Vestacka inteligencija

Seminarski rad

Veštačka inteligencija

SEMINARSKI RAD

Tema rada: Veštačka inteligencija

Ucenik Bezbradica Milos 242/13

Profesor Vesna Martinovic

Decembar 2014

________________________________________________________________________ 1

Seminarski rad


SADRŽAJ

1. UVOD.........................................................................................................3 2. VESTACKA INTELIGENCIJA.............................................................4 3. NEURONSKE MREZE........................................................................18 4. EKSPERTNI SISTEMI.........................................................................22 5. ZAKLJUCAK...........................................................................................25 6. LITERATURA........................................................................................26

________________________________________________________________________ 2

Seminarski rad


1. UVOD Pojam veštačka inteligencija VI – (Artifical Intelligence -AI) potiče od Johna McCarty-ja i označava pojavu inteligencije koja je ostvarena na veštački način, tj. putem programiranja računara. Međutim mnogi autori i stručnjaci iz ove oblasti se ne slažu s tim da termin veštačka inteligencija upotpunosti i najbolje opisuje ovu oblast nauke, jer mnoge oblasti informatike u osnovi imaju inteligentno ponašanje, ali ne spadaju u oblast veštačke inteligencije, tj. ne pripadaju toj oblasti u užem smislu.

Slika 1. Hondin inteligentni humanoidni robot

________________________________________________________________________ 3

Seminarski rad


2.VEŠTAČKA INTELIGENCIJA Veštačka inteligencija je grana računarskih nauka koja se bavi proučavanjem i oblikovanjem računarskih sistema koji pokazuju neki oblik inteligencije. To su sistemi koji mogu učiti nove koncepte, sistemi koji mogu zaključivati i donositi zaključke o svetu koji ih okružuje, sistemi koji mogu razumeti prirodni jezik ili spoznati i tumačiti složene vizuelne scene, sistemi koji mogu obavljati i druge vrste veština koje zahtevaju čovekovu vrstu inteligencije (D.W. Patterson,1990). Pored ove definicije postoje i druge, a to su :   

Veštačka inteligencija je naučna oblast u kojoj se izučavaju izračunavanja da bi se izračunavanjem omogućila percepcija, rezonovanje i činjenje. Veštačka inteligencija je naučna oblast u kojoj se izučavaju metode koje bi izračunavanjem omogućile percepciju, rezonovanje i činjenje. Veštačka inteligencija je naučna oblast u kojoj se istražuje kako da se naprave računari, koji bi uspešno radili stvari koje u datom momentu rade bolje u odnosu na ljude.

Prema Meyer-u dielovi veštačke inteligencije su : učenje, modeliranje simbolima, heuristika, rešavanje problema, integracija, tehnike i jezici veštačke inteligencije.

________________________________________________________________________ 4

Seminarski rad


2.1 Pojam veštačke inteligencije Jednostavno rečeno, veštačka inteligencija se može objasniti kao pokušaj da se naprave mašine koje ispunjavaju takve zadatke da bi ljudi, u slučaju da oni ispunjavaju te iste zadatke, morali upotrebiti inteligenciju. Pri tome se pod inteligencijom podrazumeva sposobnost snalaženja u novim uslovima, na način kako to tumače svi psiholozi. Ipak, da bi se izbegle nedoumice u poimanju suštine veštačke inteligencije, poželjno je uočiti šta se sve smatra „inteligentnim ponašanjem“:          

Razumevanje i učenje na osnovu iskustva, Razumevanje dvosmislenih ili kontradiktornih poruka, Brzo i fleksibilno prilagođavanje novim situacijama, Upotreba razuma u rešavanju problema i efikasno upravljanje Preovladavanje zbunjujućih situacija, Razumevanje i izvođenje zaključaka na običan, razuman način Primena znanja pri iskorištavanju okoline Sticanje i primanja znanja, Razmišljanje i rezonovanje i Prepoznavanje relativne važnosti različitih elemenata u nekoj situaciji.

U razumevanju pojma veštačke inteligencije, neophodno je prihvatiti dve bitne činjenice:  

Veštačka inteligencija se bavi procesom mišljenja i Veštačka inteligencija predpostavlja da se taj proces odvija putem računara.

________________________________________________________________________ 5

Seminarski rad


2.2 Ucenje Postoji više različitih oblika učenja koji su primijenjeni na oblast vještačke inteligencije. Najjednostavniji se odnosi na učenje na greškama preko pokušaja. Na primjer, najjednostavniji računaraski program za riješavanje problema matiranja u jednom potezu u šahu, je istraživanje mat pozicije slučajnim potezima. Jednom iznađeno rješenje, program može zapamtiti poziciju i iskoristiti je sljedeći put kada se nađe u identičnoj situaciji. Jednostavno pamćenje individualnih poteza i procedura - poznato kao mehaničko učenje - je vrlo lako implementirati u računarski sistem.

Prilikom pokušaja implementacije tzv., uopštavanja, javljaju se veći problemi i zahtjevi. Uopštavanje se sastoji od primjene prošlih iskustava na analogne nove situacije. Na primjer, program koji uči prošla vremena glagola na srpskom jeziku mehaničkim učenjem, neće biti sposoban da izvede prošlo vrijeme, recimo glagola skočiti, dok se ne nađe pred oblikom glagola skočio, gdje će program koji je sposoban za uopštavanje naučiti „dodaj -o i ukloni -ti“ pravilo, te tako formirati prošlo vrijeme glagola skočiti, zasnivajući se na iskustvu sa sličnim glagolima.

________________________________________________________________________ 6

Seminarski rad


2.3 Razmišljanje

Razmišljanje je proces izvlačenja zaključaka koji odgovaraju datoj situaciji. Zaključci se klasifikuju kao deduktivni i induktivni. Primjer deduktivnog načina zaključivanja bi mogao biti, „Savo je ili u muzeju, ili u kafiću. Nije u kafiću; onda je sigurno u muzeju“; i induktivnog, „Prethodne nesreće ove vrste su bile posljedica greške u sistemu; stoga je i ova nesreća uzrokovana greškom u sistemu“. Najznačajnija razlika između ova dva načina zaključivanja je da, u slučaju deduktivnog razmišljanja, istinitost premise garantuje istinitost zaključka, dok u slučaju induktivnog razmišljanja istinitost premise daje podršku zaključku bez davanja apsolutne sigurnosti njegovoj istinitosti. Induktivno zaključivanje je uobičajeno u naukama u kojima se sakupljaju podaci i razvijaju provizioni modeli za opis i predviđanje budućeg ponašanja, sve dok se ne pojave anomalije u modelu, koji se tada rekonstruiše.

Deduktivno razmišljanje je uobičajeno u matematici i logici, gdje detaljno obrađene strukture nepobitnih teorema nastaju od manjih skupova osnovnih aksioma i pravila. Postoje značajni uspjesi u programiranju računara za izvlačenje zaključaka, naročito deduktivne prirode. Ipak, istinsko razmišljanje se sastoji od složenijih aspekata; uključuje zaključivanje na način kojim će se riješiti određeni zadatak, ili situacija. Tu se nalazi jedan od najvećih problema s kojim se susreće VI.

________________________________________________________________________ 7

Seminarski rad


2.4 Rešavanje problema Rješavanje problema, naročito u vještačkoj inteligenciji, karakteriše sistematska pretraga u rangu mogućih akcija s ciljem iznalaženja nekog ranije definisanog rješenja.

Metode rješavanja problema se dijele na one posebne i one opšte namjene. Metoda posebne namjene je traženje adaptiranog rješenja za određeni problem i sadrži vrlo specifične osobine situacija od kojih se problem sastoji. Suprotno tome, metod opšte namjene se može primijeniti na širi spektar problema.

Tehnika opšte namene koja se koristi u VI je metod krajnje analize, dio po dio, ili postepeno dodavanje, odnosno redukovanje različitosti između trenutnog stanja i krajnjeg cilja. Program bira akcije iz liste metoda - u slučaju jednostavnog robota koraci su sljedeći: PICKUP, PUTDOWN, MOVEFROWARD, MOVEBACK, MOVELEFT i MOVERIGHT, sve dok se cilj ne postigne. Veći broj različitih problema su riješeni preko programa vještačke inteligencije. Neki od primjera su traženje pobjedničkog poteza, ili sekvence poteza u igrama, složeni matematički dokazi i manipulacija virtulenih objekata u vještačkim, odnosno sintetičkim računarskim svjetovima. ________________________________________________________________________ 8

Seminarski rad


2.5 Istorijski razvoj veštačke inteligencije Od davnina je ljude privlačila inteligencija – kako sam pojam inteligencije tako i mogućnost konstruisanaja „inteligentnih mašina“ koje bi mogle samostalno da rade. Takve primere možemo pratiti kroz istoriju. U staroj Grčkoj ljudi su se bavili pitanjima inteligencije, znanja i pravilnog zaključivanja, a među njima se naročito istakao Aristotel. Pojam veštačka inteligencija (VI) – Artifical Inteligence, nastaje 1956. godine u Dartmudu, Hanover (SAD), na skupu istraživača zainteresovanih za teme inteligencije, neuronskih mreža i teorije automata. Skup je organizovao Džon Mekarti, ujedno sa Klodom Šenonom, Marvinom Minskim i N. Ročesterom. Na skupu su učestvovali T. Mur (Prinston), A. Semjuel (IBM), R. Solomonof i O. Selfridž (MIT), kao i A. Nevil, H. Sajmon (Carnegie Tech, danas Carnegie Mellon University). Na skupu su postavljene osnove oblasti veštačke inteligencije i trasiran put za njen dalji razvoj. Danas se smatra da su koncept veštačke inteligencije postavili V. Mekulok i M. Pits, 1943. godine, u radu u kom se predstavlja model veštačkih neurona na bazi tri izvora: spoznaja o fiziologiji i funkcionisanju moždanih neurona, iskazna logika Rasela i Vajteheda, i Tjuringova komputaciona teorija. Nekoliko godina kasnije stvoren je prvi neuralni računar SNARC. Zaslužni za poduhvat su studenti Prinstona, Marvin Minski i D. Edmons, 1951. godine. Negde iz iste epohe su i prvi programi za šah, čiji su autori Šenon i Tjuring. Na osnovu istraživanja, počev od osamdesetih godina, konstruišu se prvi komercijalni sistemi veštačke inteligencije, uglavnom tzv., ekspertski sistemi.

________________________________________________________________________ 9

Seminarski rad


Razvoj inteligentnih masina

2.6 Faze razvoja, nauke i primene veštačke inteligencije Veštačka inteligencija je u svom razvoju prošla kroz određena razdoblja i to:  

faza inkubacije (1943-1956) faza ranog entuzijazma i velikih očekivanja (1952-1969)



faza sistema zasnovanih na znanju (1969-19799



faza kada veštačka inteligencija postaje industrija (1980-do danas)



faza povratka neuronskih mreža (1986-do danas)

Iako je veštačka inteligencija veoma mlada nauka, nasledila je puno zamisli, pristupe i tehnike iz drugih naučnih disciplina kao što su :  

filozofija matematika,



teorije algoritma

 logike, ________________________________________________________________________ 10

Seminarski rad



verovatnoće,



psihologije.


Područja primene veštačka inteligencija su:  

ekspertni sistemi, formalizmi i metode prikaza znanja,



učenje,



razumevanje i obrada prirodnih jezika,



rešavanje problemai metode pretraživanja,



robotika,



automatsko programiranje,



računarski vid, raspoznavanje uzoraka i analiza scene,



veštačke neuronske mrežei genetski algoritmi.

________________________________________________________________________ 11

Seminarski rad


2.7 Cilj istraživanja veštačke inteligencije Veštačka inteligencija je podoblast računarstva. Cilj istraživanja veštačke inteligencije je razvijanje programa (softvera), koji će računarima omogućiti da se ponašaju na način koji bi se mogao okarakterisati intelignentim. Prva istraživanja se vežu za same korene računarstva. Ideja o stvaranju mašina koje će biti sposobne da obavljaju različite zadatke inteligentno, bila je centralna preokupacija naučnika računarstva koji su se opredijelili za istraživanje veštačke inteligencije, tokom cele druge polovine 20. Veka. Savremena istraživanja u veštačkoj inteligenciji su orijentisana na ekspertske i prevodilačke sisteme u ograničenim domenima, prepoznavanje prirodnog govora i pisanog teksta, automatske dokazivače teorema, kao i konstantno interesovanje za stvaranje generalno inteligentnih autonomnih agenata. Prvi cilj je studija ljudskih kognitivnih procesa uopšte, što potvrđuje definiciju Patrika J. Hejesa – „studija inteligencije kao komputacije“, čime se veštačka inteligencija usmerava ka jednoj svojevrsnoj studiji inteligentnog ponašanja kod ljudi. 2.8 Inteligentni sistemi – značaj i svojstva Funkcije inteligentnog sistema su: 1) 2) 3) 4) 5) 6) 7)

Prikupljanje i obrada informacija Interakcija s spoljašnjim svetom (radnom okolinom) Komunikacija s čovekom i / ili s drugim inteligentnim sistemima, Prikupljanje znanja, Rukovanje znanjem Obrada znanja i zaključivanje, Planiranje

________________________________________________________________________ 12

Seminarski rad


Inteligentni sistem je svaki sistem koji pokazuje sledeća svojstva: 1) Sistem pokazuje prilagodljivo, ciljno, i usmjereno ponašanje. Željeni cilj ili ciljeve predočava podciljevima, a pri tome koristi znanje o operacijama i postupcima koji prevode željeni cilj u niz akcija. Ako neki od podciljeva nije ostvariv sistem traži alternativni put prema konačnom cilju sistema. 2) Sistem uči na osnovu iskustva. Sistem ima algoritme za automatsku modifikaciju strukture i funkcija na osnovu iskustva kaja stiče u radu. Učenje podrazumeva da sistem može prikupljati, prikazivati i upotrebljavati znanje. 3) Sistem koristi velike količine znanja. Količina znanja smeštena u sistemu mora biti slična količini znanja koju poseduje čovek da bi rešio takav problem. 4) Sistem pokazuje svojstva svesnosti. Sistem ima sposobnost objašnjavanja svog ponašanja, nadgledanja i dijagnoze stanja, ispravke u slučaju greške. 5) Sistem komunicira čovekom prirodnim jezikom i govorom. Sistem mora komunicirati sa čovekom i drugim inteligentnim sistemima na „prijateljski način“- zato upotrebljava prirodni jezik i govor. Takva komunikacija podrazumeva upravljanje i dvosmislenostima i gramatički neispravnim rečenicama. 6) Sistem toleriše greške i nejasnoće u komunikaciji. 7) Sistem odgovara u stvarnom vremenu. 8) Budući razvoj – Veštačka inteligencija omogućava razvoj u smislu : modeliranja složenih fizičkih sistema, korišćenja raznovrsnih znanja, vremenskog rasuđivanja, integracije različitih teorija upravljanja.

________________________________________________________________________ 13

Seminarski rad


2.9 Baza znanja u inteligentnim sistemima Baza znanja – Apstraktni prikaz radne okoline ili sveta u kojem sistem treba rešavati određene zadatke. Baza znanja sadrži znanje iz problemske domene i znanje o načinu kako se problem rešava. Baza znanja sadrži:          

Objekte i relacije među njima, Činjenice i nesigurne činjenice, Pravila sveta, Opise motivacije, cilja i stanja sistema, Metode rešavanja problema i heuristiku, Opis ponašanja, Hipoteze, Opise tipičnih situacija, Procese, Ograničenja.

Jedan od središnjih problema na području veštačke inteligencije jeste razvoj dovoljno precizne i delotvorne notacije za prikaz znanja u inteligentnom sistemu. Mnoge oblasti informatike u osnovi imaju inteligentno ponašanje, ali ne pripadaju veštačkoj inteligenciji u užem smislu. Dva glavna pravca razvoja veštačke inteligencije su :  

Proučavanja prirodne inteligencije (spoznavanje funkcija mozga, modeliranje rada mozga, simuliranje čovjekovog ponašanja, reagovanje i rezonovanje). Postizanje inteligentnog ponašanja primenom drugačijih pristupa, kakvi se ne mogu sresti u prirodnim sistemima.

Veštačku inteligenciju prema pristupu klasifikovati na tri glavna pristupa i to su :   

rešavanja

problemima

možemo

Neuronske mreže Modeliranje evolucije i Heurističko programiranje

Tehnike koje pripadaju veštačkoj inteligenciji morale bi da koriste znanja koja su organizovana tako da omogućavaju :  

Generalizaciju Predstavljanje i preslikavanje u formi razumljivoj ljudima

________________________________________________________________________ 14

Seminarski rad




Lako modifikovanje

 

Da se koriste informacije koje nisu kompletne, Da pomažu u smanjenju broja mogućnosti koje bi inače morale biti razmatrane (heuristike).

Prepoznavanje oblika je ključno za snalaženje u svakodnevnim situacijama, kako za žive tako i za veštačke sisteme. Pri rešavanju problema vezanih za prepoznavanje oblika nastaju velike teškoće jer analogne signale koje primaju senzori/receptori sadrže veliki broj informacija, od kojih dobar deo sadrži šum, pa ti signali nisu dovoljno jasni. Ovo otežava primenu računara za snalaženje u svakodnevnim situacijama, pa nije ni čudo što su i životinje, za koje se smatra da su manje inteligentne od ljudi, sposobne za daleko kvalitetniju vizuelnu i zvučnu percepciju i obradu takvih signala nego današnji računari.

________________________________________________________________________ 15

Seminarski rad


2.10 Tjuringov test U poznatom takozvanom Tjuringovom testu, koji je Alan Tjuring opisao i objavio u jednom članku iz 1950. godine, pod naslovom Computing machinery and intelligence (Računske mašine i inteligencija), predlaže se jedan eksperiment čiji je cilj otkrivanje inteligentog ponašanja jedne mašine.

Test polazi od jedne igre u kojoj ispitivač treba da pogodi pol dva interlokutora, A i B, a koji se nalaze u posebnim i odvojenim sobama. Iako oboje tvrde da su ženskog pola, u stvari radi se o muškarcu i ženi. U izvornom Tjuringovom prijedlogu urađena je izvjesna modifikacija, te je ženu zamijenio računar. Ispitivač treba da pogodi ko je od njih mašina, polazeći od njihovog međusobnog razgovora i imajući u vidu da oboje tvrde da su ljudi.

Zadatak treba postići uprkos činjenici da nijedan od interlokutora nije obavezan da govori istinu, te na primjer, mašina može odlučiti da da pogrešan rezultat jedne aritmetičke operacije, ili čak da ga saopšti mnogo kasnije kako bi varka bila uvjerljivija.

Po optimističkoj hipotezi samog Tjuringa, oko 2000. godine, već je trebalo da postoje računari osposobljeni za igru ove igre dovoljno dobro, tako da prosječan ispitivač nema više od 70% šanse da uradi ispravnu identifikaciju, nakon pet minuta postavljanja pitanja. Kada bi to danas zaista bilo tako, nalazili bi se pred jednom istinski inteligentnom mašinom, ili u najmanju ruku mašinom koja umije da se predstavi kao inteligentna. Ne treba ni pomenuti da su Tjuringova predviđanja bila previše optimistična, što je bio vrlo čest slučaj u samim počecima razvoja oblasti vještačke inteligencije. U stvarnosti problem nije samo vezan za sposobnost računara za obradu podataka, nego na prvom mjestu, za mogućnost programiranja računara sa sposobnostima za inteligentno ponašanje.

________________________________________________________________________ 16

Seminarski rad


2.11 Veštačka inteligencija u obrazovanju

San o računarima koji bi mogli da obrazuju učenike i studente, više decenija je inspirisao naučnike kognitivne nauke. Prva generacija takvih sistema (nazvani Computer Aided Instruction ili Computer Based Instruction), uglavnom su se zasnivali na hipertekstu. Struktura tih sistema se sastojala od prezentacije materijala i pitanja sa više izbora, koja šalju učenika na dalje informacije, u zavisnosti od odgovora na postavljena pitanja.

Naredna generacija ovih sistema Intelligent CAI ili Intelligent Tutoring Systems, zasnivali su se na implementaciji znanja o određenoj temi, u sam računar. Postajala su dva tipa ovakvih sistema. Prvi je trenirao učenika u samom procesu rješavanja složenih problema, kao što je npr., prepoznavanje grešaka dizajna u jednom električnom kolu ili pisanje računarskog programa. Drugi tip sistema je pokušavao da održava silogistički dijalog sa studentima. Implementaciju drugog tipa sistema je bilo vrlo teško sprovesti u praksu, velikim dijelom zbog problema programiranja sistema za razumijevanje spontanog i prirodnog ljudskog jezika. Iz tog razloga, projektovano ih je samo nekoliko.

Tipični sistem za treniranje učenika i studenata se obično sastoji od četiri osnovne komponente. 1. Prva kompoeneta je okruženje u kojem učenik ili student radi na rješavanju složenih zadataka. To može biti simulacija komponente ili komponenata elektronskih uređaja predstavljena kao serija problema koje student treba da riješi. 2. Druga komponenta je ekspertski sistem koji može riještiti predstavljene probleme na kojima student radi. 3. Treću čini jedan poseban modul koji može uporediti rješenja koja nudi student sa onima koje su ugrađene u ekspertski sistem i njegov cilj je da prepozna studentov plan za rješenje problema, kao i koje dijelove znanja najvjerovatnije student koristi.

________________________________________________________________________ 17

Seminarski rad


4. Četvrtu čini pedagoški modul koji sugeriše zadatke koje treba riješiti, odgovara na pitanja studenta i ukazuje mu na moguće greške. Odgovori na pitanja studenta i sugestije za planiranje rješavanja zadataka, zasnivaju se na prikupljenim podacima iz prethodnog modula.

Svaka od ovih komponenata može koristiti tehnologiju vještačke inteligencije. Okruženje može sadržati sofisticiranu simulaciju ili inteligentnog agenta, odnosno simuliranog studenta ili čak oponenta studentu. Modul koji čini ekspertski sistem se sastoji od klasičnih problema vještačke inteligencije, kao što su prepoznavanje plana i rezonovanje nad problemima koji uključuju neizvjesnost. Zadatak pedagoškog modula je nadgledanje plana instrukcije i njegovo adaptiranje na osnovu novih informacija o kompetentnosti studenta za rješavanje problema. Uprkos složenosti sistema za treniranje učenika i studenata, projektovani su u velikom broju, a neki od njih se regularno koriste u školama, industriji i za vojne instrukcije.

________________________________________________________________________ 18

Seminarski rad


3. NEURONSKE MREZE

Neuronske mreže su sistemi modelirani od procesirajućih elemenata tzv. neurona, po uzoru na mrežu ljudskih moždanih ćelija.Neuronske mreže su oblast vještačke inteligencije – AI – Artificial Intelligence, strukturirane da radi na način kao što radi ljudski mozak. Ključni element ove vrste vještačke inteligencije je specifična struktura obrade informacija sastavljena od velikog broja međusobno povezanih elemenata obrade (neurona) koji zajednički rade na rješavanju problema. Te jedinice su povezane komunikacionim kanalima (vezama). Neuronska mreža u računarskim naukama predstavlja veoma povezanu mrežu elemenata koji obrađuju podatke. Podaci koji se ovim kanalima razmijenjuju su obično numerički. Neuroni obrađuju samo svoje lokalne podatke i ulaze koje primaju preko konekcije. Važna osobina neuronskih mreža je njihova sposobnost da uče na ograničenom skupu primjera te su zbog toga sposobne da izađu na kraj sa problemima koji se tradicionalnim pristupom teško rješavaju. sposobne bolje da prepoznaju govor i oblike. Jedna od važnijih osobina neuronskih mreža je njihova sposobnost da uče na ograničenom skupu primjera.

3.1 Istorijat i razvoj neuronskih mreza Početak neuro-računarstva obično se vezuje za 1943. godinu i članak Warrena McCullocha i Waltera Pittsa “Logički račun ideja svojstvenih nervnoj aktivnosti”. Ovaj članak je često citiran. Kibernetičar Norbert Winer i matematičar John von Neumann su smatrali da bi istraživanja na polju računarstva, inspirisana radom ljudskog mozga, mogla biti izuzetno zanimljiva. Knjiga Donalda Hebb-a iz 1949. godine “The Organization of behavior” (Organizacija ponašanja) iskazuje ideju da je klasično psihološko uslovljeno ponašanje prisutno kod svih životinja, jer je ono svojstvo neurona. Ova ideja nije bila nova, ali ju je Hebb više razradio od prethodnika, predlažući određeni zakon učenja za sinapse, a pomoću njega je izveo kvalitativno objašnjenje nekih eksperimentalnih rezultata iz psihologije. Početkom pedesetih godina, najviše uticaja na dalji razvoj neuronskih mreža je imao rad Marvin Minsky-a koji je u tom periodu konstruisao neuroračunar pod imenom Snark (1951). Frank Rosenblatt je zaslužan za otkriće jednoslojne neuronske mreže, zvane perceptron. Ovaj računar je mogao uspešno da podešava težinske koeficijente, međutim ovaj računar nije postigao značajnije praktične rezultate. Tek krajem pedesetih godina ________________________________________________________________________ 19

Seminarski rad


(1957-1958), Frank Rosenblatt i Charles Wightman sa svojim saradnicima su uspeli da razviju računar pod nazivom Mark I koji predstavlja prvi neuroračunar. Nešto posle Rosenblatta, Bernard Widrow je sa svojim studentima (najpoznatiji je Ted Hoff, kasnije tvorac mikroprocesora) razradio novi tip “neurona” - ADALINE (ADAptivini LINearni Element, prenosna funkcija f(x)=x) i odgovarajući zakon učenja. Sredinom 1960-ih godina je pristup rešavanja problema neuronskih mreža okarakterisan kao pogrešan, nakon što Marvin Minsky i Seyour Papert u knjizi “Perceptrons” objavljuju matematički dokaz da jednoslojna neuronska mreža “Perceptron” ne može da nauči funkciju XOR, uz pretpostavku da dodavanjem više slojeva neurona taj problem neće biti prevaziđen. Tačno je da neuron nije u stanju da izvede pomenutu funkciju, ali za iole složeniju mrežu od nekoliko neurona to predstavlja veoma jednostavan zadatak. Njihov dokaz je diskreditovao istraživanja neuronskih mreža, a finansiranja su preusmerena na druge oblasti veštačke inteligencije. Rumenel, Hinton i Williams (1986) dokazuju veliku promenljivost i potencijal backpropagation algoritma. Krajem 80-tih i početkom 90-tih, neuronske mreže i neuro računarstvo se uvodi kao predmet na nekoliko elitnih univerziteta u SAD, dok se danas neuronske mreže gotovo mogu sresti na svim univerzitetima. Iako su NM imale neobičnu istoriju, one su još uvek u ranoj fazi razvoja. Možda se sad može reći da smo na kraju početka. Danas NM nalaze veoma širok spektar primena u različitim praktičnim oblastima. 3.3 Realizacija neuronskih mreza Neuronska mreža se može realizovati na dva načina: hardverski i softverski. Hardverska realizacija: Veštački neuroni su fizički međusobno povezani, oponašajući veze između bioloških neurona. Neuroni se realizuju kao jednostavna integrisana kola. Softverska realizacija: NM se obično simuliraju na tradicionalnim računarima, u kojima je veza između čvorova logička (virtualna). Svaki od ovih načina realizacije NM ima svoje prednosti kao i mane. Prednost hardverske realizacije je to što može da koristi mogućnost paralelnog procesiranja informacija ukoliko se svakom neuronu u mreži dodeli po jedan procesor. Prednost softverske realizacije NM na standardnom PC računaru je u tome što se lakše uspostavljaju (i kasnije menjaju) veze između pojedinih neurona u mreži. U praksi se softverska realizacija koristi za testiranje, a konkretna realizacija koja se primenjuje u praksi može biti realizovana i hardverski čime se dobija na brzini.

________________________________________________________________________ 20

Seminarski rad


3.4 Model neuronske mreze

Neuronsku mrežu čine:  arhitektura (topologija) mreže, odnosno šema vezivanja neurona  prenosna funkcija neurona  zakoni učenja

Arhitekturu veštačke neuronske mreže predstavlja specifično uređenje i povezivanje neurona u obliku mreže. Po arhitekturi, neuronske mreže se razlikuju prema broju neuronskih slojeva. Obično svaki sloj prima ulaze iz prethodnog sloja, a svoje izlaze šalje narednom sloju. Prvi sloj se naziva ulazni, poslednji je izlazni, ostali slojevi se obično nazivaju skrivenim slojevima. Jedna od najčešćih arhitektura neuronskih mreža je mreža sa tri sloja. Prvi sloj (ulazni) je jedini sloj koji prima signale iz okruženja. Prvi sloj prenosi signale sledećem sloju (skriveni sloj) koji obrađuje ove podatke i izdvaja osobine i šeme iz primljenih signala. Podaci koji se smatraju važnim se upućuju izlaznom sloju, poslednjem sloju mreže. Na izlazima neurona trećeg sloja se dobijaju konačni rezultati obrade. Složenije neuronske mreže mogu imati više skrivenih slojeva, povratne petlje i elemente za odlaganje vremena, koji su dizajnirani da omoguće što efikasnije odvajanje važnih osobina ili šema sa ulaznog nivoa.

Slika Model neuronske mreže

Učenje NM se svodi na učenje iz primera kojih bi trebalo da bude što više da bi mreža mogla da se ponaša preciznije u kasnijoj eksploataciji. žina. Kada uzorci koji se ________________________________________________________________________ 21

Seminarski rad


predstavljaju mreži ne dovode više do promene ovih koeficijenata, smatra se da je mreža obučena. Postoji tri tipa obučavanja:  



nadgledano obučavanje - mreži se predstavljaju ulazni podaci i očekivani izlazni podaci obučavanje ocenjivanjem - mreži se ne predstavljaju očekivani izlazni podaci nego joj se posle izvesnog vremena predstavlja ocena prethodnog rada. Jedan od primera je mreža koja uči da balansira štap. Kad god štap padne, mreži se prosleđuje ocena prethodnog rada, na primer, u obliku ugaonog odstupanja štapa od ravnoteže. samoorganizacija - mreži se predstavljajuisključivo ulaz

________________________________________________________________________ 22

Seminarski rad


4. EKSPERTNI SISTEMI Ekspertni sistemi (takođe, ekspertni sistemi) su inteligentni računarski programi kojima se podstiče rešavanje problema na način na koji to čine eksperti i predstavljaju jednu od najznačajnijih oblasti istraživanja veštačke inteligencije. Ekspertni sistemi rešavaju realne probleme iz različitih oblasti, koji bi inače zahtevali ljudsku ekspertizu. Cilj je da uvek računarski program daje korektne odgovore, u datoj oblasti, ne lošije od eksperta, ali je to teško dostižno. Zato se postavlja manje ambiciozan cilj, traži se da sistem pruži pomoć u odlučivanju. Ekspert je stručnjak u nekoj oblasti koji poseduje i efikasno koristi određeno znanje, razumevanje problema i zadataka, veštine i iskustva. Eksperti poseduju i sposobnost da u konkretnom problemu koji rešavaju prepoznaju tipski zadatak. Poseduju i neke lične osobine poput snalažljivosti, što čini heurističko znanje. Na osnovu ovog znanja mogu da prepoznaju najbrži način dolaska do rešenja, kao i ispravan pristup u rešavanju problema, čak i ako su podaci nekompletni. Ekspertni sistemi iz pojedinih oblasti se povezuju čineći na taj način bazu znanja šire namene, koja je veliki potencijal za pomoć u odlučivanju. Područje ekspertnih sistema, (Expert Systems-ES) predstavlja samo deo širokog istraživačkog područja poznatog kao veštačka inteligencija „Artifikal Inteligence“. Ekspertni sistemi podrazumjevaju onu oblast vještačke inteligencije koja se bavi primenom „računarskog znanja“ u rešavanju problema koji obično zahtevaju ljudski intelekt. ES se satoji od:   

kontrolnog programa, sistema za komunikacije sa korisnikom. baze znanja,

________________________________________________________________________ 23

Seminarski rad


4.1 Komponente ekspertnog sistema Ekspertski sistemi imaju tri komponente: 1) baza znanja 2) mehanizam izvođenja 3) upravljački mehanizam 4.2 Znanje - sticanje i prezentovanje Proces funkcijonisanja ES može se rasčlaniti na pet komponenata: 1) Akvizicija (sticanje) znanja 2) Reprezentacija (memorisanje) znanja 3) Obrada znanja (rešavanje problema) 4) Komponente za objašnjenje 5) Interfejs (jedinica za dijalog) 4.3 Razlog primene ES Osnovni razlozi primene ES su: nedostatak eksperata u organizacijama, brz rast broja informacija kojima ekspert mora ovladati, dugotrajno i skupo školovanje eksperata, jeftin hardver, potreba za bržim delovanjem u organizaciji i okruženju oko sebe.  

Mogu rešavati vrlo složene probleme jednako dobro kao ljudi-stručnjaci; Imaju savršenu memoriju i uzimaju sve relevantne faktore u obzir;



Imaju edukativnu poziciju, pošto stručnost sintetizuju u jasno definisana pravila;



Zajedničko korištenje znanja vrhunskih stručnjaka od strane šireg kruga korisnika;

4.4 Postupak razvoja ES U postupku razvoja ES prvo treba utvrditi problem na koji se ova tehnologija može primeniti, uraditi prototip (sastoji se iz prikupljanja ekspertskog znanja), kreirati bazu znanja, izvršiti izbor tehnike prezentacije znanja u bazi, uraditi prototip primenom odabranog softverskog alata, prezentovati prototip korisnicima i ekspertima, modifikovati prototip na osnovu prikupljenih predloga i mišljenja.

________________________________________________________________________ 24

Seminarski rad


4.5 Primena ES Raspoloživo “znanje” ES je veoma ograničeno, budući da se oni dizajniraju za rešavanje usko specificiranog problemskog područja. Ekspertni sistemi se primenjuju za dijagnostiku i servisiranje, planiranje, prognoziranje, dizajn, monitoring i merenje, zatim u raznim granama delatnosti kao što su tehnika, medicina i druge. Neki ES kao što je AL/X koristi se brzo dijagnosticiranje kvarova, PROSPECTOR u pronalaženju mineralnih sirovina, HASP tumačenje signala sonara itd. 4.6 Izbori područja razvoja ES Prilikom izbora područja za koje će se razvijati ekspertni sistem uzimaju se područja ili situacije koje imaju sledeće karakteristike:   

Gdje eksperata ima malo i rade pod velikih pritiskom (preko vikenda, praznika, noću i sl.), posao je toliko složen da oduzima mnogo vremena i često dovodi do grešaka, odluke koje se donose veoma su važne, ali se donose retko pa nema eksperata koji se njima stalno bave.

4.7 Načini prikupljanja znanja Osnovni način prikupljanja znanja za ekspertni sistem su:  

Intervju - razgovor s ekspertima u kojima se želi pronaći i opisati najvažnije znanje, Učenje interakcijom - odnosi se na rad eksperta pri rešavanju problema korišćenjem računara.

4.8 Osobine ES       

Intergracija znanja - ES intergriše znanje potencijalno velikog broja ljudi stručnjaka na jednom mestu; Povećana dostupnost - ES može se koristiti na svim lokacijama, 24 sata dnevno; Smanjena cena - ES je jeftiniji od eksperta; Nivo subjektivnosti - ES zadržava nivo subjektivnosti koji je u njih incijalno ugrađen, dok su eksperti skloni varijacijama; Povećana pouzdanost - ES ne čini greške, ne umara se i ne zaboravlja; Uslovi delovanja - ES može delovati u uslovima koji su za čoveka opasni; Brzina reakcije - brza reakcija na nastali problem;

________________________________________________________________________ 25

Seminarski rad




Tumačenje - opis do detalja kako se došlo do rešenja.

5. ZAKLJUČAK Svakodnevno smo svedoci brojnih primera upotrebe veštačke inteligencije u velikom broju različitih oblasti. Za očekivati je da će u budućnosti upotreba veštačke inteligencije biti sve zastupljenija čak i u svakodnevnom radnom okruženju. Veštačka inteligencija pokušava oponašati ljudski način razmišljanja služeći se deklarativno znakovnim programiranjem uz razvijanje vizuelnih senzora i prirodnih jezika. U budućnosti je za očekivati da će putem veštačke inteligencije biti zamenjeni mnogi eksperti i stručnjaci. Velike baze znanja će omogućiti lakše rješavanje problema.

________________________________________________________________________ 26

Seminarski rad


6. LITERATURA http://wikipedia.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija http://users.hemo.net/shoom/es.pdf http://www.scribd.com S. A. Argyropoulos: Artificial Intelligence in Materials Processing Operations: A Review and Future Directions, ISIJ Int, 30(1990) 83-89. D. A. Waterman: A Guide to Expert Systems, Addison-Wesley Publ. Co., Reading, MA, (1986) Prof.dr Mladen Radivojević, Elektronsko poslovanje-Menadžment informacioni sistemi.

________________________________________________________________________ 27

Vestacka inteligencija

Recommend Documents