729G43 Artificiell intelligens Introduktion. Arne Jönsson HCS/IDA

Transkript

1 729G43 Artificiell intelligens Introduktion Arne Jönsson HCS/IDA

2 Introduktion Kursöversikt Mål med AI Historia Intelligenta agenter

3 Kursöversikt Intelligenta agenter 1 Fö, 4 Lab Problemlösning och sökning 2 Fö, 4 Lab Kunskapsrepresentation och logik 6 Fö, 1 Le, 4 Lab Planering 1 Fö, 2 Lab Probabilistisk logik 2 Fö, 1 Le, 2 Lab Maskininlärning, ANN 4 Fö, 3+2 Lab Projektseminarier

4 Kursens organisation Föreläsningar (Arne) Lektioner (Arne) Labbar (Robin, Cornelia och Ellinor) Fördjupningsarbete (Arne mfl)

5 Tidsplan 32 h föreläsning ca 120 h egen tid för inläsning av teori 42 h schemalagda laborationer laborationsförberedande lektioner i labsal Ca 150 h av egen tid för laborationerna, mycket beroende på hur bra du klarade programmeringskursen 16 h handledning och redovisning av projekt ca 120 h egen tid på projekt

6 Kursens examination Tenta (4 hp) Laborationer (5 hp) Fördjupningsarbete/Projekt (3 hp)

7 Kursens examination Tenta G/VG Laborationer G/VG Fördjupningsarbete G/VG VG på kurs = VG på tenta + VG på labbar eller VG på projekt Möjligt att komplettera laborationer till VG Deadlines! Fusk = Disciplinnämnd!

8 Förkunskaper och påbyggnad Psykologi Programmering Lingvistik AI Interaktionsdesign Medvetandefilosofi Språkteknologi Kognitiv modellering Programmeringsfördjupning

9 Vad är AI? Artificial Intelligence is the art of making computers work the way they do in the movies Artificial Intelligence is the study of how to make computers do things at which, at the moment, people are better. (Elaine Rich) Artificial Intelligence is the study of mental faculties through the use of computational models. (Eugene Charniak & Drew McDermott)

10 Vad är AI? Få fram intelligenta program som kan hantera oväntade situationer och kommunicera bättre. (Erik Sandewall) The branch of Computer Science that is concerned with the automation of intelligent behavior. (Luger & Stubblefield) Understand and build intelligent entities (Russel & Norvig)

11 Mål med AI System som kan: Tänka som en människa Tänka rationellt Handla som en människa Handla rationellt

12 AI:s historia Stora förväntningar Bakslag Kunskapsbaserade Mogen vetenskap Kommersiella tillämpningar Neurala nät Intelligenta agenter Big Data

13 Historia 1 i 0 = t w 0 i 1 i 2 w i j j w 1 w 2 S y : y = f ( w k i k ) j k=0 Förhistoria: 1943 neuronmodell Kopplade ihop kunskap om hjärnans uppbyggnad med neurala nät och logik stora förväntningar. SHRDLU, Blocks World, GPS, mikrovärldar. Dartmouth bakslag. Ingen kunskap, ex Eliza, MT Fundamentala begränsningar, ex perceptroner Kan inte skala upp, komplexitetsproblem

14 Komplexitetsanalys, 1 Uppskatta komplexiteten hos ett program Ex. def summa(l): if l==[]: return 0 else: return l[0] + summa(l[1:]) Antal operationer: (1 test + 1 addition)/varv + sluttesten Tiden T(n) = 2n + 1, dvs växer linjärt T n

15 Komplexitetsanalys, 2 Asymptotisk analys Försöker uppskatta vad som kan hända för stora n, Ordo, O(n). Ex 1. T(n) = 2n + 1. För stora n dominerar n, O(n). Polynomiskt problem. Ex 2. T(n) = n n ger O(n 4 ) Ex 3. Sökträd med förgreningsfaktor b och sökdjup d, O(b d ). Exponentiellt problem. 1 3 T n

16 Komplexitetsanalys Enkla problem är polynomiska, P, t ex O(log n), O(n), O(n 100 ) Svåra problem är ickepolynomiska, NP, t ex O(e n )

17 Historia Kunskapsbaserade system ex. DENDRAL, MYCIN, Conceptual dependencies Konceptuella handlingar grupperade till ACTIONS, ex INGEST = intagande av något (äta, dricka, röka etc), ATRANS = överföring av abstrakt relation, ex ger, får ACTIONS används vid tolkning. Roller kopplade till ACTIONS. Per p o D INGEST groda Munnen Y I Per MOVE Per HEALTH(<a) HEALTH(a) Hand o D Y Munnen

18 Dendral C 8 H 16 O Strukturskapare Lista med nödvändiga bindningar Lista med förbjudna bindningar Spektrogramskapare Syntetiskt spektrogram Experimentellt spektrogram Matchare Lista med acceptabla kemiska strukturer

19 Historia Industrin kommer Expertsystem, 5:e generationen Neurala nät Mogen vetenskap Formella bevis Empiriska studier Verkliga problem Intelligenta agenter Stora datamängder Miljarder istället för miljoner exempel

20 Symbolisk vs subsymbolisk kognition Symbolisk Kunskapen representerad som symboler, explicit Objekt och relationer Logik, planer, ontologier Kunskap genom att koda Inferens genom sökning i kunskapsbasen Subsymbolisk Kunskapen representerad subsymboliskt, implicit Vikter i ett nätverk Vektorer, matriser Kunskap genom inlärning Inferens genom aktivering

21 Tillämpningar Autonom planering, ex WITAS, NASA Spel, ex IBM Deep Blue Autonom kontroll, ex självkörande bilar Diagnos, ex medicin, finans Data and text analytics, ex beslutsfattande Logistik, ex tåg Robotik, ex kirurgi Naturligt språk, ex Watson, Siri

22 Intelligenta agenter Vad är en intelligent agent Typer av intelligenta agenter Enkel reflexstyrd Modellbaserad Målstyrd Nyttostyrd Agent som lär sig

23 Intelligent agent Rationell Handla så bra som möjligt Mäta agentens utförande Mappa från varseblivningssekvenser till handlingar Autonom Vad agenten vet om omgivningen Varseblivningshistoria Handlingar Agentens handlingar beror bara på agentens kunskap samt vad den varseblir

24 Intelligent agent Agent Sensorer Percept? Omgivning Effektorer Handlingar

25 Ex. Dammsugaragent Agenttyp Utförandemått Omgivning Handlingar Sensorer Dammsugaragent Städa rent och gå hem, effektivt Rum, damm, hinder Suga, framåt, vänster, höger, stäng av Väggsensor, dammsensor, hemmasensor D A D D

26 Andra exempel på agenter Agenttyp Utförandemått Omgivning Effektorer Sensorer Medicinsk diagnos Frisk patient min. kostnad Patient, sjukhus, personal Ställa frågor, tester, diagnoser, behandlingar Symptom, patientsvar, datainmatning Satellit bildanalys Riktig kategorisering Bilder från satellit Visa kategorisering Bildpunkter Plockrobot Antal delar i rätt låda Rullband med delar, lådor Robotarm Kamera, robotsensorer Raffinaderikontroll Maximal renhet, avkastning, säkerhet Raffinaderi, operatörer Ventiler, pumpar, displayer, värmare Temperatur, tryck, kemiska sensorer Interaktiv lärare Maximera studentens poäng Studenter Visa övningar, föreslå, rätta Tangentbord

27 Egenskaper hos omgivningar Partiellt observerbar Sensorerna ger inte allt. Kan också vara icke-observerbar Stokastisk Kan inte vara säker på utfallet av en handling Sekvensiell Beslut om val av handling i ett tillstånd kan påverka framtida val Dynamisk/Semidynamisk Omgivningen kan ändras medans agenten fattar beslut Kontinuerlig Tillstånd och tid kontinuerliga Multiagent Helt observerbar Sensorerna ger allt som behövs för att välja handling Deterministisk Nästa tillstånd beror bara av agentens handling och nuvarande tillstånd Episodisk Handling beror inte av vad som hänt tidigare Statisk Omgivningen ändras inte medans agenten fattar beslut Diskret Tid och tillstånd diskreta En agent

28 Exempel på omgivningar Omgivning Observerbar Determ. Episodisk Statisk Diskret Agenter Schack Helt Determ. Sekventiell Semi Diskret Multi Taxikörning Partiellt Stokastisk Sekventiell Dynamisk Kontinuerlig Multi Plockrobot Partiell Stokastisk Episodisk Dynamisk Kontinuerlig En agent Instruktör Partiell Stokastisk Sekventiell Dynamisk Diskret Multi Bildanalys Helt Determ. Episodisk Semi Kontinuerlig En agent Poker Partiell Stokastisk Sekventiell Statisk Diskret Multi Raffinaderikontroll Partiell Stokastisk Sekventiell Dynamisk Diskret Multi

29 Enkel reflexstyrd agent Sensorer Hur världen ser ut nu Omgivning Villkors-handlingsregler Vad jag skall göra nu Agent Effektorer

30 Enkel reflexstyrd agent rules = { dirt : suck, bump : turn-left, } def reflexagent(percept): state = interpretinput(percept) rule = rulematch(state, rules) action = ruleaction(rule) return action D D D A

31 Problem Agenten kan inte gå systematiskt D A D D

32 Modellbaserad reflexstyrd agent Tillstånd Sensorer Hur världen utvecklas Hur världen ser ut nu Vad mina handlingar medför Omgivning Villkors-handlingsregler Vad jag skall göra nu Agent Effektorer

33 Modellbaserad reflexstyrd agent rules = { } state = [ ] def reflexagentwithstate(percept): state = updatestate(state, action, percept) rule = rulematch(state, rules) action = ruleaction(rule) return action

34 Målstyrd agent Tillstånd Sensorer Hur världen utvecklas Hur världen ser ut nu Vad mina handlingar medför Hur den blir om jag gör A Omgivning Mål Vad jag skall göra nu Agent Effektorer

35 Nyttobaserad agent Tillstånd Sensorer Hur världen utvecklas Hur världen ser ut nu Vad mina handlingar medför Nytta Hur den blir om jag gör A Hur glad jag blir i det tillståndet Omgivning Vad jag skall göra nu Agent Effektorer

36 Agent som lär sig Yttre standard Kritiserare Sensorer Återkoppling Utförandeelement Inlärningselement Mål Förändringar Kunskap Omgivning Problemgenerator Agent Effektorer

37 Sammanfattning Olika mål med AI Komplexitetsanalys Symbolisk vs subsymbolisk cognition Intelligenta agenter Enkel reflexstyrd Modellbaserad Målstyrd Nyttobaserad Agent som lärsig Egenskaper hos omgivningen Observerbarhet Statisk eller deterministisk Sekventeill ellerepisodisk Dynamisk eller statisk Kontinuerlig ellerdiskret En eller flera agenter