ...


Inne projekty

J. Slagle, 1961, MIT - SAINT= Symbolic Automatic INTegrator, SAINT napisany w LISPie, całkowanie symboliczne. Rozwiązał 84 z 86 zadań z egzaminu na MIT.

SIN, Symbolic Integration, 1967, J. Moses. SIN rozwiązywał najtrudniejsze całki.Powstała z tego MACSYMA a potem Mathematica.


Szachy – ogólnie

Statyczna ocena sytuacji na planszy: liczba figur, wartość figur, położenie figur, możliwości ruchów. Funkcja oceny: suma wi Fi, dobierz wsp. wi

Zależność liczba ruchów - siła programu.Mistrz świata > 2800 punktów. 5 ruchów - 1500 punktów. 5-10 poziomów + 200 p/poziom.10 ruchów - 2500 punktów.Ok. 35 ruchów/poziom, strategie heurystyczne redukują to do 6/poz; dla 1000 ocen/sek, 150 sek/ruch, b=35, ok. 3-4 ruchy.Zależność jakość-szybkość obliczeń.


Szachy cd.

Szkocki międzynarodowy mistrz szachowy, nagroda dla programu, który ogra go chociaż raz na cztery partie - w 1985 roku przegrał wszystkie.

1958, pierwszy program szachowy, Alex Bernstein.

1985, HiTech wśród najlepszych 800 graczy, oceniał 10 mln pozycji.

1994 Chess Genius na Pentium, kilka razy zwyciężył Gary Kasparova; czas grania ograniczony do 25 minut na zawodnika.

1996 – Deep Blue przegrał z Kasparowem 2:3

1997 – Deep Blue wygrał 3.5:2.5


Deep Thought i Deep Blue

Deep Thought, od 1985 roku, 4 studentów (T. Hsu, T. Anantharaman, M. Campbell, A. Nowatzyk) z USA.

Program Deep Blue (nowsze Deep Thought) + hardware do gry w szachy: 32 procesory IBM RS6000/SP2 + 256 ASIC.

200-1000 milionów pozycji/sek! Duża biblioteka otwarć i końcówek.

Deep Thought – szukanie alfa-beta, ok. 10 ruchów w skomplikowanych sytuacjach.

Deep Blue - ok. 14 ruchów, 3000 punktów, pobił Kasparova.

Reakcja prasy – potworna szybkość i pamięć zwyciężyły.

Mózg: 10.000 razy większa pamięć/szybkość.



Hybrydowe systemy inteligentne to systemy, w których zastosowano połączone techniki logiki rozmytej (FL), obliczeń neuronowych (NN), algorytmów genetycznych (GA) i innych adekwatnych dla zadania metod, aby uzyskać wysoki maszynowy iloraz inteligencji. Są różne modele integrowania systemów inteligentnych:(1) Pełna integracja (full integration) – systemy dzielą struktury danych i reprezentację wiedzy.(2) Zwarte systemy (tight coupling) – niezależnie stosowane składniki (ES i NN) przekazują sobie informacje poprzez struktury danych w pamięci.



(3) Luźno połączone (loose coupling) – są zintegrowanymi systemami, aplikacja jest dekomponowana na dwa inteligentne systemy, które komunikują się ze sobą przez pliki danych (preprocessing, itp.).(4) Oddzielne systemy (stand alone) – systemy działają niezależnie, możliwość porównania efektywności metod, weryfikacja rozwiązań. Ten model wymaga nadmiarowości przetwarzania. (5) Przemieniające się (transformational) – też niezależne systemy, jednakże tu system zaczyna się jako jeden typ, a kończy jako drugi typ. Wiele przykładów systemów hybrydowych można znaleźć w literaturze.



Wieloagentowe systemy inteligentne składają się z pewnej liczby agentów. Agent jest to system komputerowy, umieszczony w pewnym środowisku, zdolny do autonomicznego działania w tym środowisku w celu osiągnięcia założeń projektowych. Autonomia agenta jest rozumiana jako zdolność do działania bez interwencji ludzi bądź innych systemów oraz do kontroli swojego stanu i zachowania.Inteligentny agent to taki, który w celu spełnienia założeń projektowych jest zdolny do elastycznego i autonomicznego działania (rys.5).



Elastyczność oznacza:

(1) pro-aktywność – agenci podejmują inicjatywę by zrealizować cele,

(2) zdolność reagowania – obserwacja środowiska i w porę odpowiadanie na zachodzące w nim zmiany

(3) zdolność do interakcji – zdolność do współdziałania z innymi agentami (także ludźmi). Mianem agentów określa się zarówno obiekty fizyczne (np. fizycznie zrealizowane roboty) jak i komputerowe systemy



ŚRODOWISKO(mogą być w niminni agenci)

Akcjeagenta

Percepcja

Sensoryagenta

Efektory agenta

AGENT



Systemy wieloagentowe, to systemy, w których każdy agent ma w swoim otoczeniu nie tylko środowisko, ale i innych agentów, z którymi wchodzi w interakcje. Często mówi się o agentach zespołowych – są to sztuczni uczestnicy, którzy wykonują specjalistyczne funkcje w otoczeniu grupy.

Przykładem systemu wieloagentowego jest system zarządzający sytuacjami wyjątkowymi środowiska. Sytuacja wyjątkowa wiąże się z negatywnymi zdarzeniami, mogącymi powodować straty w ludziach i sprzęcie. Stosowanie zaawansowanych systemów z wbudowanymi technikami AI ułatwiłoby efektywne i bezpieczne zarządzanie. Unia Europejska popiera prace nad aplikacjami stosującymi takie właśnie podejścia w kilku projektach.



Inteligentna symulacja ISS (Intelligent Simulation Systems): Systemy generujące realistyczne, symulowane światy mogą ułatwić i poszerzyć możliwości edukacji, mogą być dostępne wszędzie i w dowolnym czasie. W nowej generacji możliwości metod symulacji wspomogą konstrukcję programów, które będą modelować złożone sytuacje, włączając zarówno urządzenia, jak i znaczącą liczbę symulowanych inteligentnych osób. Użyteczność takich systemów to od zarządzania kryzysem do oceny produktów i rozrywki.



Inteligentne zasoby informacji IRSS (Information-Resource Specjalist Systems): IRSS powinien zapewniać efektywne wykorzystanie szerokich zasobów krajowej infrastruktury informacyjnej. System powinien się adoptować do zmian w potrzebach użytkownika i zmian w zasobach. Powinien komunikować się z użytkownikami w zrozumiały dla człowieka sposób. Wskazane byłoby, by specjalizowane systemy komunikowały się między sobą w celu znalezienia odpowiedniej informacji.



Inteligentny kreator projektów IPC (Intelligent Project Coaches): IPC powinien pracować przez długi czas jako członek zespołu. Taki kreator może wspomagać projektowanie złożonych urządzeń (np. samolotu) lub dużych programów komputerowych pomagając w zabezpieczaniu wiedzy o zadaniu oraz pozyskiwaniu informacji odnoszących się do problemu. Nie musi być systemem ekspertowym, powinien raczej pobudzać, wzmagać możliwości i produktywność współpracy z ekspertami.



Zespoły robotów RT (Robot Teams): Zespoły inteligentnych robotów mogą wykonywać zadania, które są niebezpieczne (np. usuwanie min, gaszenie pożaru, uwolnienie zakładników), jako pomoc domowa (otwieranie drzwi, proste prace pielęgnacyjne w starzejących się społeczeństwach), lub zwykłe prace, ale żmudne dla człowieka. Wymagania w stosunku do robotów realizujących takie cele daleko wyprzedzają obecne możliwości robotów przemysłowych.



Obszary badań naukowych ważne z punktu widzenia realizacji najważniejszego (rozumienie fundamentalnej natury inteligencji, ludzkiej i maszynowej), zadania AI to:

(1) Uczenie, dostrajanie informacji i automatyczna adaptacja (2) Koordynacja percepcji, planowania i działania

(3) Koordynacja i współpraca

(4) Percepcja

(5) Komunikacja człowiek-komputer na wiele sposobów (6) Pozyskiwanie interesującej informacji

(7) Wnioskowanie i reprezentacja


LITERATURA

1. J. Chromiec, E. Strzemieczna, Sztuczna inteligencja. Podstawowe metody konstrukcji i analizy systemów eksperckich (Akademicka Oficyna Wydawnicza, Warszawa 1994) 2. E. Chwiałkowska, Sztuczna Inteligencja w Systemach Eksperckich (MIKOM 1991) 3. Z. Hippe, Zastosowanie metod sztucznej inteligencji w chemii (PWN, Warszawa 1993) 4. J. Mulawka, Sztuczna Inteligencja (1995) 5. Encyclopedia of Artificial Intelligence, ed. S. Shapiro (J. Wiley and Sons, 1987)


LITERATURA

6. Handbook of Artificial Intelligence, Vol. I-IV, red. A. Barr, E.A. Feigenbaum (HeurisTech Press, Stanford, CA, 1980-1984). 7. AI in the 1980s and beyond, an MIT survey, eds. W. E. Grimson, R.S. Patil (MIT Press, Cambridge, MA 1987) 8. A. Newell, Unified Theories of Cognition (Harvard Univeristy Press 1990) 9. N.J. Nilsson, Principles of Artificial Intelligence (Tioga Pub. Co, Palo Alto, CA, 1980) 10. E. Rich, K. Knight, Artificial Intelligence (McGraw Hill, 1991) 11. P. Winston, Artificial Intelligence (3rd ed, Addison Wesley 1992)


LITERATURA

MITCHELL T.M.: Machine Learning. The McGraw-Hill Companies, Inc., 1997.MULAWKA J.J.: Systemy ekspertowe. Wydawnictwa Naukowo-Techniczne, Warszawa, 1996.SCHALKOFF R.J.: AI: An Engineering Approach. McGraw-Hill Pub. Comp., 1990. SEARLE J.R.: Umysł, mózg i nauka. PWN, Warszawa, 1995. skrót w: Świat Nauki, Nr 1, 1991.WEISS G. (Ed.): Multiagent Systems. A Modern Approach to Distributed Artificial Intelligence. The MIT Press, 1999

sztuczna inteligencja

Documents