OSNOVE INTELIGENCIJE TRANSPORTNIH SUSTAVA

Hrvoje GoldFakultet prometnih znanostiZagreb, 2003

InteligencijaSvojstvo uspješnog snalaženja u novim situacijamaUčenje na temelju iskustva Sposobnost razmišljanja pri rješavanju problemaSvrsishodno i prilagodljivo ponašanje u zadanim okolnostimaSposobnost učenja, prilagođavanja, odlučivanja, prepoznavanja, zaključivanja, predviđanja

Umjetna inteligencija - UI

Tehnički sustavi umjetne inteligencije (ITS)- inteligentno ponašanje strojeva

Sposobnost prikupljanja i uporabe znanjaSposobnost postavljanja problemaSposobnost zaključivanjaSposobnost obrade i razmjene znanja

Temelji umjetne inteligencije

FilozofijaMatematikaPsihologija RačunalstvoLingvistikaBiologija

Filozofija (-428 - )Aristotel (-384-322) – silogizmi – algoritmi zaključivanjaRene Decartes (1596 -1650)- dualizam – dio uma izvan utjecaja

zakona fizikeWilhelm Leibniz (1646 – 1716) - um nastaje radom mozga prema

zakonima fizikeFrancis Bacon (1561-1626) ‘Novum Organum’ – empiricizam

Filozofija (-428 - )

David Hume (1711-1776) ‘A Treatise of Human Nature’ – princip indukcijeBertrand Russell (1872-1970) –logički pozitivizamGeorge Boole (1815-1864)– formalni jezik logičkog

zaključivanjaGottlob Frege (1848-1925)– predikatna logika

Matematika (1800 - )

Alfred Tarski (1902-1983)– teorija reprezentacije

Kurt Godel (1906-1978)– dokaz problema neodlučivosti

Alan Turing (1912-1954)– Turing-ov stroj- Church-Turing-ova teza

Psihologija (1879 - )

Herman von Helmholz (1821-1894) i Wilhelm Wundt (1832-1920)– znanstvene metode proučavanja vida

John Watson (1878-1958) i Edward LeeThorndike (1874-1949)- teorija podražaja i odziva

Računalstvo (1940 - )

Alan Turing (1940) Heath Robinson – elektromehanički računski stroj

Konrad Zuse (1941) – programabilno računalo Z-3 - Plankalkül - viši programski jezik John Atanasoff, Clifford Berry (1942)- ABC - elektroničko računalo -Mark I, II i IIIJohn Mauchly, John Eckert (1945) – ENIAC

Lingvsitika (1957 - )

Noam Chomsky (1957) – teorija sintaktičke strukture jezika – generativna gramatika

BiologijaW. McCulloch, W. Pitts (1943) – umjetni neuronDonald Hebb (1949) – učenje neuronskih mreža

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.

Povijest razvoja UI

F. Rosenblatt – Perceptron – model neuronske mreže sa sposobnošću učenja, 1958.J. A. Robinson - algoritam za dokazivanje teorema predikatne logike, 1965.Lotfi Zadeh – neizrazita (fuzzy) logika, približno zaključivanje, 1965.Marvin Minsky, Seymour Papert, ‘Perceptron’, oganičenja neuronskih mreža, 1969.Arthur Bryson, Yu Chi Ho, algoritam učenja neuronske mreže povratnim rasprostiranjem pogreške, 1969.

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 zaključivanja u slučaju neizvjesnog, promjenjivog, kolebljivog, dvojbenog znanja, 1976.

Računala 5. generacije - japanska inicijativa, 1981.

David Rumelhart, James McClelland, ‘Parallel Distributed Processing’, 1986 – modeli i rad neuronskih mreža

UI danas

DART – planiranje složenih logističkih zadataka u Zaljevskom ratu, 1991. IBM Deep Blue – Kasparov 3.5:2.5, 1997.ALVINN vidni sustav - NavLab -računalom upravljano vozilo, 1998.PROVERB - rješavanje križaljki, 1999. NASA Remote Agent - samostalno planiranje i raspoređivanje poslova svemirske letjelice, 2000.

Područja umjetne inteligencije

Sustavi za potporu u odlučivanjuInteligentno pretraživanje podatakaEkspertni sustaviFormalizmi i metode prikaza znanjaRješavanje problema i metode pretraživanja Učenje korištenjem primjeraRazumijevanje i obrada prirodnih (i umjetnih) jezikaAutomatsko programiranjeRačunalni vid, raspoznavanje uzoraka i analiza scenePribližno računanje (umjetne neuronske mreže, genetski algoritmi, neizrazita logika)Robotika

Razvoj i područja umjetne inteligencijeObrada prirodnih jezika

Robotika

Prepoznavanje oblika

Sustavi za potporu odlučivanju

Inteligentno izračunavanje (neuronske mreže, genetski algoritmi, neizrazita logika)

Primjenjenaumjetna inteligencija

Formalna logika

Simboličko (nenumeričko) programiranje

Jezici za obrade lista

Razvoj računala

računalstvo

Razvoj programskih okruženja

Mali sustavi

Veliki sustavi za uska područja

Veliki hibridni sustavi

Alati za razvoj ES

Prepoznavanje govora

Ekspertni sustavi

Kognitivna psihologija

Interaktivno

1940 1970 1975 1980 1985 1990 1995

Može li stroj misliti? Turingov test

• Muškarac (A)• Žena (B)• Ispitivač (C) – muškarac ili žena

Cilj igre: Postavljanjem pitanja C mora odrediti koji je od dvoje ispitanika muškarac, a tko ženaCilj igre A: Uputiti C na pogrešnuidentifikacijuCilj igre B: Pomoći ispitivaču C

Turingov test

Što će se dogoditi ako stroj preuzme ulogu igrača A?Hoće li ispitivač C praviti jednak broj pogrešaka kao u igri u kojoj sudjelujumuškarac i žena?Ako je broj pogrešaka jednak onda je stroj inteligentan (A. Turing, "Computing Machinery and Intelligence”, Mind, 59, 433-460, 1950.)

Turingov testOčekivane sposobnosti i svojstva (inteligentnog) stroja:

obrada prirodnog jezikaprikaz (predstavljanje) znanjaautomatsko zaključivanje

Sveobuhvatni Turingov testIspitivač C može ispitivati i sposobnosti percepcije igrača A i BDodatne sposobnosti stroja:

računarski vidrobotika

Model biološkog inteligentnog sustava

SPOZNAJNIPODSUSTAV

Trajnamemorija

OSJETILNIPODSUSTAV

Spoznajniprocesor

Privremenamemorija

OSJETILA Radnamemorija

MOTORIČKIPODSUSTAV

Privremenamemorija

EFEKTORIPOTICAJI ODZIVI

Sustavi umjetne inteligencije

Sustavi koji mogu učiti nove koncepte,sustavi koji mogu zaključivati i donositi uporabnezaključke o svijetu koji ih okružuje, sustavi koji mogu razumijeti prirodni jezik ilispoznati i tumačiti složene vizualne scene, sustavi koji mogu obavljati i druge vrste vještina koje zahtijevaju čovjekovu vrstu inteligencije.

D. W. Patterson, 1990.

Funkcije inteligentnog sustava

1. Interakcija s vanjskim svijetom (radnom okolinom)

2. Prikupljanje i obrada informacija3. Prikupljanje znanja (učenje) 4. Rukovanje znanjem 5. Obrada znanja i zaključivanje6. Planiranje7. Komunikacija s čovjekom i /ili s drugim

inteligentnim sustavima

Model umjetnog inteligentog sustava

NADZOR I ZAKLJUČIVANJE O STANJU SVIJETA I STANJU

SUSTAVA

BAZA PODATAKA BAZA ZNANJA

KORISNIČKO SUČELJEOSJETILA EFEKTORI

ČOVJEK ILI INTELIGENTNI

INFORMACIJSKI SUSTAV

STVARNI SVIJET ILI RADNA OKOLINA

Inteligentni sustav - IS1. Pokazuje prilagodljivo cilju usmjereno ponašanje:

Željeni cilj ili ciljeve predočava podciljevima i koristi znanje o operacijama i postupcima koji prevode željeni cilj u slijedakcija. Ako neki od podciljeva nije ostvariv sustav traži drugiput prema konačnom cilju sustava.

2. Uči na temelju iskustva:

Sustav ima algoritme za automatsku modifikaciju strukture i funkcije na temelju iskustva koja stiče u radu - učenje podrazumijeva prikupljanje, prikazi i upotrebu znanja.

3. Koristi velike količine znanja:

Količina znanja pohranjena u sustavu mora biti slična količini znanja koju posjeduje čovjek da bi riješio isti problem.

Inteligentni sustav - IS

4. Pokazuje svojstva svjesnosti:

Sustav ima sposobnost objašnjavanja svojeg ponašanja, nadgledanja i dijagnoze stanja, te oporavka u slučaju pogreške.

5. Komunicira sa čovjekom prirodnim jezikom i govorom:

Sustav komunicira sa čovjekom i drugim inteligentnim sustavima prirodnim jezikom i govorom. Takva komunikacijapodrazumijeva obradu dvosmislenih i gramatički neispravnih rečenica.

6. Dozvoljava pogreške i nejasnoće u komunikaciji.

7. Odgovara u stvarnom vremenu.

Inteligentni sustav - IS

Pri rješavanju problema koristi znanje zapisano u računalnom programu i problem rješava na način kako ga rješava čovjek koristeći svoju prirodnu inteligenciju

Znanje i podaci

neraspoloživa opažanjaneizvjesna opažanjasubjektivna opažanjanepotpuna opažanjavremenski zavisna opažanjavišestruka rješenja

Moduli inteligentnog sustavaNaredbakorisnika

Odgovorkorisnika Ulaz Izlaz

Korisničko sučelje Sučelje s drugiminteligentnim sustavima

Upravljanje

Metode Znanje Objašnjenje Učenje

Rezultati (baza podataka)

Sučelje s vanjskim svijetom

Senzorni signal (slika, sljed slika, zvuk, govor, dodir i sl.)

Akcija

Predstavljanje znanjaZnanje:

Skup sistematiziranih sudova.Prikuplja se percepcijom.

Znanje: Spoznaja + Logika

Spoznaja – uključuje nepropozicijsko razumijevanje (percepcija, pamćenje,refleks) i propozicijsko razumijevanje te razumijevanje sudova o nepropozicijskom razumijevanju

Logika – znanost koja proučava načela koja vode do ispravnih zaključaka

Baza znanja

Baza znanja – Apstraktni prikaz radne okoline ili svijeta u kojem sustav treba rješavati zadatke.Baza znanja:

Znanje iz problemske domeneZnanje o načinu kako se problem rješava

Baza znanja sadrži

Objekte i relacije među njima

Činjenice i nesigurne činjenice

Pravila svijeta i pravila odlučivanja

Opise motivacije,cilja i stanja sustava

Metode rješavanja problema i heuristiku

Opis ponašanja

Hipoteze

Opise tipičnih situacija

Procese

Ograničenja

Metaznanje

Znanje iz problemske domene

Znanje o načinu kako se problem rješava

Svojstva shema za prikaz znanja

Primjerenost prikaza: Sposobnost prikaza svih raspoloživih vrsta znanja koja su potrebna za određeno područje.Primjerenost zaključivanja: Sposobnost obradeprikaznim strukturama na takav način da se izvode nove strukture koje odgovaraju novom znanju dobivenom zaključivanjem na temelju starog znanja.Djelotvornost zaključivanja: Mogućnost ugradnje dodatne informacije u strukturu znanja, koja se možekoristiti za usmjeravanje pažnje mehanizma zaključivanja prema obećavajućom smjerovima.Djelotvornost učenja: Sposobnost lakogprikupljanja znanja.

Podjela shema za prikaz znanjaSvijet – Skup objekata i/ili činjenica i odnosa koji postoje među njimaStanje svijeta – Skup svih objekata i odnosa među njima u određenom trenutku.Prijelazi stanja – Nastajanje i/ili nestajanje objekata te promjena međusobnih odnosa.

Mrežne sheme za prikaz znanja - Objekti i njihovi međusobni odnosiProceduralne sheme za prikaz znanja - Transformacije stanjaLogičke sheme za prikaz znanja - Istinitost izjava o stanjima

Sheme za prikaz znanja

Semantičke mreže

Semantička mreža – čvorovi povezani različitim vrstama asocijativnih veza koje su predočene usmjerenim lukovima u grafu. Ross Quillian, 1966.- modeliranje asocijativne memorije

Semantičke mreže - primjerPLANT =1. Živa struktura

koja nije životinja, obično s lišćem, dobivahranu iz zraka ili vode ili zemlje

2. Oprema i uređaji za neki proces u industriji

3. Posaditi (biljku, sjeme i sl.) u zemlju da raste

Čvorovi i veze semantičke mreže

A neizravno pristupačan čvorA izravno pristupačan čvor

modifikacijska vezaveza odnosa razred - podrazred

BB

A B C

ili i

AB

CA B C

disjunktivna veza konjunktivna vezaveza subjekt objektB = subjekt u odnosu na C (objekt)na način kako je to navedeno relacijom A

Asocijativne veze - primjer

Asocijativne veze

"IS-A“ (JEST)dopušta prikaz hijerarhijskih odnosa između čvorova (razred – podrazred)

"INSTANCE-OF“ (JE-PRIMJER)prikaz primjera iz razreda

"IS-A-PART“ (JE DIO)dopušta prikaz građe složenog objekta

A B

E

B C

E

gornja ploha

lijeva ploha

desna ploha

nevidljiva ploha

okvir kocke

gornja ploha

lijeva ploha

desna ploha

nevidljiva ploha

okvir kocke

okvir plohe

E

okvir plohe

A

okvir plohe

B

okvir plohe

C

gibanje kocke u desno

PRIKAZ KOCKE OKVIROM

Teorija okvira

Okvir – zapamćeni predložak (struktura podataka) predočen mrežom čvorova i međusobnih relacija prilagođen stvarnoj(trenutnoj) situaciji - Sustav okvira

Činjenice koje su uvijek istinite u pretpostavljenoj situaciji –okviri više razine

Priključna mjesta (terminali/slotovi) koja se popunjavaju podacima trenutne situacije – okviri niže razine

Podudaranje okvira (Matching) → Prilagođavanje okvira → Zamjena okvira

M. Minsky, 1975. – aktivna organizacija prošlih iskustava i/ili reakcija upotrebljena u novim situacijama

Logičke sheme

Simbolička logika – Hornova logika Programiranje u logici – PROLOGČitljivost – deklarativna semantikaModularnost – modifikacija baze znanjaUgrađen mehanizam zaključivanja

Prikaz znanja

a b c

d

e

d1 d2

d3

d4

d2

d5

Kolika je udaljenost između čvora c i e??- grana(c, e, X).

grana(c, e, d4).

Između kojih čvorova udaljenost iznosi d2?

?- grana(X, Y, d2).grana(a, d, d2),grana(b, c, d2),

grana(a, b, d1).grana(a, d, d2).grana(b, c, d2).grana(c, d, d3).grana(c, e, d4).grana(d, e, d5).

Heurističko znanje – Pronalaženje puta

Ako je čvor X = čvoru Y, onda je popis putova prazan, P = [].

U protivnom slučaju, pronaći put P’ koji počinje u čvoru Z do čvora Y i pronaći put od čvora X do čvora Z, izbjegavajući čvorove koji se već nalaze na putu P’.

put(X, Y, P). član(X, [X | _]).put(X, Y, P) :- član(X, [_ | Y]):-

grana(X, Z, U); grana(Z, X, U)), član(X, Y).not(član(Z, P)),put(Z, Y, [Y | P]).

Logičko modeliranje

ČOVJEK ISKUSTVENA PRAVILA

LOGIČKI PROGRAMSINTEZA LOGIČKOG ISKAZA

a b c

d

e

d1 d2

d3

d4

d2

d5

PODACI

Primjena heurističkog znanja

a b c

d

e

d1 d2

d3

d4

d2

d5

Koji putevi povezuju čvorove a i b?

?- put(a, b, X).

[a, b][a, d, c, b][a, d, e, c, b]....................

Ekspertni sustavi -sustavi zasnovani na znanju

Računalni programi:sadrže znanje o nekoj domenisposobni su donositi odluke izvođenjem zaključakamogu opravdati donešenu odlukuznanje nezavisno od ostatka programa

Blok dijagram ekspertnog sustava

BAZA ZNANJAMEHANIZAM

ZAKLJUČIVANJA

KORISNIČKO SUČELJE

KORISNIK

SUSTAVI ZA POTPORU U ODLUČIVANJU (Decision Support Systems - DSS)

Potreba za potporom u odlučivanju proizlazi iz:• spoznajnih ograničenja• ekonomskih ograničenja• vremenskih ograničenja

DSS je računalni sustav za organizaciju podataka, identifikaciju i dohvat podataka, analizu i transformaciju podataka, izbor modela odlučivanja i analizu dobivenih rezultata

Struktura sustava za potporu u odlučivanju

Donositeljodluke

Korisničko sučelje

Sustav za upravljanje bazom podataka

Sustav za upravljanje bazom modela

Sustav za upravljanje dokumentima

Baze podataka

DokumentiModeli

Inteligentno pretraživanje podataka (data mining)

skup metoda i tehnika za otkrivanje ‘skrivenih’ veza među varijablama u velikim bazama podataka

Koristi:statističke metode (regresiju, faktorsku analizu, diskriminantnu analizu, skupine, ...)metode umjetne inteligencije (ekspertne sustave, neuronske mreže, genetske algoritme, inteligentne agente, ...)

Približno računanje (soft computing)

Metode koje na različite načine dopuštaju:prihvaća se zadovoljavajućerješenje, a ne inzistira se na najboljem mogućem

Nepreciznost

Nesigurnost

Djelomičnu istinitostPodataka, znanja, zaključaka

“U stvari osnovni model približnog izračunavanja jest ljudski mozak. Postaje nam sve jasnije da čudnovata sposobnost ljuskog uma da djelotvorno funkcionira u nepreciznom i nesigurnom okruženju nadmašuje mogućnosti tracionalnih metoda računanja i logičkog zaključivanja.”

Lotfi A. Zadeh

Literatura

S.Russell, P.Norvig, ‘Artificial Intelligence: A Modern Approach’, 2’nPrentice Hall, 2003. http://www.cs.berkeley.edu/~russell/aima.htmlS. Ribarić, B. Dalbelo-Bašić, ‘Umjetna inteligencija’, FER, 2002.Elaine Rich, Kevin Knight, ‘Artificial Intelligence’, McGraw-Hill, 1992. D. Mišljenović, I. Maršić, ‘Umjetna inteligencija’, Školska knjiga, 1991.Zbornici Svjetskih ITS kongresa, CD 1995 -